Cours Recherche Opérationnelle - RC

MATHÉMATIQUES ET APPLICATIONS
DE RECHERCHE OPÉRATIONNELLE
Ronan CARDIN Agrégé Génie Mécanique

Arts et Métiers ParisTech
1
Objectifs du cours
Le cours a pour but d’introduire les principales notions de recherche
opérationnelle et leurs implémentations techniques dans le domaine de
l'optimisation appliquée à l’entreprise.
À la fin du cours (5 séances) vous serez capable de :

• formuler un modèle d'optimisation pour représenter un système ;
• identifier la technique appropriée pour résoudre un modèle d'optimisation ;
• utiliser des outils informatisés pour déterminer la solution optimale à un
problème donné ;
• interpréter les résultats.
Ce cours a été réalisé en collaboration avec Mr TAMAYO PhD Mines

ParisTech
2 Mathématiques et Applications de Recherche Opérationnelle

Ronan CARDIN
Organisation
Introduction :
5 Séances
Modélisation et optimisation
1
Programmation linéaire :
résolution graphique, algorithme du simplexe
2
Optimisation :
Etudes de cas et analyse post-optimale
3
Graphes :
Théorie des graphes, problèmes de réseaux
4
Programmation en nombres entiers et optimisation
combinatoire : introduction et études de cas
5

Ronan CARDIN
Règles du jeu
4
Supports pédagogiques
Ouvrages de référence :
TAMAYO Simon, CARDIN Ronan, ECHEVERRI Sebastian, PINO Daniel
Recherche opérationnelle appliquée à la gestion industrielle, 1ère édition 2016,
Industrial Optimization Press
NOBERT Yves, OUELLET Roch et PARENT Régis, La recherche opérationnelle,

3e édition, 2001, Gaëtan Morin éditeur
Documents informatiques :
Copie des cours pdf
Polycopié d'études de cas pdf

Ronan CARDIN
Contact
Rona
n
ronan CARDIN
.cardi
n@en
+33 (0
151 b
)14 4 24 6 s am .eu
o 2 44
Escali ulevard de
e r G , er l’
1 éta hôpital, Pa
ge, en ris
sortan , 75013
t 1 ème
porte
àg auc he

Ronan CARDIN
Séance1 : Introduction
Modélisation et optimisation
7
Introduction :
notions basiques
de modélisation
et d’optimisation
8
Historique
Opérations
Combinatoire et Mesure du
Blaise Pascal espérance Daniel Bernoullirisque et notion Patrick Blackett militaires et
organisation des
(1623-1662) mathématique (1700-1782) d’utilité (1897-1974) convois
Calcul
Gestion de Algorithme du
infinitésimal et
stock, solution simplexe
équations non
optimal (1947)
linéaires
Isaac Newton Ford Whitman Harris George Dantzig

(1642-1727) (Formule EOQ en 1913) (1914–2005)

Ronan CARDIN
Définition de recherche opérationnelle (RO)
Ensemble des méthodes et des techniques quantitatives d'analyse et

de synthèse, orientées vers la recherche de la meilleure manière
d'effectuer des choix, ou bien de prendre les meilleures décisions, en
vue d'aboutir au meilleur résultat possible
• Branche des mathématiques appliquées

• Problèmes d'aide à la décision
Aide à
• Problèmes d'optimisation la décision

Ronan CARDIN
RO : une discipline carrefour
Mathématiques
Théorie des systèmes
Méthodes d'optimisation
Méthodes statistiques
Traitement du Élaboration
modèle du modèle
RO
Informatique Économie
Algorithmes Économie d'entreprise
Structures de données Analyse économique

Ronan CARDIN
Problèmes typiques de la RO
Problème combinatoire : 1. Modélisation
Représentation /
Nombreuses solutions admissibles traduction de problèmes
réels en équations
Problème aléatoire : mathématiques
2. Simulation
Problème dont certaines données sont Reproduction du
fonctionnement d'un
incertaines système complexe par
un ordinateur
Problème concurrentiel :
Problème dont les termes dépendent de
l'interaction entre plusieurs décideurs
3. Optimisation
Identification de la
meilleure configuration
possible d'un système
Obtenir une solution optimale
ou proche de l'optimum

Ronan CARDIN
Exemple de problème combinatoire
30 sites d'implantation possibles :
Où implanter
judicieusement 5 centres
de distribution ?
• 17 100 720 solutions !

• Besoin de méthodes…

Ronan CARDIN
Exemple de problème aléatoire
Taux de service d'une plateforme
Stats sur l'arrivée des Stats sur le temps de

camions traitement d'un camion
Quel est le nombre de quais à ouvrir pour qu'il soit peu

probable qu'un camion attende plus de 20 minutes ?

Ronan CARDIN
Exemple de problème concurrentiel
Pour un même produit, nous... et un concurrent
Nous
Vs
Concurrent
Quelle politique de vente adopter ?

Ronan CARDIN
Grandes étapes de résolution
Problème
Formulation
Objectifs, contraintes,
données disponibles ?
Modèle
Algorithme
Création ou adaptation
Logiciel ou programmation
Solution(s) Choix du type de
modèle et des
hypothèses
Validation simplificatrices ?
Vérification des
Mise en oeuvre
contraintes ?

Ronan CARDIN
Modèle mathématique
Représentation mathématique d'un phénomène physique,

économique, humain, etc., réalisée afin de pouvoir mieux étudier
celui-ci.
• Il s’agit d’une démarche scientifique rationnelle basée sur des concepts
et des outils mathématiques
• Un modèle mathématique comporte toujours 3 éléments :
Variables Fonction
Contraintes
de décision objectif

Ronan CARDIN
Définitions
Variables de décision :
c'est le décideur qui contrôle leurs valeurs
Paramètres :
valeur connue mais que le décideur ne contrôle pas (Ex. météo, coûts matières
premières, cadences de production, etc.)
Variables de conséquence :
mesurent l'impact des variables de décision sur le système (Ex. retards pour un
ordonnancement donné)
Mesure de performance :
mesure le degré d'atteinte des objectifs du décideur correspondant à une valeur
des variables de décision.

Ronan CARDIN
Éléments à considérer dans un modèle
Niveau de détail des « données » : Stratégique / tactique / opérationnel

Fiabilité des données
Aspect aléatoire des données :

• Modèles déterministes (tout est connu avant de prendre les
décisions) : moins réalistes mais beaucoup plus faciles à résoudre
• Modèles stochastiques (certaines informations/événements ne
deviennent connus qu'après la prise des décisions) : plus réalistes
mais beaucoup plus complexes

Ronan CARDIN
Exemple télécommunications
Positionnement d'une antenne

• Connexion de 4 nouveaux clients
• Priorité aux meilleurs clients
• Antennes existantes : A1(-5,10) et A2(5,0)
• Interdiction de placer la nouvelle à moins de 10 km des antennes
existantes
Où placer la nouvelle antenne ?

Ronan CARDIN
Exemple télécommunications (suite)
Client Coord. Heures
C1 5 , 10 200
C2 10 , 5 150
C3 0 , 12 200
C4 12 , 0 300

Ronan CARDIN
Exemple télécommunications (suite)
Client Coord. Heures A1(-5,10)
C1 5 , 10 200
C2 10 , 5 150
C3 0 , 12 200
C4 12 , 0 300 (X1,X2)
A2(5,0)

Ronan CARDIN
Exemple James Bond
Mission : désamorcer une bombe nucléaire sur un yacht

• Yacht amarré à 50 mètres de la plage
• James Bond se trouve à 100 mètres du point le plus proche du yacht sur la
plage
• Bond court à 18 km/h (5m/s) et il nage à 10km/h (2.78m/s)
• Temps de désamorçage : 30 secondes
• Explosion dans 65 secondes
James Bond pourra-t-il sauver le monde libre?

Ronan CARDIN
Exemple James Bond (suite)

Ronan CARDIN
Exemple James Bond (suite)
50m
x 100-x
100m
1 1
Min Z(x) = x + 50 2 + (100 − x)2
5 2.78
avec x ≥ 0 , x ≤ 100

Ronan CARDIN
Optimisation et convexité
Optimisation : Branche des mathématiques, cherchant à analyser et à résoudre
analytiquement ou numériquement les problèmes qui consistent à déterminer le
meilleur élément d'un ensemble, en fonction d'un critère quantitatif donné.
Fonctions du problème convexes ou non-convexes ?
Convexes : Si l'objectif et toutes les contraintes Non-convexes : S'il y a des fonctions non-
sont convexes, on peut déterminer s'il existe convexes, le problème est beaucoup plus
une solution réalisable, de trouver la solution difficile et on ne peut pas être certain de toutes
globalement optimale, et de résoudre des ces choses.
problèmes de grande taille.
Définition : Un ensemble E non vide est dit convexe si et seulement si pour tout élément x et y
de E et pour tout λ ∈ [0,1], λ x + (1- λ ) y ∈ E.

Ronan CARDIN
Problèmes et outils : panorama
Problèmes d'optimisation
Fonctions convexes Fonctions non-convexes
Méthodes d'optimisation convexe Méthodes d'optimisation globale (GO)
Problèmes Contraintes Fonctions Programmation

Optimisation
linéaires et quadratiques et régulières en nombres
non-régulière
quadratiques coniques non-linéaires entiers
PL : Z = 75 X1 + 50 X2 + 35 X3 Z = 75 X1 + 50 X2 + 35 X3 Z = 2 X12 + X23 + log X3 Z = 75 X1 + 50 X2 + 35 X3 Z = F(x) s.c. x ∈X

PQ: Z = 2 X12 + 3 X22 + 4 X1 X2 s.c. AX = b ; X ∈ Cône convexe s.c. x ∈Rn AX = b ; Xi ∈ N X trop grand pour énumérer
Méthodes d'exploration linéaire Méthodes de décente Méthodes d'optimisation combinatoire

(PL : Simplexe & Co. ; méthodes de (algorithme du gradient GRD, (algorithmes évolutionnistes GA, méthodes de
points intérieurs SOCP) méthode de Newton, etc.) voisinage, branch and bound B&B, etc.)

