Chapitre 2 – Solutions des exercices de révision

Section 2.1 Quelques exemples de base

1. Les roubachki de la maison Kalinine.

On associe une variable de décision entière à chacun des quatre modèles :

xJ = nombre de roubachki du modèle J fabriquées et vendues le mois prochain,
où J = C (La Cosaque), U (L’Ukrainienne), S (La Slavonne) et T (La Tatare). L’objectif de
Kalinine est de maximiser la fonction z, où
z = 20 xC + 24 xU + 24 xS + 30 xT.
Les coefficients de z sont obtenus en soustrayant les coûts de fabrication du prix de vente : par
exemple, celui de xC se calcule ainsi:
44,50 – (7,50 + 15 + 2 ) = 20.
Les contraintes technologiques se regroupent en deux catégories. Il faut d'abord que le temps
utilisé dans chaque atelier n'excède pas le temps disponible.
Disp. Coupe 5 xC + 8 xU + 6 xS + 8 xT ≤ 21 000
Disp. Couture 10 xC + 8 xU + 7 xS + 6 x xT ≤ 33 000
Disp. Broderie 20 xC + 15 xU + 10 xS + 25 xT ≤ 50 000
Disp. Emballage 5 xC + 6 xU + 5 xS + 4 xT ≤ 25 000.

Il faut également tenir compte des contraintes du carnet de commandes.

Carnet Ukraine xU ≥ 1 000
Carnet Slavonne xS ≥ 1 300.

Le modèle admet plusieurs solutions optimales; le tableau suivant en décrit deux. Le profit
associé à ces deux plans de production est de 76 000 $.
Modèle C U S T
Solution 1 1 040 1 000 1 300 0
Solution 2 2 1 000 2 165 0

2. Planification hebdomadaire de la production.

On associe une variable de décision à chacun des cinq produits :

xj = nombre d’unités de Pj fabriquées durant la semaine,
2 Chapitre 2 – Les modèles linéaires

où j = 1, 2, 3, 4, 5. L’objectif du directeur de la production est de maximiser la fonction z, où

z = 420 x1 + 610 x2 + 380 x3 + 550 x4 + 180 x5.
Les contraintes technologiques se regroupent en deux catégories. Il faut d'abord que le temps
utilisé dans chaque atelier n'excède pas le temps disponible.
Atelier 1 2 x1 + 6 x2 + 2 x3 + 2 x4 + 4 x5 ≤ 250
Atelier 2 1 x1 + 1 x2 + 1 x3 + 3 x4 + 1 x5 ≤ 144
Atelier 3 2 x1 + 2 x2 + 4 x3 + 4 x4 + 2 x5 ≤ 160
Atelier 4 3 x1 + 3 x2 + 11 x3 + 1 x4 + 2 x5 ≤ 175.

Il faut également tenir compte des contraintes additionnelles mentionnées dans l'énoncé.
P1 vs P2 x1 – x2 ≥ 0
Min P4 x4 ≥ 15.

Le tableau suivant décrit une solution optimale. Le profit associé à ce plan de production est de
34 000$.
Produit P1 P2 P3 P4 P5
Valeur à l'optimum 25 25 0 15 0

3. La verrerie vénitienne.

(a) On associe une variable de décision entière à chacun des ateliers :

xJ = nombre de cuvées confiées à l'atelier J,
où J = M, N. L’objectif de l'importateur est de minimiser la fonction z, où
z = 2,8 xM + 2,4 xN.
Cette fonction-objectif représente les coûts (en millions de lires) que devra assumer l'importateur.

Les contraintes technologiques sont au nombre de trois, une par produit.

Min Vases 100 xM + 80 xN  2 000
Min Carafes 250 xM + 400 xN  6 000
Min Bonbonnières 750 xM + 400 xN  12 000.

Note. Une solution optimale donne : xM = 16 et xN = 5 et z = 56,8 (millions de lires).

(b) Il suffit d'ajouter la contrainte suivante : xM  2 xN.

Note. La solution optimale du modèle donné en (a) demeure optimale, car elle satisfait à la contrainte
supplémentaire.
Solutions des exercices de révision 3

(c) Il suffit d'ajouter la contrainte suivante : xM  xN + 2.

Note. De nouveau, la solution optimale du modèle donné en (a) demeure optimale, car elle satisfait à la
contrainte supplémentaire.

(d) Les contraintes technologiques 2 et 3 sont modifiées comme suit.

Min Carafes 225 xM + 360 xN  6 000
Min Bonbonnières 675 xM + 360 xN  12 000.

Note. Voici une solution optimale du modèle modifié : xM = 13 et xN = 9 et z = 58 (millions de lires).

