Académique Documents
Professionnel Documents
Culture Documents
sabitakoudaniel11@gmail.com/ 66 46 48 76
1
I-Objectif général
Cette UE permet à l’étudiant de connaître et d’appliquer les notions de la recherche opéra-
tionnelle pour l’ingénierie.
II-Objectifs spécifiques
A la fin de cette UE, l’apprenant sera capable :
- de décrire un processus de décisions séquentielles typique : ces composants, un système dy-
namique à temps discret et une fonction coût additive dans le temps, les différentes étapes de la
gestion d’un tel processus, l’objectif recherché et le calcul d’une politique de décision optimale.
- d’utiliser le formalisme présenté pour modéliser un processus de décisions séquentielles.
- d’expliquer le principe général de l’algorithme de programmation dynamique et de le justifier
grâce au principe d’optimalité de Bellman.
- de calculer les tables optimales pour de petits problèmes et savoir les utiliser pour déterminer
une politique optimale ou une suite de décisions optimales.
F
- de savoir expliquer les particularités des programmes dynamiques déterministes: solution op-
ES
timale donnée par une suite de décisions optimales, formulation en avant et en arrière, relation
aux problèmes de plus courts chemins. - de connaître les trois grandes classes de performances
pouvant être optimisées à l’aide de la programmation dynamique, ainsi que les formes associées
des relations de récurrence.
III-Pré-requis
Analyse et Algèbre, Mathématique appliquée, Géométrie analytique et vectorielle.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Bibliography
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Table des matières
2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Formulation d’un programme linéaire . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4 Cas particuliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
TABLE DES MATIÈRES 4
5 ORDONNANCEMENT MPM-PERT 63
5.1 MPM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.1.1 Construction du graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.1.2 Calendrier au plus tôt . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1.3 Calendrier au plus tard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.1.4 Marges totales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.1.5 Marges libres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.2 PERT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.2.1 Construction du graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2.2 Calendrier au plus tôt des étapes . . . . . . . . . . . . . . . . . . . . . . 75
5.2.3 Calendrier au plus tôt des tâches . . . . . . . . . . . . . . . . . . . . . . 76
5.2.4 Calendrier au plus tard des étapes . . . . . . . . . . . . . . . . . . . . . . 76
5.2.5 Calendrier au plus tard des tâches . . . . . . . . . . . . . . . . . . . . . . 77
5.2.6 Marges totales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
F
5.2.7 Marges libres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
ES
6 PERT probabiliste 83
6.1 Flot dans un réseau de transport . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.2 Différents temps utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.3 Probabilité de tenir le délai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Chapitre Premier
INTRODUCTION A LA RECHERCHE
OPERATIONNELLE
1.1 Introduction
La recherche opérationnelle (aussi appelée aide à la décision) peut être définie comme
l’ensemble des méthodes et techniques rationnelles orientées vers la recherche de la meilleure
façon d’opérer des choix en vue d’aboutir au résultat visé ou au meilleur résultat possible. Elle
fait partie des aides à la décision dans la mesure où elle propose des modèles conceptuels
F
en vue d’analyser et de maitriser des situations complexes pour permettre aux décideurs de
ES
comprendre et d’évaluer les enjeux et d’arbitrer et/ou de faire les choix les plus efficaces. Le
domaine fait largement appel au raisonnement mathématique ( logique, probabilités, analyse
de données ) et à la modélisation des processus. Il est fortement lié à l’ingénierie des systèmes,
ainsi qu’au management du système d’information.
1.2 Historique
Dès le XV II e siècle, des mathématiciens comme Blaise Pascal tentent de résoudre des prob-
lèmes de décision dans l’incertain avec l’espérance mathématique. D’autres, au XV III e et
XIX e siècle, résolvent des problèmes combinatoires. Au début du XX e siècle, l’étude de la
gestion de stock peut être considérée comme étant à l’origine de la recherche opérationnelle
moderne avec la formule du lot économique (dite formule de Wilson) proposée par Harris en
1913. Mais ce n’est qu’avec la Seconde Guerre mondiale que la pratique va s’organiser pour la
première fois et acquérir son nom. En 1940, Patrick Blackett est appelé par l’état-major anglais à
diriger la première équipe de recherche opérationnelle, pour résoudre certains problèmes tels que
l’implantation optimale de radars de surveillance ou la gestion des convois d’approvisionnement.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Types de problèmes traités 6
énumération par un ordinateur, les décideurs sont régulièrement confrontés à des problèmes
infiniment plus complexes, où le nombre de solutions acceptables se compte en milliards de
milliards (voir explosion combinatoire). Un problème est dit aléatoire s’il consiste à trouver
une solution optimale face à un problème qui se pose en termes incertains. Exemple typique :
connaissant la distribution aléatoire du nombre de personnes entrant dans une administration
communale en une minute et la distribution aléatoire de la durée de traitement du cas d’une
personne, déterminer le nombre minimum de guichets à ouvrir pour qu’une personne ait moins
de 5% de chances de devoir attendre plus de 15 minutes. Un problème est dit concurrentiel
s’il consiste à trouver une solution optimale face à un problème dont les termes dépendent de
l’interrelation entre ses propres agissements et ceux d’autres décideurs. Exemple typique : fixer
une politique de prix de vente, sachant que les résultats d’une telle politique dépendent de la
politique que les concurrents adopteront.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Applications pratiques 7
opérationnelle a aussi des applications dans le domaine de l’énergie. Elle est couramment util-
isée dans l’industrie pétrolière, principalement dans l’établissement des plans de production,
l’approvisionnement des bruts, l’utilisation des unités de raffinage, et le choix des canaux de
distribution les plus rentables. De même, les opérateurs du Marché de l’électricité font large-
ment appel à la recherche opérationnelle tant pour des problèmes stratégiques (par exemple des
investissements sur le réseau) que pour des questions plus opérationnelles (stabilité du réseau,
prévisions· · · ). Pour plus de détails, voir Plans d’approvisionnement, de production et de dis-
tribution du pétrole Les applications dans le domaine de l’informatique sont très nombreuses
elles aussi. On peut citer, entre autres, le choix de la localisation et du nombre de serveurs à
mettre en place, de la capacité de stockage, de la puissance de calcul et du débit du réseau,
le choix d’une architecture informatique (application centralisée / distribuée, traitements en
temps réel ou en différé, réseau maillé ou en étoile, etc.), et l’ordonnancement dans les systèmes
d’exploitation.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Implantation dans le monde des entreprises 8
• Une prise en compte limitée des facteurs pour les questions stratégiques, la réponse
F
pure et parfaite d’une solution mathématique semble rarement applicable de facto.
Même si la recherche opérationnelle intègre beaucoup de facteurs, si certains aspects sont
ES
• Pour des événements peu fréquents L’entreprise ne bénéficie pas de l’effet d’expérience
: d’une fois sur l’autre, le problème concerne un service différent, ou les responsables
ont changé entre deux études. Il est donc difficile d’entretenir les compétences R.O. à
l’intérieur de l’entreprise. Le décideur devra prendre ces différents aspects en compte
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Principales (classes de) méthodes 9
Le décideur devra prendre ces différents aspects en compte lorsqu’il décidera ou non de mettre
en œuvre des modèles de recherche opérationnelle dans son entreprise.
• Simulation informatique: la simulation est souvent employée pour résoudre des problèmes
de RO, notamment dans le milieu non académique.
• Optimisation linéaire et non linéaire: l’optimisation linéaire est très souvent utilisée pour
résoudre des problèmes combinatoires. Elle permet de résoudre très efficacement les prob-
lèmes dans lesquels les variables sont continues. Lorsqu’il y a des variables discrètes,
optimisation linéaire et méthodes arborescentes (voir ci- après) peuvent être combinées.
L’optimisation non linéaire peut aussi être utilisée. La possibilité d’utiliser des contraintes
ou des fonctions objectifs non linéaires offre une puissance de modélisation très impor-
tante mais les algorithmes de résolution des problèmes d’optimisation non linéaire sont
significativement moins efficaces que ceux de l’optimisation linéaire.
• Méthodes arborescentes
Les méthodes de type A∗ ou branch and bound sont couramment utilisées pour trouver
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Principales (classes de) méthodes 10
la solution exacte d’un problème de recherche opérationnelle. Pour une résolution effi-
cace, un soin particulier est apporté au calcul de bornes supérieures ou inférieures pour
la valeur de la solution. La programmation par contraintes permet de mettre en œu-
vre rapidement et efficacement de telles méthodes de recherche arborescente. Plusieurs
bibliothèques (logiciels) d’optimisation commerciales ou non reposent sur cette approche
(ILOG Solver, Chip, Mozart/Oz, FaCiLe). De nombreux logiciels d’optimisation de prob-
lèmes réels utilisent ainsi cette technologie.
• Heuristiques et métaheuristiques
Lorsque la solution optimale ne peut être obtenue en un temps raisonnable, on a souvent
recours à des méthodes approchées de type heuristique ou métaheuristique.
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Chapitre Deux
PROGRAMMATION LINEAIRE :
RESOLTION PAR LA MRTHODE
GRAPHIQUE
2.1 Définitions
On appelle Programmation Linéaire, le problème mathématique qui consiste à optimiser (max-
imiser ou minimiser) une fonction linéaire de plusieurs variables qui sont reliées par des relations
linéaires appelées contraintes. Les problèmes de programmations linéaires sont généralement liés
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Formulation d’un programme linéaire 12
à des problèmes d’allocations de ressources limitées, de la meilleure façon possible, afin de max-
imiser un profit ou de minimiser un coût. Le terme meilleur fait référence à la possibilité d’avoir
un ensemble de décisions possibles qui réalisent la même satisfaction ou le même
profit. Ces décisions sont en général le résultat d’un problème mathématique. La programma-
tion linéaire est définie donc comme étant un cas particulier de la programmation mathématique
pour laquelle la fonction objectif et les contraintes sont linéaires.
Exercice introductif:
de 180 heures.
La marge bénéficiaire est de 1200 F pour une pièce P1 et 1000 F pour une pièce P2 .
Quelle production de chaque type doit-on fabriquer pour maximiser la marge hebdomadaire?
