Recherche opérationnelle

Support de cour :Partie I

Pr. Rachid Naciri

Département : Mécanique et Mathématiques Appliquées

1 / 14
Contenu

1. Introduction

2. Notion de programme linéaire (PL)

3. Exemple de Modélisation mathématique

4. Résolution graphique d’un (PL)

2 / 14
Introduction

Le terme recherche opérationnelle est apparu dans la seconde guerre mondiale en Angletaire et signifie
initialement: optimisation des opérations militaires. La première équipe de recherche opérationnelle a été
crée en 1938.
Définition: Aujourd’hui la recherche opérationnelle est qualifiée comme étant l’ensemble de méthodes
(algorithmiques, mathématiques, modélisation) afin de prendre des décisions optimales ou proches de
l’optimum dans des problèmes complexes.
Etape de traitement d’un problème de RO :
➊ Formulation du problème
➋ Construction du modèle
➌ Résolution du modèle
➍ Validation des résultats

3 / 14
Exemples de problèmes traités dans ce cour
❏ Programmation linéaire: Consiste à trouver la combinaison optimale
des variables de prise de décision en prenant en compte un ensemble de
contraintes qui traduisent les limitations de ressources disponibles,
telles que le temps, l’espace ou des quantité...
Méthode de résolution: Algorithme du Simplexe et ses variantes.
❏ Chemin le plus court / le plus long: Considérons un ensemble de villes
reliées par des chemins directs. Le problème du ”plus court chemin”
consiste à trouver le trajet le plus court entre une ville de départ et une
ville d’arrivée données. Ce défi peut également consister à déterminer le
trajet le plus court entre chaque paire de villes.
Méthode de résolution: Algorithme de Dijkstra-Moor , Algorithme de
Bellman-Ford
❏ Ordonnancement: Pour gérer un grand projet, il est important de
considérer les différentes étapes qui le composent. Certaines tâches
doivent être effectuées avant d’autres, tandis que certaines peuvent
être menées simultanément. Cela implique l’établissement d’une
relation d’ordre entre les différentes étapes.
a Le premier défi est de trouver une planification efficace qui permet de
réaliser le projet dans un délai minimal. Il est également crucial de
repérer les étapes critiques, dont tout retard pourrait impacter
l’ensemble du projet.
Méthode de résolution: PERT (Program Evaluation and Review
Technique) , MPM (Methode des Potentiels Metra)
❏ Flot maximum: Un système comprend plusieurs châteaux d’eau avec
un débit constant pour desservir plusieurs villes, chacune ayant des
besoins en eau quantifiés constants. Les conduits utilisés pour
acheminer l’eau ont un débit maximum connu. L’objectif est de
répondre de manière optimale aux besoins de chaque ville, en apportant
autant d’eau que possible à chacune d’entre elles. Autrement dit, le
but est de maximiser la quantité d’eau acheminée vers les villes.
Méthode de résolution: Algorithme de Ford-Fulkerson
❏ Affectation: Il est nécessaire d’attribuer des postes à des recrues.
Chacun d’eux classe par ordre de préférence les postes qu’il souhaite
occuper. Le défi consiste à affecter chaque personne à un poste tout en
essayant de répondre au mieux aux préférences de chacun.
Méthode de résolution: Algorithme hongrois
4 / 14
Formulation mathématique d’un (PL)

Définition: Un programme linéaire est un

problème qui consiste à optimiser
(maximiser ou minimiser) une fonction [max]ou[min]z(x1 , . . . , xn ) = c1 x1 + . . . + cn xn ← Fonction objective
s.c :
linéaire dépendante de plusieurs variables 
a11 x1 + . . . + a1n xn ( = , ≤ , ≥ ) b1 ← Contrainte 1
soumises à des contraintes (équations ou 
 ..


... ..
 . .

inéquations) linéaires, soit:



a x + . . . + a x ( = , ≤ , ≥ ) b ← Contrainte i
i1 1 in n i
 .. ... ...