4. Le lancement d'un nouveau produit.

Comme les coûts salariaux diffèrent d'un atelier à l'autre, on utilisera des variables de décision à
deux indices :
xIJ = nombre d'articles du modèle I fabriqués dans l'atelier J,
où I = S, L et J = A, B, C. L’objectif de la société XYZ est de maximiser la fonction z, où
z = 67,50 xSA + 73 xSB + 65 xSC + 65 xLB + 34 xLC.
Les coefficients de z sont obtenus en soustrayant du prix de vente les coûts salariaux ainsi que les
coûts des matériaux et les dépenses diverses : par exemple, celui de xSA se calcule ainsi :
135 – (5 × 11,50 ) – 10 = 67,50.
Les contraintes technologiques se regroupent en deux catégories. Il faut d'abord que le temps
utilisé dans chaque atelier n'excède pas le temps disponible.
Atelier A 5 xSA  2 000
Atelier B 4 xSB + 5 xLB  8 000
Atelier C 5 xSC + 8 xLC  4 000.

Il faut également tenir compte du marché potentiel tel qu'estimé par le service du marketing.
Demande S xSA + xSB + xSC  2 500
Demande L xLB + xLC  1 000.

Le tableau suivant décrit une solution optimale. Le profit associé à ce plan de production est de
210 300$.
Modèle A B C Total
Standard 400 1 300 800 2 500
De luxe – 560 0 560
4 Chapitre 2 – Les modèles linéaires

Note. On obtient un modèle équivalent en introduisant 2 variables d'étape xL et xS reliées aux variables xIJ
par les équations suivantes :
xS = xSA + xSB + xSC et xL = xLB + xLC.
La fonction-objectif s'exprime alors naturellement comme la différence entre les revenus nets (une fois
déduits les coûts des matériaux et les dépenses diverses) et les coûts de main-d'oeuvre :
z = 125 xS + 130 xL – 57,50 xSA – 52 xSB – 60 xSC – 65 xLB – 96 xLC.
Et les contraintes « Demande I » se récrivent sous la forme simplifiée suivante :
xS  2 500 et xL  1 000.

5. Les mélanges de café.

(a) Les variables de décision, notées xR1, xA1, xA2, xM2 et y, se définissent de la façon suivante :
xIj = nombre de kg de café de type I dans le mélange j
y = nombre de kg de café non incorporés dans les mélanges.

L’objectif du vendeur est de maximiser son revenu z, où

z = 2 xR1 + 2 xA1 + 2,8 xA2 + 2,8 xM2 + 1,5 y.

Les contraintes technologiques se regroupent en trois catégories. Il faut d'abord que le café utilisé
dans les mélanges n'excède pas la quantité disponible.
Robusta xR1  10 000
Arabica xA1 + xA2  20 000
Moka xM2  5 000.
Il faut également tenir compte des contraintes de mélange.
Mélange 1 xR1 = xA1
Mélange 2 4 xA2 = xM2.
Une dernière contrainte explicite les liens entre y et les autres variables de décision.
Défn Y xR1 + xA1 + xA2 + xM2 + y = 35 000.

Le tableau suivant décrit une solution optimale; celle-ci recommande au vendeur d'écouler 8 750
kg de café non mélangé, au prix de 1,50 $/kg. Le profit associé est de 70 625$.

Mélange R A M Total
M1 10 000 10 000 – 20 000

M2 – 1 250 5 000 6 250

Solutions des exercices de révision 5

Note. Il est possible ici de recourir à une seule variable de décision par mélange, car les proportions des
matières premières dans chaque mélange sont fixées de façon exacte par le contexte. Cette approche ne
s'applique cependant pas aux questions (b) et (c) dans lesquelles ces proportions sont soumises à des
contraintes sans être déterminées précisément. Voici un modèle équivalent comportant seulement 2
variables de décision. On pose
xj = nombre de kg du mélange j fabriqués et vendus.
Alors :
xR1 = xA1 = 0,5 x1 et xA2 = 0,2 x2 et xM2 = 0,8 x2
z = 2 x1 + 2,8 x2 + 1,5 (35 000 – x1 – x2) = 0,5 x1 + 1,3 x2 + 52 500.
Le modèle ci-dessus se réécrit donc de la façon équivalente suivante :
Max z = 0,5 x1 + 1,3 x2 + C
sous les contraintes technologiques :
0,5 x1  10 000
0,5 x1 + 0,2 x2  20 000
0,8 x2  5 000
C = 52 500.

(b) Il suffit de modifier les contraintes « Mélange j » du modèle (a) comme suit.
Mélange 1 xR1 ≥ xA1
Mélange 2 xM2  4 xA2.
Cette fois, le revenu optimal, qui est de 90 000 $, s'obtient en vendant 10 000 kg du mélange 1,
composé à 100% de robusta, et 25 000 kg du mélange 2, composé à 80% d'arabica et à 20% de
moka. Tout le café disponible est alors vendu comme mélange.

(c) À nouveau, il suffit de modifier les deux contraintes « Mélange j » du modèle (a).
Mélange 1 xR1 ≥ xA1
Mélange 2 xM2 ≥ 4 xA2.
Les revenus maximaux s'élèvent cette fois à 75 000 $. Le tableau suivant décrit plan optimal de
mélange qui recommande au vendeur d'écouler les 35 000 kg de café dans les mélanges.

