Académique Documents
Professionnel Documents
Culture Documents
Mai 2020
Sommaire
1 La programmation linéaire 3
1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Mise en équation d’un problème de programmation linéaire . . . . . . 3
1.3 Méthodes de résolution des problèmes linéaires . . . . . . . . . . . . . 5
3 Utilisation du Solveur en RO 32
3.1 Résolution d’un problème linéaire avec le Solveur d’EXCEL . . . . . . 32
3.2 Les rapports du solveur . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3 Application : Effet de publicité . . . . . . . . . . . . . . . . . . . . . 37
4 Théorie de l’ordonnancement 39
4.1 Définition et domaine d’application . . . . . . . . . . . . . . . . . . . 39
4.2 Problème classique : la gestion d’un projet . . . . . . . . . . . . . . . 40
4.3 Les méthodes d’ordonnancement . . . . . . . . . . . . . . . . . . . . . 42
4.4 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Bibliographie 48
i
Introduction générale
0.1.1 Définition de la RO
Il existe plusieurs définitions de la recherche opérationnelle, mais pour notre
part nous retiendrons essentiellement deux :
1. La Recherche Opérationnelle (RO) est « l’ensemble des méthodes qui per-
mettent, par des moyens mathématiques, d’apporter une solution optimale
à un problème donné ».
2. Selon Robert FAURE (1918-1982), la recherche opérationnelle se définit
comme l’ensemble des méthodes et techniques rationnelles d’analyse et
de synthèse des phénomènes d’organisation utilisables pour élaborer de
meilleures décisions.
1
Recherche opérationnelle
La programmation linéaire
1.1 Généralités
Programmation linéaire sous domaine de la recherche opérationnelle. Comme
son nom l’indique, la programmation linéaire fait référence aux problèmes
linéaires,c’est-à-dire les problèmes où la fonction objectif et les contraintes sont pu-
rement linéaires.
Dans ce chapitre, nous allons énoncer les étapes de formulation des problèmes
linéaires, c’est à dire des problèmes où l’on veut maximiser ou minimiser une fonction
à plusieurs variables sous certaines contraintes.
3
Recherche opérationnelle
qui se pose est la suivante : combien faut-il produire de châssis de chaque type par
semaine pour maximiser le profit net ?
Définition
1.2.3 1.2 On appelle
Expression desfonction objectif d’un problème d’optimisation le cri-
contraintes
tère de choix entre les diverses solutions possibles.
Définition 1.3 : On appelle contraintes du problème toutes les relations
Ici l’entreprise désire maximiser son profit net qui s’exprime comme suit :
limitant le choix des valeurs possibles des variables
max z = 3x1 + 5x2
Ces relations peuvent être de simples bornes sur les variables. Par exemple, les
quantités
1.2.3 produites ne peuvent
Expression être négatives. Mathématiquement :
des contraintes
Elles
Ces peuvent
relations être plus
peuvent êtrecomplexes
de simplescomme
bornes les
surcontrainte de capacité
les variables. de produc-
Par exemple, les
tion.quantité
Le temps produites ne peuvent1 être
pour assembler négatives.
châssis de typeMathématiquement
1 dans l’atelier 1 :est de 1 heure où
x1 , x2 ≥ 0. de capacité de l’atelier 1 :
il reste 4 heures disponibles. D’où la contrainte
Elles peuvent être plus complexes comme les contrainte de capacité de produc-
x1 ≤ 4
tion. Le temps pour assembler 1 chassis de type 1 dans l’atelier 1 est de 1 heure
où il reste 4 heures disponibles. D’où la contrainte de capacité de l’atelier 1 :
Semblablement, on peut écrire les contraintes de capacité des 2 autres ateliers :
x1 ≤ 4
2x2 ≤ 12 de capacité des 2 autres ateliers :
Semblablement, on peut écrire les contraintes
2x22 ≤≤1812
3x1 +2x
3x1 + 2x2 ≤ 18
Il est alors très utile de reprendre sous une forme condensée la formulation
complèteIl du
est problème.
alors très utile de obtient
Ici, on reprendre
la sous une forme
formulation condensée
suivante : la formulation
complète du problème. Ici, on obtient la formulation suivante :
max z =
3 x 1 + 5 x2
x1
≤ 4
2x2 ≤ 12
(1.1)
s.c.q.