Le problème peut se formaliser de la façon suivante :
variables économiques ou d’activité: ce sont les inconnues
x1 = quantité de pièces P1 à fabriquer
x2 = quantité de pièces P2 à fabriquer
La programmation linéaire comme étant un modèle admet des hypothèses (des conditions)
que le décideur doit valider avant de pouvoir les utiliser pour modéliser son problème. Ces
hypothèses sont :
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Formulation d’un programme linéaire 13
2. Le critère de sélection de la meilleure décision est décrit par une fonction linéaire de ces
variables, c’est à dire, que la fonction ne peut pas contenir par exemple un produit croisé
de deux de ces variables. La fonction qui représente le critère de sélection est dite fonction
objectif (ou fonction économique).
3. Les restrictions relatives aux variables de décision (exemple: limitations des ressources)
peuvent être 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.
Généralement il y a trois étapes à suivre pour pouvoir construire le modèle d’un programme
linéaire :
1. Identifier les variables du problème à valeur non connues (variable de décision) et les
représenter sous forme symbolique (exp. x1 , y1 ).
F
ES
2. Identifier les restrictions (les contraintes) du problème et les exprimer par un système
d’équations linéaires.
• Petite taille: elle contient 2 grains d’aspirine, 5 grains de bicarbonate et 1 grain de codéine.
Formulation du problème en un PL :
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthodologie 14
La prescription doit contenir des pilules avec au moins 12 grains d’aspirine. Sachant qu’une
petite pilule contient 2 grains d’aspirine et qu’une grande pilule contient un seul grain d’aspirine,
on obtient la contrainte suivante : 2x1 + x2 ≥ 12.
De la même façon que pour l’aspirine, la prescription du spécialiste en médecine doit contenir
au moins 74 grains de bicarbonate. Ainsi la contrainte suivante doit être satisfaite: 5x1 + 8x≥
2 74.
F
Finalement la contrainte imposée par le fait que la prescription doit contenir au moins 24 grains
de codéine est x1 + 6x2 ≥ 24.
ES
M in x 1 + x2
s.c. 2x1 + x2 ≥ 12
5x1 + 8x2 ≥ 74
x1 + 6x2 ≥ 24
x1 ≥ 0, x2 ≥ 0
2.3 Méthodologie
Cette méthode n’est applicable que dans le cas où il n’y a que deux variables. Son avantage
est de pouvoir comprendre ce que fait la méthode générale du Simplexe, sans entrer dans la
technique purement mathématique. Les contraintes économiques et de signe sont représentées
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthodologie 15
graphiquement par des demi-plans dont l’intersection est un ensemble convexe (c.à.d. tout
segment de droite dont les extrémités appartiennent àl’ensemble est entièrement inclus dans
cet ensemble). Les solutions, si elles existent appartiennent donc àcet ensemble appelé région
des solutions admissibles.
économique. En particulier, la droite 1200x1 + 1000x2 = 0 passe par l’origine et donne une
valeur nulle à la fonction économique. Pour augmenter la valeur de z0 et donc la fonction
économique, il suffit d’éloigner de l’origine (dans le quart de plan x1 ≥ 0 ; x2 ≥ 0) la droite de
pente −1, 2. Pour respecter les contraintes, cette droite sera déplacée jusqu’à l’extrême limite
où il n’y aura plus qu’un point d’intersection (éventuellement un segment) avec la région des
solutions admissibles.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthodologie 16
M in x 1 + x2
s.c. 2x1 + x2 ≥ 12
5x1 + 8x2 ≥ 74
x1 + 6x2 ≥ 24
x1 ≥ 0, x2 ≥ 0
Un bon choix se base sur une lecture des différents paramètres du programme linéaire. Dans
notre cas, on ne peut qualifier de bon, le choix de 20 comme unité dans les deux axes.
Pour l’exemple, on peut choisir le système d’axes suivant :
F
ES
Parmi les solutions possibles d’un problème, il y a ceux qui vont satisfaire toutes les con-
traintes du programme, appelés solutions réalisables, et ceux qui vont satisfaire une partie ou
aucune de ces contraintes, appelés solutions non réalisables.
Une représentation graphique des inégalités (des contraintes) va nous permettre de déterminer
l’ensemble des solutions réalisables. Revenons à l’exemple 2 du problème de médecine.
Une des contraintes de ce problème est celle relative au grain d’aspirine : 2x1 + x2 ≥ 12.
L’ensemble des solutions qui vérifient cette inégalité est le même que celui qui vérifie 2x1 +
x2 = 12 et 2x1 + x2 > 12.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthodologie 17
L’ensemble des solutions qui correspond à l’équation est l’ensemble des points de la droite l
définie par x2 = −2x1 + 12. Cette droite admet une valeur de la pente égale à −2 et intercepte
l’axe des ordonnées en 12 (voir figure ci-dessus).
L’inégalité 2x1 + x2 > 12 correspond à un demi-plan limité par la droite x2 = −2x1 + 12. Or
cette droite divise le plan en deux demi-plans ouverts donc quel est le demi- plan à choisir ?
F
ES
Pour ce faire, il suffit de prendre un point de l’un des demi-plans (c’est à dire n’appartenant
pas à la droite x2 = −2x1 + 12 ) et voir s’il vérifie l’inégalité 2x1 + x2 > 12.
Par exemple le point de coordonnées (0,0) ne vérifie pas l’inégalité 2x1 + x2 > 12 donc le demi-
plan π1 au-dessus de la droite est celui recherché (voir figure ci- dessus).
L’espace hachuré représente le demi-plan fermé des solutions qui vérifient la contrainte 2x1 +
x2 > 12.
Si on fait de même pour les deux autres contraintes du problème (voir figures ci-dessous), on
obtient les deux autres demi-plans π2 et π3 relatifs aux solutions vérifiant respectivement les
contraintes 5x1 + 8x≥
2 74 et x1 + 6x2 ≥ 24.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthodologie 18
Une solution possible du problème est dite réalisable si et seulement si elle vérifie toutes les
contraintes, c’est à dire si elle appartient aux trois demi-plans relatifs à chaque contrainte du
programme linéaire, en d’autre terme à π1 ∩ π2 ∩ π3 (voir figure).
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 19
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 20
Exercice 2.2 .
3x + 4y ≤ 12
x + y ≥ −3
2x + y ≤ 10
x + 2y ≤ 10
x et y ≥ 0
x + 6y ≥ 12
6x + y ≥ 12
2x + y ≥ 0
x−y ≤3
x − y ≥ −5
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 21
Exercice 2.3 .
Le gérant d’un hôtel souhaite renouveler le linge de toilette de son établissement. Il a besoin
de : 90 draps de bain, 240 serviettes et 240 gants de toilette. Une première entreprise de vente
lui propose un lot A comprenant 2 draps de bain, 4 serviettes et 8 gants pour 200 francs. Une
deuxième entreprise vend pour 400 francs un lot B de 3 draps de bains, 12 serviettes et 6 gants
de toilettes. Pour répondre à ses besoins, le gérant achète x lots A et y lots B.
x ≥ 0 et y ≥ 0
2x + 3y ≥ 90
x + 3y ≥ 60
4x + 3y ≥ 120
3. (a) Exprimez en fonction de x et de y la dépense en francs occasionnée par l’achat de x
F
lots A et de y lots B.
ES
(b) Est-il possible de procéder aux achats nécessaires avec 5 000 francs? Justifiez votre
réponse.
Exercice 2.4 .
Dans un lycée, un groupe d’élèves se charge de la distribution de pains au chocolat et de crois-
sants lors de la récréation de dix heures. Pour pouvoir satisfaire la demande, ils doivent disposer
au minimum de 108 pains au chocolat et de 96 croissants. Deux boulangers proposent pour le
même prix:
• l’un le lot A comprenant 12 pains au chocolat et 8 croissants;
• l’autre le lot B composé de 9 pains au chocolat et 12 croissants.
Le but de l’exercice est de déterminer le nombre de lots A et le nombre de lots B qui doivent
être achetés pour satisfaire la demande au moindre coût. On souhaite d’aider d’un graphique.
Pour cela, on rapporte le plan à un repère orthonormé (unité: graphique = 1cm) et, à l’achat
de x lots A et de y lots B, on associe le point de coordonnées (x, y).
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 22
1. Place
• le point E associé à l’achat de 13 lots A et de 14 lots B;
• Le point F associé à l’achat de 10 lots A et de 1 lot B.
Les achats associés aux points E et F permettent-ils de satisfaire la demande?
(a) Montrer que, pour que l’achat correspondant au point de coordonnées (x, y) permette
de satisfaire la demande, les nombres x et y doivent vérifier le système suivant:
4x + 3y ≥ 36
2x + 3y ≥ 24
(b) Colorier ou hachurer la région du plan dans laquelle se trouvent les points dont les
coordonnées (x, y) ne sont pas solutions du système:
x et y > 0
F
4x + 3y ≥ 36
2x + 3y ≥ 24
ES
3. On cherche à minimiser le coût, c’est à dire le nombre (x + y) de lots achetés. Les points
associés à des achats d’un nombre de n lots sont situés sur la droite Dn d’équation: Dn :
x+y =n
CORRECTIONS
Exercice 2.2
a)
On représente l’ensemble des points vérifiant le système. Pour cela, on trace les droites:
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 23
• D1 : x = 0
• D2 : y = 0
• D3 : 2x + 5y = 10
• D4 : 3x + 4y = 12
On prend un point test (par exemple le point A de coordonnées : A(1; 1). On obtient alors la
figure suivante:
F
ES
Puis, on trace une droite D (a) d’équation : "x + 3y = a" sur cette figure.
Par exemple, on trace D (1) d’équation : " x + 3y = 1"
On a alors la figure suivante :
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 24
Puis on trace une autre droite D (a) pour une valeur différente de a. Par exemple, la droite
D(2):
On constate que le fait d’augmenter la valeur de a déplace la droite D (a) dans le sens
F
croissant des abscisses.
ES
On cherche alors la droite D (a) passant par un point de l’ensemble des contraintes et corre-
spondant à la plus grande valeur possible de a.
Graphiquement, c’est le point A d’intersection des droites D1 et D3 de coordonnées A(0; 2).
Le maximum de (x + 3y) sous les contraintes (C) est donc atteint pour (x = 0) et (y = 2).