Ronan CARDIN
Dans la gestion industrielle
Production : Logistique
• Allocation de ressources • Localisation des dépôts
• Ordonnancement • Approvisionnement des clients
• Planification MT & LT • Choix des meilleurs itinéraires
• Dimensionnement • Problème de tournées
• Affectation Économie
Gestion des stocks • Politique de vente
• Choix des quantités de commande • Définition des investissements
• Choix des niveaux de SS

Ronan CARDIN
Success Stories
1987 : Citgo, Programmation linéaire, Opérations d'une raffinerie (-70M€/an)
1989 : San Francisco, Programmation linéaire, Horaire de policiers (-11M€/an)
1995 : Digital, Modèle en nombres entiers, Restructuration de la chaîne
d'approvisionnement (-800M€/an)
1995 : Chine, Modèle en nombres entiers, Choix des projets d'investissement
d'énergie (-425 M€/an)
1997 : Procter & Gamble, Modèle de transport, Production et distribution en Amérique
du Nord (-200M€/an)
2003 : Hewlett-Packard, Modèle en nombres entiers, Restructuration de la chaîne
d'approvisionnement de 2 divisions (-130 M€/an)
2005 : Motorola, optimisation des achats (-30% des dépenses d'achat)
2010 : MSF (médecins sans frontières), optimisation du processus des soins contre
la tuberculose (-25% du taux de mortalité du à la TB)

Ronan CARDIN
Le chapelier Beau-Brummel
2 Modèles de chapeaux :
Profit de 12€ pour le chapeau 1
Profit de 20€ pour le chapeau 2
La fabrication des chapeaux passe par deux ateliers A et B

temps en heures heures disponibles le mois
prochain
chapeau 1 chapeau 2
atelier
A 0,2 0,4 400
B 0,2 0,6 800
Combien je dois fabriquer de chapeaux le mois prochain si je suis

assuré de vendre toute ma production ?

Ronan CARDIN
Chaises de Mr Eugène
2 chaises : chaise en porte à faux et la chaise Barcelone
Etapes de fabrication : brasage, laquage, capitonnage
Engagement de Mr Eugène pour ses clients livraison de 42 chaises porte à faux et 53
chaises barcelone d’ici 3 semaines. Marché potentiel 100 unités pour chaque type de
fauteuil.
Le profit par siège 450$ porte à faux et 800$ barcelone
Données de fabrication :

Ronan CARDIN
Marchand de fruits
Un primeur veut optimiser son chargement :
Il peut transporter 800 caisses de citrons mais peut vendre au maximum 200
caisses de citrons.
Son carnet de commandes lui impose:
- 200 caisses d’oranges
- 100 caisses de pamplemousses
Une caisse de pamplemousses occupe 2 fois plus d’espace qu’une caisse

d’oranges ou 1,5 fois l’espace occupée par une caisse de citrons
Les oranges, pamplemousses et citrons lui rapportent respectivement 6€, 5€
et 10€ à la caisse
Comment réaliser le meilleur chargement?

Ronan CARDIN
Pétrole – problèmes de mélange
Brut à Produits finis ?
Combien faut-il mettre de chacun des ingrédients disponibles dans

chaque mélange pour maximiser les profits tout en minimisant les
coûts de production ?
Un industriel se voit proposer en début de mois 4 liquides A, B, C, D

A 8000 litres coût 5,5$, B 4250 litres coût 4,5$, C 16000 litres à 7,5$ et
D 2000 litres à 11,25$
Ventes sans transformations bénéfice de 0,5$ par litre
Mélange possible avec la création de 3 produits : E, F, G
Ronan CARDIN
Dosage à respecter :
Prix de vente $/L:

E 11$, F 15$, G 14$
Commande à respecter :
400 litres E, 800 litres F et 200 litres G
Dernier mélange P :
Mélange P = 2 G + 1 E se vend 22$
Profit max?

Ronan CARDIN

Ronan CARDIN
Papetier – Coupe de bobines-mères
Les papetiers fabriquent des rouleaux de papier dont la largeur est
fixée par les caractéristiques des machines appelés bobines-mères.
Les clients réclament des rouleaux de diverses largeurs et parfois
diverses longueurs. àchutes ?
Papetier :
Bobines-mères largeur 215 cm longueur 250 cm
Commandes acceptées par le papetier :
Largeur (en cm) Longueur (en m) Nombre de rouleaux
64 250 360
60 250 180
35 250 180

Ronan CARDIN
Quel objectif ?
Satisfaire les commandes acceptées ?
Utiliser le moins de bobines-mères ?
Minimiser les chutes ?
Même objectif ?

Ronan CARDIN
Plan de coupe ?
Chutes ?

Ronan CARDIN
Plan de coupe
1 2 3 4 5 6 7 8 9 10
Largeur
64 cm 3 2 2 1 1 1 0 0 0 0
60 cm 0 1 0 2 1 0 3 2 1 0
35 cm 0 0 2 0 2 4 1 2 4 6
Chutes 23 27 17 31 21 11 0 25 15 5
Plan de coupe avec chutes inférieures à 35 cm
Minimiser le nombre de bobines-mères

Minimiser les chutes

Ronan CARDIN
Séance 2
Programmation linéaire
40
Programmation
linéaire
41
Optimisation linéaire
Problème d'optimisation dans lequel on minimise une fonction linéaire

sur un polyèdre convexe. La fonction objectif et les contraintes sont
décrites par des fonctions linéaires.
Objectif : maximiser ou minimiser des quantités telles que les profits, la
marge et les coûts.
• Restrictions dues au manque de moyens en quantités
suffisantes, d'où la présence de contraintes.
• Le problème résultant (programme linéaire : PL) peut
se résoudre de plusieurs manières, telles que la
méthode graphique, la méthode algébrique, la méthode
du simplexe, la méthode du gradient projeté, etc.

Ronan CARDIN
Modèle linéaire général
Min ou Max Z = c1x1 + c2x2 + … + cjxj + … + cnxn
Soumise à
a11x1 + a12x2 + a13x3 + … + a1nxn ( ≤, =, ≥ ) b1
a21x1 + a22x2 + a23x3 + … + a2nxn ( ≤, =, ≥ ) b2
…
ai1x1 + ai2x2 + aijxj + … + ainxn ( ≤, =, ≥ ) bi
…
am1x1 + am2x2 + amjxj + … + amnxn ( ≤, =, ≥ ) bm
x1 ≥ 0 , x2 ≥ 0 , x3 ≥ 0 , … , xn ≥ 0
b1 ≥ 0 , b2 ≥ 0 , b3 ≥ 0 , … , bm ≥ 0 i = ligne
j = colonne
n variables et m équations où n > m

Ronan CARDIN
Forme compacte
Min ou Max
Soumise à

Ronan CARDIN
45
Attention Mathématiques
à la faisabilité de votre solution!
et Applications de Recherche Opérationnelle
Ronan CARDIN
Forme matricielle
Min ou Max CT X C : Vecteur des paramètres de la fonction-objectif
Soumise à : A : Matrice des paramètres des contraintes contenant les
AX = B variables de décision, d'écart, de surplus et artificielles

X : Vecteur des variables de décision
X≥0
CT
X n m A X = B X ≥0

Ronan CARDIN
Résolution
graphique
47
Méthode de résolution
a) Définir la région faisable

• Tracer les contraintes
• Déterminer les demi-plans admissibles
• Tracer la FO pour une valeur arbitraire : Z = Z0 = constante
b) Translater la FO (ses courbes de niveau) jusqu’au dernier point

admissible du domaine faisable
• Résoudre le système d'équations en ce point (X1*, X2*)
c) Substituer la solution dans Z pour connaître la valeur optimale (Z*)

Ronan CARDIN
Exemple : Fournisseur de tuyauterie
But : Planifier la production de la semaine prochaine
Produits fabriqués :
• Tuyaux
• Robinets
On ne fabrique pas pour stocker…

Ronan CARDIN
Fournisseur de tuyauterie
Profits :
• 1 000€ / tonne de Tuyaux
• 1 200€ / tonne de Robinets
Quantités (limites) à produire :
• Nombre de tonnes de Tuyaux : au plus 34 T
• Nombre de tonnes de Robinets : au plus 14 T
Ressources :
• Capacité hebdomadaire de l'ébarbage = 200h
• Gammes ébarbage : 10h / T Tuyaux, 5h / T Robinets
• Capacité hebdomadaire de la peinture = 60h
• Gammes peinture : 2h / T Tuyaux, 3h / T Robinets

Ronan CARDIN
Fournisseur de tuyauterie : Modèle linéaire
Max Z = 1000 * Tuyaux (x1) + 1200 * Robinets (x2)
10 *Tuyaux (x1) + 5 * Robinets (x2) <= 200

2 * Tuyaux (x1) + 3 * Robinets (x2) <= 60
Tuyaux (x1) >= 0

Robinets (x2) >= 0

Ronan CARDIN
Définition du domaine (Zone valide hachurée)
X2 X2 X2
X1 <= 34
X2 >= 0
X2 >= 0
X2 <= 14
X1 X1 >= 0 X1 X1 >= 0 X1
10 X1 + 5 X2 <= 200
X2 X2
10 X1 + 5 X2 <= 200
X1<= 34
X1<= 34 X2 <= 14
X2 >=0
X2 >=0
X2 <= 14
2 X1 + 3 X2 <= 60
X1 >=0 X1 X1 >=0 X1

Ronan CARDIN
Courbes de niveau de la fonction-objectif Z = 1000 x1 + 1200 x2
X2
x1<= 34
Z* = 27000
Z = 25800
Z = 20000
Z = 16800
x2 <= 14
Z=0
x2 >=0
0 = 1000 x1 + 1200 x2
X2 = - (1 / 1.2) x1 x1 >=0 X1

Ronan CARDIN
27000 €
25800 €
20000 €
16800 €
0€

Ronan CARDIN
Solution optimale
Deux méthodes sont disponibles :

a) Translation de la fonction-objectif
(Courbe de niveau Z0)
Z = c1 x1 + c2 x2 = Z0 = courbe de niveau Z0
Si x1 = 0 alors x2 = Z0/c2 Les courbes de niveau se tracent comme
Si x2 = 0 alors x1 = Z0/c1 les contraintes après avoir choisi Z0.
b) Évaluation de chaque intersection admissible

(2 équations à 2 inconnues) et sélection de la meilleure
… Et si on avait beaucoup plus d'équations ?

