COURS Tgo

Graphes et Applications
Dr. Rami Harrathi

Maître assistant en Informatique
{ rami.harrathi@gmail.com }
AU 2023-2024
Syllabus du cours
Objectif
Montrer la richesse des concepts fondamentaux de la théorie des
graphes pour la modélisation et la résolution de nombreux
problèmes d’optimisation discrète. .
Pré-requis
Cours d'algorithmique et quelques notions de programmation.
Organisation
Cours : 2h/semaine ; TD : 1h/semaine
Bibliographie
D Maquin (2010).,«Eléments de Théorie des Graphes et
Programmation Linéaire».,http://cours.ensem.inpl-
nancy.fr/cours-dm/graphes/Graphesnew. pdf
Roseaux (2005 )., Roseaux., «Exercices et problèmes résolus de
recherche opérationnelle,Dunod, 2005.
R.Harrathi Théorie des Graphes et Optimisation 2
.
1
Plan du cours
 Concepts fondamentaux de la théorie des graphes
 La connexité dans un graphe
 Problème de l’arbre couvrant de coût minimum
 Problème du plus court chemin
Problème d’ordonnancement
 Problème du flot maximum

Notions de théorie des langages
 Alphabets, langages et grammaires formelles
 Langages réguliers et automates Finis
CHAPITRE 1
CONCEPTS FONDAMENTAUX DE LA
THÉORIE DES GRAPHES
2
Concepts fondamentaux de la théorie des graphes I. Introduction
L’optimisation
Problème d'optimisation consiste à chercher le minimum (S* )

d'une application f, le plus souvent à valeurs entières ou réelles,
sur un ensemble fini S.
Formulation d’un problème d’optimisation

Données
un ensemble fini d'éléments ou configuration
une fonction de coût ou poids sur ces éléments
Question : Déterminer un élément de coût minimum ou de poids
maximum
L’optimisation
Exemple:
Données : Un réseau routier
Graphe
sommets ↔ villes
arcs ↔ routes
 poids sur les arcs :distance entre les villes
Question: Trouver le plus court chemin de Gafsa à Tunis ?

Solution : algorithme de Dijkstra, Bellman-Ford.
3
La théorie des graphes
Historique :problème des 7 ponts de Königsberg

La ville de Königsberg (Kaliningrad), traversée par la rivière
Prégolya, possède 2 îles et 7 ponts.
Est-il possible de visiter tous les quartiers de la ville en

traversant chaque pont qu’une seule fois et de revenir au point
de départ .
Résolution par Euler(1736)

Modélisation de Königsberg par un graphe
sommets=villes
arcs=ponts
Recherche d’un cycle eulérien (une chaîne qui passe une fois et
une seule par chaque arête du graphe )
Théorème d’Euler :un graphe admet un cycle eulérien si et
seulement si le nombre d’arêtes reliées à chaque sommet est pair.
4
Un graphe G = <S,A> est la donnée :

Un ensemble S dont les éléments sont les sommets du graphe
Un ensemble A dont les éléments, des arêtes (ou des arcs) qui
relient les éléments de S.
1 •Sommet
•arc
2 3
Ordre d’un graphe est le nombre de sommets du graphe

(=|S|).
Type de graphe
Orienté : chaque arc à un sens
1 Sommet
arc
2 3
non orienté : les arêtes n’ont pas de sens particuliers

1 Sommet
arête
2 3
5
Modélisation par des graphes

Circulation dans une ville :
sommets ↔ carrefours
arcs ↔ rues
Trafic aérien :
sommets ↔ aéroports,
arêtes ↔ vols existants
Réseau informatique :
sommets ↔ ordinateurs
arêtes ↔connexions physiques
Applications de la théorie des graphes

Recherche Opérationnelle
Problèmes d’ordonnancement, Problèmes de flot…
Réseaux de communication
Diffusion de message , Routage de messages…
Chimie-Biologie
Modélisation de molécules, Décodage de chaînes d’ADN
Sociologie
Modélisation des relations
WEB
Graphe des liens, Calcul de pertinence
6
Concepts fondamentaux de la théorie des graphes II. Concepts de base de la théorie des graphes
Graphes orientés
Graphe orienté G = <S, A>

S ensemble fini des sommets
A  S x S ensemble des arcs (a1=(x,y)≠ a2=(y,x) )
Exemple
S = { 1, 2, 3, 4, 5 }
A = {(5, 5), (1, 5) , (5, 4), (4, 2), (2, 1), (3, 1), 3, 2) }
4 1
2 3
Graphes orientés
Terminologie : pour un arc a = (x, y)

x est l'extrémité initiale et y est l'extrémité finale
y est successeur de x et y est prédécesseur de x
Un arc (t, t) est appelé une boucle
Exemple
arc a= (1, 5) Boucle l'extrémité finale
Boucle (5,5)
5 l'extrémité initiale
4 1
2 3
7
Graphes orientés
Application multivoque d'un graphe Γ

L'application Γ qui, à tout sommet x de A, fait correspondre une
partie de A représentant ses successeurs Γ(x).
L'ensemble des prédécesseurs d'un sommet x est noté Γ-1(x) où
Γ-1 est l'application multivoque réciproque de G.
Exemple
G = <S, A> 5
4 1
2 3
S = { 1, 2, 3, 4, 5 }
Γ(1)={5}, Γ(2)={1}, Γ(3)={1,2}, Γ(4)={2}, Γ(5)={4,5}
Graphes orientés
Chemins
Chemin : c = ( s0, s1,s2, …, sk-1,sk ) où les (si-1,si)  A
origine = s0
extrémité = sk
longueur = k (=le nombre d'arcs qui composent le chemin )
Exemple
c= ( 3, 1, 5, 4 ) est un chemin de longueur 3
4 1
2 3
8
Graphes orientés
Chemins
Chemin simple: si il ne passe pas deux fois par le même arc
Chemin élémentaire: si il ne passe pas deux fois par le même
sommet
Circuit: un chemin de longueur non nulle et dont l'origine et
l'extrémité sont identiques.
Exemple
c= ( 3, 1, 5, 4 ) est un chemin simple 5
c= (1,5 ,4 ,2,1 ) est un circuit
4 1
2 3
Graphes orientés
Degrés d'un sommet

degré sortant d+(x) (demi-degré extérieur ) d'un sommet
x, le nombre d'arcs dont l'extrémité initiale est x.
degré entrant d-(x) (demi-degré intérieur ) d'un sommet x,
le nombre d'arcs dont l'extrémité finale est x.
degré total d(x) d'un sommet x, le nombre d'arcs ayant une
extrémité en ce sommet.
Exemple 5
d+(1) =1
4 1
d-(1)=2
d(1)=1+2=3
2 3
9
Graphes orientés
Propriétés : Si G = <S,A> est un graphe orienté alors
Exemple
1 x d+(x) d-(x)
1 0 2
2 1 1
2 3
3 2 0
∑ 3 3
Graphes non orientés
Graphe non orienté G = <S, A>

S ensemble fini des sommets
A  S x S ensemble des arêtes (a1=(x,y) =a2=(y,x) )
Exemple
S = { 1, 2, 3, 4, 5 }
A = {(5, 5), (1, 5) , (5, 4), (4, 2), (2, 1), (3, 1), 3, 2) }
4 1
2 3
10
Terminologie : pour une arête a = (x, y)

x , y sont les deux extrémités de a
x et y sont adjacents (ou voisins)
Exemple
arête a= (1, 5) = (5, 1)
extrémité
5
4 1 extrémité
2 3
Chaîne
Chaîne : c = ( s0, s1,s2, …, sk-1,sk ) où les (si-1,si)  A
Longueur = k (=le nombre d'arêtes qui composent la chaîne )
Cycle: chaîne de longueur non nulle et dont l'origine et
l'extrémité sont identiques.
Exemple
5
c= ( 3, 1, 5, 4 ) est une chaîne de longueur 3
c= (1,5 ,4 ,2,1 ) est un cycle 4 1
2 3
11
Terminologie orienté VS non orienté
Orienté non orienté

arc ↔ arête
chemin ↔ chaîne
circuit ↔ cycle
Degrés d'un sommet

degré d(x) d'un sommet x est comme le nombre d'arêtes ayant x
pour extrémité.
Propriétés : Si G = <S,A> est un graphe non orienté alors
Exemple
x d(x)
1
1 2
2 1
2 3 3 1
∑ 4
12
Définitions
P-Graphe
Graphe dans lequel il n’existe jamais plus de p arcs entre deux
sommets quelconques
Exemple :2 -Graphe
1
4
2 3
Définitions
Graphe simple
Un graphe est dit simple si et seulement si il ne comporte pas de
boucle et s'il n'y à pas plus d'une arête (ou arc) entre deux
sommets quelconques.
Exemple
Graphe simple Graphe non simple
1
1
2 3
2 3
13
Définitions
Graphe partiel
Soit G = <S,A> un graphe (orienté ou non). Un graphe partiel de
G est un graphe G' = <S,A’> tel que A  A’.
Exemple
5
5
4 1
4 1
2 3
2 3
Définitions
Sous graphe
Soit G = <S,A> un graphe (orienté ou non). Un sous-graphe de G
est un graphe G' = <S’,A’> tel que A  A’ et S  S’
Exemple
5
1
4 1
2 3
2 3
14
Définitions
Sous graphe couvrant