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 25
Ce maximum est: (0 + 2 ∗ 3) = 6.
b)
On utilise les trois droites:
• D1 : " x + y = −3"
• D2 : " 2x + y = 10"
• D3 : "x + 2y = 10"
pour représenter l’ensembles des contraintes. Puis, on introduit l’ensemble des droites 4(a)
d’équation : 4(a) : x − y = a On trace alors, par exemple, les droites 4(0) et 4(5). On
constate si a croit, la droite 4(a) se déplace dans le sens des "x" croissant. On constate alors
que le point appartenant à l’ensemble des contraintes et par où passe une droite D(a) avec a
maximum est le point appartenant à l’intersection de D1 et D2. C’est le point A de coordonnées
A(13; −16) que l’on détermine en prenant les équations de ces deux droites.
Le maximum de (x − y) sous les contraintes (C) est donc atteint pour (x = 13) et (y = −16)
et ce maximum est: M ax = 29.
F
ES
c)
On représente les contraintes en utilisant les droites suivantes:
• D1 d’équation "x = 0", qui est l’axe des ordonnées
• D2 d’équation "y = 0", qui est l’axe des abscisses
• D3 d’équation "x + 6y = 12"
• D4 d’équation "6x + y = 12"
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 26
Si on trace deux droites 4(a) d’équation " x + 2y = a", par exemple , sur la figure, on a
tracé 4(30) et 4(10), on constate que la droite 4(a) qui passe par un point des contraintes et
qui donne la plus petite valeur possible de a est celle passant par le point A d’intersection entre
F
D3 et D4 . Pour déterminer les coordonnées de A, on pose alors le système d’équation suivant:
ES
2x + y = 10
x + 2y = 10
62 48
La solution de ce système est: x = et y = 35 35
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 27
On constate alors que le point de l’ensemble des contraintes par lequel passe la droite 4a
avec la valeur "a" minimale est le point A d’intersection entre D1 et D2 . Ce point a pour
coordonnées : A(1; −2). Le minimum de (2x + 3y) sous les contraintes (C) est donc :
F
M in = 2.(1) + 3.(−2) = −4
ES
Exercice 2.3
Comme x et y doivent être positifs, l’ensemble des contraintes du gérant peuvent alors
s’écrire :
x et y ≥ 0
2x + 3y ≥ 90
(C) :
4x + 12y ≥ 240
8x + 6y ≥ 240
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 28
F
ES
3. (a) Comme le prix d’un lot A est de 200 francs et que le prix d’un lot B est de 400 francs,
le prix total pour x Lots A et y lots B est: (200x + 400y) francs.
La dépense est donc : D(x, y) = 200x + 400y.
(b) On peut savoir simplement s’il est possible de procéder aux achats nécessaires avec 5
000 francs en traçant sur la figure précédente la droite D d’équation : D : 200x +
400y = 5000.
On obtient alors la figure suivante:
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 29
On constate alors cette droite n’a aucun point commun avec le polygone des con-
traintes. Il n’est donc pas possible de procéder aux achats avec 5 000 francs.
4. Pour une dépense de N francs, les choix de x lots A et y lots B correspondent aux points
de la droite D N d’équation : DN : 200x + 400y = N Pour N quelconque, cette droite est
parallèle à la droite D. On remarque que pour N = 0, la droite DN passe par l’origine du
F
repère et est située à gauche de D. Donc, la valeur de N sera d’autant plus grande que la
droite DN sera éloignée et à droite de D. On cherche donc la droite D N parallèle à D,
ES
ayant des points communs avec (C) et la plus proche possible de D. Graphiquement, on
voit alors que c’est la droite passant par le point A d’intersection des droites D3 et D4 .
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 30
Exercice 2.4
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 31
12x + 9y ≥ 108
8x + 12y ≥ 96
4x + 3y ≥ 36
2x + 3y ≥ 24
L’ensemble des points M de coordonnées (x; y) vérifiant ce système et, de plus les con-
traintes : x ≥ 0 et y ≥ 0 est alors, en considérant les droites:
• D1 : " 4x + 3y = 36 "
• D2 : " 2x + 3y = 24"
• Le point A est le point d’intersection de ces deux droites.
F
ES
3. Comme le prix des lots A et B est identiques, le coût total, en fonction de x et y est:
COU T T OT AL = p(x + y)
Minimiser le coût total revient donc à minimiser (x + y). Le nombre (x + y) est le nombre
de lots achetés au total.
a) Droites 49 et 411 . On remarque que 49 a une intersection vide avec l’ensembles des
points qui représentent les contraintes portant sur x et y. Donc, on ne peut pas satisfaire à
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Cas particuliers 32
F
la demande en achetant 9 lots au total. On remarque que 411 a une intersection non vide
avec l’ensembles des points qui représentent les contraintes portant sur x et y. On peut
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Chapitre Trois
METHODE DU SIMPLEXE ET
DUALITE
Ce chapitre est consacré à l’étude de la méthode du simplexe. Cette méthode est l’outil principal
de résolution des problèmes de programmation linéaire. Elle consiste à suivre un certain nombre
d’étapes avant d’obtenir la solution d’un problème donné. Il s’agit d’une méthode algébrique
itérative qui permet de trouver la solution exacte d’un problème de programmation linéaire en
un nombre fini d’étapes. La résolution graphique est inapplicable au-delà de deux variables. Il
F
est aussi nécessaire de recourir à une autre méthode : la méthode du simplexe dite également
méthode des tableaux ou méthode de Dantzig. Cette méthode, applicable quelque soit le nombre
ES
de variables, sera présentée pour des problèmes de maximisation dont toutes les contraintes
(autres que celles de positivité) sont de type ≤.
Si la fonction objectif doit être maximisée et si toutes les contraintes sont des inéquations
du type ≤, on dit que le programme linéaire se présente sous une forme canonique.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 34
On transforme les inégalités des contraintes économiques en égalités par introduction de vari-
ables supplémentaires positives ou nulles appelées variables d’écart. a11 x1 +a12 x2 +· · ·+a1n xn ≤
b1 devient a11 x1 + a12 x2 + · · · + a1n xn + t1 = b1 d’où la forme standard :
M ax z = c1 x 1 + c2 x 2 + · · · = cn x n
a11 x1 + a12 x2 + · · · + a1n xn + t1 = b1
a21 x1 + a22 x2 + · · · + a2n xn + t2 = b2
······························
am1 x1 + am2 x2 + · · · + amn xn + tm = bm
x1 ≥ 0, x2 ≥ 0, xm ≥ 0; t1 ≥ 0, t2 ≥ 0, · · · , tm ≥ 0.
Forme simpliciale:
Un programme est dit sous forme simpliciale si:
• elle est sous forme standard
• et les constantes du second membre sont toutes positives. Le programme doit être mis sous
F
forme simpliciale avant l’utilisation de l’algorithme de simplexe.
ES
3.1.3 Résolution
Afin de comparer avec la résolution graphique, nous pouvons considérer que nous sommes dans
un espace à n dimensions (nombre de variables d’activité). Les contraintes délimitent un polyè-
dre convexe, région des solutions admissibles; la fonction objectif est un hyperplan que l’on va
déplacer le plus loin possible de l’origine, jusqu’à l’extrême limite où il n’y aura plus qu’un point
d’intersection (éventuellement un segment, un plan...) avec la région des solutions admissibles.
La solution se trouvant forcément sur le pourtour du polyèdre admissible, la méthode du simplexe
consiste en itérations qui font passer d’un sommet du polyèdre à un autre en sélectionnant le
sommet adjacent maximisant la fonction objectif. Pour démarrer l’algorithme, il est nécessaire
d’avoir une solution initiale. Dans le cas simple, l’origine est solution, c.à.d. que la première
solution est x1 = 0 ; x2 = 0;· · · ; xn = 0 ; t1 = b1 ; t2 = b2 ; · · · ; tm = bm (ceci suppose que les b
i ne soient pas négatifs pour satisfaire les contraintes de signe).
L’algorithme, basé sur la méthode du pivot de Gauss pour la résolution des
systèmes d’équations linéaires, est présenté sous forme de tableau.
Soit à résoudre le programme linéaire suivant sous sa forme canonique:
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 35
*Forme standard
* Tableau 0
en ne conservant que les coefficients des équations ci-dessus, on obtient le tableau de départ
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 36
Si on augmente x2 de 1 unité,
z = 1200.0 + 1000.1 + 0.0.160 + 0.180 = 1000
* Tableau 1
On augmente la fonction objectif en faisant entrer une variable dans la base, prenant la
place d’une variable qui va sortir de la base.
F
ES
Pour sélectionner la variable sortant de la base, il est nécessaire de rajouter une colonne R
au tableau, obtenue en faisant le rapport membre à membre de la colonne C et de la colonne de
la variable entrant dans la base ( x1 ).
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 37
0
Remarque importante : d = d ⇐⇒ cb = 0 ⇐⇒ b = 0 ou c = 0 En conséquence, si dans
la colonne (resp. ligne) du pivot il y a un 0, toute la ligne (resp. colonne) correspondante reste
inchangée.
En appliquant ces règles on obtient le tableau 1:
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 38
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 39
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 40
Remarques importantes :
• S’il existe une variable HB ayant un coefficient positif dans la ligne 4 et telle que tous les
coefficients correspondants dans le tableau soient nuls ou négatifs, alors la solution est infinie.
• Si, à la fin des itérations, une variable est HB avec un coefficient nul dans la ligne 4,
F
alors on a une arête (plan,...) optimale. Les autres sommets solutions sont obtenus en faisant
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 41
F
ES
RETENONS
1) Pour un maximum, la variable entrante est celle qui, dans le tableau, a l’élément
strictement positif le plus grand sur la ligne de la fonction économique (appelé ligne 4 ci-
après). Les valeurs des variables de la base étant toujours positives, celle ayant le coefficient
positif de Z le plus élevé augmentera plus que les autres la valeur de la fonction économique.
• Si tous les éléments de la ligne â sont négatifs ou nuls, le programme est optimal:
-plus élevé augmentera plus que les autres la valeur de la fonction économique.
-si les seuls éléments nuls de la ligne 4 correspondent aux variables de base (ou d’écart), alors
le maximum est unique. C’est le cas lorsque la ligne de niveau la plus éloignée de l’origine
est tangente en un seul sommet du polyèdre convexe.