Mélange R A M Total
M1 10 000 18 750 – 28 750

M2 – 1 250 5 000 6 250

6 Chapitre 2 – Les modèles linéaires

6. Les policiers.

(a) Les variables de décision sont x0, x4, x8, x12, x16, x20, y0, y4, y8, y12, y16 et y20, où, par
exemple,
x4 = nombre de policiers qui prennent leur service à 4 h pour une période de huit heures
y4 = nombre de policiers qui prennent leur service à 4 h pour une période de douze heures.
L'objectif est de minimiser les coûts salariaux z d'une journée typique, où
z = 8 (x0 + x4 + x8 + x12 + x16 + x20) + 14 (y0 + y4 + y8 + y12 + y16 + y20).
À chaque période de la journée est associée une contrainte technologique qui exige que le nombre
de policiers en poste soit suffisant pour un service adéquat.
00h-04h x0 + y0 + y16 + x20 + y20  24
04h-08h x0 + y0 + x4 + y4 + y20  56
08h-12h y0 + x4 + y4 + x8 + y8  90
12h-16h y4 + x8 + y8 + x12 + y12  116
16h-20h y8 + x12 + y12 + x16 + y16  40
20h-00h y12 + x16 + y16 + x20 + y20  60.
À ces contraintes technologiques il faut ajouter des contraintes d'intégrité et de non-négativité
pour chaque variable. Le tableau suivant décrit deux solutions optimales dont le coût quotidien
est de 1 700 SHR, où SHR dénote le salaire horaire régulier.

Période 00h-04h 04h-08h 08h-12h 12h-16h 20h-00h 20h-00h

xj 4 14 38 - - 20
yj - 38 - 40 - -
xj - - 58 4 14 -
yj - 32 - 22 - 24

(b) Il suffit d'ajouter au modèle (a) les inéquations suivantes :

Supp jh 2 yj  xj j = 0, 4, 8, 12, 16, 20.
Ces contraintes additionnelles font augmenter le coût quotidien minimal à 1 764 SHR. Le
tableau ci-dessous décrit une solution optimale.

Période 00h-04h 04h-08h 08h-12h 12h-16h 20h-00h 20h-00h

xj - 28 48 36 - 28
yj - 14 - 18 - 14
Solutions des exercices de révision 7

Note - Autre présentation des modèles utilisés en (a) et en (b). Notons bi les besoins en policiers
pendant la période numéro i de la journée :
b1 = 24 b2 = 56 b3 = 90 b4 = 116 b5 = 40 b6 = 60.
Définissons cette fois xi et yi (i = 1, 2, 3, 4, 5, 6) comme le nombre de policiers qui prennent leur service
au début de la période numéro i et travaillent 8 heures consécutives (xi) ou 12 heures consécutives (yi). Le
modèle (a) s'écrit :
Min z = 8 (x1 + x2 + x3 + x4 + x5 + x6) + 14 (y1 + y2 + y3 + y4 + y5 + y6)
sous les contraintes :
xi + yi + xi–1 + yi–1 + yi–2  bi i = 1, 2, 3, 4, 5, 6
xi, yi  0 et entiers i = 1, 2, 3, 4, 5, 6
où, par convention, x0 = x6, y0 = y6 et y–1 = y5 . Pour tenir compte de l'exigence du directeur traitée en (b),
il suffit d'ajouter les inéquations suivantes :
2 yi  xi i = 1, 2, 3, 4, 5, 6.

(c) On définit cette fois les variables de décision de la façon suivante :

xj = nombre de policiers en congé le jour j et le lendemain,
où j = 1 (dimanche), 2 (lundi), ..., 7 (samedi). L'objectif consiste à minimiser le nombre total z
de policiers :
Min z = x1 + x2 + x3 + x4 + x5 + x6 + x7.
Les contraintes technologiques, au nombre de 7, exigent que le nombre de policiers en service
chaque jour soit au moins égal au nombre minimal requis indiqué dans le tableau de l'énoncé.
Min-Dim x2 + x3 + x4 + x5 + x6  175
Min-Lun x3 + x4 + x5 + x6 + x7  125
Min-Mar x1 + x4 + x5 + x6 + x7  120
Min-Mer x1 + x2 + x5 + x6 + x7  135
Min-Jeu x1 + x2 + x3 + x6 + x7  140
Min-Ven x1 + x2 + x3 + x4 + x7  240
Min-Sam x1 + x2 + x3 + x4 + x5  270.

Il faut au moins 270 policiers pour assurer le service minimal requis pendant une semaine typique.
Le tableau suivant décrit une solution optimale.
Jour j 1 2 3 4 5 6 7
yj - 135 5 130 - - -
8 Chapitre 2 – Les modèles linéaires

