S

TE
IND 371

O
N
RECHERCHE OPERATIONNELLE I

E
R
TU
C
LE

Prof. Dr. E. Ertuğrul KARSAK

 Problème de Transport (Transportation Problem)

S
Ex: Nous examinerons le problème suivant avec les données

TE
indiquées dans le tableau ci-dessous:

O
Assurer, au moindre coût, les transports des quantités

N
demandées aux dépôts numérotés de 1 a 4, à partir des usines

E
R
de 1 à 3, connaissant les disponibilités de ces usines et les

TU
coûts de transport unitaires de toute origine à toute
destination. C
LE

IND 371 Ref: F.S. Hillier & G.J. Lieberman, Introduction to Mathematical Programming, 1995. 2
Problème de Transport (Transportation Problem)
𝑥𝑖𝑗 = 𝑙𝑒 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑢 𝑝𝑙𝑒𝑖𝑛 𝑐𝑎𝑚𝑖𝑜𝑛 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡é 𝑑 ′ 𝑢𝑠𝑖𝑛𝑒 𝑖 𝑎𝑢 𝑑é𝑝ô𝑡 𝑗

S
TE
(𝑖 = 1,2,3; 𝑗 = 1,2,3,4)
𝑧 = 𝑙𝑒 𝑐𝑜û𝑡 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡

O
N
Données de transport pour la compagnie ABC
Coûts de transport ($)

E
Quantités

R
Dépôts
disponibles

TU
1 2 3 4
1 464 513 654 867 75
Usines 2
3
352
995
C 416
682
690
388
791
685
125
100
LE
Quantités demandées 80 65 70 85

Par conséquent, il y a au total 300 plein camions à être transporté.

IND 371 Ref: F.S. Hillier & G.J. Lieberman, Introduction to Mathematical Programming, 1995. 3
 Problème de Transport (Transportation Problem)

S
TE
Min z = 464x11 + 513x12 + 654x13 + 867x14 + 352x21 + 416x22 + 690x23 + 791x24
+ 995x31 + 682x32 + 388x33 + 685x34

O
sous les contraintes

N
x11 + x12 + x13 + x14 = 75

E
x21 + x22 + x23 + x24 = 125

R
x31 + x32 + x33 + x34 = 100

TU
x11 + x21 + x31 = 80
x12 + x22 + x32 = 65
x13
C + x23 + x33 = 70
LE
x14 + x24 + x34 = 85
xij  0, i = 1, 2, 3; j = 1, 2, 3, 4

IND 371 Ref: F.S. Hillier & G.J. Lieberman, Introduction to Mathematical Programming, 1995. 4
 x11 x12 … x1n x21 x22 … x2n … xm1 xm2 … xmn

1 1 … 1

1 1 … 1

S
TE
…
A= 1 1 … 1

O
1 1 … 1

N
1 1 … 1

E
…

…
R
1 1 … 1

TU
« total unimodularity »
C m sources
LE
n destinations
(m + n) contraintes
Pour l’exemple:
m + n -1 = (3 + 4) - 1 = 6
IND 371 Ref: F.S. Hillier & G.J. Lieberman, Introduction to Mathematical Programming, 1995. 5
Matrice de coûts unitaires
Coût par unité distribuée
Destination

S
1 2 . . . n Offre
1 𝑐11 𝑐12 . . . 𝑐1𝑛 𝑺𝟏

TE
2 𝑐21 𝑐22 . . . 𝑐2𝑛 𝑺𝟐

O
Source . . . .
. . . .