Un sous-graphe G’ = (S’,A’) d’un graphe G = (S,A) est couvrant
s’il contient tous les sommets de G : S’ = S.
Exemple
5 5
4 1 4 1
2 3 2 3
Définitions
Graphe valué
Un graphe dans lequel chacune des arêtes (ou arcs), a, est associée
à une valeur, appelée poids, p(a).
Exemple
5
8 7
1
4 2 -13
1
2 3
11
15
Définitions
Fermeture transitive d’un graphe

La fermeture transitive d'un graphe G = <S,A> est un graphe
Ĝ=<S, Â >, où Â est défini par la relation suivante :
(x, y)Â  il existe dans G un chemin de x vers y.
Exemple
a
a
b
Fermeture transitive b
c
c
d
d
Définitions
Graphe symétrique :
(x,y)  A ⇒ (y, x)  A
Graphe anti-symétrique :
(x,y)  A ⇒ (y, x)  A
Graphe réflexif :
(x,x)  A, ∀ x ∈ A
Graphe transitif :
(x,y)  A, (y,z)  A ⇒ (x,z)  A.
Graphe complet
(x,y)A ⇒ (y,x)  A
16
Définitions
Exemple
Graphe réflexif, anti symétrique, transitif et complet
1 2
3 4
Concepts fondamentaux de la théorie des graphes III. Graphes particuliers
Graphe eulérien
Un chemin Eulérien(chaîne) est un chemin (une chaîne) passant

une et une seule fois par chaque arc( arête) du graphe.
Chaîne hamiltonien= (A,F,E,D,C,E,B,F,C,B)
A
F
B
E
C
17
Graphe eulérien
Un graphe non oriente (respectivement orienté) est dit un graphe

Eulérien s’il ait un cycle (resp. circuit) Eulerien.
graphe eulérien graphe non eulérien
.
A
A
F
B F
B
E
C E
C
Graphe eulérien
Théorème d'Euler 1: Un graphe non orienté est eulérien si et

seulement si et seulement s’il soit connexe et tous les sommets
sont de degré pair.
A A
F F
B B
E E
C C
D
Théorème d'Euler 2: Un graphe orienté est eulérien si et

seulement si et seulement :
G est fortement connexe
d+(x) =d-(x) xS
18
Graphe hamiltonien
Un chemin Hamiltonien (chaîne) dans un graphe G est un

chemin (une chaîne) passant une et une seule fois, par chaque
sommets de G.
Exemple
Chaîne hamiltonien= (1,2,5,4,3)
2
5 3
1
Graphe hamiltonien
Un graphe G est Hamiltonien s’il contient un cycle

Hamiltonien (cas non-orienté) ou un circuit Hamiltonien (cas
orienté).
Exemple
Cycle hamiltonien= (1,2,5,3,4,1)
2
1 5 3
4
19
Graphe hamiltonien
Théorème : Soit G un graphe simple, non-orienté, ayant n

sommets, n ≥ 3. Si , pour tout paire(x,y) de sommets non
adjacents, on a :
d(x) + d(y) ≥ n
Alors, G est Hamiltonien.
Corollaire: Soit G un graphe simple, non orienté ayant n
sommets, n ≥ 3. Si tous les sommets sont à degré ≥ n/2, alors G
est Haniltonien.
Concepts fondamentaux de la théorie des graphes IV. Représentation des graphes
Matrice d’adjacence
Soit G = <S,A> un 1-graphe la matrice d'adjacence de G est la

matrice carrée M de taille n x n, définie par :
M [ i, j ] = 1 s’il existe un arc (i, j) sinon 0

1 1 2 3
2 3
1
2
3
 1
1
0
1
0
1
1
0
0
20
Matrice d’adjacence
Soit G = <S,A> un 1-graphe valué, la matrice d’adjacence de

G est la matrice carrée M de taille n x n, définie par :
M [ i, j ] = p(i,j) s’il existe un arc (i, j) sinon ∞

1 2 3

1
8 1 2 8 5
5
3 2 3 ∞ ∞
2 3 3 ∞ 9 ∞
9
Matrice d’incidence
Soit G = <S,A> un graphe orienté sans boucle , la matrice

d‘incidence sommet-arcs de G est la matrice M, définie par :
Si a = (i,j)  A, alors M[i,a] = 1 : M[j,a] = -1 ; sinon 0

1 a1 a2 a3 a4

a1 a3
a2
1 1 -1 1 0
2 3
2 -1 1 0 -1
a4 3 0 0 -1 1
21
Matrice d’incidence
Soit G = <S,A> un graphe non orienté, la matrice d’incidence

sommet-arcs de G est la matrice M, définie par :
Si a = (i,j)  A, alors M[i,a] = 1 : M[j,a] = 1 ; sinon 0

1 a1 a2 a3 a4

a1 a3
a2
1 1 1 1 0
2 3
2 1 1 0 1
a4 3 0 0 1 1
Liste de successeurs
Associer à chaque sommet la liste de ses successeurs. Ces

listes sont accessibles à partir d'un tableau S, qui contient
pour chaque sommet, un pointeur vers le début de sa liste.
1 1 1 2
2 1
2 3 3 2
2
1 1 2 2 8
8 1
5
3 2 1 3
2 3 3
9 2 2
22
Comparaison des tailles
Graphe à n sommets et m arcs.

Matrice d'adjacence : n2
Matrice d'incidence : n.m
Liste de successeurs : n + m
Concepts fondamentaux de la théorie des graphes V. Parcours d’un graphe
Parcours en profondeur
Principe: pour chaque sommet, on prend le premier

sommet voisin jusqu’à ce qu’un sommet n’ait plus de voisins
(ou que tous ses voisins soient marqués), et revient alors au
sommet père.
Exemple:
Ordre préfixe du parcours : a, b, f, g, e, c, d
1 a
c d 7 e 5
6
3 f g 4
2
b
23
Exemple:
Ordre suffixe du parcours : e, g, f, b, c, d, a
7 a
c d 6 e 1
5
3 f g 2
4
b
Algorithme
24
Parcours en largeur
Principe: à partir d'un sommet S, on liste d'abord les voisins

de S pour ensuite les explorer un par un.
Exemple:
Ordre du parcours : a b c d e f g
1 a
3 c 4 d e 5
6 f g
7
b
2
Parcours en largeur
Algorithme
25
CHAPITRE 2
LA CONNEXITÉ DANS UN GRAPHE
La connexité dans un graphe I. Introduction
Connexité par l’exemple
Plan de circulation dans une ville des rues à double sens

Graphe non orienté : la circulation est autorisée de n'importe
quel point de la ville vers un autre
1 2
3 4 5 6
7 8 9 10
11 12
Il existe une chaîne entre tout couple de sommets.

Graphe connexe
26
La connexité dans un graphe I. Introduction
Connexité par l’exemple
Plan de circulation dans une ville des rues avec des sens interdits,
Graphe orienté : la circulation est autorisée de n'importe quel
point de la ville vers un autre
1 2
3 4 5 6
7 8 9 10
11 12
Il existe un chemin entre tout couple de sommets.