Ronan CARDIN
Méthode matricielle : Intersections
Système de 2 équations à 2 variables
ai1 x1 + ai2 x2 = bi
ai'1 x1 + ai'2 x2 = bi'
A = ai1 ai2 X = x1 B = bi
ai'1 ai'2 x2 bi'
AX=B X = A-1 B
A X = B X = A-1 B

Ronan CARDIN
La méthode algébrique : Intersections
2 X1 + 3 X2 = 60
Méthode intuitive : substitution 10 X1 + 5 X2 = 200
À partir de:
ai1 x1 + ai2 x2 = bi X1 = ( 60 – 3X2 ) / 2
ai'1 x1 + ai'2 x2 = bi'
a) Isoler une variable dans une des contraintes 10 [ ( 60 – 3X2 ) / 2 ] + 5 X2 = 200
x1 = ( bi - ai2 x2 ) / ai1 300 – 15X2 + 5 X2 = 200
b) Substituer dans l'autre contrainte

ai'1 [ ( bi - ai2 x2 ) / ai1 ] + ai'2 x2 = bi' X2 = ( 300 – 200 ) / 10
X2 = 10
c) Solutionner avec la variable restante
x2 = ( bi' - ai'1 * bi / ai1 ) / ( ai'2 - ai'1*ai2 / ai1 ) X1 = ( 60 – 3(10) ) / 2
X1 = 15
d) Déterminer la première
x1 = (bi - ai2 [ ( bi' - ai'1 * bi / ai1 ) / ( ai'2 – ai'1 * ai2 / ai1 ) ] ) / ai1

Ronan CARDIN
Algorithme du
Simplexe
58
Le meilleur outil à nos jours!
Seule méthode exacte pour résoudre des problèmes linéaires de grande

taille. Développée initialement par George Dantzig en1947.
Méthode itérative algébrique : parcours séquentiel des sommets à
l'intérieur de la zone de solution jusqu'à l'obtention de la solution optimale.
George Dantzig
(1914–2005)
Stop ✓
Oui
Solution
A) Tableau B) Choix de la C) Choix de la
optimale D) Pivotage
initial ? variable entrante variable sortante
Non

Ronan CARDIN
Mise en forme standard
Un PL peut avoir des contraintes d'égalité (=) et des contraintes

d'inégalité ( ≥ et ≤ ).
Avant l'application de Simplexe, le PL doit être converti en un PL

équivalent où :
• toutes les contraintes sont des égalités,
• toutes les variables sont non négatives (≥ 0),
• le second membre est non négatif (AX ≤ b, b≥0).
Un tel PL est dit sous la forme standard. Il est noté (PL=).

Ronan CARDIN
Variables d’écart et d'excédent
On utilise les variables d'écart et d'excédent pour convertir le PL en

équivalent :
• Contraintes de type (≤) : Pour chaque contrainte ≤ de ce type, on
rajoute une variable d'écart ei, tel que ei est une variable positive ou
nulle.
Exemple : 3x1 + 2x2 ≤ 2 se transforme en 3x1 + 2x2 + e1 = 2
• Contraintes de type (≥) : Pour chaque contrainte ≥ de ce type, on
retranche une variable d'excédent ei, tel que ei est une variable
positive ou nulle.
Exemple : 3x1 + 2x2 ≥ 2 se transforme en 3x1 + 2x2 – e2 = 2

Ronan CARDIN
Variables de base et variables hors base
Considérons un système d'équations à n variables et m équations où n
> m. Une solution de base pour ce système est obtenue de la manière
suivante :
a) On pose n - m variables égales à 0. Ces variables sont appelées
variables hors base (V.H.B.).
b) On résout le système pour les m variables restantes. Ces variables
sont appelées les variables de base (V. B.)
c) Le vecteur de variables obtenu est appelé solution de base (il
contient les variables de base et les variables hors base)
Une solution de base est admissible si toutes les variables de la solution de base sont ≥ 0.

Ronan CARDIN
Résolution du PL
(PL) (PL=)
Max Z = 1000 x1 + 1200 x2 Max Z = 1000 x1 + 1200 x2
S.c. 10 x1 + 5 x2 ≤ 200 S.c. 10 x1 + 5 x2 + e1 = 200
2 x1 + 3 x2 ≤ 60 2 x1 + 3 x2 + e2 = 60
x1 ≤ 34 x1 + e3 = 34
x2 ≤ 14 x2 + e4 = 14
x1 , x2 ≥ 0 x1 , x2 , e1 , e2 , e3 , e4 ≥ 0
Variables de hors base Variables de base

n = 6 et m = 4 e1 = 200
(6 - 4) = 2 e2 = 60
V.H.B. x1 et x2 e3 = 34
Si x1 = x2 = 0 Alors… e4 = 14

Ronan CARDIN
Etape A : Tableau initial
Base 1000 1200 0 0 0 0

Coeff. Var. X1 X2 e1 e2 e3 e4 bi (Valeur)
02 e1 10 5 1 0 0 0 1 2004
0 e2 2 3 0 1 0 0 60
0 e3 1 0 0 0 1 0 34
0 e4 0 1 0 0 0 1 14
Zj 0 0 0 0 0 0 3 5
Cj - Zj 1000 1200 0 0 0 0 0
1 Coefficients aij des contraintes du « PL= »

0*200 + 0*60 + 0*34 + 0*14 = 0
2 Coefficients Z des variables présentes dans la base
3 Valeur des zj : c'est‐à‐dire les coefficients Z (dans la base) multipliés par la colonne xi
4 Valeur des variables de base 0*10 + 0*2 + 0*1 + 0*0 = 0
5 Valeur de Z (la valeur de la fonction objectif)

Ronan CARDIN
Etape B : choix de la variable entrante
Maximum des Cj - zj pour des problèmes de max.
Minimum des Cj - zj pour des problèmes de min.
Dans notre exemple : x2 a le plus grand Cj - zj donc, il entre dans la base.
Base 1000 1200 0 0 0 0

Coeff. Var. X1 X2 e1 e2 e3 e4 Valeur
0 e1 10 5 1 0 0 0 200
0 e2 2 3 0 1 0 0 60
0 e3 1 0 0 0 1 0 34
Tableau 0
0 e4 0 1 0 0 0 1 14
Zj 0 0 0 0 0 0
Cj - Zj 1000 1200 0 0 0 0 0

Ronan CARDIN
Etape C : choix de la variable sortante
Dans un problème de min OU de max, la variable sortante sera le

minimum des bi / aik > 0
*K coefficient de la colonne de la variable entrante
Base 1000 1200 0 0 0 0

0 e1 10 5 1 0 0 0 200
0 e2 2 3 0 1 0 0 60
0 e3 1 0 0 0 1 0 34
Tableau 0
0 e4 0 1 0 0 0 1 14
Zj 0 0 0 0 0 0
Cj - Zj 1000 1200 0 0 0 0 0

Ronan CARDIN
Etape C : choix de la variable sortante
200 / 5 = 40
60 / 3 = 30
14 / 1 = 14 c'est le minimum, donc e4 est la variable sortante
Base 1000 1200 0 0 0 0

0 e1 10 5 1 0 0 0 200
0 e2 2 3 0 1 0 0 60
0 e3 1 0 0 0 1 0 34
Tableau 0
0 e4 0 1 0 0 0 1 14
Zj 0 0 0 0 0 0
Cj - Zj 1000 1200 0 0 0 0 0

Ronan CARDIN
Etape D : pivotage
La cellule bleue est nommée le pivot.

On commence par diviser la ligne du pivot par le chiffre du pivot
Base 1000 1200 0 0 0 0

0 e1 10 5 1 0 0 0 200
0 e2 2 3 0 1 0 0 60
0 e3 1 0 0 0 1 0 34
Tableau 0
0 e4 0 1 0 0 0 1 14
Zj 0 0 0 0 0 0
Cj - Zj 1000 1200 0 0 0 0 0

Ronan CARDIN
Etape D : pivotage
Nous poursuivons avec la matrice identité pour les variables de base.

Nous inscrivons 1 à l'intersection de chaque variable et 0 ailleurs.
Cj : Coeff. Dans Z 1000 1200 0 0 0 0
Base x1 x2 e1 e2 e3 e4 bi
Coef. Z Var. Base
0 e1 10 0 01 0 0 0 200
0 e2 2 0 0 1 0 0 60
0 e3 1 0 0 0 1 0 34
Tableau 0
0 e4 0 1 0 0 0 1 14
zj 0 0 0 0 0 0
0
Cj-zj 1000 1200 0 0 0 0

Ronan CARDIN
Etape D : pivotage - méthode du rectangle
Les nouveaux coefficients se calculent comme suit :

Ceux de la ligne du pivot s'obtiennent en divisant les anciens par le pivot ;
Les autres de la colonne du pivot sont nuls ;
Pour ceux des autres rangées, on utilise l'équation suivante :
« Automatisation » des
opérations de Gauss-Jordan
Remarque:
b a
« a » est toujours opposé au pivot.
Pivot c « b » et « c » peuvent être permutés.