3x1 + 2x2 ≤ 18
x1 ≥ 0
x2 ≥ 0
1.3.1
1.3 Résolution graphique
Résolution graphique
Comme annoncée dans l’introduction, dans le cas de deux variables de décision,
Comme annoncé dans l’introduction, dans le cas de deux variables de décision,
un problème linéaire
un problème peut
linéaire peutêtre
êtrerésolu
résolu de manièrepurement
de manière purementgraphique
graphique
en en suivant
suivant le le
processus
processus en trois
en trois étapessuivant
étapes suivant: :
1.
1. représentation graphique de
représentation graphique delalarégion
régionréalisable;
réalisable ;
2.
2. représentation de ;l’objectif,
de l’objectif
représentation graphique
3. détermination graphique du point optimal.
3. détermination graphique du point optimal.
z = 3x1 + 5x2 .
8 (1)
4
(2)
6
2 (3)
(5)
4
0 2 4 6 8 x1
2 (3)
Figure 1.1: Ensemble de production.
(5)
0 2 4 6 8 x1
En effet, on remarquera que l’expression de la fonction objectif fait intervenir trois
Figure 1.1: Ensemble de production.
variables et ne peut donc être représentée que dans l’espace. Pour se ramener dans
En effet, on remarquera que l’expression de la fonction objectif fait intervenir
le plan, on va considérer des valeurs successives de l’objectif :
troisEnvariables
effet, on remarquera
et ne peut quedoncl’expression de la fonction
être représentée que dans objectif fait intervenir
l’espace. trois
Pour se ramener
variables et ne peut donc être représentéez = k.
que dans l’espace.
dans le plan, on va considérer des valeurs successives de l’objectif : Pour se ramener dans
le plan, on va considérer des valeurs successives de l’objectif :
Cez=quik correspond
i.e 3x1 + 5x 2 = k
graphiquement à des droites parallèles
Ce qui correspond graphiquementz à=des k. droites parallèles
3x1 + 5x2 = k.
CeLes
quipoints d’unegraphiquement
correspond de ces droitesà sont donc leparallèles
des droites lieu de tous les points donnant la
même Les pointsdu
valeur d’une de (d’où
profit ces droites
le nom sontd’isovaleur
donc le lieudedelatous les points
fonction donnantCeci
objectif). la même
est fait
valeur suivante
à la figure du profit (d’où
où l’onle anom de3x 1 + z5x
droite
représente = k.
d’isovaleur
=2 10, 20 et de36.la fonction objectif). Ceci
est fait à la figure 1.2 où l’on a représenté z = 10, 20 et 36.
Les points d’une de ces droites sont donc le lieu de tous les points donnant la même
valeur du profit (d’où le nom x2 de droite d’isovaleur de la fonction objectif). Ceci
est fait à la figure 1.2 où l’on a représenté z = 10, 20 et 36.
10
x2 8
(2, 6)
106
84
(2, 6) (4 , 3)
62
z = 36
4
0 2 (4 , 3) 6 8 x1
z = 10 z =z20
2 = 36
Figure
0 21.2: Droites
6 d’isoprofit.
8 x1
z = 10 z = 20
1.3.1.3 Détermination graphique de l’optimum
Figure 1.2: Droites d’isoprofit.
L’optimum sera déterminé graphiquement comme plan de production situé sur
la droite d’isoprofit la plus élevée, c’est à celle qui donne le profit le plus élevé. On
voit à la figure ci-déçu qu’il s’agit du point
x∗ = (0, 0)
Ces relationsestpeuvent
L’objectif être de simples
de déterminer un plan bornes sur les variables.
de production Par le
qui maximise exemple, les
profit global.
quantité produites ne peuvent être négatives. Mathématiquement :
On vous demande alors de définir :
x1 , x2 ≥ 0.
1. les variables du modèle ; les différentes contraintes ; la fonction objectif ;
Elles peuvent être plus complexes comme les contrainte de capacité de produc-
2. Déterminer graphiquement le plan de production qui maximise le profit.
tion. Le temps pour assembler 1 chassis de type 1 dans l’atelier 1 est de 1 heure
où il reste 4 heures disponibles. D’où la contrainte de capacité de l’atelier 1 :
1.3.3 Algorithme du Simplexe
x1 ≤ 4
Semblablement,
1.3.3.1 Principe on depeut écrire les contraintes de capacité des 2 autres ateliers :
l’algorithme
2x2 ≤ 12
Le principe de l’algorithme de simplexe consiste à déterminer une solution
3x1 + 2x2 ≤ 18
optimale d’un problème en allant de sommet en sommet adjacent. Rappelons la
Il estdealors
formulation très utile
l’exemple de reprendre
introductif : sous une forme condensée la formulation
complète du problème. Ici, on obtient la formulation suivante :
max z =
3 x 1 + 5 x2
x1
≤ 4
2x2 ≤ 12
(1.1)
s.c.q.
