Recherche opérationnelle

I - Introduction et Définitions
1. Introduction
La recherche opérationnelle ; appelée aussi aide à la décision ; est une discipline dont le
but est d'aider le gestionnaire à évaluer les enjeux et à prendre de meilleures décisions dans
des situations souvent complexes, à l'aide de méthodes scientifiques

Quoique d'origine militaire, la recherche opérationnelle connait un champ d'application

très large dont nous citons a titre d'exemple :

 Problèmes de gestion de production.

 Gestion du transport terrestre et aérien (itinéraires, horaire des vols, l'organisation des
horaires du personnel au sol, ...).
 Gestion des forces policières.
 Problèmes d'ordonnancement.

La Recherche opérationnelles est utilisée afin de :

 Réduire les erreurs.
 Améliorer les délais.
 Améliorer la qualité.
 Optimiser la matière première et les moyens humains.
 Réduire les tentions, etc.

Les étapes d'étude d'un projet de la recherche opérationnelle se présentent comme suit :

1- Définir les variables de décision du problème ;

2- Définir la formation de l’objectif (max ou min);
3- Définir les contraintes du problème ;
4- Ecrire le problème ;
5- La résolution du problème ;
6- La prise de décision et un plan d’action de la solution.
 2. Définitions
Définition 1 : on considère n variables x1, x2,………xn. On appelle combinaison linéaire de
ces variables toute écriture de la forme :

a1 x1 +a2x2+………..+anxn = ∑ i xi i∈ .

Définition 2 : programme linéaire (PL) est un problème d’optimisation qui consiste à

maximiser ou à minimiser une fonction linéaire dont les variables sont soumises à un
ensemble de contraintes exprimées sous forme d’équations ou d’inéquations linéaires.

Autrement dit, un (PL) sous sa forme canonique s’écrit :

Max (ou Min) z = c1 x1 + c2 x2 + · · + cn xn

s.c. a11 x1 + a12 x2 + · · · + a1n xn ≤ (=; ≥) b1

a21 x1 + a22 x2 + · · · + a2n xn ≤ (=; ≥) b2

···

am1 x1 + am2 x2 + · · · + amn xn ≤ (=; ≥) bm

xi ≥ 0 i = 1, 2, · · · , n

avec n, m ∈ N* et bi ≥ 0 ∀i.

Les variables x1 , x2 , · · · , xn sont appelées les variables de décision du problème.

La fonction linéaire à optimiser est appelée la fonction objectif (ou fonction économique)
II - Problèmes de gestion et modélisation linéaire

Problème 1 :

Une raffinerie de pétrole possède deux sources d’approvisionnement qui lui procurent
les bruts B1 et B2.

La composition de ces bruts est la suivante ( pour une tonne) :

Brut 1 Brut 2 Demande en produits finis (millions)

Gaz 0.1 0.2 0.5
Essence 0.5 0.6 2.1
Gasoil 0.4 0.2 0.8

Sachant que la raffinerie achète le brut B1 à 200 DH la tonne et le brut B2 à 300 DH la

tonne, quelles sont les quantités de bruts 1 et 2 qu’elle doit se procurer pour satisfaire la
demande au moindre coût ?

Formulation du problème 1 :

1- Définir les variables de décisions :

Soient x le nombre de millions de tonnes de brut 1 et y le nombre de millions de tonnes

de brut 2.

2- Définir la fonction objectif :

Il s’agit de minimiser 200x + 300y

3- Déterminer les contraintes :

0.1x 0.2 y 0.5

Sous les contraintes implicites x, y 0 et explicites : 0.5x 0.6y 2.1
0.4x 0.2y 0.8
 4- La forme canonique du problème :

Donc la forme canonique du modèle s’écrit comme :

Min 200x + 300y

x, y 0
0.1x 0.2 y 0.5
sc :
0.5x 0.6y 2.1
0.4x 0.2y 0.8

Problème 2 :

Une entreprise fabrique et vend trois produits A , B et C sur lesquels elle réalise
respectivement une marge unitaire de 700 DH , 800 et 1000 DH. Chaque produit doit passer
par trois types de machines M1 , M2 et M3, dans un ordre indifférent, avant d’être prêt pour
la vente.

La fabrication d’une unité de A nécessite 2 heures de machine M1, 1 h et demi de

machine M2 et1 h de machine M3. Pour le produit B, la fabrication d’une unité nécessite 1 h
de machine M1 et 2 h de machine M2. Quant au produit C, la fabrication d’une unité
nécessite 2 h de machine M1, 1 h de machine M2 et 1 h et demi de machine M3.

