INTRODUCTION À LA

RECHERCHE OPÉRATIONNELLE

Filière Sciences Mathématiques et Informatique

(S5)

M. AZZOUZI IDRISSI

Année universitaire : 2022-2023

 Fil conducteur
• Recherche Opérationnelle
• Définitions
• Utilité
• Domaines d’application
• Modélisation mathématique
• Modèles
• Action
• Outils
• Programmation linéaire
• Eléments de la théorie des graphes

RO_usmba_2022_2023_IAM 2/38
 Fil conducteur
• Recherche Opérationnelle
• Modélisation mathématique
• Programmation linéaire
• Approche graphique (Pbs à 2 & 3 dim)
• Approche algébrique
• Algorithme du simplexe
• Problèmes de minimisation & Problèmes irréguliers
• Analyse de la variance
• Dualité

• Eléments de la théorie des graphes

• Introduction à la théorie des graphes
• Application: gestion des projets par le temps (PERT)
• Un progiciel de planification

RO_usmba_2022_2023_IAM 3/38
 Recherche Opérationnelle
• Définitions

• Utilité de la RO

• Domaines d’application de la RO

4/38
RO_usmba_2022_2023_IAM
 Lexique
Cambridge Dictionary
Operational research UK (US operations research):
The systematic study of how best to solve problems in Business and
industry

Wikipedia
Operations research, operational research, or simply OR, is the use
of mathematical models, statistics and algorithms to aid in decision-
making

ROADEF
Recherche Opérationnelle: approche scientifique pour la résolution
de problèmes de gestion de systèmes complexes

RO_usmba_2022_2023_IAM 5/38
 Définitions
• Ensemble de méthodes et de techniques rationnelles
d’analyse et de synthèse des phénomènes d’organisation
utilisables pour élaborer de meilleures décisions.

• Plus qu’un ensembles de méthodes mathématico-

informatiques destiné à l’optimisation des processus de
production, de diffusion ou d’organisation

• Dans un environnement complexe: à considérer des

hommes, des machines, des produits, des délais …
…. en relations actives
→ phénomène d’organisation (à caractère combinatoire):
→ situations compliquées.
RO_usmba_2022_2023_IAM 6/38
 Définitions
Science du comment mieux faire avec moins :
D’outils pour :
• Rationaliser
• Simuler
• Optimiser
• Planifier
l'architecture et le fonctionnement des systèmes
industriels et économiques.
De modèles pour analyser des situations complexes.

Permet donc aux décideurs de faire

des choix efficaces et robustes
RO_usmba_2022_2023_IAM 7/38
 Définitions
Approche quantitative pour produire les meilleures décisions

• Une discipline à la croisée des mathématiques et de l'informatique

− prolongement de l'algorithmique

− manipulant des structures plus élaborées : graphes,

polyèdres...

− domaine d'application de la théorie de la complexité

algorithmique

• Une boite à outils de méthodes, pour aborder rationnellement et

aisément les problèmes d'optimisation (complexes)

RO_usmba_2022_2023_IAM 8/38
 Utilité de la RO

La recherche opérationnelle par ses outils qu’elle met en œuvre

• Aide à trouver:

− une solution là où on n’en trouvait pas

− une solution pour des problèmes nouveaux et pour lesquels on

n’a aucune expérience

− plusieurs solutions là où on n’envisageait qu’une seule.

• Aide à qualifier la (les) solution(s)

• Aide à confirmer ou à infirmer des décisions (justification des choix)

RO_usmba_2022_2023_IAM 9/38
 Domaines d’application de la RO
La RO ne s’occupe pas des problèmes triviaux

S’intéresse aux situations, dans lesquelles, le sens commun se

révèle faible et impuissant, tels que:
• Problèmes combinatoires (définition des investissement les plus
rentables, optimisation des programmes de production, des
affectations, du transport et de la logistique),

• Problèmes concurrentiels (définition des politiques

d’approvisionnement, de vente, etc…)

• Problèmes stochastiques (domaine de l’aléatoire) (files d’attente,

fiabilité des équipements et sureté de fonctionnement des
systèmes, etc…)

RO_usmba_2022_2023_IAM 10/38
 Modélisation mathématique
• Modèles

• Action

• Outils

RO_usmba_2022_2023_IAM 11/38
 Modèles
Le terme modèle : renvoie à la notion d’imitation et de
représentation. Il a deux sens différents :

Sens original:
pour désigner un objet ou une valeur réels qu’on va chercher à
imiter (exemple : le maître constitue un modèle pour le disciple :
donc un exemple à suivre).