3x1 + 2x2 ≤ 18
x1 ≥ 0
x2 ≥ 0
3x1 + 5x2 = k.
10
8
(2, 6)
6
4
(4 , 3)
2 z = 36
0 2 6 8 x1
z = 10 z = 20
La forme canonique d’un programme linéaire dans l’espace des variables ori-
ginales avait été illustrée par l’exemple introductif. Observons qu’il est toujours
possible de transformer une contrainte inégalité générale en une contrainte d’égalité
par ajout d’une variable à laquelle on impose d’être non négative. Considérons, par
exemple, la contrainte
3x1 + 2x2 ≤ 18
Imposer que le membre de gauche soit inférieur ou égal au membre de droite,
revient à dire qu’il faudrait ajouter une quantité non négative au membre de gauche
pour qu’il y ait égalité :
3x1 + 2x2 + x3 = 18
Avec la condition que : x3 ≥ 0
Définition 1.4 La variable d’écart est la quantité qui, ajoutée au membre
de gauche d’une contrainte, permet de transformer la contrainte en égalité.
Appliquons ceci au problème ci-déçu. On obtient le problème sous forme stan-
dard suivant :
les deux variables x1 et x2 peuvent être fixées à zéro. On dit qu’elles sont mises
hors base. les deux variables x1 et x2 peuvent être fixées à zéro. On dit qu’elles sont mises
hors base.
Définition 2.2 On appelle variables hors base (v.h.b.) les n variables de Rn+m
Définition
fixées à zéro. 1.5 :restantes
Les m variables On appelle variablesvariables
sont appelées hors base
de (v.h.b.) les n variables de
base (v.b.).
Rn+m fixées à zéro. Les m variables restantes sont appelées variables de base (v.b.).
Dans l’exemple, les variables de base sont donc x3 , x4 et x5 dont on peut lire
Dans
la valeur dans l’exemple,
(2.3) : les variables de base sont donc x3 , x4 et x5 dont on peut lire
la valeur dans (2.3) :
x = 4
x3 = 4 x4 = 12 x5 = 18 3
x4 = 12
Définition 1.6 On appelle solution de base une solution où en ayant choisi
x5 = 18
n variables hors base, on obtient une solution unique en résolvant les m contraintes
d’égalités
Définition obtenues
2.3 On appelleensolution
ajoutant
deles variables
base d’écart.
une solution où en ayant choisi n
variables hors base, on obtient
Définition 1.7 Onuneappelle
solutionsolution
unique enderésolvant les m contraintes
base réalisable une solution de base
d’égalités obtenues en ajoutant les variables d’écart.
qui, en plus, vérifie les contraintes de positivité.
Dans
Définition 2.4 Onl’exemple, la solution
appelle solution de base
de base suivante
réalisable une:solution de base qui,
en plus, vérifie les contraintes de positivité.
NAKELSE Pascal 11 Année académique 2019-2020
x3 = 4
x4 = 12
x5 = 18
Choix de la direction
x4 = 12 − 2x2 ≥ 0
x4 = 12 − 2x2 ≥ 0 x5 = 18 − 2x2 ≥ 0
5 = 18 :− 2x2 ≥ 0
ouxencore
où encore : 12
x2 ≤ = 612 x2 ≤=6
2 2
x2 ≤ = 918 18
2 x2 ≤ =9
2
On en conclut que la variable sortante est x4 , c’est-à-dire la première qui s’an-
On en
nule (pour = 6). que la variable sortante est x4 , c’est-à-dire la première qui
x2 conclut
s’annule (pour xgénérale,
De manière 2 = 6). on calcul le minimum du rapport du coefficient du
membreDe manière
de droitegénérale, on calcul ledeminimum
sur le coefficient du rapport
la variable dudans
entrante coefficient du membre
la même ligne lorsque
de droite sur le coefficient de la variable entrante dans la même ligne lorsque
celui-ci est positif.
celui-ci La variable
est positif. sortante
La variable est est
sortante celle dont
celle ononlitlitlalavaleur
dont valeurdans
dans la
la ligne
où celigne
minimum se produit.
où ce minimum se produit.