Ronan CARDIN
Etape D : pivotage (à partir du tableau initial)
200 – (14*5) / 1 = 130

b a
Pivot c
0 – (3*1) / 1 = -3
Base 1000 1200 0 0 0 0

0 e1 10 5 1 0 0 0 200
0 e2 2 3 0 1 0 0 60
0 e3 1 0 0 0 1 0 34
Tableau 0
0 e4 0 1 0 0 0 1 14
Zj 0 0 0 0 0 0
Cj - Zj 1000 1200 0 0 0 0 0

Ronan CARDIN
Etape D : pivotage (bis)
On doit calculer les zj, les Cj - zj, et la valeur de Z : l'algorithme s'arrête lorsque :
• Cj – zj ≤ 0 pour un problème de max
• Cj – zj ≥ 0 pour un problème de min
Base 1000 1200 0 0 0 0

0 e1 10 0 1 0 0 -5 130
0 e2 2 0 0 1 0 -3 18
0 e3 1 0 0 0 1 0 34
Tableau 1
1200 X2 0 1 0 0 0 1 14
Zj 0 1200 0 0 0 1200
Cj - Zj 1000 0 0 0 0 -1200 16800
Dans la 2ème itération de pivotage on fera entrer la variable X1 et on sortira e2

Ronan CARDIN
Base 1000 1200 0 0 0 0
Tableau 0
0 e1 10 5 1 0 0 0 200
0 e2 2 3 0 1 0 0 60
0 e3 1 0 0 0 1 0 34
0 e4 0 1 0 0 0 1 14
Zj 0 0 0 0 0 0 O
Cj - Zj 1000 1200 0 0 0 0 0 C
B
Base 1000 1200 0 0 0 0
Coeff. Var. X1 X2 e1 e2 e3 e4 Valeur A
0 e1 10 0 1 0 0 -5 130
Tableau 1
0 e2 2 0 0 1 0 -3 18
0 e3 1 0 0 0 1 0 34
1200 X2 0 1 0 0 0 1 14
O
Zj 0 1200 0 0 0 1200 A
Cj - Zj 1000 0 0 0 0 -1200 16800
Base 1000 1200 0 0 0 0 Base 1000 1200 0 0 0 0

Coeff. Var. X1 X2 e1 e2 e3 e4 Valeur Coeff. Var. X1 X2 e1 e2 e3 e4 Valeur
0 e1 0 0 1 -5 0 10 40 0 e4 0 0 0.1 -0.5 0 1 4
Tableau 2
Tableau 3
1000 X1 1 0 0 0.5 0 -1.5 9 1000 X1 1 0 0.15 -0.25 0 0 15
0 e3 0 0 0 -0.5 1 1.5 25 0 e3 0 0 -0.15 0.25 1 0 19
1200 X2 0 1 0 0 0 1 14 1200 X2 0 1 -0.1 0.5 0 0 10
Zj 1000 1200 0 500 0 -300 B Zj 1000 1200 30 350 0 0 C
Cj - Zj 0 0 0 -500 0 300 25800 Cj - Zj 0 0 -30 -350 0 0 27000

Ronan CARDIN
Séance 3
Optimisation: Etudes de cas
et analyse post-optimale
74
Modèles sur Excel : conseils
• Disposition claire et logique de l'information:

• Décision et paramètres regroupés et identifiés (étiquettes, titres, etc.)
• Résultats clairement identifiés
• Unités de mesure indiquées où appropriées
• Résultats physiques / Calculs intermédiaires séparés des résultats
économiques
• Soyez « Lean » : codes de couleurs & Co.
• Associer des noms aux cellules
• Utiliser des commentaires de cellules et zones de texte
• Séparer les différentes parties du modèle

Ronan CARDIN
Optimisation :
Étude de cas
76
WindowFlash : gammes
Découpe Finition Soudure
Capacité = 22h Capacité = 24h Capacité = 16h
Ville Poste 1 = 1h Poste 2 = 0h Poste 3 = 0,5h 5€
Jardin Poste 1 = 0,5h Poste 2 = 2h Poste 3 = 0,5h 6€
Neige Poste 1 = 1h Poste 2 = 0,5h Poste 3 = 1h 8€

Ronan CARDIN
WindowFlash
Deux types de fenêtres sont fabriqués
• X1 le type ville, X2 le type jardin et X3 le type neige
• X1 rapporte 5€, X2 rapporte 6€ et X3 rapporte 8€
Les trois postes de travail nécessaires sont :
Poste Capacité MAX (h) Gamme X1 (h) Gamme X2 (h) Gamme X3 (h)
P1 22 1 0.5 1
P2 24 0 2 0.5
P3 16 0.5 0.5 1
Quel est le plan de production optimal ?

• Hypothèse : Demande illimitée
• Hypothèse : Matières premières illimitées

Ronan CARDIN
WindowFlash
Fonction objectif : maximiser le bénéfice
Max f (x) = 5 * x1 + 6 * x2 + 8 * x3
Avec
1 * x1 + 0,5 * x2 + 1 * x3 ≤ 22
2 * x2 + 0,5 * x3 ≤ 24
0,5 * x1 + 0,5 * x2 + 1 * x3 ≤ 16
x1 ≥ 0 ; x2 ≥ 0 ; x3 ≥ 0

Ronan CARDIN
WindowFlash : Modèle sur Excel
Bénéfices
Gain City W 5
Gain Garden W 6
Gain Snow W 8
Gammes (nombre d'heures)

City W Garden W Snow W
P1 1 0.5 1
P2 0 2 0.5
P3 0.5 0.5 1
Variables de décision
Production type 1 (X1)

Production type 2 (X2) Zone des variables de décision qui seront modifiées par le solveur
Production type 3 (X3)
Objectif
Profit Zone de la fonction objectif qui sera modifiée par le solveur
Profit = 5 * x1 + 6 * x2 + 8 * x3
Contraintes (capacité max)
Capacité max P1 22
Capacité max P2 24
Capacité max P3 16
Charge P1 : 1 * x1 + 0,5 * x2 + 1 * x3 ≤ 22
Utilsation des postes (charge calculée) Charge P2 : 2 * x2 + 0,5 * x3 ≤ 24
Charge P1
Charge P3 : 0,5 * x1 + 0,5 * x2 + 1 * x3 ≤ 16
Charge P2
Charge P3

Ronan CARDIN
Fonction objectif
Contraintes de faisabilité
Contraintes de capacité
Méthode d'optimisation

Ronan CARDIN
Bénéfices
Gain City W 5
Gain Garden W 6
Gain Snow W 8
Gammes (nombre d'heures)

City W Garden W Snow W
P1 1 0.5 1
P2 0 2 0.5 Si vous le souhaitez, Excel peut vous donner le détail du calcul dans
P3 0.5 0.5 1
le « Answer Report » ainsi que vous aider dans l'analyse post-
Variables de décision optimale avec le « Sensitivity Report »
Production type 1 (X1) 12.0
Objectif
Profit 161.7
Contraintes (capacité max)

Capacité max P1 22
Capacité max P2 24
Capacité max P3 16
Utilsation des postes (charge calculée)

Charge P1 22
Charge P2 24
Charge P3 16

Ronan CARDIN
Analyse post-
optimale
83
Analyse post-optimale
L'analyse optimale permet de déterminer la sensibilité d'un PL par

rapport aux données :
• Une faible variation des données entraine-t-elle un changement important de
la solution optimale ?
• L'analyse optimale permet de déterminer des intervalles de variations des
données pour lesquels la base optimale B∗ n'est pas modifiée.
On modifie légèrement les coefficients de l'objectif ou des contraintes :

doit-on refaire un simplexe ?

Ronan CARDIN
Prix caché ou Coût dual (shadow price)
Si on augmente la capacité disponible d'une ressource, quel est

l'impact sur la valeur optimale de la fonction objectif ?
Le prix cache mesure l'augmentation de la fonction objectif si l'on

accroît d'une unité la capacité disponible.
• Il représente est l'utilité marginale de l'assouplissement de la contrainte, ou
bien le coût marginal de renforcer la contrainte.
• Dans une application d'entreprise, un prix caché est le prix maximum que le
gestionnaire est prêt à payer pour une unité supplémentaire d'une ressource
limitée.

Ronan CARDIN
Quid de WindowFlash Ltd.
Etude de la variation d'un coefficient du second membre :

• Le prix caché (shadow price) de la 1ère contrainte vaut 2.57, ce qui signifie que toute
augmentation du second membre (actuellement 22) d'une unité fait augmenter le
bénéfice de 2.57 (la valeur de la fonction objectif) et ceci pour un second membre variant
entre (22 – 6) et (22 + 4).
• Le prix caché d’une contrainte peut être nul. Cela signifie qu'il ne sert plus à rien
d'augmenter le second membre de cette contrainte. De fait, cette contrainte n'est plus
saturée.

Ronan CARDIN
Quid de WindowFlash Ltd.
Etude de la variation d'un coefficient de la fonction objectif

• Dans l’exemple de Windowflash, le coefficient actuel de la variable x1 dans la fonction
objectif est égal à 5. Il peut augmenter de 2.4 ou diminuer de 1.3 sans que la solution
optimale ne soit modifiée.
• Il est probable qu’un coefficient puisse augmenter jusqu'à l'infini (1E+30 = 1030) ou
diminuer jusqu’à 0 sans que la solution ne soit modifiée.

Ronan CARDIN
Étude de cas
Optimisation des
mélanges
88
Mueslix
Deux types de muesli sont fabriqués

Original, et Lux
Original rapporte $0.75 et Lux rapporte $0.95
Faits à partir de 4 matières premières

Blé : prix au kilo : $0.25 ; quantité disponible : 7500Kg
Avoine : prix au kilo : $0.35 ; quantité disponible : 10000Kg
Noix :prix au kilo : $0.85 ; quantité disponible : 8000Kg
Raisin : prix au kilo : $0.95 ; quantité disponible : 6000Kg
Les engagements commerciaux imposent de livrer au moins 8500 kilos de muesli « Original ».

Ronan CARDIN
Mueslix
Les recettes des produits imposent des contraintes sur la
composition des matières premières :
Recette « Original » Recette « Lux »
Blé Au moins 40% Au plus 35%
Avoine Au moins 30% Au plus 35%
Noix Au plus 15% Au moins 20%
Raisin Au plus 15% Au moins 20%
Quel est le mélange de production optimal?