Enfin, l’atelier de l’entreprise peut fonctionner jusqu’à dix heures par jour sachant qu’il
est équipé de 5 machines de type M1, de 4 machines de type M2 et de 3 machines de type
M3.

Ecrire la forme canonique du programme linéaire permettant à cette entreprise de maximiser

son profit journalier global.
Formalisation du problème 2 :

Etapes de modélisation :

1. — Définir les variables de décision :

x1 : nombre d’unités de production de A

x2 : nombre d’unités de production de B

x3 : nombre d’unités de production de C

2. — Définir la fonction objectif :

z = 700x1 + 800x2 + 1000x3

3. — Ecrire les contraintes :

• Contraintes implicites (non-négativité) : x1, x2, x3 ≥ 0

• Contraintes explicites (technologiques) :

Ici, il s’agit des contraintes de disponibilité en temps des différentes machines de

l’atelier :

Machines de type M1 : 2x1 + x2 + 2x3 ≤ 50 (10 × 5)

Machines de type M2 : 1, 5x1 + 2x2 + x3 ≤ 40 (10 × 4)

Machines de type M3 : x1 + 1, 5x3 ≤ 30 (10 × 3)

Par conséquent, ce problème peut être modélisé par un (PL) à 3 variables et 3

contraintes.

La forme canonique de ce (PL) s’écrit comme :

max z = 700 x1 + 800 x2 + 1000 x3

 x1, x2, x3 0
2x1 x2 2x3 50
sc :
1, 5x1 2x2 x3 40
x1 1, 5x3 30

Ou bien sous une forme matricielle :

Max z = CX

0
sc :

Où on a noté :

 2 1 2
  50
C = (700, 800, 1000), X= , A = 1.5 2 1  et B = 40
 1 0 1.5  30
 

Une fois le programme est mis en forme, l’étape suivante consiste à le résoudre, en
déterminant les valeurs des variables de décision satisfaisant les différentes contraintes du
problème, et qui réalisent l’optimum de la fonction objectif. Parmi les diverses techniques
mathématiques de résolution, nous étudions dans la suite la méthode graphique ( nombre de
variables n 2 ou à la limite 3) puis la méthode du simplexe (algèbre ou via des tableaux
pour n quelconque).

III - Méthode de résolution graphique

La méthode graphique se montre à l'évidence la plus rapide et la plus simple mais aussi la
plus limitée : adapté à la résolution des problèmes à deux variables. Elle consiste à suivre les
deux étapes suivantes :

- Détermination du polygone des solutions possibles (figure géométrique): qui est

l'intersection des demi plans représentant les contraintes techniques, les différents points de
ce polygone vérifient le système des contraintes techniques et forment l'ensemble des
solutions possibles . Quant la solution optimale elle se situe sur la frontière du polygone et
correspond à un sommet.

- Détermination de la solution optimale : en substituant progressivement dans la fonction

économique et en calculant les valeurs de cette dernière pour les coordonnées des différent
sommet du polygone des solutions possibles et la famille des droites représentant la fonction
objectif

Remarque 1 : Un problème de PL peut avoir soit une solution unique soit une infinité de
solutions soit pas de solution.

1. Représentation graphique d’inéquations linéaires à deux variables

Soit la fonction objectif : max M = 6 x + 4y, qui maximise la marge sur coût variable

x, y 0
x 200
sc : y 300
x 2y 450
3x y 660

Les deux dernières contraintes sont respectivement celles d'approvisionnement et de temps de

travail.

Résoudre graphiquement ce PL.

Solution :

Le nombre de variables d'activités étant 2, il est possible de représenter chaque inéquation.

Ainsi les équations des droites permettant la partition du plan sont :

À x> 0 et y>0 correspondent les droites D1 et D2 d'équations : x=0 et y=0'

D3 x= 200

D4 y= 300

D5 y = - x +225 (0 , 225), ( 450 , 0)

D6 y = -3x + 660 (0, 660) , (220 , 0)

y = - 1.5 x

Ce qui donne le graphique suivant :

 1

Le polygone hachuré est l'image des solutions admissible du programme.

Les points situés sur le pourtour du polygone (sommets) sont des solutions admissibles,
ils correspondent au signe de toutes les inégalités du système.

2. Recherche graphique d’un optimum

On a : M = 6x + 4y

Sommets Valeurs de M
A (0,0) 0
B (200,0) 1200
C (200, 60) 1440
D (180 , 150) 1680
E (0 , 225) 900
 Ainsi si l'entreprise veut obtenir une marge sur coût variable globale maximale elle
devra opter pour le point D (solution optimale), c-a-d produire 180 modèles A et 150 modèles
B. Elle obtiendra une marge de 1680.