- sinon, il y a une infinité de solutions, car n’importe quelle autre variable ayant un 0 pour la
ligne 4 peut (ou aurait pu) entrer à la place d’une variable de base affectant les valeurs des
autres variables de base tout en gardant constant. C’est le cas lorsque la ligne de niveau la plus
éloignée de l’origine est confondue à tout un segment de la frontière du
• S’il existe un élément de la ligne 4 strictement positif tel que les éléments de la colonne
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 42
correspondante sont tous négatifs ou nuls, le problème n’a pas de solution optimale finie,
car il ne peut pas avoir de variable sortante. Ce cas "normalement" exclus du fait même de la
nature des programmes économiques se produit quand il y a erreur de modélisation.
• S’il existe un ou plusieurs éléments de la ligne 4 strictement positifs, on poursuit le
processus itératif, jusqu’à aboutir à l’un des deux cas ci-dessus.
2) Pour un minimum, la variable entrante est celle qui dans le tableau a le coefficient
(sur la ligne 4) négatif le plus grand en valeur absolue. Les valeurs des variables de base
étant toujours positives; celle ayant le coefficient négatif de 4 le plus élevé en valeur absolue
diminuera plus que les autres la valeur de la fonction économique.
* Si tous les éléments de la ligne 4 sont positifs ou nul, le programme est optimal:
- si les seuls éléments nuls de la ligne 4 correspondent aux variables de base (ou d’écart),
alors le minimum est unique. C’est le cas lorsque la ligne de niveau la plus proche de l’origine
est tangente en un seul sommet du polyèdre convexe.
- sinon, il y a une infinité de solutions, car n’importe quelle autre variable ayant un coeffi-
cient nul sur la ligne 4 peut (ou aurait pu) entrer à la place d’une variable de base affectant
F
les valeurs des autres variables de base tout en gardant Z constant. C’est le cas lorsque la ligne
de niveau la plus proche de l’origine est confondu à tout un segment de la frontière du polyèdre
ES
convexe.sur la ligne â peut (ou aurait pu) entrer à la place d’une variable de base affectant les
valeurs des
• S’il existe un élément de la ligne 4 strictement négatif tel que les éléments de la colone
correspondante sont tous négatifs ou nuls, le problème n’a pas de solution optimale finie, car il
ne peut pas avoir de variable sortante. Ce cas "normalement" exclus du fait même de la nature
des programmes économiques se produit quand il y a erreur de modélisation.
• S’il existe un ou plusieurs éléments de la ligne 4 strictement négatifs, on poursuit le
processus itératif, jusqu’à aboutir à l’un des deux cas ci-dessus.
La variable sortante est toujours celle qui correspond à la valeur finie positive la plus petite
de la colonne C/k "colonne entrante", qu’il s’agisse de maximiser ou de minimiser la fonction
économique. Comme ce rapport doit toujours être strictement positif, on comprend pourquoi
il ne peut avoir de variable sortante:
- dans le cas du maximum, ”S’il existe un élément de la ligne 4 strictement positif tel que
les éléments de la colone correspondante sont tous négatifs ou nuls”
- dans le cas du minimum, ”S’il existe un élément de la ligne 4 strictement négatif tel que
les éléments de la colone correspondante sont tous négatifs ou nuls”.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 43
Exercice 3.1 .
Une société fabrique trois modèles de meubles : classique, rustique, moderne. Les standards
unitaires de production sont résumés dans le tableau suivant :
F
Déterminer les quantités à produire pour maximiser son résultat.
ES
Résolution 3.1
Forme canonique de ce programme Soit:
x: le nombre de mod ‘eles classiques ‘a produire
y: le nombre de mod ‘eles rustiques ‘a produire
z: le nombre de mod ‘eles modernes ‘a produire
5x + 8y + 5z ≤ 900
x + 2y + 3z ≤ 516
2x + 2y + 0z ≤ 200
M axZ = 1000x + 960y + 1200z
x ≥ 0, y ≥ 0, z ≥ 0.
Forme standard
La méthode du simplexe nécessite une mise sous forme standard : les inégalités sont trans-
formées en égalités grâce ‘a l’introduction des variables d’écart positives ou nulles notées . Il y
a une variable pour chaque contrainte (autre que contrainte de positivité).
Exemple: Etude de la contrainte relative au facteur bois
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 44
5x + 8y + 5z + t1 = 900
x + 2y + 3z + t2 = 516
2x + 2y + 0z t3 = 200
M axZ = 1000x + 960y + 1200z + 0t1 + t2 + t3
x ≥ 0, y ≥ 0, z ≥ 0.
Tableau 0
F
ES
Interprétation de ce tableau :
Il s’agit de la solution admissible de départ qui respecte toutes les contraintes : ne rien
produire. La production est donc nulle (x = 0; y = 0; z = 0) et la valeur de la fonction objectif
est égale ‘a 0.
Les capacités disponibles des facteurs sont intactes. Ainsi, t1 = 900 signifie qu’il reste 900
unités de bois t2 = 516 signifie qu’il reste 516 unités de main d’œuvre, t3 = 200 signifie qu’il
reste 200 unités de centre finition.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 45
Cette solution peut être améliorée puisque les coefficients de la ligne 4 ne sont pas négatifs
ou nuls.
Continuer l’exemple en suivant l’exemple précédent.
On trouve :
x = 12, y = 0, z = 168, et, Z = 213600.
NB: Quel que soit le tableau, les coefficients de la derni ‘ere ligne (ligne 4) sont appelés
taux marginaux de substitution. Chaque taux marginal de substitution mesure l’apport ‘a la
fonction économique de l’entrée dans la base d’une unité d’une variable hors base.
2) Cas particulier: changement de variable
Soit le programme linéaire suivant:
2x + y + z ≤ 1550
5x + 2y + 2z ≤ 3500
z ≥ 500
F
M axZ = 120x + 150y + 100z
ES
x ≥ 0, y ≥ 0, z ≥ 0.
z ≥ 500 montre que la méthode présentée n’est pas applicable (en raison de la contrainte ≥).
La contrainte de signe z ≥ 0 est superflue en raison de la contrainte z ≥ 500, et peut donc être
supprimer. Un changement de variable permet de résoudre le problème posé par la contrainte
z ≥ 500.
Cette contrainte peut s’écrire z − 500 ≥ 0. Posons z1 = z − 500 et z = z1 + 500.
Le changement de variable donne le programme suivant
2x + y + (z1 + 500) ≤ 1550
5x + 2y + 2(z1 + 500) ≤ 3500
Soit
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 46
2x + y + z1 ≤ 1550
5x + 2y + 2z1 ≤ 3000
2x + y + z1 + t1 ≤ 1050
5x + 2y + 2z1 t2 ≤ 3000
Tableau 0:
F
ES
Tableau 1:
L’optimum est atteint puisque tous les coefficients de la ligne 4 sont négatifs ou nuls. La
production est x = 0, y = 1050; z1 = 0 soit z = 0 + 500 = 500.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 47
3) DUAL
La notion de dualité a été introduite par Von Neumann en 1947, puis développée par Gale,
Kuhn et Tucker en 1951. Les propriétés fondamentales des problèmes de dualité ont été définies
par Goldman and Tucker en 1956.
A tout programme linéaire appelé PRIMAL correspond un programme linéaire appelé DUAL
obtenu de la manière suivante:
• La dualité permet de résoudre les problèmes de minimisation dont les contraintes (autres
que celles de positivité des signes) sont de sens ≥.
• Le nombre de variables du dual est égal au nombre de contraintes du primal. Elles doivent
F
être différenciées de celles du primal.
• Le nombre de contraintes du dual est égal au nombre de variables du primal.
ES
• Les coefficients des colonnes (lignes) du primal sont les coefficients des lignes (colonnes) du
dual.
• Les inégalités du dual sont de sens opposé à celles du primal.
• Les coefficients de la fonction économique du primal sont les contraintes du dual.
• Si le primal est une minimisation, le dual est une maximisation et inversement.
• Les coefficients de la fonction économique du dual sont les contraintes du primal.
• Le dual du dual est le primal.
• Un programme linéaire possède une solution optimale finie si et seulement si lui et son dual
possèdent des solutions réalisables.
• Si le problème primal possède une solution optimale infinie, alors le dual n’a pas de solution
réalisable.
• Si le dual ne possède pas de solution réalisable, alors que le primal en possède, alors la solution
du primal est une solution optimale infinie.
• Une contrainte est dite saturée lorsque la variable d’écart qui lui est associée est nulle à
l’optimum.
• Si pour une solution optimale d’un programme linéaire une contrainte n’est pas saturée, alors
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 48
la valeur optimale (duale) correspondante est nulle. La réciproque n’est pas (nécessairement)
vraie.
• Si la valeur optimale d’une variable n’est pas nulle, alors la contrainte duale correspondante
est saturée pour la solution optimale. Le corollaire est très utile pour résoudre un programme à
partir de la solution de son dual.
• Si pour une solution optimale d’un programme linéaire une contrainte n’est pas saturée, alors
la valeur optimale (duale) correspondante est nulle. En terme économique, par exemple, si
un bien est abondant (il n’y en a plus qu’on ne peut utiliser efficacement), son coût marginal
(une heure de location supplémentaire) considéré comme son prix d’équilibre (la variable duale
associée) est nul.
Exemple F
ES
Exercice 3.2 .
Une société fabrique, entre autres, deux produits P1 et P2 dont les marges sur coûts variables
sont respectivement de 16kF et de 10 kF. La production de ces produits nécessite le passage dans
trois ateliers pendant les temps de fabrication exprimés en heures dans le tableau suivant
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 49
La résolution graphique n’est pas applicable puisque le programme comporte plus de deux
variables. La méthode du simplexe n’a été présentée que pour des contraintes ≤.
La dualité permet de résoudre les problèmes de minimisation dont les contraintes (autres
que celles de positivité des signes) sont de sens ≥.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 50
y1 + 2, 5y2 ≤ 195
2y1 + y2 ≤ 160
y1 + 1, 5y2 ≤ 120
M ax w = 16y1 + 10y2
y1 ≥ 0, y2 ≥ 0, y3 ≥ 0.
y1 + 2, 5y2 + u1 = 195
2y1 + y2 + u2 = 160
F
y1 + 1, 5y2 + u3 = 120
ES
M ax w = 16y1 + 10y2 + 0u1 + 0u2
y1 ≥ 0, y2 ≥ 0, y3 ≥ 0, u1 ≥ 0, u2 ≥ 0.