(d) Les variables de décision comportent deux indices, qui réfèrent aux deux jours de congé:
xij = nombre de policiers en congé les jours i et j,
où j = 1 (dimanche), 2 (lundi), ..., 7 (samedi). L'objectif consiste à minimiser le nombre total z
de policiers :
Min z = x12 + x13 + x14 + x15 + x16 + x17 + x23 + x24 +  + x56 + x57 + x67.
Les contraintes technologiques, au nombre de 7, exigent que le nombre de policiers en service
chaque jour soit au moins égal au nombre minimal requis indiqué dans le tableau de l'énoncé.
Min-Dim x23 + x24 + x25 + x26 + x27 + x34 + x35 + x36 + x37 + x45 + x46 + x47 + x56 + x57 + x67  175
Min-Lun x13 + x14 + x15 + x16 + x17 + x34 + x35 + x36 + x37 + x45 + x46 + x47 + x56 + x57 + x67  125
Min-Mar x12 + x14 + x15 + x16 + x17 + x24 + x25 + x26 + x27 + x45 + x46 + x47 + x56 + x57 + x67  120
Min-Mer x12 + x13 + x15 + x16 + x17 + x23 + x25 + x26 + x27 + x35 + x36 + x37 + x56 + x57 + x67  135
Min-Jeu x12 + x13 + x14 + x16 + x17 + x23 + x24 + x26 + x27 + x34 + x36 + x37 + x46 + x47 + x67  140
Min-Ven x12 + x13 + x14 + x15 + x17 + x23 + x24 + x25 + x27 + x34 + x35 + x37 + x45 + x47 + x57  240
Min-Sam x12 + x13 + x14 + x15 + x16 + x23 + x24 + x25 + x26 + x34 + x35 + x36 + x45 + x46 + x56  270.

Il faut encore au moins 270 policiers pour assurer le service minimal requis pendant une semaine
typique. La solution optimale de (c) décrite au tableau précédent est également optimale pour le
modèle (d) : il sufit de poser
x23 = 135 et x34 = 5 et x45 = 130 et toutes les autres variables xij sont nulles.

7. Le papetier.

(a) Il s'agit d'adapter le modèle considéré dans la section 2.1.7. Les variables de décision, au
nombre de 21 + 15 = 36, se définissent comme suit :
xi = nombre de bobines-mères découpées selon le plan de coupe i sur la machine A
yj = nombre de bobines-mères découpées selon le plan de coupe j sur la machine B.
L'objectif en (a) consiste à minimiser la somme z des chutes, où :
z = 0 x1 + 8 x2 + 10 x3 +  + 18 x20 + 0 x21 + 20 y1 + 4 y2 +  + 4 y15
sous les contraintes technologiques suivantes :
Rouleau 40 3 x1 + 2 x2 + 2 x3 +  + 0 x21 + 2 y1 + 1 y2 +  + 0 y15  250
Rouleau 32 0 x1 + 1 x2 + 0 x3 +  + 0 x21 + 0 y1 + 1 y2 +  + 0 y15  310
Rouleau 30 0 x1 + 0 x2 + 1 x3 +  + 0 x21 + 0 y1 + 0 y2 +  + 0 y15  50
Rouleau 24 0 x1 + 0 x2 + 0 x3 +  + 5 x21 + 0 y1 + 1 y2 +  + 4 y15  24.
Solutions des exercices de révision 9

Il est possible de ne produire aucune chute, par exemple en utilisant 323 bobines-mères de 120 cm :
x7 = 310 x17 = 13 et z = 0.

(b) Il suffit de remplacer la fonction-objectif z du modèle (a) par le nombre z' de bobines-
mères, où
z' = x1 + x2 + x3 +  + x20 + x21 + y1 + y2 +  + y15.
Il suffit de 200 bobines-mères de 120 cm pour satisfaire aux commandes, comme en fait foi la
solution optimale suivante :
x2 = 88 x5 = 74 x11 = 25 x17 = 13 et z' = 200.

(c) Il suffit de modifier la fonction-objectif du modèle (b). L'objectif devient :

Min z" = 1,25 (x1 + x2 + x3 +  + x20 + x21) + y1 + y2 +  + y15.
Une solution optimale donne cette fois :
x1 = 72 x7 = 7 x11 = 1 x21 = 1
y1 = 1 y3 = 25 y6 = 100 y15 = 1

z" = 228,25.

(d) On ajoute au modèle (a) la contrainte suivante :

Égalité BM x1 + x2 + x3 +  + x20 + x21 = y1 + y2 +  + y15.
Il est possible, en coupant 141 bobines-mères avec chaque machine, de ne produire aucune chute :
x1 = 37 x11 = 104 y3 = 141 et z = 0.

(e) On ajoute au modèle (a) les contraintes suivantes :

Égalité 40 3 x1 + 2 x2 + 2 x3 +  + 0 x21 = 2 y1 + 1 y2 +  + 0 y15
Égalité 32 0 x1 + 1 x2 + 0 x3 +  + 0 x21 = 0 y1 + 1 y2 +  + 0 y15
Égalité 30 0 x1 + 0 x2 + 1 x3 +  + 0 x21 = 0 y1 + 0 y2 +  + 0 y15
Égalité 24 0 x1 + 0 x2 + 0 x3 +  + 5 x21 = 0 y1 + 1 y2 +  + 4 y15.
Voici une solution optimale qui produit 260 cm de chutes :
x1 = 42 x11 = 52 x17 = 63
y3 = 126 y6 = 52 y15 = 13

(f) On ajoute au modèle (a) la contrainte suivante :

Égalité 3 x1 + 2 x2 + 2 x3 +  + 0 x21 = 0 y1 + 0 y2 + 2 y3 +  + 0 y15.
Plusieurs solutions ne produisent aucune chute. En voici une, qui exige 245 bobines-mères :
x1 = 55 x7 = 3 x11 = 103 y3 = 84 et z = 0.
10 Chapitre 2 – Les modèles linéaires

Section 2.2 Les variables binaires

1. Répartition de charges entre des camions.

Il s'agit d'adapter le modèle considéré dans la section 2.2.2 en définissant comme suit les
variables de décision :
vij = 1 si le camion actuellement dans la ville i va chercher la charge en j.