Graphe fortement connexe
La connexité dans un graphe II. Connexité
Graphe connexe
Un graphe non orienté G = <S,A> est connexe si ∀ x,y ∈ S ,

il existe une chaîne reliant x à y
Exemple
Graphe connexe Graphe non connexe
E D E D
C F C F
A B A B
27
Graphe connexe
Une composante connexe d'un graphe G=<S,A> est un sous-

graphe G'=<S',A‘> connexe maximal.
∀ x, ∈ S \A’, y ∈ A’, il n'existe pas une chaîne reliant x et y
Les composantes connexes de G définissent une partition de S.
Exemple
.
{ E,A,C,B } D { D,F }
E
F
C
A B
Un graphe orienté G = <S,A> est fortement connexe si ∀ x,y

∈ S , il existe un chemin reliant x et y
Exemple
Graphe fortement connexe Graphe non connexe

a a
g g
c c
d d
e e
b b
f f
28
Une composante connexe d'un graphe orienté G=<S,A> est un

sous-graphe G'=<S’,A‘> fortement connexe maximal.
∀ x, ∈ S \A’, y ∈ A’, il n'existe pas un chemin reliant x et y
Les composantes connexes de G définissent une partition de S.
Exemple
a
{a,c,g}
g
c
d
e {f,d,e,b}
b
f
Graphe réduit d'un graphe orienté admettant p composantes

fortement connexes{C1, C2, …, Cp} est défini par Gr=< Sr, Ar >
Sr={C1, C2, …, Cp}
Ar={(xi, xj) | xi ∈ Ci , xj ∈ Cj tel que (xi, xj) ∈A}
Exemple
a C1
g
c
Graphe réduit
d
e
b C2
f
29
La connexité dans un graphe III. Recherche des composantes connexes
Cas non orienté
Appliquer l’algorithme de parcours du graphe en profondeur (ou

en largeur)
Chaque arbre de la forêt obtenue couvre des sommets appartenant
à une même composante connexe.
Exemple Forêt de l'exploration en profondeur
S={A, B, C, D, E, F} les dates du début et la fin de parcours de G
0
E
D
A D
C B F
F
C
A B
E
Cas orienté : Algorithme de Kosaraju-Shamir
Algorithme de Kosaraju-Shamir
1. Appliquer un parcours en profondeur de G en numérotant les
sommets dans l’ordre suffixe
2. Construire le graphe transposé GT obtenu en inversant le sens des
arcs de G.
3. Appliquer un parcours en profondeur de GT en démarrant par le
sommet de plus grand numéro suffixe
Chaque arborescence de la forêt obtenue à l’étape précédente est une
composante fortement connexe.
30
Exemple:
Parcours suffixe : e, d ,f, b, g, c, a
7
a
6 g 5
c
2 d 1
e
b 4
3 f
Construction du graphe transposé ( GT )
G GT :
7
a 7
6 g 5
a
6
c c
g
5
2 d 1 d
e
2 e 1
b 4 b 4
3 f
3
f
31
Parcours préfixe en profondeur du graphe transposé ( GT )
7 a
6 Forêt de l'exploration en profondeur
c
g
5
0
2 d 1 a b
e
g e
f
b 4
3 c d
f
composante fortement connexe
Cas orienté : Méthode matricielle
Principe :
Calculer la matrice de la fermeture transitive d'un graphe
a a
b Fermeture transitive ? b
c c
a b c a b c
a 0 1 0 Matrice d’adjacence?
a 1 1 1
b 1 0 1 b 1 1 1
c 0 0 0 c 0 0 0
32
Principe :
Calculer la matrice de la fermeture réflexive transitive d'un
graphe
a a
b Fermeture réflexive transitive ? b
c c
Matrice d’adjacence? 1 1 1
0 1 0 1 1 1
1 0 1
0 0 1
0 0 0
composante fortement connexe
Calcul de fermeture transitive par la puissance matricielle

les opérations booléennes sur les matrices
A B A+B A × B
1 1 1 1
1 0 1 0
0 1 1 0
0 0 0 0
33

M a b c
a a 0 1 0
b × b 1 0 1
c 0 0 0
c M a b c M2 a b c
a 0 1 0 a 1 0 1
b 1 0 1 b 0 1 0
c 0 0 0 c 0 0 0
Exemple de calcul
M2[a,a]=M[a,a]×M[a,a] + M[a,b] × M[b,a] + M[a,c]× M[c,a]
M2[a,c]=M[a,a]×M[a,c] + M[a,b] x M[c,b] + M[a,c] × M[c,c]

Chemins de longueur 2 = Calculer M2 (le produit booléen)
a
M a b c M2 a b c
b a 0 1 0 a 1 0 1
b 1 0 1 b 0 1 0
c 0 0 0 c 0 0 0
c
Exemple de calcul
M2[a,a]=M[a,a]×M[a,a] + M[a,b] × M[b,a] + M[a,c]× M[c,a]
M2[a,a]= 1 car M[a,b] = 1 et M[b,a] =1
Il existe un chemin du sommet a au sommet a
Chemin=(a,b,a)
34

M2[i,j] = ∑ M[i,k] × M [K,j] (∑ somme booléenne)
Pour que M2[i,j]= 1, il faut qu’il existe au moins un indice k tel

que simultanément les éléments M[i,k] et M[k,j] égaux à1.
M[i,k]=1 et M[k,j] =1  il existe un chemin de longueur

de 2 du sommet i au sommet j.
Recherche de l’existence des chemins de longueur p

Calculer M[p]
Preuve : par récurrence
Notation : On note les matrices obtenues à partir des lois de
composition booléennes par M[p] pour les différencier des matrices
calculées à partir des lois de composition usuelles.
Recherche du nombre des chemins de longueur p

Calculer MP
35
Matrice de la fermeture transitive (MF) d’un graphe de n

sommets
MF= M[1] + M[2] + M[3] +….+ M[n-1]
Remarque: dans un graphe de n sommets il ne peut y avoir de

chemin simple ayant plus de n-1.
Complexité = O(n4)
Exemple : Calcul de la fermeture transitive
a M[1] M[2]
a b c a b c
b
a 0 1 0 a 1 0 1
b 1 0 1 b 0 1 0
c c 0 0 0 c 0 0 0
a MF= M[1] + M[2]

a b c
b a 1 1 1
b 1 1 1
c 0 0 0
c
36
Matrice de la fermeture réflexive transitive (MF*) d’un graphe

de n sommets :
On ajoute I : matrice identité à MT
MF*= I+ M[1] + M[2] + M[3] +….+ M[n-1] = (I+M )[n-1]

Complexité = O(n4)
Exemple : Calcul de la fermeture réflexive transitive
a I :matrice identité M[1] M[2]

a b c a b c a b c
b a 0 1 0 a 1 0 1
a 1 0 0
b 0 1 0 b 1 0 1 b 0 1 0
c 0 0 1 c 0 0 0 c 0 0 0
c
a MF*=I+ M[1] + M[2]

a b c
b a 1 1 1
b 1 1 1
c 0 0 1
c
37
Calcul des composantes fortement connexes

Isoler les sous matrices carrées maximales de la fermeture
réflexive transitive qui ne contenant que des 1 et situées sur la
diagonale
MF*
a
a b c
b a 1 1 1
b 1 1 1
c 0 0 1
c
cfc2={c}
cfc1={a, b}
Permuter les ligne et les colonnes de façon d'obtenir des sous
matrices carrées maximales pleins de 1
Calcul de fermeture transitive par l’algorithme de Warshall

G =<S, A> avec S = {0, 1, ..., n-1}
Chemin de longueur k : i  s1  s2 ………………. sk-1  j
Sommets intermédiaires : s1, s2 , ... , sk-1
1
Chemin de 1 à 4: 1  3 4  2
3
Sommets intermédiaires : 3, 4
2
4
38

Notation: Mk =matrice des chemins dont les sommets
intermédiaires sont tous ≤ k (de longueur ≤ k dans G)
Chemin simple
i k j
pas de k pas de k
Mk [i,j] = 1 ssi Mk-1 [i,j] = 1 ou (Mk-1[i,k] =1 et Mk -1 [k,j] =1 )

Calcul par récurrence de Mk à partir de Mk-1
Complexité = O(n3)
Algorithme de Warshall : Soit φk(G) le graphe obtenu a partir du

graphe G et du sommet k de la manière suivante :
1. φk(G) a les mêmes sommets que G. Il possède un arc du sommet
i vers le sommet j dans les deux cas suivants :
i. il y a un arc dans G de i vers j
ii. il y a un arc dans G de i vers k et un arc dans G de k vers j
2. pour un graphe contenant n sommets calculer φ1(G), puis

φ2(φ1(G)) puis φ3(φ2(φ1(G))), jusqu'à φn(…(φ2(φ1(G))) …)).
3. Le graphe ainsi obtenu est la fermeture transitive du graphe G
39