N
. . . .
m 𝑐𝑚1 𝑐𝑚2 . . . 𝑐𝑚𝑛 𝑺𝒎

E
Demande 𝒅𝟏 𝒅𝟐 . . . 𝒅𝒏

R
TU
Notation

C
𝑐𝑖𝑗 = 𝑙𝑒𝑠 𝑐𝑜û𝑡𝑠 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒𝑠 (𝑖 = 1,2, … , 𝑚 ; 𝑗 = 1,2, … , 𝑛)
LE
𝑆𝑖 = 𝑙𝑒𝑠 𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠 (𝑖 = 1,2, … , 𝑚)
𝑑𝑗 = 𝑙𝑒𝑠 𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠 𝑑𝑒𝑚𝑎𝑛𝑑é𝑒𝑠 (𝑗 = 1,2, … , 𝑛)

IND 371 Ref: F.S. Hillier & G.J. Lieberman, Introduction to Mathematical Programming, 1995. 6
 Le modèle de programmation linéaire pour le problème de transport

S
𝑚 𝑛

TE
min 𝑧 = ෍ ෍ 𝑐𝑖𝑗 𝑥𝑖𝑗

O
𝑖=1 𝑗=1

sous les contraintes

N
σ𝑛𝑗=1 𝑥𝑖𝑗 = 𝑠𝑖 , 𝑖 = 1,2, … , 𝑚ൟ contraintes d’offre

E
R
σ𝑚
𝑖=1 𝑥𝑖𝑗 = 𝑑𝑗 , 𝑗 = 1,2, … , 𝑛ൟ contraintes de demande

TU
𝑥𝑖𝑗 ≥ 0, 𝑖 = 1,2, … , 𝑚 ; 𝑗 = 1,2, … , 𝑛
C
LE

IND 371 Ref: F.S. Hillier & G.J. Lieberman, Introduction to Mathematical Programming, 1995. 7
Feasible Solutions Property Cas I:
𝑚 𝑛
(Afin d’obtenir une solution réalisable) ෍ 𝑠𝑖 = ෍ 𝑑𝑗
𝑚 𝑛 𝑖=1 𝑗=1

S
෍ 𝑠𝑖 = ෍ 𝑑𝑗 Cas II:

TE
𝑖=1 𝑗=1 𝑚 𝑛
𝑚 𝑚 𝑛 ෍ 𝑠𝑖 > ෍ 𝑑𝑗

O
෍ 𝑠𝑖 = ෍ ෍ 𝑥𝑖𝑗 𝑖=1 𝑗=1
𝑖=1 𝑖=1 𝑗=1

N
Ajouter une destination fictive « dummy destination »
𝑛 𝑛 𝑚
𝑚 𝑛
෍ 𝑑𝑗 = ෍ ෍ 𝑥𝑖𝑗

E
𝑗=1 𝑗=1 𝑖=1 𝑑𝑛+1 = ෍ 𝑠𝑖 − ෍ 𝑑𝑗

R
𝑖=1 𝑗=1
𝑚 𝑛 𝑚

TU
෍ ෍ 𝑥𝑖𝑗 = ෍ 𝑠𝑖 , 𝑖 = 1,2, … , 𝑚 ൡ 𝑐𝑜𝑛𝑡𝑟𝑎𝑖𝑛𝑡𝑒𝑠 𝑑′𝑜𝑓𝑓𝑟𝑒 Cas III:
𝑖=1 𝑗=1 𝑖=1 𝑚 𝑛

෍ 𝑠𝑖 < ෍ 𝑑𝑗
𝑛 𝑚 𝑛 C 𝑖=1 𝑗=1
LE
෍ ෍ 𝑥𝑖𝑗 = ෍ 𝑑𝑗 , 𝑗 = 1,2, … , 𝑛 ቑ 𝑐𝑜𝑛𝑡𝑟𝑎𝑖𝑛𝑡𝑒𝑠 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑒
𝑗=1 𝑖=1 𝑗=1 Ajouter une source fictive « dummy source »
𝑛 𝑚