Sens des scientifiques :

pour désigner un concept ou objet qui sera considéré
comme représentatif d’un autre; déjà existant ou qu’on va
construire : modèle réduit ou maquette.

C‘est ce dernier sens qui nous intéresse.

RO_usmba_2022_2023_IAM 12/38
 Action
Elle consiste à construire d’abord un prototype concret ou conceptuel,
qui servira pour représenter de manière simplifiée un système ou un
phénomène réel ; déjà existants en vue de les comprendre, ou à
atteindre pour en prédire le comportement.

La modélisation mahématique consiste à la mise en équation(s).

Elle désigne la transformation d’un problème, exprimé en langage
ordinaire, ou provenant d’un autre champ de la science, en une ou
plusieurs équations.

Elle utilise les méthodes de la théorie des équations pour résoudre le

problème initial.

RO_usmba_2022_2023_IAM 13/38
 Outils

Elle désigne toute mathématisation d’un phénomène aboutissant à

divers types de formules mathématiques, telles que :

• Les équations linéaires,

• Les équations non linéaires

• Les équation différentielles

• les équations aux dérivées partielles.

• . . . . etc

RO_usmba_2022_2023_IAM 14/38
 Programmation linéaire
• Introduction

• Condition de la formulation d’un PL

• Les étapes de formulation d’un PL

• Présentation Théorique d’un PL

• Exemples de formulation d’un PL

RO_usmba_2022_2023_IAM 15/38
 Introduction
Les problèmes de programmation linéaire (PL) sont en
général:

• des problèmes d’optimisation

• Liés à des problèmes d’allocations de ressources

limités, de la meilleure façon possible afin de
maximiser un profit ou de minimiser un coût

• Cherchent une meilleure possibilité d’avoir un

ensemble de décisions possibles qui réalisent la même
satisfaction (profit).

RO_usmba_2022_2023_IAM 16/38
 Condition de la formulation d’un PL
La PL (modèle) admet des hypothèses (conditions) à valider avant de
pouvoir les utiliser pour modéliser un problème. Ces hypothèses sont:

• Les variables de décision sont positives

• Le critère de sélection de la meilleure décision est décrit par une

fonction linéaire de ces variables. La fonction qui le représente est
dite fonction objectif (ou fct économique).

• Les restrictions relatives aux variables de décision sont exprimées

par un ensemble d’équations linéaires. Ces équations forment
l’ensemble des contraintes.

• Les paramètres du problème en dehors des variables de décisions

ont une valeur connue avec certitude.

RO_usmba_2022_2023_IAM 17/38
 Les étapes de formulation d’un PL
En général, il y a trois étapes à suivre pour pouvoir construire
le modèle d'un programme linéaire (= Modélisation) :

1. Identification des variables du Pb à valeurs non connues

(variables de décision) et les représenter sous forme
symbolique (exp. x1, x2, . . . . ).

2. Formulation des restrictions (contraintes) du Pb et les

exprimer par un système d’équations linéaires.

3. Définition de l’objectif (critère de sélection) et le

représenter sous forme d’une fonction linéaire des variables
de décision, et spécifier si le critère de sélection est à
maximiser ou à minimiser.
RO_usmba_2022_2023_IAM 18/38
 Présentation Théorique d’un PL
Un PL consiste à trouver le maximum ou le minimum d’une forme
linéaire (fonction objectif ) en satisfaisant certaines équations
(contraintes). En langage mathématique, on décrira de tels
modèles de la manière suivante :
Soient N variables de décision x1, x2,…, xn, / xi ≥ 0, i{1,2,….n}

La fonction objectif est une forme linéaire en fonction des

variables de décision :
𝒛 𝒄𝟏 𝒙𝟏 𝒄𝟐 𝒙 𝟐 ⋯ 𝒄𝒏 𝒙𝒏

où c1,…,cn sont connus avec certitude et peuvent être positifs,

négatifs ou nuls.

RO_usmba_2022_2023_IAM 19/38
 Présentation Théorique d’un PL
Par exemple le coefficient ci peut représenter un profit unitaire
lié à la production d’une unité supplémentaire du bien xi, ainsi la
valeur de z est le profit total lié à la production des différents
biens en quantités égales à x1,x2, ….., xn

Supposons que ces variables de décision doivent vérifier un

système d’équations linéaires définis par m inégalités

𝑎 𝑥 𝑎 𝑥 ⋯ 𝑎 𝑥 𝑏

𝑎 𝑥 𝑎 𝑥 ⋯ 𝑎 𝑥 𝑏

𝑎 𝑥 𝑎 𝑥 ⋯ 𝑎 𝑥 𝑏

RO_usmba_2022_2023_IAM 20/38
 Présentation Théorique d’un PL
où les coefficients a11,…, amn et b1,…, bm doivent avoir une valeur
bien déterminée et peuvent être positifs, négatifs ou nuls. Le
paramètre bj représente la quantité de matière première
disponible tel que le bien xi utilise une quantité égale à aji xi .