Tableau 0
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 51
Tableau 1
Tableau 2 F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 52
x1 = 0
x2 = 7
x3 = 2
Z = 1360
Exercice 3.3 .
Une entreprise de menuiserie envisage de produire des bureaux. Elle peut en faire de deux types
:
• un bureau ordinaire qu’elle pourrait vendre avec un profit de 400 euros. Le marché est de 800
unités ;
• un bureau de luxe pour lequel le profit serait de 1000 euros par unité vendue. Elle espère
pouvoir en vendre 700.
Les deux bureaux nécessitent une quantité égale de bois de 0,45 dm 3 de pin. Le fournisseur
habituel de l’entreprise ne peut en fournir, dans la qualité habituelle, que 600 dm3 . Il faut
F
également utiliser du latté de 15 mm : 0,5 m2 pour le bureau de luxe et 0,75 m2 pour le bureau
ES
ordinaire. Notre fournisseur peut nous livrer à concurrence de 1 000 m2 . Il faut 12 h de travail
pour monter un bureau normal et 24 h pour monter celui de luxe. La capacité annuelle est de
20 400 h de travail.
1) Vous êtes appelé en consultation pour déterminer le programme de fabrication optimum.
Vous utiliserez une méthode graphique.
2) Les capacités d’absorption du marché restent les mêmes. On envisage d’augmenter la produc-
tion pour atteindre un profit de 900 000 euros. Quel est le programme de fabrication permettant
d’obtenir ce résultat ? De combien doivent être augmentées la ou les ressources qui limitaient
précédemment la production ?
Exercice 3.4 .
M. Martin, qui tient une boulangerie haut de gamme sur les Champs élysées vous signale qu’il
est réoccupé par la commercialisation des pains et des baguettes. Il souhaite savoir quel est
le nombre optimum à fabriquer chaque jour de chacun de ces deux produits, qui constituent
l’essentiel de son chiffre d’affaires. Il vous a communiqué les informations suivantes:
Prix de vente hors taxe d’un pain de 400 g : 3,25 euros.
Prix de vente hors taxe d’une baguette de 250 g : 2,20 euros.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 53
On admettra que le coût variable du pain (quelle que soit la présentation, pain ou baguette)
s’établit à 3euros le kg. Le maximum de pâte à pain fournie est de 225 kg. Le four permet de
cuire en une heure 100 baguettes ou 75 pains, et peut fonctionner 8 h au maximum. Enfin,
M. Martin estime qu’il ne peut pas vendre en une journée plus de 500 pains et plus de 500
baguettes.
1) Ecrire le programme linéaire qui permet de maximiser le bénéfice " Boulangerie " de M.
Martin.
2) Donner une solution graphique.
Exercice 3.5 .
Reprendre l’exercice n1 et utiliser la méthode du simplexe.
Exercice 3.6 .
Un agriculteur dispose d’une superficie cultivable de 50 ha. Il peut écouler, au prix du marché,
tous les produits qu’il obtient et qui sont essentiellement des tomates, des laitues et des radis.
Les tomates se vendent 5 F le kg, la laitue se vend 3,5 F le pied et la livre de radis 2,5 F.
F
Les rendements moyens par ha sont respectivement de 2 tonnes, 4 000 pieds et 1 tonne, pour
ES
les tomates, la laitue et les radis. Pour obtenir ces résultats, il faut employer des engrais à
raison de100 kg/ha pour les tomates et pour les laitues et à raison de 50 kg/ha pour les radis.
D’autre part, les travaux d’aménagement du sol, de semence et de récolte demandent l’emploi de
dix hommes/jour par hectare pour les tomates, de six hommes/jour par hectare pour les radis
et de vingt hommes/jour par hectare pour la laitue. Compte tenu des disponibilités locales en
main-d’œuvre, le cultivateur ne peut employer que 400 hommes/jour. L’engrais revient à 50 F
le kg, le coût d’un homme/jour est de 350 F. Il s’agit de déterminer le meilleur programme de
production. Poser le problème sous forme de programme linéaire.
1) Déterminer la solution optimale à l’aide de la méthode du simplexe.
2) Peut-on améliorer le programme si on peut disposer de 200 hommes/jour de main d’œuvre
supplémentaire au prix de 400 F par homme/jour ?
Exercice 3.7 .
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 54
M ax z = 2x + y
x ≥ 0, y ≥ 0
Exercice 3.8 .
Une société des carrières a pour objet l’extraction et la distribution de matériaux de carrière.
Elle doit assurer, pour des travaux routiers, la fourniture aux Ponts et Chaussées de graviers
en divers calibres.
Un marché portant sur les quantités suivantes :
Graviers calibre 1..................................13500 tonnes
Graviers calibre 2..................................11200tonnes
Graviers calibre 3..................................5000tonnes
a été adjugé pour un prix global de facturation.
F
La société exploite deux carrières P1 et P2 louées à une société civile qui perçoit une redevance
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode du simplexe 55
Exercice 3.9 .
L’entreprise Duralumin fabrique pour des entreprises de quincaillerie, des pièces en inox. Ces
pièces sont de trois types : A,B,C. Elles sont fabriquées par lots de 50 dans un grand atelier où
sont rassemblées deux machines pour la découpe de l’inox, une machine pour l’emboutissage,
deux machines pour le polissage et la finition. Chaque machine fonctionne 120 heures par mois.
Les caractéristiques de fabrication sont rassemblées dans le tableau suivant:
Exercice 3.10 .
Une entreprise chimique utilise la matière première M. Lors de la première transformation
F
chimique T1 , on obtient 75% de produit fini B et 25 % de produit C. On peut retraiter tout ou
ES
partie des produits C. On obtient à l’issue de cette transformation T2 , 40% de produits B, 20%
de produits C et 20% de produits D.
L’entreprise utilise un minimum de 3 000 tonnes de produits B, de 500 tonnes de produits C
et de 500 tonnes de produits D. La transformation T1 coûte 100 euros par tonne. T2 coûte 200
euros par tonne.
1) Ecrire le programme linéaire qui permet de minimiser le coût, en fonction de la quantité de
matière M qui est passée par T1 , et de la quantité de produits C que l’on transforme par T2 .
2) Ecrire le programme dual et le résoudre par la méthode du simplexe.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Chapitre Quatre
Les sommets sont représentés par des points et les arcs par des flèches.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
REPRESENTATION D’UN GRAPHE 57
Outre une représentation graphique sagittale, un graphe peut être représenté par un tableau,
appelé dictionnaire, qui à chaque sommet énumère les suivants et les précédents :
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
NIVEAU 58
4.3 NIVEAU
Dans un graphe sans circuit, le niveau d’un sommet x est la longueur du plus long chemin
d’extrémité x. La détermination des niveaux de l’exemple précédent se fait à partir du diction-
naire des précédents:
C0 = {sommets de niveau 0}
= sommets n’ayant pas de précédent={x1 }
Tous les sommets x1 sont barrés (en rouge ici),
d’où le tableau ci-dessous
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
NIVEAU 59
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
NIVEAU 60
de barrer au fur et à mesure les différents sommets sur le même tableau du dictionnaire des
précédents. La recherche des niveaux permet de construire le graphe ordonné par niveaux. Les
axes verticaux et les niveaux n’ont pas à être représentés; ils apparaissent ci-dessous pour mettre
en évidence le fait que les sommets de même niveau doivent être alignés sur la même verticale.
CHEMINS EXTREMAUX
A chaque arc (x,y) est associé un nombre positif V (x, y) appelé la valeur de l’arc. L’algorithme
de Ford va nous permettre de déterminer le chemin de valeur maximale entre un sommet D
(Départ) et un sommet F (Fin).
F
a) On ordonne le graphe par niveaux
b) On fait la représentation du graphe par niveaux. A partir de cette représentation, on sup-
ES
prime les sommets et les arcs par lesquels on ne peut pas passer pour aller de D à F.
c) En partant du sommet D de niveau le plus faible (le plus à gauche) jusqu’au sommet F de
niveau le plus fort (le plus à droite), on associe à chaque sommet x une marque m(x) corre-
spondant à la valeur du chemin de valeur maximale aboutissant à x.
Exemple 4.1 .
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
NIVEAU 61
m(4) = 0
m(3) = m(4) + V (4, 3) = 0 + 5 = 5
m(5) = m(4) + V (4, 5) = 0 + 2 = 2
m(6) = M ax{m(3) + V (3, 6); m(5) + V (5, 6)} = M ax{5 + 5; 2 + 1} = M ax{10; 3} = 10
m(7) = M ax{m(3) + V (3, 7); m(6) + V (6, 7)} = M ax{5 + 3; 10 + 6} = M ax{8; 16} = 16
Le chemin de valeur maximale entre 4 et 7 a donc pour valeur 16. Pour déterminer quel est
ce chemin, en partant du sommet final, on regarde quel est le sommet précédent qui a permis
d’obtenir la marque retenue. Ci-dessous est repris l’algorithme précédent où le cheminement
suivi est surligné en rouge en partant du sommet final 7:
m(7) = M ax{m(3) + V (3, 7); m(6) + V (6, 7)} = M ax{5 + 3; 10 + 6} = M ax{8; 16} = 16
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
RECHERCHE D’UN CHEMIN DE VALEUR MINIMALE 62
Sommes A B C D E F G
Sommets suivants C,D E B,E,F F E B,C
F
Déterminer le dictionnaire des précédents et représenter le graphe associé.
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Chapitre Cinq
ORDONNANCEMENT MPM-PERT
Exemple 5.1 Les opérations mises en jeu dans la construction d’un ensemble hydro-électrique
sont les suivantes :
F
a) Construction des voies d’accès
ES
b) Travaux de terrassement
c) Construction des bâtiments administratifs
d) Commande du matériel électrique
e) Construction de la centrale
f ) Construction du barrage
g) Installation des galeries et conduites forcées
h) Montage des machines
i) Essais de fonctionnement
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
MPM 64
Deux méthodes sont classiquement utilisées : la Méthode des Potentiels Metra (MPM),
et la méthode PERT (Programm Evaluation and Research Task). Toutes les deux
utilisent des graphes pour résoudre le problème.
5.1 MPM
F
ES
Tx T∗x
X
où:
x = nom de la tâche
Tx =date de début au plus tôt de la tâche
Tx∗ =date de début au plus tard de la tâche.
- Un sommet terminal permettant de dater la fin des travaux est rajouté au graphe.