Hypothèse : Demande illimitée

Ronan CARDIN
Mueslix : modèle linéaire
Variables de décision : Contraintes de respect des recettes :
X1,1 = Quantité de blé dans le muesli original X1,1 ≥ 0.40 * ( X1,1 + X1,2 + X1,3 + X1,4 )
X1,2 = Quantité d’avoine dans le muesli original X1,2 ≥ 0.30 * ( X1,1 + X1,2 + X1,3 + X1,4 )
X1,3 = Quantité de noix dans le muesli original X1,3 ≤ 0.15 * ( X1,1 + X1,2 + X1,3 + X1,4 )
X1,4 = Quantité de raisin dans le muesli original X1,4 ≤ 0.15 * ( X1,1 + X1,2 + X1,3 + X1,4 )
X2,1 = Quantité de blé dans le muesli lux X2,1 ≤ 0.35 * ( X2,1 + X2,2 + X2,3 + X2,4 )
X2,2 = Quantité d’avoine dans le muesli lux X2,2 ≤ 0.35 * ( X2,1 + X2,2 + X2,3 + X2,4 )
X2,3 = Quantité de noix dans le muesli lux X2,3 ≥ 0.20 * ( X2,1 + X2,2 + X2,3 + X2,4 )
X2,4 = Quantité de raisin dans le muesli lux X2,4 ≥ 0.20 * ( X2,1 + X2,2 + X2,3 + X2,4 )
Contraintes de disponibilité matière : Fonction objectif : Maximiser le bénéfice

X1,1 + X2,1 ≤ 7500 Max Z = Ventes – Dépenses =
X1,2 + X2,2 ≤ 10000 0.75 * ( X1,1 + X1,2 + X1,3 + X1,4 )
X1,3 + X2,3 ≤ 8000 + 0.95 * ( X2,1 + X2,2 + X2,3 + X2,4 )
X1,4 + X2,4 ≤ 6000 - 0.25 * ( X1,1 + X2,1 )
- 0.35 * ( X1,2 + X2,2 )
- 0.85 * ( X1,3 + X2,3 )
Contrainte de respect du contrat :
- 0.95 * ( X1,4 + X2,4 )
X1,1 + X1,2 + X1,3 + X1,4 ≥ 8500

Ronan CARDIN
Mueslix
Prix de vente
Original 0.75
Muesli Lux 0.95
Coût et disponibilités (MP)

Coûts Disp. max
Ble 0.25 7500
Avoine 0.35 10000
Noix 0.85 8000 Zone des variables de décision qui seront modifiées par le solveur. Elle
Raisin 0.95 6000 représentent les quantités des composants à destiner vers les produits finis.
Contrat
Ventes de Original de min. 8500
Recettes Total acheté de chaque composant. Ex : Total Blé = QttéOriginal_Blé + QttéLux_Blé

Ble Avoine Noix Raisin
min min max max
Original
0.4 0.3 0.15 0.15
max max min min
Lux Total fabriqué de chaque produit fini. Ex :
0.35 0.35 0.2 0.2
Total Original = QttéOriginal_Blé + QttéOriginal_Avoine + QttéOriginal_Noix +QttéOriginal_Raisin
Ble Avoine Noix Raisin TOT (PF)
Muesli Original
Muesli Lux Contraintes techniques du respect des recettes
TOT(MP)
Ex : la quantité du blé dans la recette Original doit être supérieure à 40%, I.E.
Calcul des totaux autorisés (en fonction des kgs fabriqués) QttéOriginal_Blé ≥ 0.4*(Total Original)
Ble Avoine Noix Raisin
Muesli Original
Muesli Lux
Fonction objectif Fonction objectif : Marge = CA – Coût des composants

Ventes Marge = 0.75*(Total Original) + 0.95*(Total Lux) – 0.25*(Total Blé) – 0.35*(Total
Dépenses Avoine) – 0.85*(Total Noix) – 0.95*(Total Raisin)
Bénéfice

Ronan CARDIN
Mueslix
Fonction objectif
Contraintes de recette
Contraintes de capacité
Contraintes de faisabilité
Méthode d'optimisation

Ronan CARDIN
Séance 4
Théorie des graphes
et problèmes de réseaux
94
Théorie des
graphes
95
Historique et intérêts des graphes
La théorie des graphes permet de représenter simplement la structure,

les connexions, les cheminements possibles d'un ensemble, en
exprimant les relations, les dépendances entre ses éléments.
• 1736 avec les travaux d'Euler.

• Un des instruments les plus efficaces pour résoudre des
problèmes discrets de RO.
• Instrument puissant en termes de modélisation.
• Structure de données appliquée en informatique.
Leonhard Euler • Précieux pour décrire des systèmes dynamiques.
(1707 - 1783)

Ronan CARDIN
Réseaux
Réseaux routiers
Réseaux sociaux

Ronan CARDIN
Réseaux
Réseaux de gaz
Réseaux de transports
en commun

Ronan CARDIN
Graphe
Un graphe est une collection d'éléments mis en relation entre eux.
Géométriquement, on représente ces éléments par des points (les

sommets) reliés entre eux par des arcs de courbe (ou arêtes).
Selon que l'on choisit d'orienter les arêtes ou de leur attribuer un poids
(un coût de passage), on parle de graphes orientés ou de graphes
pondérés.

Ronan CARDIN
Graphe orienté G = (X,U)
Un graphe orienté G = (X, U) est constitué d'un ensemble X de noeuds et d'un
ensemble U de paires de noeuds distincts, appelées arcs.
A
Sommet ou noeud
Arc
A prédécesseur de B
A successeur de D
B C
Ordre du graphe = nombre de sommets
D
Boucle

Ronan CARDIN
Graphe non orienté G = (X,U)
A partir d'un graphe non orienté, on peut toujours se ramener à un
graphe orienté
A
Sommet ou noeud
Arête
(A,C) est incidente à A et à C
B C
Remarque : à tout graphe orienté correspond un graphe non orienté

Ronan CARDIN
Sous graphe, graphe partiel, graphe complémentaire
Graphe partiel Sous-graphe

On ne considère qu'une partie On considère une partie des
des arcs sommets avec tous les liens induits
Graphe
Sous-graphe partiel Graphe complémentaire

Ronan CARDIN
Matrice d'adjacence
Représentation d'un graphe par sa matrice d'adjacence

Destination
A B A B C D
A 0 1 1 0
B 0 0 0 0
Origine
C 1 1 0 1
C D
D 0 0 0 0
Pour un graphe non orienté, matrice symétrique

Ronan CARDIN
Matrice d'incidence
Représentation d'un graphe par sa matrice d'incidence

Arcs
u1
A B u1 u2 u3 u4 u5
A -1 1 -1 0 0
u2 u3 u4
B 1 0 0 1 0
Sommets
C 0 -1 1 -1 -1
C D
u5 D 0 0 0 0 1

Ronan CARDIN
Matrice d'incidence : Exemple
Xu1 Xu2 Xu3 Xu4 Xu5 Cu1 Cu2 Cu3 Cu4 Cu5
Q -1 1 -1 0 0 €/Q -1 1 -1 0 0
u1
A B u1 u2 u3 u4 u5
A -1 1 -1 0 0
u2 u3 u4
B 1 0 0 1 0
C 0 -1 1 -1 -1
C D
u5 D 0 0 0 0 1

Ronan CARDIN
Définitions
Arête : Une arête est un arc dont on ignore l'orientation

Chaîne : Une suite consécutive d'arêtes est appelée une chaîne
Cycle : Une chaîne dont les deux sommets extrémités sont identiques
Chemin : Une suite consécutive d'arcs est appelée un chemin
Circuit : Un chemin qui se ferme sur lui même
Ordre du graphe : Nombre de sommets ou nœuds

Ronan CARDIN
Parcours dans un graphe
Chaîne : (u2, u5, u6, u4) u3

A B u4
Cycle : (u4, u6, u7)
u1 u2 u6
Chemin : (u1, u3, u4, u7) C
Circuit : (u1, u3, u6, u5) E

u5
D u7
• Longueur d'un parcours

• Parcours simple, élémentaire,
hamiltonien, eulérien Problème de tournées de véhicules

Ronan CARDIN
Chaîne eulérienne et cycle hamiltonien
A B A B
C D E
C D E F G
Chaîne eulérienne Cycle hamiltonien

Une chaîne d'un graphe est dite Un cycle d'un graphe est dit
eulérienne si elle contient toutes les hamiltonien s'il passe une fois et une
arêtes une fois et une seule (Ex : seule, par chacun des sommets
A,C,D,A,B,D,E,B) (Ex : A, B, E, G, D, F, C, A).
Un graphe est semi-eulérien s'il
contient une chaîne eulérienne.

Ronan CARDIN
Définitions (suite)
Longueur d'un chemin : Nombre de ses arcs

Boucle : Arête de la forme (x,x), o bien un circuit de longueur = 1
Arêtes parallèles : Arêtes distinctes joignant la même paire de
sommets
Degré d'un sommet ou nœud : Nombre d'arêtes ayant une extrémité
sur lui (les boucles sont exclues)
Densité d'un graphe : Nombre d'arêtes divisé par le nombre de
sommets au carré

Ronan CARDIN
Définitions (suite)
Forêt : Un graphe sans cycle est appelé une forêt

Graphe connexe : Un graphe G = (X,U) est connexe si, quelque soit i,j
∈ X, il existe une chaîne de i à j.
Graphe fortement connexe : Un graphe G = (X,U) est fortement
connexe si, quelque soit i,j ∈ X, il existe un chemin de i à j.
Arbre : Un graphe connexe sans cycle
Arborescence (dans un graphe orienté) : Depuis un sommet nommé r
(racine), il existe un chemin (un seul) vers tout autre sommet. Chaque
sommet a un seul précédent (sauf la racine)

Ronan CARDIN
Exemples
2 3 2 3 2 3
1 6 1 6 1 6
4 5 4 5 4 5
Graphe non connexe Graphe connexe Graphe fortement connexe

mais pas fortement
2 3 2 3 2 3
1 6 1 6 1 6
4 5 4 5 4 5
Cycle Circuit Arbre

Ronan CARDIN
Réseaux
Un réseau est un graphe, pour lequel des valeurs numériques ont été
associées aux nœuds et/ou aux arcs
• Longueur d'une route
• Capacité d'un tuyau
• Nombre de personnes habitants en un endroit
• Flot de véhicules empruntant une autoroute
• Etc.
On supposera qu'il existe au plus un seul arc reliant deux nœuds dans
une même direction (pas d’arêtes parallèles)

Ronan CARDIN
Applications
Entrepôts - Magasins Transbordement Chaîne d'approvisionnement
Gestion de projets et planification Planification et financement.