En suivant les étapes de formulation ci-dessus, on peut

représenter le PL comme suit :
𝑀𝑎𝑥 𝒁 𝑐 𝑥 𝑐 𝑥 ⋯ 𝑐 𝑥
𝑠. 𝑐 𝑎 𝑥 𝑎 𝑥 ⋯ 𝑎 𝑥 𝑏
𝑎 𝑥 𝑎 𝑥 ⋯ 𝑎 𝑥 𝑏
⋮ ⋯
𝑎 𝑥 𝑎 𝑥 𝑎 𝑥 𝑏
𝑥 0, 𝑥 0, … , 𝑥 0
RO_usmba_2022_2023_IAM 21/38
 Exemples de formulation

Un agriculteur veut allouer 150 hectares de surface irrigable entre

culture de tomates et de piments. Il dispose de 480 heures de main
d’œuvre et de 440m3 d’eau. Un hectare de tomates demande 1 heure
de main d’œuvre, 4m3 d’eau et donne un bénéfice net de 1000 DH. Un
hectare de piments demande 4 heures de main d’œuvre, 2m3 d’eau et
donne un bénéfice net de 2000 DH.

L’administration chargé de la gestion des terres irriguées veut

protéger le prix des tomates et ne permet pas de cultiver plus de 90
hectares de tomates. Quelle est la meilleure allocation de ses
ressources ?

22/38
RO_usmba_2022_2023_IAM
 Formulation du problème en PL1 (1)

Etape 1 : Identification des variables de décision.

Les deux activités que l’agriculteur doit déterminer sont les surfaces
à allouer pour la culture de tomates et de piments :

x1 : la surface allouée à la culture des tomates

x2 : la surface allouée à la culture des piments

On vérifie bien que les variables de décision x1 et x2 sont positives :

𝑥 0, 𝑥 0

RO_usmba_2022_2023_IAM 23/38
 Formulation du problème en PL1 (2)
Etape 2 : Identification des contraintes.
Contraintes représentent la disponibilité des facteurs de production:
• Terrain : l’agriculteur dispose de 150 hectares de terrain, ainsi la contrainte
liée à la limitation de la surface de terrain est :

x1 + x2 ≤ 150 et x1 ≤90
• Eau : la culture d’un hectare de tomates demande 4m3 d’eau et celle d’un
hectare de piments demande 2m3 mais l’agriculteur ne dispose que de 440m3.
La contrainte qui exprime les limitations des ressources en eau est :

4x1 + 2x2 ≤ 440

• Main d’œuvre : Les 480 heures de main d’œuvre seront départager ente la
culture des tomates et celles des piments. Sachant qu’un hectare de tomates
demande une heure de main d’œuvre et un hectare de piments demande 4
heures de main d’œuvre alors la contrainte représentant les limitations des
ressources humaines est:
x1 + 4x2 ≤ 480
RO_usmba_2022_2023_IAM 24/38
 Formulation du problème en un PL1 (3)
Etape 3 : Identification de la fonction objectif.

La fct objectif consiste à maximiser le profit apporté par la culture des

tomates et des piments. Les contributions respectives 1000 et 2000,
des deux variables de décision x1 et x2, sont proportionnelles à leur
valeur. La fonction objectif est donc :

Z = 1000x1 +2000x2

Le programme linéaire qui modélise le problème d’agriculture est :

𝑀𝑎𝑥 1000𝑥 2000𝑥

𝑠. 𝑐. 𝑥 𝑥 150
4𝑥 2𝑥 440
𝑥 4𝑥 480
𝑥 90
𝑥 0, 𝑥 0

RO_usmba_2022_2023_IAM 25/38
 Exemple 2 de formulation
Une banque propose 4 sortes de prêts à ses clients. Les intérêts annuels que
ceux-ci lui rapportent sont: Prêt 1: 6% ; Prêt 2: 8% ; Prêt 3: 8% ; Prêt 4: 4%

Le total des prêts que la banque peut accorder est, au plus, de 250 millions
MAD, mais elle doit se conformer aux règles de gestion suivantes:

Règle 1 : les prêts 1 doivent représenter au moins 55% du total des prêts 1 & 2
accordés et leur montant doit être d’au moins 25% de la valeur totale de tous
les prêts accordés.