- La représentation graphique est ordonnée par niveaux des sommets, c.à.d. des tâches.
Exemple 5.2 *Détermination des niveaux des sommets ou tâches (voir chapitre sur les graphes)
*Représentation graphique
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
MPM 65
h 10 e,g
i 3 f,h
Une tâche x ne pouvant débuter que lorsque toutes les tâches qui y aboutissent sont terminées,
Tx correspond à la valeur du chemin de valeur maximale aboutissant à x. Ceci sera obtenu en
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
MPM 66
utilisant l’algorithme de Ford (voir chapitre sur les graphes), après avoir ordonné le graphe par
niveaux des tâches.
Tx = max[Ty + V (y, x)] , le max étant pris sur les précédents y de x.
Exemple
Ta = Tc = Td = 0
Tb = Ta + 4 = 4
Tg = Ta + 4 = 4
Tf = M ax(Tb + 6; Tc + 4) = M ax(10; 4) = 10
T e = M ax(Tb + 6; Tc + 4; Td + 12) = M ax(10; 4; 12) = 12
Th = M ax(Te + 10; Tg + 7) = M ax(22; 11) = 22
Ti = M ax(Tf + 24; Th + 10) = M ax(34; 32) = 34
Tz = Ti + 3 = 37
Ces résultats peuvent être reportés sur le graphe
F
ES
Il s’agit de la date au plus tard à laquelle peut commencer une tâche sans remettre en cause la
date de fin des travaux. Ceci sera obtenu en commençant par les sommets de niveau les plus
élevés jusqu’aux sommets de niveau les plus faibles.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
MPM 67
C’est le retard maximum que l’on peut prendre dans la mise en route d’une tâche sans remettre
en cause les dates au plus tard des tâches suivantes (donc sans retarder la fin des travaux).
mt(x)=T∗x − Tx
Exemple
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
PERT 68
mt(a) = T*a - Ta = 0 - 0 = 0
mt(b) = T*b - Tb = 4 - 4 = 0
mt(c) = T*c - Tc = 6 - 0 = 6
mt(d) = T*d - Td = 2 - 0 = 2
mt(e) = T*e - Te = 14 - 12 = 2
mt(f) = T*f - Tf = 10 - 10 = 0
mt(g) = T*g - Tg = 17 - 4 = 13
mt(h) = T*h - Th = 24 - 22 = 2
mt(i) = T*i - Ti = 34 - 34 = 0
C’est le retard maximum que l’on peut prendre dans la mise en route d’une tâche sans remettre
en cause les dates au plus tôt des tâches suivantes (donc sans retarder la fin des travaux).
mL(x) = min [Ty - Tx - V(x,y)], lemintantprissurlessuivantsydex.
Exemple
mL(a) = Min [Tb-Ta-V(a,b);Tg-
F
Ta-V(a,b)]=Min(0;0)=0
mL(b)=Min[Tf-Tb-V(b,f);Te-
ES
Tb-V(b,e)]=Min(0;2)=0
mL(c) = Min [Tf - Tc - V(c,f) ;
Te - Tc - V(c,e)] = Min (6 ; 8) =
6 mL(d) = Te - Td - V(d,e) = 0
mL(e) = Th - Te - V(e,h) = 0
mL(f) = Ti - Tf - V(f,i) = 0
mL(g) = Th - Tg - V(g,h) = 11
mL(h) = Ti - Th - V(h,i) = 2
mL(i) = Tz - Ti - V(i,z) = 0
5.2 PERT
Le PERT (Programm of Evaluation and Review Technic) est, comme la MPM, une technique
d’ordonnancement basée sur la théorie des graphes, visant à optimiser la planification des
tâches d’un projet. Le P.E.R.T. est une méthode consistant à mettre en ordre sous forme de
réseau plusieurs tâches qui grâce à leur dépendance et à leur chronologie concourent toutes à
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
PERT 69
Le recours au PERT suppose qu’aient préalablement été identifiées les différentes tâches néces-
saires à la réalisation d’un projet, leur durée et leurs relations d’antériorité. Généralement
F
ces informations sont synthétisées dans un tableau du type suivant dit tableau des tâches et
ES
antériorité.
Le PERT permet de représenter l’ensemble des tâches sur un graphe orienté, à partir duquel
il sera possible d’identifier leurs dates au plus tôt et au plus tard et de calculer leurs marges. Un
graphe orienté est un réseau composé d’une entrée et d’une sortie, ainsi que de points (appelés
"sommets") reliés entre eux par des flèches (appelées "arcs").
Les principales conventions d’un réseau PERT sont les suivantes:
•chaque tâche est symbolisée par un arc, auquel est associé une valeur numérique correspondant
à sa durée.
•les sommets auxquels aboutissent les arcs correspondent donc à des étapes, qui marquent
l’aboutissement d’une ou plusieurs tâches.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
PERT 70
•chaque étape est identifiée par un numéro d’ordre et renseignée sur la date à laquelle elle
peut être atteinte au plus tôt ("date au plus tôt") et au plus tard ("date au plus tard") pour
respecter le délai optimal de réalisation du projet.
•le graphe possède une entrée (sommet sans antécédent) et une sortie (sommet sans descendant)
qui correspondent respectivement aux étapes "Début des opérations" et "Fin des opérations".
Du fait de ses conventions, il est parfois nécessaire d’introduire des "tâches fictives" de durée
nulle pour traduire correctement sur un graphe les relations d’antériorité de certaines tâches,
notamment lorsque celles-ci partagent avec d’autres une partie de leurs antécédents.
• Un arc correspond à une tâche
• la valeur de l’arc représente la durée de la tâche.
• un sommet est une étape signifiant que :
-toutes les tâches qui y arrivent sont terminées
-toutes les tâches qui en partent peuvent commencer Un réseau est constitué par des étapes et
des tâches. On appelle étape le commencement ou la fin d’une tâche symbolisé par:
On appelle tâche le déroulement dans le temps d’une opération symbolisé par sur laquelle
F
seront indiqués l’action à effectuer et le temps de réalisation de cette tache.
Pour alléger le réseau PERT on attribut à chaque définition une lettre alphabétique. Les tâches
ES
• Les tâches (A et B) sont simultanées lorsque plusieurs d’entre elles peuvent commencer
en même temps en partant d’une même étape.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
PERT 71
• Les taches (A et B) sont convergentes lorsque plusieurs d’entre elles aboutissent à une
même étape.
F
ES
Remarque 5.3 il est quelque fois nécessaire d’introduire des tâches fictives de durée nulle
Remarque 5.4 Deux arcs ne peuvent avoir à la fois la même origine et la même extrémité. Il
est nécessaire de rajouter une tâche fictive dans ces conditions:
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
PERT 72
F
ES
où
n = nom ou numéro de l’étape
tn = date de début au plus tôt de l’étape
t∗n = date de début au plus tard de l’étape
- Un sommet terminal et un sommet initial sont rajoutés au graphe.
- La représentation graphique est ordonnée par niveaux des sommets, c.à.d. des étapes.
Les tâches n’ayant aucune antériorité sont représentées en première position. L’utilisation de
la matrice des antériorités facilite la détermination des niveaux d’exécution des tâches. Le
graphe se lit de gauche à droite (de l’étape "DEBUT" à celle de "FIN"). Chaque arc symbolise
une tâche qui permet d’atteindre une nouvelle étape dans la réalisation du projet. Une nouvelle
tâche ne peut commencer que lorsque toutes les tâches préalables à sa réalisation sont terminées.
Chaque sommet correspond à une étape qui est identifié par une cartouche où sont précisés
: son "numéro d’ordre", la date à laquelle elle peut être atteinte au plus tôt ("date au plus
tôt") et la date à laquelle elle doit être atteinte au plus tard pour respecter le délai optimal de
réalisation du projet ("date au plus tard").
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
PERT 73
Le chemin de valeur maximale associé est appelé chemin critique, constitué de tâches critiques:
un retard sur l’une de tâches critiques entraînerait un allongement de la durée du projet.
On appelle "marge" d’une tâche le retard qu’il est possible de tolérer dans la réalisation de
celle-ci, sans que la durée optimale prévue du projet global en soit affectée. Il est possible de
calculer trois types de marges : la marge totale, la marge certaine et la marge libre.
La marge totale d’une tâche indique le retard maximal que l’on peut admettre dans sa réali-
sation (sous réserve qu’elle ait commencé à sa date au plus tôt) sans allonger la durée optimale
du projet. Elle se calcule en retirant la durée de la tâche en question à l’écart qu’il peut y avoir
entre sa date de au plus tôt de début et sa date au plus tard de fin:
Marge totale tâche "ij" = Date au plus tard "étape j" - Date au plus tôt "étape i" -
Durée tâche "ij" Sauf cas particulier, un retard correspondant à la marge totale d’une tâche
se traduit par une modification des dates au plus tôt des tâches qui lui succèdent et entraîne,
généralement, l’apparition d’un second chemin critique.
F
Il n’est donc pas possible de cumuler des retards correspondant à leur marge totale sur plusieurs
ES
tâches successives, sans remettre en cause la durée optimale prévue pour le projet.
La marge libre d’une tâche indique le retard que l’on peut admettre dans sa réalisation (sous
réserve qu’elle ait commencé à sa date au plus tôt) sans modifier les dates au plus tôt des tâches
suivantes et sans allonger la durée optimale du projet.
Elle se calcule en retirant la durée de la tâche en question à l’écart qu’il peut y avoir entre ses
dates au plus tôt de début et de fin:
Marge libre tâche "ij" = Date au plus tôt "étape j" - Date au plus tôt "étape
i" - Durée tâche "ij"
Un retard correspondant à la marge libre d’une tâche reste sans conséquence sur les marges
des tâches qui lui succèdent. Il est donc possible de cumuler des retards, s’inscrivant dans leur
marge libre, pour plusieurs tâches successives, sans remettre en cause la durée optimale prévue
pour le projet.