L'objectif est de minimiser la distance totale z parcourue à lège, où

z = 229 v11 + 229 v12 + 139 v13 +  + 212 v21 + 212 v22 + 114 v23 +  + 76 v77 .
Les contraintes technologiques forment deux groupes. Il faut d'abord que chaque camion soit
affecté à une et à une seule charge, ce qui se traduit par les 7 équations suivantes :
vi 1 + vi 2 + vi 3 + vi 4 + vi 5 + vi 6 + vi 7 = 1 i = 1, 2, 3, …, 7.
Il faut également que chaque charge soit cueillie par un et un seul camion :
v1 j + v2 j + v3 j + v4 j + v5 j + v6 j + v7 j = 1 j = 1, 2, 3, …, 7.

Les camions devront parcourir au minimum 462 km. Le tableau suivant décrit une solution
optimale.

Camion 1 2 3 4 5 6 7
Charge 6 7 3 1 5 4 2

2. La rotation du personnel militaire.

La situation se présente comme un problème d'affectation dans lequel les affectations corres-
pondant aux éléments de la diagonale sont interdites. On définit donc comme suit des variables
de décision vij (I = A, B, C, …, N et j = a, b, c, …, n) :
vIj = 1 si le sergent I muté au poste j.
Pour simplifier l'écriture des contraintes, nous introduisons des variables vIi , mais nous les
forcerons à s'annuler à l'optimum en les affectant dans la fonction-objectif d'un coefficient M très
élevé.

L'objectif est de minimiser le coût total z des mutations, où

z = M vAa + 12 vAb + 15 vAc +  + 6 vBa + M vBb + 14 vBc +  + 8 vNm + M vNn.
Solutions des exercices de révision 11

Les contraintes technologiques forment deux groupes. Il faut d'abord que chaque sergent soit
affecté à un et à un seul poste, ce qui se traduit par les 10 équations suivantes :
vI a + vI b + vI b + vI d + vI e + vI f + vI g + vI h + vI m + vI n = 1 I = A, B, C, …, N.
Il faut également que chaque poste soit comblé par un et un seul militaire :
vA j + vB j + vC j + vD j + vE j + vF j + vG j + vH j + vM j + vN j = 1 j = a, b, c, …, n.

Le modèle a été résolu en posant M = 500. Le tableau suivant décrit une solution optimale. Le coût
minimal des mutations s'élève à 96 000 $.

Sergent A B C D E F G H M N
Poste m f h e c b d a n g

3. Les candidatures.

Il s'agit d'adapter le modèle d'affectation non équilibré (PA5×3) considéré dans la section 2.2.2.
Nous définissons comme suit les variables de décision :
vIj = 1 si le candidat I est affecté au poste j.

L'objectif est de minimiser les coûts salariaux z, où

z = 20 vA1 + 20 vA5 + 30 vB2 + 30 vB4 + 25 vC3 +  + 27 vN6 + 21 vO3 + 21 vO5 .
Les contraintes technologiques forment deux groupes. Il faut d'abord que chaque candidat soit
affecté à au plus 1 poste, ce qui se traduit par les 15 inéquations suivantes.
Candidat A vA1 + vA5  1
Candidat B vB2 + vB4  1
Candidat C vC3 + vC6  1
Candidat D vD1 + vD2 + vD5  1
Candidat E vE2 + vE3 + vE6  1
Candidat F vF1 + vF3 + vF5  1
Candidat G vG5 + vG6  1
Candidat H vH3 + vH4 + vH5  1
Candidat I vI2 + vI4  1
Candidat J vJ1 + vJ3 + vJ6  1
Candidat K vK1 + vK2 + vK3  1
12 Chapitre 2 – Les modèles linéaires

Candidat L vL1 + vL3 + vL5  1

Candidat M vM5 + vM6  1
Candidat N vN1 + vN6  1
Candidat O vO3 + vO5  1.

Il faut également que chaque poste soit comblé par un et un seul candidat.
Poste 1 vA1 + vD1 + vF1 + vJ1 + vK1 + vL1 + vN1 = 1
Poste 2 vB2 + vD2 + vE2 + vI2 + vK2 = 1
Poste 3 vC3 + vE3 + vF3 + vH3 + vJ3 + vK3 + vL3 + vO3 = 1
Poste 4 vB4 + vH4 + vI4 = 1
Poste 5 vA5 + vD5 + vF5 + vG5 + vH5 + vL5 + vM5 + vO5 = 1
Poste 6 vC6 + vE6 + vG6 + vJ6 + vM6 + vN6 = 1.