Calcul du nouveau sommet
2.5.3 Calcul du nouveau sommet
La question qui se pose est : comment calculer la nouvelle solution de base ?
LaOn va y répondre
question en utilisant
qui se pose la résolution
est : comment calculerde
la systèmes. Plus précisément,
nouvelle solution de base ? on va
calculerOn
la va
nouvelle solution
y répondre de baselaen
en utilisant explicitant
résolution le systèmePlus
de systèmes. ci-dessous en fonction
précisément, on
des va calculer variables
nouvelles la nouvelledesolution
base. de base en explicitant le système (2.3) en fonction
des nouvelles variables de base.
Ceci peut être fait au moyen de deux types d’opérations qui ne modifient pas
Ceci peut être fait au moyen de deux types d’opérations qui ne modifient pas
l’ensemble des solutions d’un système d’équations :
l’ensemble des solutions d’un système d’équations :
1. multiplier une égalité par une constante non nulle ;
1. Multiplier une égalité par une constante non nulle;
2. Additionner un multiple d’une équation à une autre équation.
2. Additionner un multiple d’une équation à une autre équation.
Appliquons ceci à l’exemple. Ajoutons au système de départ en première ligne
Appliquons
la définition ceci à l’exemple.
de la fonction objectif Ajoutons
: au système de départ (2.3) en première
ligne la définition de la fonction objectif :
z −3x1 + 52 x4 = 30 (0 )
x1 +x3 = 4 (1)
x2 + 12 x4 = 6 (2 )
3x1 −x4 +x5 = 6 (3 )
où l’on peut lire directement (en se souvenant que x1 et x4 sont hors base
où
doncl’on peut :lire directement (en se souvenant que x1 et x4 sont hors base donc
nulles)
nulles) :
z = 30
x3 = 4
z = 30
x2 = 6
x2
x5 = 6
x3
On en déduit la valeur de la nouvelle xsolution
5
de base :
(x1 , x2 , x3 , x4 , x5 ) = (0, 6, 4, 0, 6)
On en déduit la valeur de la nouvelle solution de base :
qui,donne
(x x , x la
, xnouvelle valeur
, x )=(0, 6, 4,de l’objectif :
0, 6)
1 2 3 4 5
On effectue généralement les calculs sur le tableau des coefficients qui porte le
nom de tableau Simplexe. Mais il faut bien garder à l’esprit que ce tableau et les
opérations que l’on va y effectuer ne sont qu’une traduction des opérations sur le
système d’équations algébriques correspondantes.
Définition 1.9 : Un tableau Simplexe est constitué des coefficients des
équations algébriques sans le nom des variables. On aura donc :
où l’on sépare les coefficients de objectif des contraintes d’une barre horizontale
et les
26 coefficients du membre de gauche des contraintes
Chapitre des coefficients
2. Algorithme du membre
du Simplexe.
de droite
26 par une barre verticale. Chapitre 2. Algorithme du Simplexe.
ParPar exemple,
exemple, le système
le système de départ
de départ : :
Par exemple, le système de départ :
z −3x1 −5x2 = 0
x11 −5x2 +x3
z −3x = 04
x1 2x2 +x3 +x4 = 124
3x1 +2x
2x22 +x4 +x5 = 18
12
sese met
met sous
sous la forme
la forme du tableau
du tableau suivant :
z x1suivant
x2 x: 3 x4 x5
z1 −3
x1 −5
x2 x03 x04 x05 0
01 −31 −50 01 0 0 40
0 01 20 01 10 0 124
0 03 2 0 10 01 18
12
On en déduit la solution
(x1 , x2courante
, x3 , x4 , x: 5 ) = (0, 0, 4, 12, 18)
Recherche opérationnelle
01 −3
1 −5
0 10 00 00 40
00 01 20 01 10 00 124
00 30 22 00 01 10 18
12
0 3 2 0 0 1 18
On sélectionne la variable sortante comme étant la variable de base qui s’annule
laOnOn sélectionne
première.