La marge certaine d’une tâche indique le retard que l’on peut admettre dans sa réalisation
(quelle que soit sa date de début) sans allonger la durée optimale du projet. Elle se calcule en
retirant la durée de la tâche en question à l’écart qu’il peut y avoir entre sa date au plus tard
de début et sa date au plus tôt de fin:
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
PERT 74
Marge certaine tâche "ij" = Max [ 0 , (Date au plus tôt "étape j" - Date au plus
tard "étape i" - Durée tâche "ij") ]
D’après cette formule, la marge certaine est considérée comme nulle lorsque son calcul
donne un nombre négatif Un retard correspondant à la marge certaine d’une tâche reste sans
conséquence sur les marges des tâches qui lui succèdent, même si elle commence à sa date au
plus tard. Il est donc possible de cumuler des retards, s’inscrivant dans leur marge certaine,
pour plusieurs tâches successives, même si elles commencent à leur date au plus tard, sans
remettre en cause la durée optimale prévue pour le projet. On remarque que l’ensemble des
marges des tâches composant le chemin critique sont nécessairement nulles, puisqu’il s’agit
de tâches pour lesquels, par définition, aucun retard n’est possible sans remettre en cause la
durée optimale prévue pour le projet.
Exemple
• Dans un premier temps, en utilisant l’exemple précédent, on construit un graphe provisoire
en respectant les consignes ci-dessus et en s’aidant des niveaux des tâches qui sont des arcs et
non des sommets). Les noms donnés aux sommets sont arbitraires.
F
C0 = {a, c, d}
ES
C1 = {b, g}
C2 = {e, f }
C3 = {h}
C4 = {i}
• Représentation graphique en fonction des niveaux des sommets ou étapes (dans le cas
présent la représentation est semblable à la première représentation provisoire)
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
PERT 75
Une étape n ne pouvant débuter que lorsque toutes les étapes qui y aboutissent sont terminées,
t n correspond à la valeur du chemin de valeur maximale aboutissant à n. Ceci sera obtenu en
utilisant l’algorithme de Ford, après avoir ordonné le graphe par niveaux des étapes.
tn = max[tm + V (m, n)], le max étant pris sur les précédents m de n.
t1 = 0
t2 = t1 + V (1, 2) = 0 + 4 = 4
t3 = M ax[t1 + V (1, 3); t2 + V (2, 3)] = M ax[4; 10] = 10
t4 = M ax[t1 + V (1, 4); t3 + V (3, 4)] = M ax[12; 10] = 12
t5 = M ax[t2 + V (2, 5); t4 + V (4, 5)] = M ax[11; 22] = 22
t6 = M ax[t3 + V (3, 6); t5 + V (5, 6)] = M ax[34; 32] = 34
t7 = t6 + V (6, 7) = 34 + 3 = 37
Ces résultats peuvent être reportés sur le graphe
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
PERT 76
La date de début au plus tôt d’une tâche x est égale à la date de début au plu tôt de l’étape
dont elle est issue.
Tx = tn si la tâche x est issue de l’étape n
Il s’agit de la date au plus tard à laquelle peut commencer une étape sans remettre en cause
la date de fin des travaux. Ceci sera obtenu en commençant par les sommets de niveau les plus
élevés jusqu’aux sommets de niveau les plus faibles.
t∗x = tx pour le sommet terminal
t∗n = min[t∗m − V (n, m)], le min étant pris sur les suivants m de n.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
PERT 77
t∗7 = t7 = 37
t∗6 = t∗7 − V (6, 7) = 37 − 3 = 34
t∗5 = t∗6 − V (5, 6) = 34 − 10 = 24
t∗4 = t∗5 − V (4, 5) = 24 − 10 = 14
t∗3 = M in[t∗6 − V (3, 6); t∗4 − V (3, 4)] = M in[34 − 24; 14 − 0] = 10
t∗2 = M in[t∗5 − V (2, 5); t∗3 − V (2, 3)] = M in[24 − 7; 10 − 6] = 4
t∗1 = M in[t∗4 − V (1, 4); t∗2 − V (1, 2); t∗3 − V (1, 3)] = M in[14 − 12; 4 − 4; 10 − 4] = 0
Ces résultats peuvent être reportés sur le graphe
F
ES
La date de début au plus tard d’une tâche x est égale à la date de début au plu tard de l’étape
à laquelle elle aboutit, diminuée de la durée de la tâche
T∗x = t∗m − V (n, m), si la tâche x va du sommet n au sommet m
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
PERT 78
C’est le retard maximum que l’on peut prendre dans la mise en route d’une tâche sans remettre
en cause les dates au plus tard des tâches suivantes (donc sans retarder la fin des travaux).
mt(x) =T∗x − Tx
mt(a) = Ta∗ − Ta = 0 − 0 = 0
mt(b) = Tb∗ − Tb = 4 − 4 = 0
mt(c) = Tc∗ − Tc = 6 − 0 = 6
mt(d) = Td∗ − Td = 2 − 0 = 2
mt(e) = Te∗ − Te = 10 − 10 = 0
mt(f ) = Tf∗ − Tf = 0 − 0 = 0
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Le diagramme de GANTT 79
mt(g) = Tg∗ − Tg = 17 − 4 = 13
mt(h) = Th∗ − Th = 24 − 22 = 2
mt(i) = Ti∗ − Ti = 34 − 34 = 0
C’est le retard maximum que l’on peut prendre dans la mise en route d’une tâche sans remettre
en cause les dates au plus tôt des tâches suivantes (donc sans retarder la fin des travaux).
mL(x)=tm − tn − V (n, m), si la tâche x va du sommet n au sommet m
Remarque:
si du sommet d’arrivée m ne partent que des tâches fictives, on retiendra le minimum sur tous
les premiers sommets suivants d’où partent au moins une tâche réelle.
mL(a) = t2 − t1 − V (1, 2) = 4 − 0 − 4 = 0
mL(b) = t3 − t2 − V (2, 3) = 10 − 4 − 6 = 0
mL(c) = t3 − t1 − V (1, 3) = 10 − 0 − 4 = 6
mL(d) = t4 − t1 − V (1, 4) = 12 − 0 − 12 = 0
F
mL(e) = t5 − t4 − V (4, 5) = 22 − 12 − 10 = 0
ES
mL(f ) = t6 − t3 − V (3, 6) = 34 − 10 − 24 = 0
mL(g) = t5 − t2 − V (2, 5) = 22 − 4 − 7 = 11
mL(h) = t6 − t5 − V (5, 6) = 34 − 22 − 10 = 2
mL(i) = t7 − t6 − V (6, 7) = 37 − 34 − 3 = 0
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Le diagramme de GANTT 80
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Le diagramme de GANTT 81
Exercice 5.5 Le service de marketing de la Société des Huileries du Bénin a projeté entretenir
les différents appareils utilisés dans la production d’huile de coton. Cet entretien consiste à
exécuter un certain nombre d’activités qu’il faut planifier. A cet effet, le tableau suivant a été
dressé:
Opérations Antériorité Durée(mois)
A J 2
B I,G,J 4
C H 1
D C,H,E 2
E A,F 5
F H 3
G J 1
H - 2
I A,F,H 4
J - 2
F
1. Tracer une esquisse du réseau PERT de la planification du projet d’entretien (matrice des
ES
3. Dresser le tableau du programme du projet en y indiquant les marges totale, libre et liée
de chaque tâche. Achever le tracé du réseau PERT.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Le diagramme de GANTT 82
1. Construire la matrice des antériorités. Vérifier que cette matrice est antisymétrique.
2. Utiliser cette matrice des antériorités pour déduire les niveaux du réseau PERT et tracer
ce réseau PERT.
H J 11
I A,B,H 13
J B 9
K B 3
L B,K 15
M D,E 6
En utilisant les méthodes PERT et MPM, déterminez la durée totale du projet, ainsi que,
pour chaque tâche, la date de début au plus tôt, la date de début au plus tard, la marge libre,
la marge totale. Quelles sont les tâches critiques pour la réalisation du projet ? La tâche D est
retardée de 3 jours. Cela implique-t-il un retard sur le délai d’exécution du programme ?
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Chapitre Six
PERT probabiliste
• le temps optimiste qui est le temps le plus court qui serait suffisant pour exécuter la tâche:
T0
• le temps réel ou temps normal qui est le temps le plus probable nécessaire pour exécuter
la tâche Tr
• le temps pessimiste qui est le temps le plus long requis pour exécuter la tâche: Tp
1
Ti = (T0 + 4Tr + Tp )
6
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Probabilité de tenir le délai 84
type est: v
u n
uX
σ=t σj
j=1
Délai − Tm
U=
σ
F
ES
Z Délai2
1 1 t−Tm 2
p(Dlai1 < Trel < Dlai2) = √ e− 2 ( σ ) dt
Délai1 σ 2π
On a:
P (Délai1 < Trel < Délai2) = F (U2 ) − F (U1 )
avec
Délai2 − Tm Délai1 − Tm
U2 = et U1 =
σ σ
Notez que lorsque U = −a où a > 0 on a:
F (U ) = F (−a) = 1 − F (a)
La table de Gauss utilisée après avoir calculé la variable centrée réduite est la suivante :
Table de Gauss
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Probabilité de tenir le délai 85
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Probabilité de tenir le délai 86
Exercice 6.1 Soit à réaliser un projet qui répond aux contraintes d’antériorités suivantes:
Exercice 6.2 Une société d’élevage décide de construire un laboratoire pour son exploitation.
Les tâches et antériorités sont regroupées dans le tableau suivant:
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Probabilité de tenir le délai 87
3. Trouvez la probabilité pour que ce projet soit terminé en 32 jours (on considérera que le
nombre de tâches est très grand).
5. Les durées de la tâche H sont modifiées. Des informations plus précises indiquent que la
moyenne est 9 et l’écart type
6. Cette modification a-t-elle des conséquences sur les résultats des questions 3 et 4 ?
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Chapitre Sept
PROBLEMES DE TRANSPORT ET
D’AFFECTATION
peuvent être des tonnages disponibles sur des bateaux, des camions, des wagons, ou
encore des débits dans des canalisations, oléoducs, voies de transmission, etc.
Etant donné un réseau de transport. Le probléme à résoudre consiste à acheminer une
quantité maximale de x1 à xp en tenant compte des capacités de transport. La quantité φ(u)
transportée sur chaque arc u est nommée flux sur l’arc. Elle vérifie donc 0 ≤ φ(u) ≤ c(u).
En tout sommet x différent de la source x1 et du puits xp , on a une loi de conservation: La
somme des flux arrivant sur le sommet F est égale à la somme des flux partant du
sommet x.
Un flot Φ est déterminé par la donnée du flux pour tout arc du réseau de transport. La
valeur v(Φ) d’un flot est, par définition, la somme des flux partant de la source x1 ou bien elle
égale à la somme des flux des arcs arrivant sur le puits xp .