1
0 0 1 0
3 0 0 0 1
1 0 0 1
2 4 0 1 0 0
Itération 1 : utiliser le sommet 1 φ1(G) Itération 2 : utiliser le sommet 2 φ2(φ1(G)
1 0 0 1 0
1 0 0 1 0
3 0 0 0 1
3 0 0 0 1
1 0 1 1
1 0 1 1
0 1 0 1
0 1 0 0 2 4
2 4
Itération 3: utiliser le sommet 3 φ3 (φ2(φ1(G) Itération 4: utiliser le sommet 4 φ4(φ3(φ2(φ1(G))
1 1
1 0 1 1 1 1 1 1
3 0 0 0 1 3 0 1 0 1
1 0 1 1 1 1 1 1
2 4 0 1 0 1
2 4 0 1 0 1
40
Calcul des composantes fortement connexe
1 1 2 3 4 1 3 2 4
1 1 1 1 1 1 1 1 1 1
3 2 0 1 0 1 3 1 1 1 1
3 1 1 1 1 2 0 0 1 1
2 4 4 0 1 0 1 4 0 0 1 1
cfc1={1, 3} Cfc1={2,4}
Remarque
Dans cet exemple la fermeture transitive est réflexive
41
Calcul de fermeture réflexive transitive par l’algorithme de

Warshall
1
rendre le graphe
2 réflexive 1
2
3
3
M
I+M
0 1 0
1 0 1 1 1 0
0 0 0 1 1 1
0 0 1
Calcul de fermeture réflexive transitive par l’algorithme de

Warshall
Itération 1 : utiliser le sommet 1 Itération 2 : utiliser le sommet 2
1
1 1 0
1
1 1 1
2 1 1 1 2 1 1 1
0 0 1
0 0 1
3
3
Itération 3 : utiliser le sommet 3
1
1 1 1
2 1 1 1
0 0 1
3
42
CHAPITRE 3
PROBLÈME DE L’ARBRE COUVRANT DE
COÛT MINIMUM
Problème de l’arbre couvrant de coût minimum I. Introduction
Problème de l’Arbre Couvrant de Coût minimum
Réalisation d’un réseau électrique

Modélisation par un graphe non orienté valué
Poids d'une arête : le coût (longueur de câble) de construction de la
portion du réseau reliant deux points
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
Quelles sont les liaisons à réaliser pour connecter toutes les villes
au moindre coût ?
43
Contraintes d'optimisation de réalisation d’un réseau électrique

Deux villes quelconques doivent être reliés entre eux
(connexité)
Graphe partiel connexe
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
Chaque ville doit être relié un seul fois au réseau

graphe partiel couvrant tous les points du réseau
graphe partiel connexe sans cycle
Contraintes d'optimisation de réalisation d’un réseau électrique

Minimiser le coût du réseau représenté par un graphe partiel
connexe sans cycle (Arbre) couvrant
Coût= longueur totale du câble utilisé pour
coût =10 coût =18

5 5
A B A B
4 6 2 4 6 2
C 2 D 3 C 2 D 3
3 1 2 3 1 2
E F E F
4 4
Déterminer l’Arbre Couvrant de Coût Minimum (ACCM)
44
Problème de l’arbre couvrant de coût minimum II. Définitions
Arbre
Un arbre est un graphe non orienté, connexe, sans cycle.
A B
C D
E F
Arbre
Caractérisations d'un Arbre : Pour un arbre T d'ordre n, il y a

équivalence entre les propriétés :
1. T est un arbre
2. T est un graphe connexe à n-1 arêtes
3. T est connexe, et la suppression de toute arête le déconnecte
4. T est acyclique à n-1 arêtes
5. T est acyclique et l'ajout de toute arête le rend cyclique.
45
Arbre couvrant
Soit G un graphe valué non orienté connexe. Un arbre

couvrant est un sous-graphe de G couvrant (i.e. contenant
tous les sommets), connexe et sans cycle. Son coût est la somme
des valuations de ses arêtes.
Arbre couvrant T1: Coût(T1) =18 Arbre non couvrant T2: Coût(T2) =13
5
A B 5
4 A B
6 2 4 6 2
C 2 D 3
C 2 D 3
3 1 2
E F 3 1 2
4 E F
4
Arbre couvrant de coût minimum
Un Arbre Couvrant de Coût Minimum (AACM) est un arbre

couvrant dont le coût est le plus petit possible parmi les arbres
couvrants de G.
Arbre couvrant de coût minimum T*: Coût(T*) =10
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
46
Problème de l’arbre couvrant de coût minimum III. Recherche de l’arbre couvrant de coût minimum
Algorithme de Kruskal
Principe:
1. Trier toutes les arêtes et les placer en ordre croissant de coût
(arbre de valeurs minimales).
2. Choisir l’arête ayant le plus petit coût .
3. Répéter l’étape 2 jusqu’à ce que tous les sommets soient reliés en

évitant celles qui formeraient un cycle
Exemple
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
 Trier les arêtes par ordre croissant de coût
1 - 2 - 2 - 2 - 3 - 3 - 4 - 5 -6
47
Exemple
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
 Itération 1 : choisir l’arête (E,D)
1 - 2 - 2 - 2 - 3 - 3 - 4 - 5 -6
Exemple
5
A B
4 6 2
C 2 D 3
3 1 2
E F
 Itération 3 : Choisir l’arête (D,B)

1 - 2 - 2 - 2 - 3 - 3 - 4 - 5 -6
48
Exemple
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
 Itération 4 : Choisir l’arête (E,A)
1 - 2 - 2 - 2 - 3 - 3 - 4 - 5 -6
Exemple
5
A B
4 6 2
C 2 D 3
3 1 2
E F
 Itération 5 : Choisir l’arête (D,F)

1 - 2 - 2 - 2 - 3 - 3 - 4 - 5 -6
49
Exemple
5
A B
4 6 2
2 D 3 cycle!!
C
3 1 2
E F
4
 Itération 6 : Éliminer l’arête (B,F)
1 - 2 - 2 - 2 - 3 - 3 - 4 - 5 -6
Exemple
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
 Itération 7 : Choisir l’arête (C,E)
1 - 2 - 2 - 2 - 3 - 3 - 4 - 5 -6
50
Exemple
A B
2
C 2 D
3 1 2
E F
 Algorithme est fini : nombre d’arêtes =nombre de sommets -1

1 - 2 - 2 - 2 - 3 - 3 - 4 - 5 -6
inutiles
Algorithme
51
Algorithme de Prim
Principe:
1. Initialiser les sommets d’un sous arbre T à un sommet quelconque
2. Ajouter au sous-arbre T l’arête coût minimal connectant un

sommet de T à un sommet qui n’est pas dans T.
3. Répéter l’étape 2 jusqu’à ce que tous les sommets sont dans T
Algorithme de Prim
Exemple
5
A B
4 6 2
C 2 D 3
3 1 2
E F
 Initialiser un sous arbre T au sommet A
52
Algorithme de Prim
Exemple
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
 Itération 1 : choisir l’arête du coût minimal (A,E)
Algorithme de Prim
Exemple
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
 Itération 2 : choisir l’arête (E,D)
53
Algorithme de Prim
Exemple Arête connectant deux sommets

de l’arbre est élimée
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
 Itération 3 : choisir l’arête (D,F)
Algorithme de Prim
Exemple
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
 Itération 4 : choisir l’arête (D,B)
54
Algorithme de Prim
Exemple
5
A B
4 6 2
C 2 D 3
3 1 2
E F
4
 Itération 5 : choisir l’arête (E,C)
Algorithme de Prim
Exemple
A B
2
C 2 D
3 1 2
E F
 Algorithme est fini : nombre d’arêtes =nombre de sommets -1
55
Algorithme de Prim
Algorithme
Application
Déterminer l’arbre de coût minimum

4
A B C
2 6 3 3 8
D 1 E 6 F 4
5 5 4 5 2
G 10 H I
MÉTHODE : Algorithme de Kruskal
1 – 2 – 2 – 3 – 3 – 4 – 4 – 4 – 5 – 5 – 5 – 6 – 6 – 8 – 10
inutiles
Poids de l’arbre : 1 + 2 + 2 + 3 + 3 + 4 + 5 = 20
56
Application
Déterminer l’arbre de coût maximum

4
A B C
2 6 3 3 8
D 1 E 6 F 4
5 5 4 5 2
G H I
10
MÉTHODE : Algorithme de Kruskal
10 – 8 – 6 – 6 – 5 – 5 – 5 – 4 – 4 – 4 – 3 – 3 – 2 – 2 – 1
inutiles
Coût de l’arbre : 10 + 8 + 6 + 6 + 5 + 5 + 4 + 4 = 48
113
R.Harrathi Théorie des Graphes et Optimisation
Application
Déterminer l’arbre de coût minimum