sélectionne lalavariable
variablesortante
Mathématiquement, sortante comme
celacomme
revient à étant
la la
calculer
étant variable
le de de
minimum
variable basebase
duqui qui
rapport s’annule
du
s’annule
coefficient
la première.
la première. du Mathématiquement,
membre de droite cela
Mathématiquement, decela
chaque
revientcontrainte
revient ààcalculer surleleminimum
calculer coefficientdu
minimum correspon-
du rapport
rapport du du
dant de
coefficientla colonne
du membre pivot lorsque
de droite ce dernier
de chaque est strictement
contrainte positif :
surlelecoefficient
coefficientcorrespondant
correspon-
coefficient du membre de droite de chaque contrainte sur
dant de la colonne pivot lorsque ce dernier est strictement positif :
de la colonne pivot lorsque ce dernier 12 18
12 18 min −,est strictement
, = 6. positif :
min 2 , 2 = 6 212 218
min −, , = 6.
DansDansle lecascas
oùoù
le le
coefficient
coefficient dans
dansla la 2 2 entrante
colonne
colonne entranteest est
négatif ou nul,
négatif la ligne
ou nul, la ligne
n’entre
Dans pas
casen compte dans le calcul du minimum. La variable sortante est alors la
n’entre pasle en où
comptele coefficient dans la
dans le calcul ducolonne
minimum. entrante est négatif
La variable ou nul,
sortante la ligne
est alors la
variable de base dont la valeur se lit dans la ligne où le minimum
n’entre pas en compte dans le calcul du minimum. La variable sortante est alors la se produit : ici,
variable de de
ilvariable
s’agit base dont la valeur se lit dans la variable
ligne oùxle . minimum sealors
produit : ici, il
delabase
deuxième
dont laligne et se
valeur donc de la
lit dans la ligne où 4le On encadrese
minimum la ligne
produit : ici,
s’agitil de
où la deuxième
le minimum
s’agit ligne ligne
se produit.
de la deuxième et Cette
donc de lade
et ligne
donc variable
reçoit le nom
la variable x4 . de
On encadre
x4 .ligne pivotalors
On encadre la ligne
: alors la ligneoù le
où le minimum
minimum se produit. se Cette
produit. Cette
ligne lignelereçoit
reçoit nom ledenom ligne depivot
ligne :pivot :
z x1 x 2 x 3 x 4 x 5
1z −3
x1 −5
x2 x03 x04 x05 0
01 −3
1 −5
0 10 00 00 40
00 01 20 01 10 00 124
00 30 22 00 01 10 18
12
0 3 2 0 0 1 18
Définition 2.7 On appelle élément pivot le coefficient situé à l’intersection de la
colonne pivot
Définition 2.7et On
de la ligne pivot.
appelle élément pivot le coefficient situé à l’intersection de la
colonne pivot1.9
Définition et de
: Onla ligne
appellepivot.
élément pivot le coefficient situé à l’intersection de
C’est donc le centre de la croix ainsi formée par la ligne et la colonne pivot.
la colonne pivot et de la ligne pivot.
C’est
Le donc le centre
pas suivant de de la croix Simplexe
l’itération ainsi formée par laàligne
consiste et la colonne
déterminer pivot.som-
le nouveau
C’est donc le centre de la croix ainsi formée par la ligne et la colonne pivot. Le
met :Lececi
pasensuivant
exprimant x2 dans laSimplexe
de l’itération deuxièmeconsiste
équation en lieu et place
à déterminer de x4 . Ceci
le nouveau som-
pas peut
suivant
être de
faitl’itération
par deux Simplexe
types consiste
d’opérations : à déterminer le nouveau
met : ceci en exprimant x2 dans la deuxième équation en lieu et place de x4 . Ceci sommet : ceci
en exprimant x2 par
peut être fait dans la types
deux deuxième équation: en lieu et place de x4 . Ceci peut être
d’opérations
fait par deux types d’opérations :
00 10 01 10 1/20 00 46
00 03 10 00 1/2
−1 01 66
0 3 0 0 −1 1 6
Le dernier pas de l’itération Simplexe consiste à déterminer la nouvelle so-
lution de base au moyen des deuxSimplexe
types d’opérations élémentaires sur le tableau
LeLedernier
dernier pasde
pas del’itération
l’itération consisteà àdéterminer
Simplexe consiste déterminerlalanouvelle
nouvelle so-
solution
Simplexe :
lution de base au moyen des deux types d’opérations élémentaires sur le tableau
de base au moyen des deux types d’opérations élémentaires sur le tableau Simplexe :
Simplexe :
1. Amener un 1 en position pivot;
1. Amener un 1 en position pivot ;
1.