Deux solutions optimales sont décrites dans le tableau ci-dessous. Dans les deux cas, les
candidats A, B, E, G, J et O se verront offrir un poste, et les coûts salariaux totaux sont de
144 000 dollars.

Poste 1 2 3 4 5 6
Affectation 1 : candidat J E O B A G
Affectation 2 : candidat A E J B O G

4. Une chaîne de petites quincailleries franchisées.

Pour déterminer à quels endroits la chaîne devrait s'implanter, il suffit de répondre, pour chaque
site j, à la question: la chaîne doit-elle retenir le site j, oui ou non? Nous définissons donc des
variables de décision binaires vj de la façon suivante :
vj = 1 si une quincaillerie est établie sur le site j.
L'objectif est de minimiser le coût total d'implantation z, où
z = 235 v1 + 345 v2 + 425 v3 + 300 v4 + 325 v5 + 450 v6 .
À chaque quartier est associée une contrainte technologique qui exige qu'au moins une franchise
soit située à 10 minutes ou moins du quartier.
Quartier A v1 + v4  1
Quartier B v1 + v2 + v5  1
Solutions des exercices de révision 13

Quartier C v1 + v3 + v4  1
Quartier D v2 + v4 + v6  1
Quartier E v3 + v5  1
Quartier F v4 + v6  1
Quartier G v1 + v2 + v5  1
Quartier H v2 + v6  1.

La chaîne devrait établir des quincailleries sur les sites 2, 4 et 5. Le coût minimal d'implantation
est de 970 milliers de dollars.

5. Choix parmi les commandes reçues.

Il faut, pour chaque commande j, répondre à la question: l'entreprise doit-elle retenir la

commande j, oui ou non? Nous introduisons donc des variables de décision binaires vj définies de
la façon suivante :
vj = 1 si la commande numéro j est retenue.

Le modèle s'écrit :
Max z = 100 v1 + 400 v2 + 200 v3 +  + 500 v8
sous les contraintes :
Atelier 1 6 v1 + 2 v2 + 3 v3 +  + 1 v8  24
Atelier 2 2 v1 + 8 v2 + 2 v3 +  + 7 v8  30
vj = 0, 1 j = 1, 2, ..., 8.

L'entreprise s'assure d'une contribution maximale de 2 600 $ en acceptant les commandes portant
les numéros 2, 4, 5, 6 et 8.

6. Un petit laboratoire technique.

Définition des variables de décision :

vi = 1 si le mandat Mi est accepté
wJ = 1 si la tâche J est complétée.
L'objectif s'écrit :
Max z = RevM – CoûtT
14 Chapitre 2 – Les modèles linéaires

où
RevM = 80 v1 + 70 v2 + 80 v3 + 80 v4 + 140 v5 + 70 v6 + 90 v7 + 100 v8
Coû-T = 50 wA + 80 wB + 240 wC + 110 wD + 40 wE + 90 wF .

Le modèle comporte 21 contraintes technologiques, toutes de la forme « vi  wJ », où J représente

l'une des tâches communes faisant partie du mandat Mi. Par exemple, la variable v7 apparaît dans
deux de ces inéquations :
v7  wA
v7  wE.

Le propriétaire du laboratoire peut réaliser des bénéfices nets maximaux de 110 000 $, en
appliquant l'une ou l'autre des stratégies suivantes :
 il accepte les mandats 5, 6, 7 et 8, ce qui l'oblige à compléter les tâches communes A, D, E et F;
 ou bien, en plus de ces quatre mandats, il accepte le mandat 1, ce qui l'oblige à ajouter la
tâche B à la liste des tâches communes à accomplir.
On observera, en effet, que la tâche B coûte 80 000 $ et que sa réalisation permet au propriétaire
d'accepter le mandat M1, qui lui rapporte un bénéfice net de 80 000 $.

Section 2.3 L’utilisation de variables binaires pour linéariser

1. Les coûts de mise en route des aléseuses.

La décision clé, pour une aléseuse, est de savoir si celle-ci doit être mise en route ou non. À cette
fin, nous introduisons des variables binaires vJ (J = A, B, C, D et E) :
vJ = 1 si l'aléseuse J est mise en route.
Il faut de plus déterminer combien de pièces seront traitées par chacune des aléseuses. Nous
ajoutons donc au modèle des variables entières xJ (J = A, B, C, D et E) :
xJ = nombre de pièces usinées par la machine J.

L'objectif est de minimiser le total z des coûts de mise en route et des coûts d'alésage :
Min z = 1000 vA + 500 vB +  + 300 vE + 2 xA + 4 xB +  + 5,5 xE .
Les contraintes technologiques forment deux groupes. Il faut d'abord exiger que 1500 pièces
soient alésées.
Total xA + xB + xC + xD + xE = 1 500.
Solutions des exercices de révision 15

De plus, le nombre xJ de pièces usinées par la machine J ne peut excéder sa capacité, qui est
nulle si la machine n'est pas mise en route.
Aléseuse A xA  600 vA
Aléseuse B xB  400 vB
Aléseuse C xC  500 vC
Aléseuse D xD  500 vD
Aléseuse E xE  400 vE .

Le coût minimal z* s'élève à 6 150 $. Le tableau suivant décrit une solution optimale.