 .
am1 x1 + . . . + amn xn ( = , ≤ , ≥ ) bm ← Contrainte n




x1 , x2 , . . . , xn ∈ R ← Contrainte du domaine


❏ Les variables x1 , x2 , . . . , xn sont dites variables de décision. Ce sont les inconnues du problème
❏ La fonction z(x1 , . . . , xn ) et dites fonction objective ou fonction économique.

5 / 14
Modélisation sous forme d’un (PL)

L’avantage de pouvoir modéliser un problème réel sous forme d’un programme linéaire est l’existence de
méthodes (algorithme) donnant des solutions exactes. Les étapes à suivre pour construire le modèle d’un
programme linéaire sont :

➊ Identifier les variables du problème valeur non connues (variable de décision) et les représenter sous
forme symbolique (exp. x1, y1 ).
➋ Identifier les restrictions (les contraintes) du problème et les exprimer par un système d’équations
linéaires.
➌ Identifier l’objectif ou le critère de sélection et le représenter sous une forme linéaire en fonction des
variables de décision. Spécifier si le critère de sélection est de maximiser ou de minimiser la fonction
objective.

6 / 14
 Interprétation économique d’un PL sous forme canonique

hhhh
Matières
hh hhhpremières
Situation: Supposant qu’une entreprise fabrique n produits Produits hhhh P1 P2 ... Pn
h
P1 , P2 , . . . , Pn , à partir de m qu’on note M1 , . . . , Mm , M1 a11 a12 ... a1n
matière premières. les quantités disponibles de chaque M2 a21 a22 ... a2n
matière première sont respectivement b1 , b2 , . . . , bm . Le .. .. .. .. ..
. . . . .
tableau suivant résume la quantité de matière première que
Mi ai1 ai2 ... ain
nécessite chaque produit pour sa fabrication.
.. .. .. .. ..
Problème: Sachant que le coût de vente de chaque produit . . . . .
est respectivement c1 , . . . , cn , quel est le plan de Mm am1 am2 ... amn
production de produits maximisant le profit de l’entreprise.
Table: Contraintes de production

7 / 14
Problème d’allocation de ressources

Une entreprise produit des câbles de cuivre de 5 et 10 mm de diamètre sur une seule ligne de production
imposant les contraintes suivantes.
❏ Le cuivre disponible permet de produire 21 000 mètre de câbles de 5 mm de diamètre par semaine.
❏ Un mètre de câbles de 10 mm de diamètre nécessite 4 fois plus de cuivre qu’un mètre de câbles de 5
mm de diamètre.
❏ De plus, ayant une bonne connaissance de la demande, la production hebdomadaire de câbles de 5 mm
est limitée à 15 000 mètre et la production de câble de 10 mm ne doit pas dépasser les 40% de la
production totale.
❏ Les câbles sont vendus respectivement 50 Dh et 200 Dh le mètre.
Que doit produire l’entreprise afin de maximiser son chiffre d’affaires hebdomadaire ?

8 / 14
Problème de recouvrement

Les demandes journalières en chauffeurs dans une entreprise de transport

Lu Ma Me Je Ve Sa Di
13 18 21 16 12 25 9

Table: Demandes journalières en chauffeurs

Les chauffeurs travaillent cinq jours d’affiliée (et peuvent donc avoir leurs deux jours adjacents de congé
n’importe quand dans la semaine). Déterminer les effectifs formant les sept équipes possibles de chauffeurs
de manière à :
❏ couvrir tous les besoins de l’entreprise,
❏ engager un nombre minimum de chauffeurs.