4
A B C
2 6 3 3 8
D 1 E 6 F 4
5 5 4 5 2
G 10 H I
MÉTHODE : Algorithme de Prim
Coût de l’arbre : 2 + 4 + 1 + 3 + 3 + 5 + 2 + 5 = 20
57
CHAPITRE 4
PROBLÈME DU PLUS COURT CHEMIN
Problème du plus court chemin I. Introduction
Graphe valué
Un graphe G =<S,A> est valué si il est muni d’une application

v qui associe à chaque arc une valuation :
V: S x S R , (x,y)  V (x,y) si (x,y) A sinon +∞
Exemple B
8
V(A,B)=8
5
2
V(B,A)=+∞ A D 3
1
6
C
58
Longueur d’un chemin
Soit G =<S,A> un graphe valué. La longueur d’un chemin

C=(x1, x2,…, xk) est définie comme suit:
L(C) = ∑ i=1..k-1 V(xi, xi+1)
Exemple
C1= (A,D,B)  L(C1) =2+5=7 B
8
5
2
A D 3
1
6
Interprétation C
Coût de transport, Dépense de construction, Temps nécessaire de

parcours
Distance et plus court chemin
On appelle distance de s à t le minimum des longueurs des

chemins allant de s à t.
δ(s,t)=min { L(c) , c chemin de s à t },
δ(s,t)= + : s’il n’existe pas de chemin de s à t
On appelle plus court chemin de s à t tout chemin dont la
longueur est égale à δ(s, t).
B
Exemple
8
Les chemins de A à C possibles sont : 5
2
C1=(A,C) L(C1) =6 A D 3
C2=(A, D, C) L(C2) =3 1
δ(A,C)=3  plus court chemin= (A,D,C) 6
C
59
Circuit et plus court chemin
Si un graphe possède un circuit absorbant (un circuit dont la

longueur est négatif) , alors il n’existe pas de plus courts chemins
entre certains de ces sommets
B
2 -8
5 Circuit
3
s A C t
L≤0
4 1
D
Exemple: plus court chemin s à t

(s, A, B, C, t)L= 2
(s, A, B, C, D, A, B, C, t)L= -1
(s, A, B, C, D, A, B, C, D, A, B, C, t)L= -4
 Infinité de chemins
Circuit et plus court chemin
Un plus court chemins de s à t ne contient pas un circuit de

longueur positif
Preuve : Par contradiction
On suppose qu’il existe un plus court chemins de s à t qui contient
un circuit de longueur positif : sx y x t
y
Circuit
L≥ 0
S x t
Contradiction : Il existe un chemin plus court sx t
60
Recherche de plus courts chemins
On étudiera principalement les algorithmes de recherche de plus

courts chemins dans un graphe valué et sans circuit absorbant
Recherche de plus courts chemins d’un sommet à tous les autres

Algorithme de Bellman-Ford
Algorithme de Dijkstra
Recherche de plus courts chemins pour tous couples de sommets

Algorithme de Floyd-Warshall
Problème du plus court chemin II. Principe d’optimalité
Principe d’optimalité
Un chemin minimal est formé de sous-chemins minimaux.
Sous-chemin minimal de x à y
S x y t
Preuve : Par contradiction

δ(Cst) = L(Csx) + L(Cxy) + L(Cyt)
Supposons qu'il existe C’xy tel que L(C’xy ) < L(Cxy) alors
L(Cxt) + L(C’xy) + L(Cyt) < δ(Cst)
en contradiction avec le fait que le chemin de s à t est un chemin
minimal
61
Exemple
1 2 4
s x y t
4 z 5
C= (s, x, y, t) est un chemin minimal alors

C1= (s, x, y) est un chemin minimal
C2= (s, x, ) est un chemin minimal
C3= (x, y, t) est un chemin minimal
C4= (x, y) est un chemin minimal
C5= (y, t) est un chemin minimal
Soit un chemin C minimal de s à t dont l’avant-dernier sommet

est x (prédécesseur de t)
S x t
1. Si C est minimal alors δ(s, t) = δ(s, x) + V(x, t)

2. Si C est non minimal alors δ(s, t) ≤ δ(s, x) + V(x, t)
62
Exemple
δ(s, t) = δ(s, y) + v(y, t)
δ(s, y) =3 δ(s, t) ≤ δ(s, z) + v(z, t)
1 2 4
s x y t δ(s, t) =7
4 z 5
δ(s, z) =4
Condition d’optimalité : Si ces deux conditions sont vérifiées

1. Pour un graphe G=<S,A> : δy  δx+ V(x , y)  (x ,y)  A
2. Pour un chemin C de s à t : δy= δx+V(x,y) (x ,y) C
Alors C est un chemin minimal de s à t .
Preuve
C est composé de p arcs :
s  x1  x2 ………………. xk  t
Comme V(xi, xj )= δxj- δxi (xi, xj )  C, on a
 L(C) = V(xp, t) +……………. + V(x1, x2)+ V(s, x1)

 L(C) = (δt–δxP) +……………. + (δx2- δx1) + (δx1- δs)= δt –δs
Montrons que C est un chemin minimal
63
Preuve (suite)
Soit Q un chemin quelconque de s à t. Q est composé de k arcs
s  y1  y2 ………………. yk  t
Comme V(yi, yj )  δyj- δyi(i,j)  C, on a

 L(Q)= V(yp, t) +……………. + V(y1, y2)+ V(s, y1)
 L(Q)  (δt–δym) +……………+(δy2- δy1)+(δy1- δs)= δt –δs
=L(C)
Donc L(C) est minimale
Problème du plus court chemin III. Plus courts chemins d’un sommet à des autres
Principe de recherche
On sélectionne un arc (q, r) qui viole les conditions d’optimalité,

c.-à-d. tel que d(r) >d(q) + l(q, r) On met à jour distance de r
d(q)=1 d(q)=1
(q)  s (q)  s
q q
1 2 Si d(r) > d(q) + v(q, r) 1 2
4 4
s r s r
d(s)=0 d(r)=4 d(s)=0 d(r)=3
(r)  Nul (r)  s (r)  Nul (r)  q
Relaxation d’un arc (q, r) :

Déterminer s’il est possible, en passant par l’arc (q, r) ,
d’améliorer le plus court chemin jusqu’à r
64
Algorithme générique
Calcul de (s, r) par approximations successives:

d(r)= estimation de (s, r)
(r)=prédécesseur de r sur le chemin de s à r
Répéter
Pour chaque arc (q,r) :
si d(q) + v(q, r) < d(r) alors
{
d(r)  d(q) + v(q, r) ;
(r)  q ;
}
Jusqu’à ce qu’aucun arc ne permette plus de diminuer d(r).
Recherche les chemins minimaux depuis s

Initialisation:
(d(i),(i))
(0, -) (, -) (, -)
1 2
s x t
-3
5 4
y
(, -)
65
Relaxations de tous les arcs dans l’ordre :

(s,x), (s,y), (x,y) , (x,t), (y,t) Itération 1
(0, -) 1 (, -) (, -) (0, -) (1, s) (3, x) (2, y)

2 1 2
s x t s x t
-3 -3
5 4 5 4
y y
(, -) (5, s) (-2, x)
Itération 2
(0, -) 1 (1, s) (2, y)
2
s x t Nombre d’itérations ?
-3
5 4
y
(-2, x)
Principe: Application de la principe d’optimalité

Recherche d’ un chemin minimal (Cz ) de s à t et passant par z.
Cz
z
s t
Formule récursive de recherche
δ(s, t) =Min(δ(s, z) +L(z, t))
66
Recherche d’un chemin minimal de s à t de longueur k
(1) (2) ( k-1 ) (k)
z1 z1 z1
s z z z t
zm zm zm
δk(s, t) =Min(δ(k-1)(s, z) +V(z, t))
Étape 1 : Initialisation
(, -)
Pour chaque sommet i de S
d(i)  + (d(i),(i)) B
8
5
(i)  nul (0, -)
2
Source du graphe A A D (, -) 3
d(A)  0
1
(A)  nul 6 (, -)
C
Étape 2 :
Chercher tous les chemins de longueur 1, 2, …(n-1)
67
Itération 1:
B (8, A) B (8, A)
8 8
5 5
(0, -) (0, -)
2 2
A D (, -) 3 A D (, -) 3
6 1 (, -) 1
6 (6, A)
C C
B (8, A)
8
5
(0, -)
2
A D (2, A) 3
6 1
(6, A)
C
Itération 2:
B (7, D) B (7, D)
8 8
5 5
(0, -) (0, -)
2 2
A D (2, A) 3 A D (2, A) 3
6 1 (6, A) 1
6 (3, D)
C C
B (7, D)
8
5
(0, -)
2
A D (2, A) 3
6 1
3, D)
C
68
Itération 3:
B (6, C) B (6, C)
8 8
5 5
(0, -) (0, -)
2 2
A D (2, A) 3 A D (2, A) 3
6 1 (3, D) 1
6 (3, D)
C C
B (6, C)
8
5
(0, -)
2
A D (2, A) 3
6 1
3, D)
C
Arbres de plus courts chemins :Arbres de racine A dont les

branches sont des chemins de coût minimal
d[i] : valeur du chemin de longueur minimale de A à i
[i] : le prédécesseur pour venir de l’origine A.
(6, C)
B B B
8
5
(0, -)
2 2 2
A D (2, A) 3 A D 3 A D 3
1 1
6 1
C C C
(3, D)
69
Algorithme