Exercice 7.1 On considére trois châteaux d’eau A, B et C gérés par un syndicat intercommu-
nal, alimentant quatre villages D, E, F et G. Le château d’eau A bénéficie d’une alimentation
et d’une réserve capables de débiter 45 l/s ; le château B peut seulement débiter 25 l/s et le
château d’eau C, 20 l/s. Plusieurs canalisations existent et leur débit en l/s, est mentionné
pour chacune sur la figure ci-aprés. Le village D aurait besoin d’un débit de 30 l/s, le village
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Flot dans un réseau de transport 89
Solution
F
Constatons d’abord que, si nous ajoutons au graphe représentant les canalisations avec leur
débit, une entrée (source) O et une sortie (puits) P, toutes deux fictives, on obtient un réseau
ES
de transport. On value les arcs (O,A), (O,B) et (O,C) leur attribuant comme capacités les
disponibilités respectives en A, B et C. De même, on value les arcs (D,P), (E,P) et (F,P) et
(G,P) par les besoins respectifs en D,E, F et G.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Problème de transport 90
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Problème de transport 91
Exemple
Données initiales
Tableau représentant les coûts entre des sources et des destinataires, ainsi que les stocks
disponibles pour les sources et les demandes des destinataires :
Le regret le plus important est celui de la colonne 5 : 20. Dans cette rangée, on repère le
coût minimal : C(2,5) = 5.
Remplissage de la matrice des transports
Réitération du principe
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode de Balas-Hammer 92
ETC...
Résultat
On en arrive à établir le tableau des transports :
F
Le coût total se calcule par un produit scalaire entre les matrices des coûts et des transports.
ES
Ici, le coût optimal est donc : 0*10 + 19*6 + 5*3 + 25*5 + 0*25 + 15*5 + 1*2 + 0*6 + 0*12
+ 14*5 = 401
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode de Balas-Hammer 93
FIN
Exemple: Schéma de départ :
Tableaux des coûts de chaque trajet :
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode de Balas-Hammer 94
que 11.
4i = 11 − 10 sur la ligne 1
donc le second choix me fait perdre 1
Le choix se fait en prenant le plus gros de tous les deltas, Ligne et colonne.
Dans cet exemple, c’est D4 avec un delta de 8.
Maintenant on sature D4 .D4 a besoin de 25 unités. On choisi la ligne avec le deltaL le plus
haut. Ici ils sont tous égaux a 1 on prend au hasard, par exemple, je mets 25 unités sur A1 D4 ,
on a saturé D4 A1 qui produit 60 ne compte plus que pour 60 − 25 = 35 et on recalcule les
deltas.
Ce qui nous donne ce nouveau tableau :
F
ES
On recommence, on prend le plus grand delta (Ligne et colonne). C’est en D1 qui est égale
6.
On sature D1 avec le plus petit coût qui est A1D1. A dispose encore de 35. On met 35 dans
A1D1, On recalcule les deltas
On recommence, on prend le plus grand delta (Ligne, colonne). C’est en D2 qui est égale à
5. On sature A2D2 qui est moins cher. A2 produit 30. On met 30 dans A2D2.
Avec A3, il ne reste plus qu’a saturé le moins cher, cela revient à mettre les restes.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode de Balas-Hammer 95
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode de Balas-Hammer 96
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode de Balas-Hammer 97
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Méthode de Balas-Hammer 98
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Problème d’affectation 99
Coût de la solution
La solution trouvée avec cette méthode n’est pas optimale en termes de coût. On trouve
ici:
15*10 + 20*6 + 5*3 + 9*5 + 0*25 + 0*5 + 0*2 + 0*6 + 16*12 + 14*5 = 592.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Problème d’affectation 100
Etape 0
Pour chaque ligne de la matrice, on retire l’ensemble de la ligne la valeur minimale de celle-
ci. On obtient alors un problème équivalent au problème initial. La matrice a au moins un
zéro par ligne. On répète la même opération sur les colonnes. On obtient alors un problème
équivalent avec une matrice ayant un zéro par ligne et par colonne.
0 0 0
0 a2 a3 a4
0 0 0
b1 b2 b3 0
0 0 0
c1 c2 c3 0
0 0
d1 0 0 d4
Etape 1
Sélectionnez le maximum de zéros possible de façon à ce qu’il n’y ait qu’un zéro sélectionné
par ligne et par colonne. Si l’on a sélectionné n zéros alors on a trouvé l’affectation optimale,
on arrête l’algorithme.
0 0 0
0 a2 a3 a4
F
0 0 0
b1 b2 b3 0
ES
0 0 0
c1 c2 c3 0
0 0
d1 0 0 d4
Etape 2
Marquez chaque ligne n’ayant pas de zéro sélectionné. Marquez chaque colonne ayant un
zéro sur une ligne marquée. Marquez chaque ligne ayant un zéro marqué dans une colonne
marquée. Répétez cette opération jusqu’à un état stable.
×
0 0 0
0 a2 a3 a4
0 0 0
b1 b2 b3 0 ×
0 0 0
c1 c2 c3 0 ×
0 0
d1 0 0 d4
Sélectionnez alors la sous-matrice formée par les lignes marquées et par les colonnes non
marquées.
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Problème d’affectation 101
×
0 0 0
0 a2 a3 a4
0 0 0
b1 b2 b3 0 ×
0 0 0
c1 c2 c3 0 ×
0 0
d1 0 0 d4
Cette étape permet de sélectionner la plus grande sous-matrice n’ayant aucun zéro.
Etape 3
Trouvez la valeur minimum de la sous-matrice trouvée à l’étape 2. Il faut alors soustraire
cette valeur à toutes les lignes marquées, et l’ajouter à toutes les colonnes marquées.
Retournez à l’étape 1.
Exercice:
Affecter 4 personnes à 4 tâches comment faire ? Soit 4 personnes A, B, C, D et 4 tâches a, b,
c, d.
La méthode hongroise: Autre formulation
Le tableau représentant les coefficients de préférence des différentes personnes se présente
F
comme suit:
ES
A B C D E
a 9 6 7 3 4
b 2 1 9 1 8
c 4 3 2 2 7
d 9 1 8 8 3
e 1 7 8 9 5
La personne ’a’ veut vraiment aller sur le poste A éventuellement C voir B mais ne veut
pas aller en E ou D, etc...
La méthode hongroise est un algorithme de minimisation donc la première étape est de trans-
former la formulation du problème en introduisant la notion de regret.
Le regret est égal au max moins chaque note sur tout le tableau.
Exemple de la ligne 1
Le max égale 9
Les valeurs d’origine : 9 6 7 3 4
On fait 9− a chaque valeur, ce qui nous donne:
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Problème d’affectation 102
A B C D E
a 9-9 9-6 9-7 9-3 9-4
b 9-2 9-1 9-9 9-1 9-8
c 9-4 9-3 9-2 9-2 9-7
d 9-9 9-1 9-8 9-8 9-3
e 9-1 9-7 9-8 9-9 9-5
A B C D E
a 0 3 2 6 5
b 7 8 0 8 1
c 5 6 7 7 2
d 0 8 1 1 6
e 8 2 1 0 4
A B C D E
a 0 3 2 6 5
b 7 8 0 8 1
c 5 6 7 7 2
d 0 8 1 1 6
e 8 2 1 0 4
vi 0 2 0 0 1
A B C D E
a 0 1 2 6 4
b 7 6 0 8 0
c 5 4 7 7 1
d 0 6 1 1 5
e 8 0 1 0 3
Vi correspond au minimum de chaque colonne. Idem pour les lignes:
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Problème d’affectation 103
A B C D E Vi
a 0 1 2 6 4 0
b 7 6 0 8 0 0
c 5 4 7 7 1 1
d 0 6 1 1 5 0
e 8 0 1 0 3 0
A B C D E
a 0 1 2 6 4
b 7 6 0 8 0
c 4 3 6 6 0
d 0 6 1 1 5
e 8 0 1 0 3
Vi correspond au minimum de chaque colonne.
Au final on doit avoir un 0 pour chaque ligne et chaque colonne
F
Algorithme d’affectation des zéros.
Considérer les lignes ayant le nombre minimum de zéro (lignes a, c, d, dans notre exemple
ES
comportent un zéro)
1. Choisir la ligne ayant un nombre minimum de zéros, affecter le zéro à la liaison corre-
spondante. Le zéro est dit encadré.
Ex : Ligne, a, et affectons le zéro correspondant à la liaison aA, zéro (aA) encadré.
2. Du fait ce choix, il n’est plus possible d’utiliser le(s) zéro(s), s’il en existe, de la colonne
ou de la ligne correspondant à ce zéro encadré nous dirons que ce(s) zéro(s) est (sont barré(s).
ex : zéro (dA).
3. Retour en 1 tant qu’il existe des zéros non encadrés ou non barrés.
Pour des raisons d’affichage : les valeurs encadrées sont remplacées par du gras
Ligne a : aA, zéro (aA) encadré
Les 0 de la ligne a et de la colonne A sont barrés
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Problème d’affectation 104
A B C D E
a 0 1 2 6 4
b 7 6 0 8 0
c 4 3 6 6 0
d 60 6 1 1 5
e 8 0 1 0 3
Ligne c : cE, zéro (cE) encadré Les 0 de la ligne c et de la colonne E sont barrés
A B C D E
a 0 1 2 6 4
b 7 6 0 8 0B
c 4 3 6 6 0
d 60 6 1 1 5
e 8 0 1 0 3
A B C D E
a 0 1 2 6 4
b 7 6 0 8 60
c 4 3 6 6 0
d 60 6 1 1 5
e 8 0 1 0 3
Exercice 7.2 Une fabrique M a 4 machines et 4 tâches à compléter. Chaque machine doit lui
voir assigner une tâche. Le temps de mise en œuvre est donné par la table suivante :
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876
Problème d’affectation 105
T1 T2 T3 T4
Machine 1 14 5 8 7
Machine 2 2 12 6 5
Machine 3 7 8 3 9
Machine 4 2 4 6 10
F IN
F
ES
Cous de recherche opérationnelle pour ingénieurs Dr. Daniel SABI TAKOU /EPAC-UAC ©
sabitakoudaniel11@gmail.com/ 66464876