2. Amener
Eliminerunx11des
en autres
position pivot;
contraintes.
2. Éliminer x1 des autres contraintes.
Le 2. Eliminer
résultat x1 deux
de ces des autres
types contraintes.
d’opérations est le suivant :
Le résultat de ces deux types d’opérations est le suivant :
Le résultat de ces deux types d’opérations est le suivant :
z x1 x2 x3 x4 x5
z1 x01 x02 x03 x4
3/2 x15 36
10 00 00 01 3/2
1/3 −1/31 362
00 00 10 01 1/3 −1/30
1/2 26
00 01 10 00 −1/3
1/2 1/30 62
0 −1/3
La nouvelle solution de0base1 et la0 nouvelle valeur 1/3 2
de l’objectif valent :
La nouvelle solution de(xbase
1 , x2 ,etx3
la, xnouvelle valeur
4 , x5 ) = de2,l’objectif
(2, 6, 0, 0) valent :
La nouvelle solution(xde1 , xbase
2 , x3 ,et
x4la z) = 36.
, x5nouvelle (2,valeur
6, 2, 0,de0)l’objectif valent :
z = 36.
Si maintenant, on prolonge
(x1, x2, parx3, lax4,troisième
x5) = (2,itération,
6, 2, 0, 0) on constate que lors du
premier pas de celle-ci, c’est-à-dire lors
Si maintenant, on prolonge par laztroisième de la sélection
itération, de on
la variable entrante,
constate que il
lors du
n’y a aucun = 36.
premier pas candidat.
de celle-ci,Onc’est-à-dire
arrête l’algorithme
lors de la: sélection
la solution decourante est entrante,
la variable optimaleil:
n’ySiamaintenant,
aucun candidat. On arrête par
on prolonge x∗1la troisième
l’algorithme
= 2 : la solution
itération, courante est optimale
on constate que lors: du
∗
premier pas de celle-ci, c’est-à-dire lors x21 de= la62sélection de la variable entrante, il n’y
a aucun candidat. On arrête l’algorithme xz ∗2 =: la636.
solution courante est optimale :
z ∗ = 36.
x∗1 = 2
x∗2 = 6
z ∗ = 36.
Exercice 1.3
Résoudre le problème de l’Exercice 1.2 en utilisant la méthode Simplexe.
Exercice 1.4
Soit le problème linéaire suivant :
2.1.1 Formulation
Tout programme linéaire possède un programme linéaire dual. Une des moti-
vations à cette notion de ”dual” a été de situer l’optimum d’un programme linéaire
(trouver un majorant de la fonction objective pour un problème de maximisation
et un minorant pour un problème de minimisation). Reprenons notre exemple du
problème de production :
maxz = 4x1 + 5x2
2x1 + x2 ≤ 8
(P ) x1 + 2x2 ≤ 7
x2 ≤ 3
x ,x ≥ 0
1 2
21
Recherche opérationnelle
Théorie
j=n i=m
X X
z(x) = cj x j ≤ bi yi = w(y)(∗)
j=1 i=1
en effet :
j=n j=n i=m i=m Xj=n i=m
X X X X X
cj x j ≤ ( aij yi )xj = ( aij xj )yi ≤ bi yi
j=1 j=1 i=1 i=1 j=1 i=1
Conséquence :
Si on arrive à trouver une solution réalisable de (P) et une solution réalisable
de (D) telle que la relation (*) soit une égalité, alors ces deux solutions seront
nécessairement optimales (pour leurs programmes linéaires respectifs).
Théorème de la dualité
Si le primal
Ax ≤ b
x≥0
cx = z(max)
où :
— xj= niveau de production du produit j (i.e. le nombre d’unités du produit
j fabriquées).
i=m
X
aij yi ≥ cj
i=1
Exemple
1. Couper le bois dur et laisser régénérer, ce qui coûte 10F/ha et génère des
recettes de 50F/ha.