Ronan CARDIN
Flots et capacités
Les arcs peuvent être soumis à des contraintes de flots et à des coûts
unitaires de flot
mij : Flot minimum sur l'arc (i;j)
( mij ; Mij )
Mij : Flot maximum sur l'arc (i;j) i j
( Cij )
Cij : Coût unitaire de passage sur l'arc (i;j)
Émetteurs et récepteurs :
On indique habituellement la capacité d'un sommet émetteur à fournir des
entités sur l'arc le précédant (Source). Cet arc est virtuel, car aucun flot n'y
circule. Même chose pour les sommets récepteurs (Destination).
( mS ; MS ) ( mD ; MD )
S … … D
Sommet émetteur (source) Sommet récepteur (destination)

Ronan CARDIN
Calcul du flot
À un sommet de transbordement,
il y a conservation du flot : FNI = FNE
Nœud
Arc
F T A
(mGU;MGU)
G U C
CGU
Sommet émetteur Sommet de transbordement Sommet récepteur
Flot Net Incident FNI(i) = (Flot total incident - Flot total émergeant), au sommet i
Flot Net Émergeant FNE(i) = (Flot total émergeant - Flot total incident), au sommet i
Flot minimum mij = Flot minimum sur l'arc(i;j)
Flot maximum Mij = Flot maximum sur l’arc(i;j)
Coût de passage Cij = Coût unitaire de passage sur l’arc(i;j)

Ronan CARDIN
Exemple : Nitrobec
Objectif : Minimiser le coût des transports
Deux fournisseurs de matière première (nitrocellulose)
Deux usines fabricant des explosifs
Trois arsenaux Entités circulant sur le réseau : tonnes de produits
Hypothèse : 1 t de nitrocellulose ➔ 1 t d'explosifs
Fournisseurs Usines Arsenaux
A
F T
Transport de Transport
nitrocellulose d'éxplosifs
B
G U
C

Ronan CARDIN
Nitrobec : contraintes
Contraintes techniques :
Nitrocellulose : quantités disponibles (en t) et couts de transport (en $/t)
Fournisseur Quantité disponible Coût vers l’usine T Coût vers l’usine U
F 450 9 10
G 495 8 11
Coûts de transport (en $/t) et demande (en t)
Usine Arsenal A Arsenal B Arsenal C
T 14 5 6
U 17 6 5
Demande 350 200 395

Ronan CARDIN
Nitrobec : contraintes
Contraintes techniques :
Limites de poids (en t/mois) sur les routes usine-arsenal
Usine Arsenal A Arsenal B Arsenal C
T 170 180 190
U 200 150 250
Coûts de transport interarsenaux (en $/t)
Arsenal A B C
A - 3 -
B 3 - 2
C - 2 -

Ronan CARDIN
Modèle complet
(350;350)
) A
(0;170
(450;450) 14
F 9 T (0;180 3
)
5 (200;200)
B
)
(0;150 6
(495;495)
G U (0;25
2
11 0)
(395;395)
C

Ronan CARDIN
Pour chaque arc(i;j), on détermine une variable xij qui donne la valeur
du flot sur l'arc(i;j)
A
(mij;Mij) Fonction objectif F T
i j
Cij B
mij ≤ xij ≤ Mij G U
Exemple de bilan de flot

Flot net émergeant de T : FNE(T) = (xTA+xTB+xTC) - (xFT+xGT)
Flot net incident de T : FNI(T) = (xFT+xGT) - (xTA+xTB+xTC)
Donc, FNE(T) = -FNI(T)
Pour les nœuds de transbordement : FNE = FNI = 0

Ronan CARDIN
Modèle linéaire
Objectif : Min Z = 9xFT +10xFU +...+14xTA +5xTB +...+3xBA +2xBC +2xCB
Contraintes :
xFT + xFU = 450
Disponibilité de MP
xGT + xGU = 495
xTA +xTB +xTC –xFT –xGT =0
Transbordement
xUA +xUB +xUC –xFU –xGU =0
–xAB +xTA +xUA +xBA =350
–xBA –xBC +xTB +xUB +xAB +xCB =200 Satisfaction de la demande
–xCB +xTC +xUC +xBC =395
xTA ≤ 170 ; xTB ≤ 180 ; xTC ≤ 190
Limites de poids
xUA ≤ 200 ; xUB ≤ 150 ; xUC ≤ 250
xij ≥ 0 pour tous les arcs du réseau

Ronan CARDIN
Solution
Coûts Coefficients des coûts à minimiser dans Z
Coefficients (cij) 0 0 9 10 8 11 14 5 6 17 6 5 3 3 2 2 0 0 0
Contraintes de conservation du flotArcs ij (les « . » représentent les sources et les destinations)

Bilan
Sommet initial (i) . . F F G G T T T U U U A B B C A B C
sommet
Sommet fina (j) F G T U T U A B C A B Matrice
C B d’incidence
A C B: coefficients
. . . de « direction » indiquant si l'arc ij
Sommet F 1 -1 -1 génère un flot émergeant (-1) ou incident 0 (1). Ex: pour le sommet G,
Sommet G 1 -1 -1 l'arc « . G » génère un flot incident et les0 arcs « GT » et « GU »
Sommet T 1 1 -1 -1 -1 génèrent un flot émergent. 0
Sommet U 1 1 -1 -1 -1 0
Sommet A 1 1 -1 1 -1 0
Sommet B 1 1 1 -1 -1 1 -1 0
Sommet C 1 Bilan
1 par sommet 1 : -1
FNE = FNI ; -1la somme
0 des quantités « dirigées »
pour un sommet doit être égale à zéro. Ex: pour le sommet U,

Contraintes techniques (bornes sur le flot (1*xFU)
des arcs) + (1*xGU) + (-1*xUA) + (-1*xUB) + (-1*xUC) = 0
Bornes inférieures 450 495 0 0 0 0 0 0 0 0 0 0 0 0 0 0 350 200 395
Bornes supérieures 450 495 . . . . 170 180 190 200 150 250 . . . . 350 200 395
Contraintes capacitaires, de poids et de demande
Quantités envoyés par chaque arc (variables de décision)
Variable (xij) Zone des variables de décision qui seront modifiées par le solveur
Fonction économique coût associé à la quantité de tonnes envoyées par l'arc ij = xij*cij
coût par arc 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Fonction objectif 0
Fonction objectif = Min ∑(xij*cij)

Ronan CARDIN
Solution
Coûts
350
Coefficients (cij) 0 0 9 10 8 11 14 5 6 17 6 5 3 3 2 2 0 0 0 A
170
Contraintes de conservation du flot 14
Sommet 450 45 Bilan
initial (i)
Sommet fina (j)
.
F
F .
G
F
T
F
U
G
T
G
U9
T
A
T
B
T
C
U
A
T U
B
U
C
A
B
B B
1A80 C
C
B
A
.
B
.
C
sommet
.175 3
Sommet F 1 -1 -1 0
Sommet G 1 -1 -1 0
5 200
Sommet T
Sommet U
1
1
1
1
-1 -1 -1
-1 -1 -1
0
B0
Sommet A 1 1 -1
1150 -1 6 0
Sommet B 1 1 1 -1 -1 1 -1 0
495 0
Sommet C G 11
1 U 1 1 -1 -1
45 02
250
Contraintes techniques (bornes sur le flot des arcs)
Bornes inférieures 450 495 0 0 0 0 0 0 0 0 0 0 0 0 0 0 350 200 395
395
Bornes supérieures 450 495 . . . . 170 180 190 200 150 250 . . . . 350 200 395 C
Quantités envoyés par chaque arc (variables de décision)
Valeur de la variable
450 495 45 405 495 0 170 180 190 5 150 250 0 175 0 45 350 200 395
(xij)
Fonction économique
coût par arc 0 0 405 4050 3960 0 2380 900 1140 85 900 1250 0 525 0 90 0 0 0
Fonction objectif 15685
Coût optimal = $ 15 685

Ronan CARDIN
Séance 5
Programmation en nombres entiers
et optimisation combinatoire
124
Programmation
en nombres
entiers et
optimisation
combinatoire
125
Optimisation en nombres entiers
Un problème d'optimisation en nombres entiers est un problème
d'optimisation dont toutes les variables sont contraintes à ne prendre
que des valeurs entières.
Variables discrètes : nombre d'objets à considérer, nombre d'actions à
effectuer, etc.
• Nombres de vélos à installer sur le campus.
• Nombres d'ouvriers à affecter à un chantier.
Variables binaires (0/1) : oui / non, allumer / éteindre, etc.
• Utiliser la voiture ou pas.
• Construire un pont ou pas.
• Allumer la climatisation ou pas.

Ronan CARDIN
Optimisation mixte en nombres entiers
Un problème d'optimisation mixte en nombres entiers (MILP*) est un

problème d'optimisation dont certaines variables sont contraintes à ne
prendre que des valeurs entières.
Mobilité :
• Décision binaire : acheter une seconde voiture ou non.
• Décision continue : nombre de kilomètres à effectuer.
Energie :
• Décision binaire : installer une nouvelle chaudière électricité / gaz.
• Décision continue : quantité de gaz à brûler.
* Mixed integer linear programming

Ronan CARDIN
Formalisation
Problème d'optimisation linéaire en Problème d'optimisation linéaire
nombres entiers (PLNE) binaire (PLB)
Min ou Max Min ou Max
Soumise à Soumise à
xj ≥ 0 , bi ≥ 0 xj ≥ 0 , bi ≥ 0
xj entiers xj ∈ {0, 1}

Ronan CARDIN
Qu'en pensez-vous ?
Combien faut-il de temps à un groupe de 8 amis, prenant en
commun 2 repas par jour, pour épuiser les diverses possibilités de
se grouper autour d'une table?
AMI 2 AMI 3 AMI 4
AMI 1 TABLE AMI 5
AMI 8 AMI 7 AMI 6

Ronan CARDIN
Qu'en pensez-vous ?
8 ! = 40320 possibilités
40320 ÷ ( 2 repas par jour * 365 jours par an ) = 55.2 ans
AMI 2 RIP RIP
RIP VIELLE TABLE ! AMI 5
AMI 8 AMI 7 ENEMI

Ronan CARDIN
Méthodes exactes vs approchées
Méthodes exactes : obtention d’un optimum avec certitude
• Techniques de séparation et évaluation progressive (Branch and Bound)
• Programmation linéaire en nombres entiers
• Programmation dynamique
Méthodes approchées : obtention d’une solution de bonne qualité en un temps de
calcul raisonnable sans garantir son optimalité
Heuristiques : dédiées aux problèmes
Méta-heuristiques : méthodes génériques avec un canevas de programme à adapter
• Recuit simulé
• Méthode tabou
• Algorithme génétique
• Colonie des fourmis
• Etc.