9 / 14
Problème de mélange
Un avion possède trois compartiments, chacun permettant d’entreposer des marchandises : l’avant, le
centre et l’arrière. Chaque compartiment a une capacité en poids (exprimée en tonnes) et en espace
(exprimée en m3 ), comme le précise le tableau suivant :
Compartiment Capacité poids (tonnes) Capacité espace (m3 )
Avant 12 7000
centre 18 9000
arrière 10 5000

Deux conteneurs de marchandises peuvent être transportés à bord de l’avion. Chaque conteneur est
caractérisé par trois quantités, un poids (en tonnes), un volume (en m3 /tonne) et un profit (en $/tonne),
comme le montre le tableau suivant :
Conteneur Poids (tonnes) Volume (m3 /tonne) Profit ($/tonne)
1 20 500 320
2 16 700 400

Il est permis de transporter à bord de l’avion une fraction du poids de chacun des conteneurs. L’objectif est
de déterminer les poids de chacun des conteneurs qui devraient être transportés dans l’avion et répartis
entre ses trois compartiments, de façon à maximiser le profit total.
Formulez ce problème à l’aide d’un modèle de programmation linéaire.
10 / 14
 Principe de la méthode graphique:

• Cette méthode permet de trouver la solution

optimale d’un PL graphiquement.
• Elle Repose sur une représentation des
contraintes dans un plan
• Valable que si le PL en question traitent 2
variables de décision seulement.
• Appliquer à un nombre de contraintes
quelconque.
Interprétation graphique des contrainte d’un
(PL):
• L’ensemble des solutions d’une inéquation
correspond à un demi-plan.
• L’ensemble des solutions d’une équation
Considérons la contrainte :(C ) : 4x1 + 5x2 ≥ 20
Pour déterminer le demi-plan qui vérifie la contrainte
(C ), il suffit par exemple de choisir x1 = 0 et x2 = 0.
On a 4 × 0 + 5 × 0 = 0 ≤ 20, donc l’origine (0,0)
n’appartient au demi-plan vérifiant la contrainte (C ).
x2
5
4
3 (C )
2

correspond à une droite. 1

1 2 3 4 5 x1

11 / 14
Région admissible

• L’intersection des demi-plans et des droites constituant un (PL) est appelée domaine admissible (ou
domaine réalisable).
• L’ensemble dit des points de R2 appartenant à la région admissible sont dites solutions réalisable

• Toute solution qui optimise (maximise ou

minimise ) la fonction objective est dite x2
solution optimale.
4 C1

Considérant le système suivant : 3 C3



 2x1 + x2 ≤ 8 ← (C1 ) 2

x + 2x ≤ 7 ← (C )
1 2 2
(P) : 1 (RA) C2
x2 ≤ 3 ← (C3 )


x1 , x2 ≥ 0 ← (C4 )

1 2 3 4 5 6 7 x1

Figure: Région admissible de (P)

12 / 14
Détermination des solutions optimales

considérerons le programma linéaire à deux variables Procédé de la méthode graphique:

(PL) avec D désigne sa région admissible de : ➊ Pour un z = z0 fixé (souvent on prend z=0 ) on
Az0
trace la droite T
[max]z = ax1 + bx2 ➋ On repère Az0 D
s.c
 : ➌ on trace la droite Az1 parallèle à Az0 tel que
(PL) : a11 x1 + a12 x3 ≤ b1
 z1 ≥ z0 T
a21 x1 + a22 x2 ≤ b2 ➍ On repère Az1 D
➎ On T recommence depuis l’étape 3 jusqu’à trouver

x1 ≥ 0, x2 ≥ 0

Az D = ∅ T
Soit, La dernière intersection entre Az D correspond à ce
−a z qu’on appelle solution optimale et la valeur de z
Az = {x2 = x1 + , z ∈ R}
b b réalisé par cette (ces) solution(s) est dite
la famille de droites parallèles dites droite isoprofit valeur optimale
de pente −ab
(constante), et d’ordonnée à l’origine
z
b
.

13 / 14
Exemple de résolution

x2

considérerons le programma linéaire suivant : solution optmale (3, 2)

4

[max]z = 4x1 + 5x2

s.c : 3

 2x1 + x2 ≤ 8
(PL) :


x + 2x ≤ 7 2 •
1 2


 x2 ≤ 3 1
x1 , x2 ≥ 0


zmax = z(3, 2) = 22 1 2 3 4 5 6 7 x1

Figure: Région admissible de (P)

14 / 14