À la fin de la i-itération les plus courts chemins contenant au plus i arcs
sont connus
la propriété est vraie pour i= 0 arcs =0 d(s) =0 (phase
d’initialisation)
On suppose que la propriété est vraie pour k, on veut montrer que
la propriété est vraie pour k+1
s
v(xk , xk+1)
xk xk+1
x'k v(x’k ,xk+1)
δ (s, xk+1) = Min(δ (s, xk) + v(xk , xk+1))
70
Problème du plus court chemin III. Plus courts chemins à origine unique
Bellman-Ford et les valuations négatives

(2, s) (2, s)
Itération 1: Itération 2:
u u
2 3 2
(0, -) (5, u) (0, -) 3 (5, u)
s v s v
1 1
-6 -6
t t
(1, s) (-1, v) (2, s)
Itération 3: (-1, v)
u
2 3
(0, -) (5, u)
s v
1
-6
t
(-1,v)
Principe:
Hypothèse : si un chemin minimal (Cx) de s à t passant par (x, y )
et les valuations des arcs sont positives alors δ(s, y)≥ δ(s, x)
Chemins minimaux
Cx
T y1
x
s y
t
y2
δ(s, y)= Min {δ(s, x) +V(x, y) x T et

yS\T}
71
Étape 1 : Initialisation
(, -)
Pour chaque sommet i de S
(d(i),(i)) B
d(i)   8
5
(i)  nul (0, -)
2
Source du graphe A A D (, -) 3
d(A)  0
1
(A)  nul 6 (, -)
L’ensemble des sommets non traités : T  Ø C
Étape 2 :
On ajoute un sommet non-traité de distance minimale à T
Relaxer des arcs sortant du sommet de distance minimale
Répéter l’étape 2 jusqu'a ’a que T=S
Itéra 1, T={A} (8, A) Itéra 2, T={A,D} (7, D)

B B
8 8
5 5
(0, -) (0, -)
2 2
A D (2, A) 3 A D (2, A) 3
minimum 1 1
6 (6, A) 6 (3, D)
C C
Itéra 3,T={A,D,C} (6, C) Itéra 4,T={A,D,C,B} (6, C)

B B
8 8
5 5
(0, -) (0, -)
2 2
A D (2, A) 3 A D (2, A) 3
6 1 6 1
(3, D) (3, D)
C C
72
Tous les sommets sont traités Algorithme est fini

d[i] : valeur du chemin de longueur minimale de A à i
[i] : le prédécesseur pour venir de l’origine A.
Arbres de plus courts chemins :
B (6, C) B B
8
(0, -) 5
2 2 2
A D (2, A) 3 A D 3 A D 3
1 1 1
6
C (3, D) C C
Algorithme
73

Après i itérations on a T qui contient que des sommets dont le
chemin est de longueur minimale à s
 (s, xi)= d(xi)= Min {d(xk),xkS\T}
 On inclut xi dans T.
 Montrons que le chemin C1 de s à u est minimale et de longueur

minimale d(xi+1), C 1
xi+1
x y
s

La propriété est vraie pour i = 0 : d(s, s)=0
On suppose qu’il existe un autre chemin minimal C2 de s à y
C1
xi+1
x y
s
b
C2
L(C2)= (s,b)+(b,u) ≤ d(s, y)
d(s,b) +d(b,y) ≤ d(s, y)
d(s,b) ≤ d(s, y). Les longueurs des arcs étant positives
Contradiction : le sommet b contredit le choix de y
74
Problème du plus court chemin III. Plus courts chemins à origine unique
Dijkstra et les valuations négatives

Plus cours de chemin s à t u
2 3
(s, u, v, t)
s v
1
-6
t
Application de l’algorithme (2, s)

u
résultat erroné 2 3
(0, -) s v (5, u)
1
-6
t
(1, s)
Problème du plus court chemin IV. Plus courts chemins pour tous couples de sommets
Principe
Soit dij(k-1) la longueur du plus court d’un chemin p de i à j dont
les les sommets intermédiaires sont dans {1, 2, . . . , k-1 }.
i <k <k <k j
(i, j) = dij(k-1) .
75
Principe
Soit dij(k) la longueur du plus court d’un chemin de i à j dont les
les sommets intermédiaires sont dans {1, 2, . . . , k }.
K
dik(k-1) dkj(k-1)
{1, 2, …, k-1}.
préd[i, j] = préd[k, j]
i
j
dij (k-1)
dij(k) = mink {dij(k–1), dik(k–1) + dkj(k–1)}

La matrice des distances d’un graphe valué est la matrice

carrée M de taille n x n, définie par :
D [ i, j ] = V(i,j) s’il existe un arc (i, j)
D [ i, j ]=+ ∞ sinon
D [ i, i ]= 0 sinon
D
1
1
4
8
0 8  1
4
2
2  0 1 
4  0 
9 1
 2 9 0
3
76
Application de l’algorithme de Floyd-Warshall

0 8  1
 0 1  1
D(0)
4  0  1 8
4
 2 9 0 2
4 2
- 1 - 1 1
9
(0) - - 2 -
3
3 - - -
- 4 4 -

0 8  1
 0 1  1
D(1)
4 
12 0 5 1 8
4
 2 9 0 2
4 2
- 1 - 1 1
9
(1) - - 2 -
5 3 1
3 -1 - -1 2
3 1 4 3 1 2
- 4 4 -
77

0 8 9 1
 0 1  1
D(2)
4 12 0 5 1 8
4
 2 93 0 2
4 2
- 1 -2 1 9
1
3
(2) - - 2 -
5 3 12
3 1 - 1
- 4 42 -

0 8 9 1
5 0 1 6 7 1
5
D(3)
4 12 0 5 1 8
4
7 2 3 0
2
4 2
- 1 2 1 6 9
3 1
(3) -3 - 2 -1
5 3 12
3 1 - 1
-3 4 2 -
78

0 83 94 1
5 0 1 6 7 1
5
D(4)
4 12
7 0 5 1 3
4
7 2 3 0
2
4 2
- 14 22 1 6 4
3 1
(4) 3 - 2 1
12 3 7
3 14 - 1
3 4 2 -
Algorithme de Floyd- Warshall
Application de l’algorithme de Floyd -Warshall

Chemin minimal de 1 à 3 : (1,3)=D[1,3]=4
[1,3 ]= 2 chemin =1 …. 2  3
[1,2]= 4  chemin =1 ….  4 2  3
[1,4]= 1  chemin =1 4 2  3
1 D(4) (4)
1 8
4 0 3 4 1 - 4 2 1
2
4 2 5 0 1 6 3 - 2 1
1
4 7 0 5 3 4 - 1
9
3
7 2 3 0 3 4 2 -
79
Algorithme
Problème du plus court chemin V. Comparaison des algorithmes des plus courts chemins
Comparaison des algorithmes
Plus courts
Algorithme Valuation Complexité
chemins
positive et
d’un sommet à des Bellman-Ford O(card A.card S)
négative
autres
Dijkstra positive O(card S2)
positive et
pour tous couples
Floyd-Warshall négative O(card S3)
de sommets
80
CHAPITRE 5
PROBLÈME D’ORDONNANCEMENT
Problème d’ordonnancement I. Introduction
Ordonnancement par l’exemple
La réalisation de l’objectif suppose l'exécution préalable de

multiples tâches soumises à des multiples contraintes.
Exemple : projet de rénovation d’une maison
Désignation Durée
Description Contraintes
tâche (en jours)
a Parquet salle de séjour 6 -
b Réaménagement salle de bains 5 -
c Réfection électricité 3 -
d Carrelage salle de bains 2 b et c achevée
e Peinture 3 c achevée
81
Problème d’ordonnancement I. Introduction
Ordonnancement par l’exemple
Un problème d’ordonnancement simple

Exécution d’un nombre fini de tâches d’un projet
Chaque tâche est caractérisée par un durée d’exécution ou un
coût d’exécution
Les tâches sont soumises à des contraintes de précédence
Objectif
Déterminer l’ordre et le calendrier d’exécution des tâches, afin de
minimiser la durée totale ou le coût de la réalisation du projet.
Problème d’ordonnancement II. La méthode MPM
Construction du graphe MPM
M.P.M (Method of Project Management)

Méthode française crée en 1958, pour la construction d’une
centrale nucléaire.
Représenter un projet par un graphe potentiels-tâches
On appelle une tâche le déroulement dans le temps d’une action
82
Une tâche est représentée par un sommet

On relie deux sommets: i et j par un arc de coût di , si la tâche
i de durée di doit précéder la tâche j .
di
i j
On ajoute deux tâches fictives (de durée nulle): début(D) et fin(F)

D: est reliée aux sommets sans prédécesseurs ;
F : est reliée aux sommets sans successeurs.
a
6
0 Paquet SJ
0 5 2
D b d F
Réam SB Carrelage SB
3 3
0
3
c e
Electricité Peinture
83
Optimisation
Quelle est la durée minimale pour ce projet ?