Ronan CARDIN
C’est mieux une méthode exacte, mais…
Avantages : Fournissent la (ou les) solution(s) optimale(s)
• Énumèrent les solutions de manière implicite
• Souvent basées sur une structure d'arbre
Faiblesses : temps et espace mémoire
• Difficulté pour résoudre des problèmes de taille réelle
Taille
Complexité d’un algorithme : 20 50 100 1000

Temps de calcul, espace mémoire 103 n 0.02 s 0.05 s 0.1 s 1s
≈ Nombre d’itérations à effectuer 103 n log2n 0.09 s 0.3 s 0.6 s 10 s

Complexité
100 n2 0.04 s 0.25 s 1s 3 min

avant d’identifier la solution
10 n3 0.02 s 1s 10 s 3h
optimale 2n 1s 36 ans --- ---
3n 58 min 2*1011 ans --- ---
*n = taille des données d’un problème n! 77100 ans --- --- ---

Ronan CARDIN
Illustration graphique
Exemple : X2
Max Z = 5 x1 + 4 x2
S.c. x1 + x2 ≤ 5
10 x1 + 6 x2 ≤ 45
x1 , x2 ≥ 0 , entiers
LP :
x1 = 3.75
x2 = 1.25
Z = 23.75
X1

Ronan CARDIN
Méthodes de Branch-and-Bound (B&B)
Aussi appelée méthode de Séparation et d'Évaluation Progressive

(SÉP) est une méthode générale pour résoudre, de manière exacte,
les modèles linéaires en nombres entiers.
Elle est basée sur une énumération « intelligente » (arborescence) des solutions
admissibles.
Idée : prouver l’optimalité d’une solution en partitionnant l’espace des solutions
• « Diviser pour régner »
• Application à la programmation linéaire en nombres entiers : utilise toute la
puissance de la programmation linéaire pour déterminer de bonnes bornes.
On appelle relaxation linéaire d’un programme linéaire en nombres entiers le
programme linéaire obtenu en supprimant les contraintes d’intégralité sur les
variables.

Ronan CARDIN
Démarche Branch & Bound
1. Résoudre la relaxation linéaire
2. Brancher sur une variable non entière (à choisir) → 2 sous problèmes
3. Diviser à nouveau un nœud fils en deux (≠ choix possibles)
4. Continuer à séparer sur les nœuds dont la valeur est > à la borne
inférieure jusqu’à ce qu’il n’y ait plus de branchement possible
On coupe une branche si

• La relaxation linéaire n’a pas de solution
• la relaxation linéaire donne une solution entière
• la valeur de la borne supérieure est inferieure à la valeur de la meilleure
solution entière obtenue
Note : On ne peut rien couper tant qu’on n’a pas de solution disponible

Ronan CARDIN
Application de la méthode B&B
LP0
X2
X1 = 3.75 X2 = 1.25
Z = 23.75
X1 ≤ 3 X1 ≥ 4
LP1 LP2
X1 = 3 X2 = 2 X1 = 4 X2 = 0.83
Z = 23 Z = 23.44
X1
X2 La valeur de la solution de LP , z = 23.75 est une

borne supérieure sur la valeur de la solution
optimale Z*.
La solution de LP1 est une solution admissible de

Z et donc z = 23 est une borne inférieure sur la
valeur de Z*.
X1

Ronan CARDIN
Application de la méthode B&B
LP0
X1 = 3.75 X2 = 1.25
Le nœud correspondant peut être
Z = 23.75
éliminé vu qu’une solution entière
X1 ≤ 3 X1 ≥ 4
optimale satisfaisant x1 ≤ 3 a été
LP1 LP2
trouvée (solution de LP1).
X1 = 3 X2 = 2 X1 = 4 X2 = 0.83
Z = 23 Z = 23.44
Vu que tout les coefficients sont X2 ≤ 0 X2 ≥ 1
entiers, on peut en déduire que la LP3 LP4
valeur de la solution optimale de Z est X1 = 4.5 X2 = 0 --- ---
inférieure ou égale à 23. Z = 22.5 Pas de solution
X1 ≤ 0 X1 ≥ 5
La solution de LP1est donc optimale LP5 LP6

X1 = 4 X2 = 0 --- ---
pour Z, on a donc Z* = 23.
Z = 20 Pas de solution

Ronan CARDIN
Exemple : affectation des taches
A B C D
Simon 8 3 1 5
Virginie 11 7 1 6
Ronan 7 8 6 8
On doit affecter quatre tâches (A, B, C, D) à trois opérateurs (Simon,

Virginie et Ronan), chacun ayant noté par ordre de préférence leur
vœux (1 étant le plus souhaité).
• Borne inférieure : coût de l'affectation des autres opérateurs à la tâche la
plus souhaitée sans respecter les contraintes.
• Stratégie d'exploration progressive.

Ronan CARDIN
Affectation B&B Simon
A
8
B
3
C
1
D
5
Virginie 11 7 1 6
Ronan 7 8 6 8
Objectif : minimisation du coût total

S0
S1 S2 S3 S4
Simon A Simon B Simon C Simon D
B.inf = 15 B.inf = 10 B.inf = 8 B.inf = 12
B.inf = le coût de l’affectation actuelle + les coûts les plus faibles des autres affectations
S1 : Simon→A : 8+1+6 = 15 A B C D
S2 : Simon→B : 3+1+6 = 10 Simon 8 3 1 5
S3 : Simon→C : 1+1+6 = 8 Virginie 11 7 1 6

Ronan 7 8 6 8
S4 : Simon→D : 5+1+6 = 12

Ronan CARDIN
Exemple : affectation Simon
A
8
B
3
C
1
D
5
Virginie 11 7 1 6
Ronan 7 8 6 8
S0
S1 S2 S3 S4
Simon A Simon B Simon C Simon D
B.inf = 15 B.inf = 10
✔ B.inf = 8
✔ B.inf = 12
S8 S9 S10 S5 S6 S7
Virg A Virg C Virg D Virg A Virg B Virg D
B.inf = 20 B.inf = 10
✘ ✔ B.inf
✘
= 15 B.inf = 18
✘
B.inf = 14
✘
B.inf = 13
✘
S11
Au vue des bornes minimales des sous-ensembles. Il existe une
Ron A
seule solution optimale : Simon à B, Virginie à C et Ronan à A.
B.inf = 11
✔ Cette affectation coûte 11.

Ronan CARDIN
Heuristiques et
Méta-
Heuristiques
141
Méthodes Heuristiques
Ne fournissent pas nécessairement une solution optimale pour un

problème d'optimisation donné.
Une bonne heuristique :
• est de complexité raisonnable ;
• fournit le plus souvent une solution proche de l'optimum ;
• a une faible probabilité d'obtenir une solution de mauvaise qualité ;
• est simple à mettre en œuvre.
Une heuristique est souvent conçue pour résoudre un type de
problème donné
Avantage : contrôle du temps de calcul

Ronan CARDIN
Méta-heuristiques
Méthodes générales qui peuvent être adaptées à divers problèmes
d'optimisation. Généralement stochastiques et inspirées par des
analogies. Nous identifions deux grandes catégories :
Les méthodes de recherche locale Les méthodes évolutionnistes (ou à

(ou à parcours) : travaillent sur une population) : inspirées de la biologie
solution et essayent de l'améliorer et de l'éthologie, travaillent sur un
ensemble de solutions

Ronan CARDIN
Méthodes de recherche locale
Basées sur une fonction de voisinage et un mécanisme de parcours.

Voisinage d'une solution s, noté N(s) : composé de solutions proches
de s en terme de codage.
Ex : s = ABCDE, alors, N(s) = { BACDE, CBADE, DBCAE, EBCDA }.
Mécanisme de parcours du voisinage : toute procédure qui précise
comment la recherche passe d'une configuration s ∈S à une
configuration s' ∈N(s).
1 2 Remplacer la configuration 3
Choisir une Vérifier le critère d’arrêt
courante par une voisine en
configuration (itérations ou amélioration)
tenant compte de la fonction
initiale ensuite finir ou revenir à 2
objectif

Ronan CARDIN
Méthodes évolutionnistes
Inspirées de processus naturels, elles travaillent sur un ensemble de
solutions potentielles.
Découlent du concept de la sélection Création de la population
naturelle de Charles Darwin :

• Environnement et/où ressources limités Evaluation et Sélection ✘ ✘
• Compétition entre les individus d'une
même population pour leur survie Reproduction
• Survie d'un individu dépend de sa

capacité d'adaptation (fitness par Mutation
rapport à la fonction objectif)
• Les individus les plus aptes auront un Non Oui
Fin
taux de reproduction plus élevé ?
Résultats
✔

Ronan CARDIN
Mécalux
Variables de décision : ordre de passage par le poste

Liste d'ordres de fabrication (durées en jours)
OF Durée du montage Temps disponible
1 9 32
2 7 29
3 8 22 Durée cumulée pour l’ordre choisi, cette durée
4 18 21
5 9 37 represente le « temps auquel on finit l’OF »
6 6 28
OF à traiter Durée Durée cumulée Temps disponible Rétard
1 9 9 32 0 Retard sur chaque OF : si la dureé cumulée est
2 7 16 29 0 supérieures au temps disponible, alors le retard est
3 8 24 22 2
4 18 42 21 21 égale à la différence des deux
5 9 51 37 14
6 6 57 28 29
Fonction Objectif
Retard total 66 Fonction objectif : minimiser le retard total

Ronan CARDIN
Mécalux
Contrainte « alldifferent » : toutes les valeurs sont Algorithme évolutionniste : paramètres sur la taille de
entières et différentes la population et le critère d’arrêt à définir (options)

Ronan CARDIN
Problème du sac à dos
Un randonneur prépare son sac à dos pour partir en

excursion. Il veut éviter d'avoir un sac trop lourd et décide de
se limiter dans le choix des objets qu'il emporte. Cependant, il
veut emporter le maximum de choses utiles.
Pour cela, il affecte une valeur quantitative à chaque objet en
plus de son poids (plus la valeur est importante, plus le
randonneur juge l'objet important).
Le problème peut donc se formuler de la manière suivante:

trouver l'ensemble des objets dont la somme des utilités est
maximum tout en ne dépassant pas un poids fixe.