𝑠𝑚+1 = ෍ 𝑑𝑗 − ෍ 𝑠𝑖
𝑗=1 𝑖=1

IND 371 Ref: F.S. Hillier & G.J. Lieberman, Introduction to Mathematical Programming, 1995. 8
Determining an Initial Basic Feasible Solution La Méthode du coin Nord-Ouest
(Déterminer une solution réalisable de base
initiale pour le problème de transport) La méthode du coin Nord-Ouest est une

S
méthode extrêmement facile pour

TE
i. Northwest Corner Rule (La méthode du coin Nord-
obtenir une solution de base ; mais
Ouest)

O
malheureusement, elle n’a pas de sens

N
ii. Vogel’s Approximation Method (La méthode économique. La méthode commence à
d’approximation de Vogel)
transporter d’abord sur la relation (1,1).

E
R
iii. Least-cost method (La méthode au moindre coût) La quantité maximale possible, c- à-d le

TU
minimum du couple (demande,
iv. Russell’s Approximation Method (La méthode
d’approximation de Russell) C disponibilité). Ainsi de suite …
LE

IND 371 9
 1 2 3 4 Quantités
disponibles
Exemple: 1 10 2 20 11 15 10
5
2 12 7 9 20 25

3 4 14 16 18 10

S
Quantités 5 0 15 15 15

TE
demandées

1 2 3 4 Quantités

O
disponibles
1 10 2 20 11 15 10 0

N
5 10
2 12 7 9 20 25

E
3 4 14 16 18 10

R
Quantités 5 0 15 5 15 15

TU
demandées

1 2 3 4 Quantités

1
C 10 2 20 11
disponibles
15 10 0
LE
5 10
2 12 7 9 20 25 20
5
3 4 14 16 18 10

Quantités 5 0 15 5 0 15 15
demandées

IND 371 Ref: H. Taha, Operations Research: An Introduction, Pearson, 2017. 10

 1 2 3 4 Quantités
disponibles
1 10 2 20 11 15 10 0
5 10
2 12 7 9 20 25 20 5
5 15
3 4 14 16 18 10

S
Quantités 5 0 15 5 0 15 0 15

TE
demandées

1 2 3 4 Quantités

O
disponibles
1 10 2 20 11 15 10 0

N
5 10
2 12 7 9 20 25 20 5 0

E
5 15 5
3 4 14 16 18 10

R
Quantités 5 0 15 5 0 15 0 15 10

TU
demandées

1 2 3 4 Quantités

1
C 10 2 20 11
disponibles
15 10 0
LE
5 10
2 12 7 9 20 25 20 5 0
5 15 5
3 4 14 16 18 10 0
10
Quantités 5 0 15 5 0 15 0 15 10 0
demandées

IND 371 Ref: H. Taha, Operations Research: An Introduction, Pearson, 2017. 11

 3

෍ 𝑠𝑖 = 15 + 25 + 10 = 50
𝑖=1

4 (m + n) – 1 = (3 + 4) – 1 = 6 variables de base

S
෍ 𝑑𝑗 = 5 + 15 + 15 + 15 = 50

TE
𝑗=1

3 4

O
3 4
෍ 𝑠𝑖 = ෍ 𝑑𝑗

N
𝑖=1 𝑗=1 𝑧 = ෍ ෍ 𝑐𝑖𝑗 𝑥𝑖𝑗
𝑖=1 𝑗=1

E
R
𝑥11 = 𝑚𝑖𝑛 5,15 = 5
𝑧 = 10 5 + 2 10 + 7 5 + 9 15 + 20 5 + 18 10 = 520

TU
𝑥12 = 𝑚𝑖𝑛 15,10 = 10
𝑥22 = 𝑚𝑖𝑛 5,25 = 5
𝑥23 = 𝑚𝑖𝑛 15,20 = 15
C
LE
𝑥24 = 𝑚𝑖𝑛 15,5 = 5
𝑥34 = 𝑚𝑖𝑛 10,10 = 10

IND 371 Ref: H. Taha, Operations Research: An Introduction, Pearson, 2017. 12