Règle 2 : les prêts 2 ne peuvent dépasser 25% de la valeur totale de tous les
prêts accordés.

Règle 3 : le taux moyen perçus par la banque ne doit pas dépasser 7%.

L’objectif est, bien sur, de maximiser le profit de la banque tout en

respectant les contraintes imposées par la gestion de la banque.

RO_usmba_2022_2023_IAM 26/38
 Formulation du problème en PL2 (1)

Etape 1 : Identification des variables de décision.

Ce qui nous préoccupe, c’est le montant total en MAD des prêts

des 4 catégories et non pas le nombre de contrats passés dans
chacune d’elles.

Soit xi le montant prêté (en millions de MAD) dans la catégorie i,

( i=1, 2, 3 ou 4).

Naturellement ces xi sont positifs ou nuls.

𝑥 0, 𝑥 0, 𝑥 0, 𝑥 0

RO_usmba_2022_2023_IAM 27/38
 Formulation du problème en PL2 (2)
Etape 2 : Identification des contraintes.

• La limite supérieure que la banque peut prêter est de 250 millions de MAD,
d’où la contrainte :
x1 + x2 + x3 + x4 ≤ 250
• La règle 1 impose que :

x1 ≥ 0.55 (x1 + x2 ) et x1 ≥ 0.25 (x1 + x2 + x3 + x4 )

• La règle 2 impose que :

x2 ≤ 0.25 (x1 + x2 + x3 + x4 )

• Le total des intérêts perçus par la banque sera 0.06x1 + 0.08x2 + 0.08x3 + 0.04x4.
Le taux moyen pratiqué par la banque sur l’ensemble des sommes prêtées est
donc d’après la règle 3 :
0.06x1 + 0.08x2 + 0.08x3 + 0.04x4 ≤ 0.07 (x1 + x2 + x3 + x4 )

RO_usmba_2022_2023_IAM 28/38
 Formulation du problème en un PL2 (3)
Etape 3 : Identification de la fonction objectif.

L’objectif consiste à maximiser le gain de la banque, c’est-à-dire de maximiser

la fonction objectif :

F(x) = 0.06x1 + 0.08x2 + 0.08x3 + 0.04x4

Le programme linéaire qui modélise le problème de la banque peut s’écrire donc

sous la forme :
𝑀𝑎𝑥 Z 0.06𝑥 0.08𝑥 0.08𝑥 0.04𝑥
𝑠. 𝑐. 𝑥 𝑥 𝑥 𝑥 250
𝑥 0.55 𝑥 𝑥
𝑥 0.25 𝑥 𝑥 𝑥 𝑥
𝑥 0.25 𝑥 𝑥 𝑥 𝑥
0.06𝑥 0.08𝑥 0.08𝑥 0.04𝑥 0.07 𝑥 𝑥 𝑥 𝑥
𝑥 0, 𝑥 0, 𝑥 0, 𝑥 0

RO_usmba_2022_2023_IAM 29/38
 Exemple 3 de formulation
Un pharmacien a fabriqué un médicament (gélules) pour guérir des
personnes atteintes d’une certaine pathologie. Son médicament est
confectionné sous deux formes:

• Gélule type 1 : contient 2 mg d’une substance A, 5 mg d’une

substance B et 1 mg d’une substance C.

• Gélule type 2 : contient 1 mg de la substance A, 8 mg de la

substance B et 6 mg de la substance C.

Pour guérir, le malade a besoin de 12 mg de la substance A, de 74 mg

de la substance B et de 24 mg de la substance C.

Quel est le nombre de gélules que doit prendre un malade pour être
soigné ?

RO_usmba_2022_2023_IAM 30/38
 Formulation du PL3 (1)
Etape 1 : Identification des variables de décision.

Le problème concerne la fabrication de médicaments (gélule

type 1 et gélule type 2).

Ce qui nous préoccupe c’est normalement la quantité des

substances actives A, B et C. Malheureusement ces substances
n’existent qu’ à l’état conditionné sous forme de gélules de type
1 et 2.

Les variables de décision sont donc le nbr de gélules de type 1

(X1) et le nbr de gélules de type 2 (X2) que doit prendre chaque
malade pour guérir.
X 1 ≥ 0 ; X2 ≥ 0
RO_usmba_2022_2023_IAM 31/38
 Formulation du PL3 (2)
Etape 2 : Identification des contraintes.

Pour guérir, le malade à besoin de 12 mg de la substance A, de 74 mg de

la substance B et de 24 mg de la substance C.