Ronan CARDIN
Problème d'affectation
Des modifications de postes sont effectuées dans une

entreprise.
Plusieurs personnes doivent être affectées à de nouveaux
postes. Ainsi, chacun classe par ordre de préférences les
postes qu'il veut occuper.
Le problème ici consiste à attribuer à chaque personne un

poste tout en essayant de satisfaire au mieux le souhait de
chacun.

Ronan CARDIN
Problème du voyageur de commerce
• Un voyageur de commerce doit démarcher dans un

certain nombre de villes.
• Il connaît, bien entendu, la distance qui sépare les villes
entre elles.
• Cependant, le voyageur de commerce veut perdre le
moins de temps possible dans ses déplacements.
Le problème est donc de trouver un chemin qui passe par

toutes les villes une et une seule fois et qui soit le plus court
possible.

Ronan CARDIN
CONCLUSION

Ronan CARDIN
PROGRAMMATION LINÉAIRE
16000
BÉNÉFICE
14000
12000
10000
8000
6000
4000
2000 220
0 200
180
160 160
140 140
120 120
100 100
80 80
60 60
40 40
UNITÉS PRODUIT 2 (x2) 20 20 UNITÉS PRODUIT 1 (x1) MÉTHODE GRAPHIQUE
0
MÉTHODE ALGEBRIQUE
SIMPLEXE

Ronan CARDIN
OPTIMISATION NON-LINÉAIRE LISSE
FONCTION OBJECTIF
VARIABLE DE DÉCISION 1 VARIABLE DE DÉCISION 2
GRG
MÉTHODES DE GRADIENT
ALGORITHME DE LA PLUS FORTE PENTE

Ronan CARDIN
FONCTION OBJECTIF
OPT. COMBINATOIRE - DISCRÈTE
MÉTHODES EXACTES
(BRANCH AND BOUND, FORCE BRUTE)
HEURISTIQUES ET MÉTAHEURISTIQUES
ALGORITHMES GÉNÉTIQUES

Ronan CARDIN
OPT. NOMBRES ENTIERS
FONCTION OBJECTIF

(CONTINUE) (ENTIÈRE)
MÉTHODES EXACTES
(BRANCH AND BOUND, FORCE BRUTE)
RELAXATION LINÉAIRE + SIMPLEXE

Ronan CARDIN
BILAN (1/2)
DÉFINITION A POSTERIORI
• RO = Ensemble des domaines scientifiques, des outils et des
problèmes touchant aux questions d'ordre décisionnel ou
d'optimisation de systèmes complexes.
IMPORTANCE DE LA MODÉLISATION
• L'expression systèmes complexes est à prendre ici au sens le
plus littéral du terme, c'est-à-dire difficile à comprendre pour un
individu sans l'aide d'un modèle et/ou d'un ordinateur.
• Les problèmes sont rendus complexes par leur dimension et/ou par
leur structure.

Ronan CARDIN
BILAN (2/2)
ENJEUX OPPORTUNITÉS
Entreprises • Domaine scientifique assez
• Améliorer la compétitivité des peu connu en France
entreprises • Mais très accessible et de
grande application pour la
• Innover
gestion industrielle et
Domaine Politique logistique
• Meilleures décisions • Discipline en pleine révolution
stratégiques et tactiques • Résolution de problèmes qu’on
Environnement n’imaginait pas il y a 20 ans !
• Meilleure gestion des • Domaines d’application en
ressources expansion

Ronan CARDIN
POUR UN AUTRE COURS
• Optimisation multi-objectif
• Front de Pareto
• Problèmes non-déterministes
• Processus stochastiques
• Monte-carlo
• Chaînes de Markov
• Optimisation robuste
• Considération de différents scenarii
• Théorie des jeux

Ronan CARDIN
POUR ALLER PLUS LOIN
OPTIMISATION LINÉAIRE OPT. COMBINATOIRE
"Méthodes d'optimisation pour la gestion, 2e "Optimisation combinatoire : Théorie et
édition", Roch OUELLET Régis PARENT & Yves algorithmes", Bernhard KORTE, 2009, Springer
NOBERT, 2016, Chenelière Education, ISBN13 : Verlag, ISBN-13 : 978-2287990366.
9782765051664.
"Combinatorial Optimization", William J. COOK,
THÉORIE DES GRAPHES William H. CUNNINGHAM, William R.
"Graph Theory: Modeling, Applications, and PULLEYBLANK & Alexander SCHRIJVER, 1997,
Wiley-Interscience, ISBN-13 : 978-0471558941.
Algorithms", Geir AGNARSSON & Raymond
GREENLAW, 2006, Pearson, ISBN-13 :
978-0131423848. NOMBRES ENTIERS
"Optimization Over Integers", Dimitris
OPTI. NON LINÉAIRE LISSE BERTSIMAS & Robert WEISMANTEL, 2005,
"Méthodes Numériques : Algorithmes, analyse Dynamic Ideas, ISBN-13 : 978-0975914625.
et applications", Alfio QUARTERONI, Riccardo
SACCO & Fausto SALERI, 2006, Springer Verlag,
ISBN-13 : 978-884700495.

Ronan CARDIN

Cours Recherche Opérationnelle - RC

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Recherche Opérationnelle - RC

Transféré par

Droits d'auteur :

Formats disponibles

MATHÉMATIQUES ET APPLICATIONS

Ronan CARDIN Agrégé Génie Mécanique

À la fin du cours (5 séances) vous serez capable de :

Ce cours a été réalisé en collaboration avec Mr TAMAYO PhD Mines

2 Mathématiques et Applications de Recherche Opérationnelle

3 Mathématiques et Applications de Recherche Opérationnelle

NOBERT Yves, OUELLET Roch et PARENT Régis, La recherche opérationnelle,

5 Mathématiques et Applications de Recherche Opérationnelle

6 Mathématiques et Applications de Recherche Opérationnelle

Isaac Newton Ford Whitman Harris George Dantzig

9 Mathématiques et Applications de Recherche Opérationnelle

Ensemble des méthodes et des techniques quantitatives d'analyse et

• Branche des mathématiques appliquées

10 Mathématiques et Applications de Recherche Opérationnelle

11 Mathématiques et Applications de Recherche Opérationnelle

12 Mathématiques et Applications de Recherche Opérationnelle

30 sites d'implantation possibles :

• 17 100 720 solutions !

13 Mathématiques et Applications de Recherche Opérationnelle

Taux de service d'une plateforme

Stats sur l'arrivée des Stats sur le temps de

Quel est le nombre de quais à ouvrir pour qu'il soit peu

14 Mathématiques et Applications de Recherche Opérationnelle

Pour un même produit, nous... et un concurrent

Quelle politique de vente adopter ?

15 Mathématiques et Applications de Recherche Opérationnelle

16 Mathématiques et Applications de Recherche Opérationnelle

Représentation mathématique d'un phénomène physique,

17 Mathématiques et Applications de Recherche Opérationnelle

18 Mathématiques et Applications de Recherche Opérationnelle

Niveau de détail des « données » : Stratégique / tactique / opérationnel

Aspect aléatoire des données :

19 Mathématiques et Applications de Recherche Opérationnelle

Positionnement d'une antenne

Où placer la nouvelle antenne ?

20 Mathématiques et Applications de Recherche Opérationnelle

Client Coord. Heures

21 Mathématiques et Applications de Recherche Opérationnelle

Client Coord. Heures A1(-5,10)

22 Mathématiques et Applications de Recherche Opérationnelle

Mission : désamorcer une bombe nucléaire sur un yacht

James Bond pourra-t-il sauver le monde libre?

23 Mathématiques et Applications de Recherche Opérationnelle

24 Mathématiques et Applications de Recherche Opérationnelle

25 Mathématiques et Applications de Recherche Opérationnelle

26 Mathématiques et Applications de Recherche Opérationnelle

Fonctions convexes Fonctions non-convexes

Méthodes d'optimisation convexe Méthodes d'optimisation globale (GO)

Problèmes Contraintes Fonctions Programmation

PL : Z = 75 X1 + 50 X2 + 35 X3 Z = 75 X1 + 50 X2 + 35 X3 Z = 2 X12 + X23 + log X3 Z = 75 X1 + 50 X2 + 35 X3 Z = F(x) s.c. x ∈X

Méthodes d'exploration linéaire Méthodes de décente Méthodes d'optimisation combinatoire

27 Mathématiques et Applications de Recherche Opérationnelle

28 Mathématiques et Applications de Recherche Opérationnelle

29 Mathématiques et Applications de Recherche Opérationnelle

La fabrication des chapeaux passe par deux ateliers A et B

Combien je dois fabriquer de chapeaux le mois prochain si je suis

30 Mathématiques et Applications de Recherche Opérationnelle

31 Mathématiques et Applications de Recherche Opérationnelle

Une caisse de pamplemousses occupe 2 fois plus d’espace qu’une caisse

32 Mathématiques et Applications de Recherche Opérationnelle

Combien faut-il mettre de chacun des ingrédients disponibles dans

Un industriel se voit proposer en début de mois 4 liquides A, B, C, D

Prix de vente $/L:

10 Tuyaux (x1) + 5 Robinets (x2) <= 200