Aléseuse A B C D E
vj 1 1 0 1 0
xj 600 400 – 500 –

2. L'implantation d'une usine.

Ici, la décision clé est de choisir la ville où sera implantée l'usine. Il suffit en fait de répondre,
pour chacune des deux villes J, à la question : l'usine sera-t-elle située ou non dans la ville J ?
À cette fin, nous introduisons des variables binaires vJ (J = A, B) :
vJ = 1 si CIMEX implante son usine en J.
Il faut de plus déterminer combien d'unités du produit fini seront fabriquées par la main-d'oeuvre
de chacun des deux types. Nous ajoutons donc au modèle des variables entières xJ (J = A, B et
I = T, M) :
xIJ = nombre d'unités fabriquées par la main-d'oeuvre de type I dans la ville J.

L'objectif est de minimiser le total z des coûts annuels de production :

Min z = 10 xTA + 11 xMA + 11,50 xTB + 10,50 xMB.
Les coefficients de z sont obtenus en additionnant les coûts de main-d'œuvre et ceux de la matière
première : par exemple, ceux de xTB et de xMA se calculent ainsi:
cTB = (1 × 9) + 2,50 = 11,50
cMA = (2 × 3) + 5 = 11.
Les contraintes technologiques forment trois groupes. Il faut d'abord choisir dans quelle ville sera
implantée l'usine et s'assurer que la production soit nulle dans la ville qui ne sera pas retenue.
Choix vA + vB = 1
16 Chapitre 2 – Les modèles linéaires

Implant A xTA + xMA  40 vA

Implant B xTB + xMB  40 vB.
Il ne faut pas excéder les disponibilités de techniciens mentionnées dans le tableau de l'énoncé.
DispTechn A xTA  15
DispTechn B xTB  15.
Enfin, l'usine de CIMEX doit produire 40 unités du produit fini.
Production xTA + xMA + xTB + xMB = 40.

Les coûts de production minimaux des 40 unités du produit fini s'élèvent à 420 000 $. Une
solution optimale propose que CIMEX s'implante dans la ville B et n'utilise que des manoeuvres :

vB = 1 xMB = 40 et z = 420.

3. Projets de confection.

Ici, la décision clé est de choisir quel projets seront menés à bien. Il suffit en fait de répondre,
pour chacun d'entre eux, à la question : le projet sera-t-il retenu ou non? À cette fin, nous
introduisons des variables binaires vj (j = 1, 2, 3, 4) :
vj = 1 si le projet j est mené à bien.
Il faut de plus déterminer combien d'articles seront confectionnés par le tailleur. Nous ajoutons
donc au modèle des variables entières xj (j = 1, 2, 3, 4) :
xj = nombre d'articles, décrits sous la rubrique du projet j, confectionnés par le tailleur.

L'objectif est de maximiser le profit total z :

Max z = 65 x1 + 20 x2 + 10 x3 + 30 x4.
Les contraintes technologiques forment trois groupes. Il faut d'abord choisir un maximum de 3
projets et s'assurer que le nombre d'articles xj soit d'au moins 10 quand le projet j est entrepris et
que, dans le cas contraire, les variables vj et xj soient toutes deux nulles.
Nb Projets v1 + v2 + v3 + v4  3
Lien vx 10 vj  xj  M vj j = 1, 2, 3, 4
où M est une constante positive suffisamment grande pour servir de borne supérieure aux valeurs
plausibles des variables xj . Noter que l'inéquation « 10 vj  xj » ne suffirait pas ici. En effet, elle
n'interdirait pas que vj = 0 et xj > 0, ce qui rendrait inopérante la contrainte «Nb Projets». Il faut
inclure la borne supérieure M vj, de façon à forcer vj à prendre la valeur 1 quand xj est positif, ce
qui garantit que la somme v1 + v2 + v3 + v4 représente réellement le nombre de projets qui seront
retenus.
Solutions des exercices de révision 17

Il faut également, pour chacune des trois ressources, que la quantité utilisée n'excède pas la
quantité disponible.
Doublure 5 x1 + 1,5 x2 + 2 x4  1 000
Velours 10 x1 + 2 x2 + 1,5 x3 + 2,1 x4  2 000
Temps 20 x1 + 5 x2 + 4 x3 + 12 x4  1 000.
Enfin, on traduit dans le modèle le fait que le veston du projet 2 doit, pour se vendre, former un
complet avec le pantalon décrit au projet 3, mais que le pantalon peut se vendre seul.
Complet x2 – x3  0.

Le modèle a été résolu en donnant à la constante M la valeur 300. Une solution optimale, qui
assure un profit de 3 330 dollars, suggère de mener à bien les projets 2 et 3 et de fabriquer 111
articles dans le cadre de chacun d'entre eux.

Note. Si le tailleur exigeait de mener à bien exactement 3 projets, la contrainte « Nb Projets » s'écrirait
avec un symbole d'égalité et le profit optimal baisserait à 3 310 dollars. Voici, en effet, une solution
optimale du modèle modifié :
v1 = v2 = v3 = 1 x1 = 10 x2 = 88 x3 = 90 z = 3 310 (dollars).

