Académique Documents
Professionnel Documents
Culture Documents
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
Les étapes d'étude d'un projet de la recherche opérationnelle se présentent comme suit :
a1 x1 +a2x2+………..+anxn = ∑ i xi i∈ .
···
xi ≥ 0 i = 1, 2, · · · , n
avec n, m ∈ N* et bi ≥ 0 ∀i.
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.
Formulation du problème 1 :
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.
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.
Etapes de modélisation :
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).
Remarque 1 : Un problème de PL peut avoir soit une solution unique soit une infinité de
solutions soit pas de solution.
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
Solution :
D3 x= 200
D4 y= 300
y = - 1.5 x
Les points situés sur le pourtour du polygone (sommets) sont des solutions admissibles,
ils correspondent au signe de toutes les inégalités du système.
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.
I- 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.
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.