Quand démarrer chaque tâche ?
a
6
0 Paquet SJ
0 5 2
D b d F
Réa SB Carrelage SB
3 3
0
3
c e
Electricité Peinture
Durée optimale d’un projet
TFin=Plus long chemin de début (D) à la fin du projet (F)
0
La durée minimale du projet est 7 jours.
a
0 6
0 0 5 7
0 5 2
D b d F
3 3
0
0 3
3
c e
84
Date au plus tôt d'une tâche
Date la plus proche à laquelle une tâche peut commencer.

Ti =Plus long chemin du Début du projet à une tâche i
0
a
plus tôt
0 6
0 0 5 7
0 5 2
D b d F
3 3
0
0 3
3
c e
Date au plus tard d'une tâche
Date limite à laquelle une tâche doit être exécutée au plus tard
sans retarder le projet.
T*i = TFin -Plus long chemin d’une tâche i à la Fin du projet
0 1=(7-6)
a
plus tôt plus tard
0 6
0 0 0 0
5 5 7 7
0 5 2
D b d F
3 3
0
0 1 3 4
3
c e
85
Marge totale d'une tâche
Délai dont on peut retarder une tâche sans remettre en cause la

durée minimale du projet.
Les tâches dont la marge est nulle sont appelées tâches critiques
1
0 1 Tâche critique
Marge totale
a
0 6
0 0
0 0
0 0 0 0 5 5
5 7 7
0 2
D b d F
3 3
0 1 1
0 1 3 4
3
c e
Chemin critique
Chemin critique la succession des tâches critiques

Chemin= D, b, d, F
1
0 1
a
0 6
0 0
0 0
0 0 0 0 5 5
5 7 7
0 2
D b d F
3 3
0 1 1
0 1 3 4
3
c e
86
Diagramme de GANTT
Diagramme de GANTT de l’ordonnancement "au plus tôt"
Carrelage SB
Paquet SJ
Peinture
Electricité
Réaménagement SB
0 1 2 3 4 5 6 7 temps
Problème d’ordonnancement III. La méthode PERT
Construction du graphe P.E.R.T
P.E.R.T (Program Evaluation and Revue Technic )

Méthode américaine crée en 1958, aux USA, pour
l’ordonnancement du programme spatial « Polaris ».
Représenter un projet par un graphe potentiels-étapes
On appelle étape, le début ou la fin d’une tâche.
87
Une tâche i de durée di est représentée par un seul arc valué de

coût di .
Un sommets est une étape de la réalisation du projet signifiant:
toutes les tâches qui y arrivent sont terminées
toutes les tâches qui en partent peuvent commencer
da dc
a et b doivent être terminées pour
que c et d puissent commencer
db dd
Le graphe peut contenir des tâches fictives de durée nulle afin de

forcer certaines précédences
Tâche fictive
0
6
5 2 0
1 3 5 7
Réaménagement Carrelage SB
SB
0
3 0
3
4 6
Peinture
88
Durée optimale d’un projet
TFin =Plus long chemin de la première à la dernière étape

La durée minimale du projet est 7 jours.
2
0
6
5 2 0
1 3 5 7
SB
0
3 0
3
4 6
Peinture
Date au plus tôt d'une étape
Ti =Plus long chemin de la première étape à une étape i
6
2
plus tôt
0
6
0 5 7 7
5 2 0
1 3 5 7
SB
0 0
3
3 6
3
4 6
Peinture
89
Date au plus tard d'une étape
T*i = TFin - Plus long chemin d’une étape i à la dernière étape
6 7
plus tôt plus tard 2
0
6
0 0 5 5 7 7 7 7
5 2 0
1 3 5 7
SB
0 0
3
3 4 6 7
3
4 6
Peinture
Marge totale d'une tâche
Délai dont on peut retarder une tâche sans augmenter la durée

minimale du projet( sous réserve qu'elle ait commencé à sa date au plus
tôt) .
Marge totale=7-6-0 6 7
2
(1)
(1) 0
6
0 0 5 5 7 7 7 7
5 2 0
1 3 5 7
Réaménagement Carrelage SB (0)
SB (0) (0)
0 0
3
3 4 6 7 (1)
(1) 3
4 6
Peinture (1)
90
Problème d’ordonnancement IV. Application
Enoncé
Tâche Durée Taches achevés

a 2 -
b 4 -
c 4 a
d 5 a,b
e 6 c,d
CHAPITRE 6
PROBLÈME DU FLOT MAXIMUM
91
Problème du flot maximum I. Introduction
Problème du flot maximum par l’exemple
Réseau de distribution d’eau potable
Déterminer s'il est possible de satisfaire à travers un réseau la

demande des différentes villes et comment ?
Modélisation par un réseau de transport

capacité= c(c1,v1)
30
c1 v1
puits
source
50 v2 40
s p1 p
disponibilité
40 50
c2 p2 v3 demande des villes
92
Flot sur un réseau de transport

Un flot est une fonction entière positive f définie sur les arcs
0 / 30
c1 v1
flot / capacité
0 / 50 0 / 40
s p1 v2 p
0 / 40 0 / 50
c2 p2 v3
Objectif : Maximiser la quantité d'eau (flot) qui doit être distribuer

aux différentes villes en respectant :
Respectant les capacités.
Respectant la loi de Conservation de flot
Réseau de pipelines
un réseau de transport
3
v1 v3 puits v1 v3
source 6
8 3
S p S p
3
6
8
v2 v4 v2 v4
6
Objectif : Déterminer le maximum du pétrole à envoyer du

source s au puits p.
93
Problème du flot maximum II. Réseau de transport
Réseau de transport
Graphe orienté valué fortement connexe vérifiant:

3
v1 v3
6
8 3
S p
3
6
8
v2 v4
6
Il existe deux sommets uniques : source et puits

Source s : n’admet pas de prédécesseurs
Puits p: n’admet pas de successeurs
Chaque arc (i, j) doit être muni d’une capacité: c(i,j)≥0
c(i, j) est un entier positif ou nul.
Propriétés d’un flot
Contrainte de capacité : Flot réalisable ou compatible
3/3 arc ansaturé

v1 v3 6/8
4/6 s v1
6/8 3/3
f(s,v1)=6≤8
S p
1/3 arc saturé
6/6 6/6
8/8 u v2
v2 v4
5/6 f(s,v2)= 6=6
94
Symétrie : pour tous i, j  S f (i, j) = - f (j, i)
flot direct flot prélevable
3/3
v1 v3
6/8 4/6
3/3
-6
S t
1/3
6/6
8/8
v2 v4
5/6
f(v1,s)=- f(s, v1)= -6
Conservation du flot
La somme des flots sur les arcs entrants et la somme des flots sur
les arcs sortants sont égales
6=3+3 3/3 3+1=4

v1 v3
4/6
6/8 3/3
S p
1/3
6/6
8/8
v2 v4
5/6
6=1+5 5+3=8
95
Valeur d’un flot
La valeur du flot |f| est égale à la somme des flots sortants de la

source s soit égal au somme des flots entrant dans le puits p.
3/3
v1 v3
4/6
6/8 3/3
|f| = 6+6 =12 S p |f| = 8+4 =12

1/3
6/6
8/8
v2 v4
5/6
Objectif : Rechercher le maximum de |f|
Problème du flot maximum III. Algorithme de Ford- Fulkerson
Principe
Etant donné un flot initialisé à 0