• Chaque gélule de type 1 contient 2 mg de la substance A et chaque

gélule type 2 en contient 1 mg. La première contrainte est donc :

2x1 + x2 ≥ 12

• Chaque gélule de type 1 contient 5 mg de la substance B et chaque

gélule type 2 en contient 8 mg. La deuxième contrainte est donc :

5x1 + 8x2 ≥ 74

• Chaque gélule de type 1 contient 1 mg de la substance C et chaque

gélule type 2 en contient 6 mg. La troisième contrainte est donc :

x1 + 6x2 ≥ 24
RO_usmba_2022_2023_IAM 32/38
 Formulation du PL3 (3)
Etape 3 : Identification de la fonction objectif.

L’objectif économique est le nombre de gélules de type 1 et de type 2

que doit prendre chaque patient. Soit :
F(x) = x1 + x2

L’objectif thérapeutique consiste à administrer aux patients le minimum

de substances chimiques.

Le programme linéaire qui modélise le problème de médicament peut

s’écrire donc sous la forme :
𝑀𝑖𝑛 𝐹 𝑥 𝑥 𝑥
𝑠. 𝑐. 2𝑥 𝑥 12
5𝑥 8𝑥 74
𝑥 6𝑥 24
𝑥 0, 𝑥 0
RO_usmba_2022_2023_IAM 33/38
 Exemple 4 de formulation
Pour fabriquer deux produits P1 et P2, on doit effectuer des opérations sur 3
machines M1, M2 et M3, successivement mais dans un ordre quelconque. Les
temps unitaires d’exécution
M1 M2 M3
sont donnés dans le tableau :
P1 11 min 7 min 6 min
P2 9 min 12 min 16 min

On supposera que les machines n’ont pas de temps d’inactivité. La disponibilité

pour chaque machine, par mois, est:

 165 h pour M1, 140 h pour M2 , 160 h pour M3

Les produits P1 et P2 rapportent respectivement un gain unitaire de 900 Dh, et

de 1000 Dh.

Combien de produits P1 et P2, doit-on fabriquer par mois ( pour avoir un profit
maximum ) ?

RO_usmba_2022_2023_IAM 34/30
 Formulation du PL4 (1)
Etape 1 : Identification des variables de décision.
Comme tout industriel, le problème de cet entrepreneur est la
détermination d’un scénario de fabrication des deux produits P1 et
P2 en utilisant les moyens dont il dispose (temps d’utilisation de ses
machines).

Autrement dit, il faut trouver les temps d’affectation de chaque

machine pour fabriquer un nombre x1 de produit P1 et nombre x2 de
produit P2 .

Les variables de décision sont donc le nbr x1 de produit P1 et

nombre x2 de produit P2 . x1 et x2 étant des nombres, donc

X1 ≥ 0 ; X2 ≥ 0

RO_usmba_2022_2023_IAM 35/38
 Formulation du PL4 (2)
Etape 2 : Identification des contraintes.

Pour fabriquer les x1 P1 et les x2 P2, les temps maximum d’utilisation

des machines sont respectivement 165h pour M1, 140h pour M2,
160h pour M3 (On supposera que les machines n’ont pas de temps
d’inactivité).

Les contraintes vont porter donc sur les temps d’utilisation des
trois machines. Soit:

• Pour la machine M1: 11x1 + 9x2 ≤ 165 *60

• Pour la machine M2: 7x1 + 12x2 ≤ 140 *60

• Pour la machine M3: 6x1 + 16x2 ≤ 160 *60

RO_usmba_2022_2023_IAM 36/38
 Formulation du PL4 (3)
Etape 3 : Identification de la fonction objectif.

L’objectif économique est le prix total de vente des x1 P1 et x2 P2 .

Soit:
F(x) = 900 x1 + 1000 x2

L’objectif de cet entrepreneur est de réaliser la meilleure vente

possible; donc sa fonction objectif est à maximiser:

Le programme linéaire qui modélise ce problème peut s’écrire donc

sous la forme :
𝑀𝑎𝑥 𝐹 𝑥 900𝑥 1000𝑥
𝑠. 𝑐. 11x1 9x2 165 x 60
7x1 12x2 140 x 60
x1 6x2 160 x 60

37/38
RO_usmba_2022_2023_IAM
Résolution des Programmes linéaires
• Résolution graphique (Pbs à 2 & à 3 dim)

• Approche algébrique

• Algorithme du simplexe

• Problèmes de minimisation & Problèmes irréguliers

• Analyse de la variance

• Dualité

RO_usmba_2022_2023_IAM 38/38