4. Mitraille.

(a) Strahlwerk doit d'abord fixer la production des deux types d'acier, ce qui se traduit dans le
modèle par des variables entières xj (j = 1, 2) définies de la façon suivante :
xj = quantité (en tonnes) d'acier Qj produit.
La décision clé, pour un fournisseur, est de savoir si Strahlwerk achetera de lui ou non de la
ferraille de récupération. À cette fin, nous introduisons des variables binaires vh (h = 1, 2, 3) :
vh = 1 si Strahlwerk achète de la mitraille du fournisseur h.
Il faut de plus déterminer la quantité à acheter de chacun des fournisseurs. Nous ajoutons donc au
modèle des variables entières x1h (h = 1, 2, 3) :
x1h = quantité (en tonnes) d'acier Q1 produit à partir de la mitraille du fournisseur h.

L'objectif est de maximiser les profits z :

Max z = 160 x1 + 130 x2.

Les contraintes technologiques forment quatre groupes. Le premier, formé d'une seule équation,
établit le lien logique entre la quantité d'acier Q1 produite et les achats auprès des fournisseurs.
18 Chapitre 2 – Les modèles linéaires

Défn x1 x1 = x11 + x12 + x13.

Le second traduit dans le modèle les priorités accordées par Strahlwerk aux différents
fournisseurs et les fourchettes imposées par ceux-ci.
Bornes x11 5 000 v1  x11  6 000 v1
Bornes x12 1 000 v2  x12  2 000 v2
Bornes x13 2 000 v3  x13  22 000 v3
Lien 12 x11  6 000 v2
Lien 23 x12  2 000 v3.
De plus, Strahlwerk ne peut excéder la limite de 9 170 tonnes d'acier Q2 mentionnée dans
l'énoncé.
Demande Q2 x2  9 170.
Enfin, Strahlwerk doit tenir compte du temps disponible.
Disp H-F 0,2 x1 + 0,3 x2  5 000
Disp Laminage 0,4 x1 + 0,3 x2  6 000.

Strahlwerk réalisera le profit maximal de 2 472 100 dollars en produisant 8 000 tonnes d'acier Q1
et 9 170 tonnes d'acier Q2.

(b) Il suffit de modifier le membre droit de la contrainte « Disp Laminage » :

Disp Laminage 0,4 x1 + 0,3 x2  5 825.
Le profit maximal chute alors à 2 421 700 dollars et s'obtient en produisant 7 685 tonnes d'acier
Q1 et 9 170 tonnes d'acier Q2.

(c) Il suffit de modifier la fonction-objectif :

z' = 160 x11 + 175 x12 + 140 x13 + 130 x2.
Le profit maximal s'élève alors à 2 447 500 dollars et s'obtient en produisant 8 000 tonnes d'acier
Q1 et 8 750 tonnes d'acier Q2.

5. Le problème de localisation de Solex.

(a) La fonction-objectif z, qui est exprimée en milliers de dollars, représente le total des coûts
d'implantation, des coûts variables de fabrication et des coûts de transport :
z = CoûtIm + CoûtFT
Solutions des exercices de révision 19

où
CoûtIm = 400 v1 + 200 v2 + 250 v3 + 300 v4
CoûtFT = 2 x11 + 3 x12 + 1 x13 +  + 2 x45 + 3 x46.

(b) 100 v1  x11 + x12 +  + x16  220 v1.

(c) x11 + x21 + x31 + x41 = 40.

(d) w1j + w2j + w3j + w4j  2 j = 1, 2, 3, 4, 5, 6.

(e) 10 wij  xij  80 wij i = 1, 2, 3, 4 et j = 1, 2, 3, 4, 5, 6

wi1 + wi2 + wi3 + wi4 + wi5 + wi6  6 vi i = 1, 2, 3, 4.

Note 1. Chaque contrainte du dernier groupe est équivalente à l'ensemble des 6 inéquations « wij  vi », où
j = 1, 2, 3, 4, 5, 6. Les inéquations doubles du 5e groupe garantissent que chaque marché se procurera au
moins 10 tonnes de moulée auprès de chacune des usines par lesquelles il sera approvisionné, que les
variables wij et xij seront toutes deux nulles ou toutes deux non nulles.

Note 2. Une solution optimale recommande d'implanter les usines 2 et 4, et d'approvisionner tous les
marchés à partir de ces usines. Le total des coûts d'implantation, des coûts variables de fabrication et des
coûts de transport s'élève alors à 1 220 000 $. Le tableau suivant décrit deux plans de transport associés à
la décision stratégique concernant la localisation des usines : il indique les valeurs des variables xij (i = 2, 4
et j = 1, 2, 3, 4, 5, 6), c'est-à-dire le nombre de milliers de tonnes qui seront expédiées des usines installées
à chacun des marchés.

Marché
Usine Total
1 2 3 4 5 6

2 16,7 40 15 50 23,3 10 155

4 23,3 10 10 10 56,7 30 140

2 30 10 15 50 40 10 155
4 10 40 10 10 40 30 140

Total 40 50 25 60 80 40 295