Trouver un chemin augmentant reliant s à p sur laquelle les
flots peuvent encore être augmentés sans dépasser les capacités
|f|=0 |f|=3
0/3 0/3
v3 v1 v3
v1
0/6 SV1V4P 3/8 0/6
0/8 0/3 3/3
chemin augmentant
S S p
p 0/3
0/3 augmentation
0/6 du flot sur SV1V4P 0/6
0/8 v2 v4
3/8
v2 v4
0/6 0/6
Comment trouver un chemin augmentant: Graphe d’écart ou

graphe résiduel
96
Graphe d’écart
Capacité résiduelle
Représente la quantité de flot pouvant encore passer un arc donné
flot : f(i,j) Capacité résiduelle: Cf (i, j)
0/8 8
i j i j
Maximum d’augmentation
6
2/8
i j i j
2 Maximum de diminution
8/8 8
i j i j
8/10 5
i j i j
3/4
9
Graphe d’écart
Graphe d’écart Gf =<S, Af > associé à un réseau G =<S,A> :

Graphe orienté valué qui décrit les augmentations ou diminutions
possibles du flot f dans le réseau. (x,y)  A et (x,y)  A
Si f(x,y)<C(x,y) alors (x,y)  Af et Cf(x,y)=C(x,y) -f(x,y)
Si C(x,y)>0 alors (y,x)  Af et Cf(y,x)=f(x,y)
Si (x,y)  A et (y,x)  A alors Cf(x,y)=C(x,y) -f(x,y)+ f(y,x)
Flot sur un réseau G Graphe d’écart Gf

0/3 3
v3 v1 v3
v1
0/8 0/6 8 6
0/3 3
S S p
p
0/3 3
0/6 6
0/8 v2 v4
8
v2 v4
0/6 6
97
Algorithme de Ford- Fulkerson
On cherche un chemin simple de s à p dans le graphe

d’écart:
Il correspond à une possibilité d'amélioration du flot en modifiant
de la valeur du minimum des capacités résiduelles sur le chemin.
Graphe d’écart
Gf |f|=3
3 0/3
v1 v3 v1 v3
8 6 augmentation 3/8 0/6
3 3/3
du flot sur SV1V4P
S p S p
3 de 3 unités 0/3
6 0/6
v2 v4
8 v2 v4
3/8
6 0/6
cf(p) =Capacité résiduelle p: Chemin
du chemin augmentant
Application 1
Chercher le flot maximum sur le réseau suivant
Réseau de transport Initialisation du flot

|f|=0
3 0/3
v1 v3 v1 v3
8 6 0/8 0/6
3 0/3
S p S p
3 0/3
6 0/6
8 v2 v4
0/8
v2 v4
6 0/6
98
Itération 1
Graphe d’écart
Gf |f|=3
3 minimum 0/3
v1 v3 v1 v3
8 6 augmentation 3/8 0/6
3 3/3
du flot sur SV1V4P
S p S p
3 0/3
6 0/6
v2 v4
8 v2 v4
3/8
6 p: Chemin 0/6
augmentant
Augmentation
sur l’arc direct (u,v)
f(u,v)+ cf(p)
Itération 2
Graphe d’écart
Gf |f|=6
3 3/3
v1 v3 v1 v3
3 6 3/6
augmentation 6/8
3 3/3
5 du flot sur SV1V3P
S p S p
3 3 0/3
6 0/6
v2 v4
5 v2 v4
3/8
6 0/6
99
Itération 3
Graphe d’écart
Gf | f | =11
3 3/3
v1 v3 v1 v3
6 3 3/6
augmentation 6/8
3 3 3/3
S p S p
3 3 0/3
6 5/6
v2 v4
5 v2 v4
8/8
6 5/6
Itération 4
Graphe d’écart
Gf | f | =12
3 3/3
v1 v3 v1 v3
6 3 4/6
augmentation 6/8
3 3 3/3
S p S p
1 3 1/3
8
6/6
5 1 8/8
v2 v4 v2 v4
5/6
5
100
Itération 5
Graphe d’écart
Gf Max=| f | =12
3 3/3
v1 v3 v1 v3
6 4 4/6
Il n’y a pas un 6/8
3 2 3/3
2 chemin augmentant
S p S p
2 1/3
3 8
6/6
6 1 8/8
v2 v4 v2 v4
5/6
5
Il n’y a pas un chemin augmentant ⇒ Arrêt de l’algorithme ⇒ le

flot est maximale
Il existe un chemin simple augmentant de s à p dans G s'il existe

un chemin dan le graphe d’écart Gf pour f
Nous sommes donc ramenés à un problème d’existence de
chemin dans un graphe. On peut calculer :
Un plus court chemin en nombre d’arcs
101
Application 2
Chercher le flot maximum sur le réseau suivant
Réseau de transport Initialisation du flot
|f|=0
u u
4 0/4
5 0/5
3 2 P 0/3 0/2
S S P
6 3 0/6 0/3
v v
Itération 1
|f|=3
u u
4 3/4
5 augmentation 0/5
3 du flot sur SU VP
S 2 P 3/3 -3/2
S P
6 3 0/6
v 3/3
v
Augmentation Diminution
sur l’arc direct (u,v) sur l’arc inverse(v,u)
f(u,v)+ cf(p) f(v, u) -cf(p)
102
Itération 2 |f|=4
u u
1 augmentation 4/4
5 1/5
du flot sur SUP
3 8 3/3 -3/2
S -3 P S P
6 3 0/6 3/3
v v
Itération 3
| f | =8
u 1 u
augmentation
4 4/4
du flot sur SVP 5/5
4
S -3 8 p -1/3 1/2
S p
6 3 4/6
v 3/3
v
Itération 4
Max=| f | =8
u 5 u
Il n’y a pas un
4 4/4
chemin augmentant 5/5
5 -1/3
S p S 1/2 p
2
4 3 4/6 3/3
v v
103
Algorithme
104

COURS Tgo

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

COURS Tgo

Transféré par

Droits d'auteur :

Formats disponibles

Graphes et Applications

Dr. Rami Harrathi

 La connexité dans un graphe

 Problème de l’arbre couvrant de coût minimum

 Problème du plus court chemin

 Problème du flot maximum

R.Harrathi Théorie des Graphes et Optimisation 3

R.Harrathi Théorie des Graphes et Optimisation 4

Problème d'optimisation consiste à chercher le minimum (S* )

Formulation d’un problème d’optimisation

R.Harrathi Théorie des Graphes et Optimisation 5

Concepts fondamentaux de la théorie des graphes I. Introduction

Question: Trouver le plus court chemin de Gafsa à Tunis ?

La théorie des graphes

Historique :problème des 7 ponts de Königsberg

Est-il possible de visiter tous les quartiers de la ville en

R.Harrathi Théorie des Graphes et Optimisation 7

Concepts fondamentaux de la théorie des graphes I. Introduction

La théorie des graphes

Résolution par Euler(1736)

R.Harrathi Théorie des Graphes et Optimisation 8

La théorie des graphes

Un graphe G = <S,A> est la donnée :

Ordre d’un graphe est le nombre de sommets du graphe

R.Harrathi Théorie des Graphes et Optimisation 9

Concepts fondamentaux de la théorie des graphes I. Introduction

La théorie des graphes

non orienté : les arêtes n’ont pas de sens particuliers

R.Harrathi Théorie des Graphes et Optimisation 10

La théorie des graphes

Modélisation par des graphes

R.Harrathi Théorie des Graphes et Optimisation 11

Concepts fondamentaux de la théorie des graphes I. Introduction

La théorie des graphes

Applications de la théorie des graphes

R.Harrathi Théorie des Graphes et Optimisation 12

Graphe orienté G = <S, A>

R.Harrathi Théorie des Graphes et Optimisation 13

Terminologie : pour un arc a = (x, y)

R.Harrathi Théorie des Graphes et Optimisation 14

Application multivoque d'un graphe Γ

R.Harrathi Théorie des Graphes et Optimisation 16

R.Harrathi Théorie des Graphes et Optimisation 17

Degrés d'un sommet

R.Harrathi Théorie des Graphes et Optimisation 18

Propriétés : Si G = <S,A> est un graphe orienté alors

R.Harrathi Théorie des Graphes et Optimisation 19

Graphes non orientés

Graphe non orienté G = <S, A>

R.Harrathi Théorie des Graphes et Optimisation 20

Graphes non orientés

Terminologie : pour une arête a = (x, y)

R.Harrathi Théorie des Graphes et Optimisation 21

Graphes non orientés

R.Harrathi Théorie des Graphes et Optimisation 22

Graphes non orientés

Terminologie orienté VS non orienté

Orienté non orienté

R.Harrathi Théorie des Graphes et Optimisation 23

Graphes non orientés

Degrés d'un sommet

R.Harrathi Théorie des Graphes et Optimisation 24

R.Harrathi Théorie des Graphes et Optimisation 25