Le faite que le point D se trouve à l'intersection des droites limitant les contraintes
d'approvisionnement et de temps de travail, signifie que ces deux contraintes seront saturées
( tout le bois disponible sera utilisé ainsi que toute la main d'oeuvre possible). x + 2y = 450 et
3x +y = 660.

Nous constatons que la droite D4 ne limite pas le domaine des solutions, donc on peut
supprimer cette contrainte sans que cela ait une incidence sur la solution trouvée.

Remarque 2 : graphiquement, le cas d’infinité de solutions survient chaque fois que la

fonction-objectif a le même coefficient angulaire (directeur) que l’une des contraintes du
problème. L’optimum correspondra à deux sommets adjacents.

I- Méthode du simplexe

1. Présentation sommaire de la méthode du simplexe

Pour résoudre les programmes linéaires à trois variables d’activités et plus, on utilise
une méthode algébrique. Celle-ci a été normalisée par le mathématicien Georges Dantzig.
Cette méthode dite du simplexe ou du pivot, est une méthode algorithmique, capable de
résoudre les problèmes en quelques itérations, en partant de la constatation que la solution
optimale se trouve toujours à la périphérie du domaine des solutions admissibles et qu’elle
correspond généralement à un sommet du polygone. Il suffit de partir d’un point situé à la
périphérie (par principe on choisit le point O de coordonnées x=0 et y=0) et de se déplacer de
sommet en sommet jusqu’à celui qui représente l’optimum recherché.
Pour traiter algébriquement un programme linéaire, on passe par trois étapes :
- Transformer les inéquations du programme canonique en équations. Pour cela des
variables d’écart sont introduites dans ces dernières. Le modèle est ainsi sous sa
forme standard. Les variables d’écarts e1, e2, e3, ….em sont appelées variables de
base et les variables de décision x1, x2, x3,…….xn les variables hors base.
- Choix du pivot, à l’aide des règles suivantes :
 . la colonne du pivot est celle du plus grand élément positif dans la ligne de la
fonction objectif z (variable entrante).
. la ligne du pivot est celle du plus petit rapport positif des éléments de la colonne
des programmes à la colonne du pivot (variable sortante).
. le pivot se trouve ainsi à l’intersection de la colonne du pivot et de la ligne du
pivot.
- Itérations (pivotage) : nous allons faire pivoter la matrice des coefficients autour du
pivot selon les règles de pivotage appliquées systématiquement à chaque itération :
. on remplace tous les éléments de la colonne du pivot par 0, sauf le pivot.
. on divise tous les éléments de la ligne su pivot par le pivot.
. on transforme les autres éléments de la règle du rectangle suivante :
a y

x pivot
∗
a’ = a –

éé ∗ é
a’ = a –

On continue les itérations jusqu’à ce que tous les éléments de la ligne de z soient
négatifs ou nuls. L’algorithme se terme ainsi et on est à l’optimum.

2. Problème de maximisation simple : tableaux du simplexe

Max z = 200 x +100y

, 0
sc : 1
2

a) Transformer les inéquations en équations

En introduisant les variables d’écart e1 et e2, on obtient :
Max z = 200 x + 100 y + 0 e1 + 0 e2
, , 1, 2 0
1 1
2 2

La solution de base est :

Pour x = 0 et y = 0, e1 = 1 et e2 = 2
Ce qui nous donne le premier tableau de simplexe :

x y e1 e2 C R
e1 1 0 1 0 1
e2 1 1 0 1 2
Z 200 100 0 0 0

b) Choix du pivot

Le plus grand élément positif est 200, donc x est la colonne du pivot.
Le plus petit rapport est ½, donc e2 est la ligne du pivot.

x y e1 e2 C R
e1 1 0 1 0 1 1
e2 1 1 0 1 2 2
Z 200 100 0 0 0

c) Itérations

x y e1 e2 C R
x 1 0 1 0 1 ∞
e2 0 1 -1 1 1 1
Z 0 100 -200 0 -200

2ème itération :

x y e1 e2 C R
x 1 0 1 0 1
y 0 1 -1 1 1
Z 0 0 -100 -100 -300

Les coefficients de Z sont tous négatifs ou nuls, donc on ne peut plus maximiser z.
l’optimum est atteint avec 300 UM. x=1 , y=1 et e1 = 0 et e2 = 0.
Donc les contraintes sont saturées.