2. Couper le bois et planter des pins, ce qui coûte 50F/ha et génère des recettes
de 120F/ha. Le budget dont dispose le forestier est de 4000F. Il s’agit
donc pour le forestier de prendre une décision optimale, i.e. de déterminer
la superficie sur laquelle il va appliquer l’option 1 et celle sur laquelle il
z = (max)40x1 + 70x2
x + x ≤ 100
1 2
(P )
10x1 + 50x2 ≤ 4000
xi ≥ 0i = 1, 2
2.2.1 Introduction
Dans cette section, nous allons voir comment va varier la valeur optimale de
l’objectif d’un programme linéaire lorsque l’on modifie certains coefficients du pro-
blème (coefficients objectif ou du membre de droite). C’est l’objet de ce que l’on
appelle l’analyse postoptimale.
Pour voir l’effet de tels changements de données, une solution naive consiste ‘ a
appliquer le Simplexe au nouveau problème et bien sûr on peut en déduire l’effet sur
l’objectif. Mais nous allons voir dans ce chapitre que, si la base optimale ne change
pas, on peut prédire sans aucun nouveau calcul l’effet de variation des données sur la
fonction objectif en exploitant simplement le tableau Simplexe optimal du problème
original.
Nous allons d’abord envisager le cas de la variation des coefficients du membre
de droite des contraintes. Nous allons voir que la variation de la va- leur optimale de
l’objectif d’un programme linéaire en fonction des coefficients du membre de droite
est donnée par la valeur des ”prix cachés” que l’on peut lire dans la ligne objectif du
jectif. Ici, nous verrons que le taux de variation de l’objectif est donné par la valeur
1.2.3 Expression
des variables des
à l’optimum. Icicontraintes
aussi, il y a un un domaine de validité pour ces valeurs
optimales des variables
Définition : elles contraintes
1.3 On appelle restent valables tant quetoutes
du problème la base
les optimale ne change
relations limitant
pas. le choix des valeurs possibles des variables.
Ces relations peuvent être de simples bornes sur les variables. Par exemple, les
Section
2.2.2 2.6.
Variation
quantité Tableau
produites Simplexe
nepar êtreetnégatives.
rapport
peuvent pivotage
au second membres
Mathématiquement : 29
LeConsidérons le deux
résultat de ces tableau final
types qui a été est
d’opérations déterminé au: chapitre 1.
le suivant
z x1 x2 x3 x4 x5
1 0 0 0 3/2 1 36
0 0 0 1 1/3 −1/3 2
0 0 1 0 1/2 0 6
0 1 0 0 −1/3 1/3 2
La nouvelle solution de base et la nouvelle valeur de l’objectif valent :
Comme x3 , x4 et x(x5 sont
, x , les
x , variables
x , x ) =d’écart
(2, 6, des
2, 0,contraintes
0) de capacité des
1 2 3 4 5
trois ateliers, on en déduit les valeurs desz prix
= cachés
36. suivants :
Si Pascal
NAKELSE maintenant, on prolonge par la troisième
26 itération, onAnnée
constate que lors
académique du
2019-2020
premier pas de celle-ci, c’est-à-dire lors de la sélection de la variable entrante, il
n’y a aucun candidat. On arrête l’algorithme : la solution courante est optimale :
∗
Recherche opérationnelle
x1 = 4
x2
(3) (1)
x1 = 5
9 (1’)
x1 = 6
z = 3x1 + 5x2
6 (2,6)
(1”)
(2)
0
0 2 5 6 8 x1
x2
(3)
0
0 2 5 6 8 x1
(1)
Figure 4.2: Augmentation de la capacité du deuxième atelier
Une augmentation de capacité du deuxième atelier de b2 = 12 à b2 = 13 donne
Une augmentation
un déplacement de capacité
du point optimaldu(voir
deuxième
figureatelier
ci dessus) 12 àleb2nouveau
de b2 =vers = 13 donne
point :
0 ∗ un déplacement
∗
du point optimal (voir figure 4.2) vers le nouveau point :
x = x = (5/3, 13/2).
∗
En conséquence de quoi, laxnouvelle
= (5/3,valeur
13/2).de l’objectif est donnée par : Z 0 ∗ =
37,En
5. conséquence de quoi, la nouvelle valeur de l’objectif est donnée par :
D’où une variation nulle de l’objectif, ce5qui était bien prédit par la valeur nulle
z ∗ = 37,
du prix caché y2∗ :
D’où un accroissement
0 de l’objectif égal à la valeur du deuxième prix caché :
∆Z = Z ∗ − Z ∗ = 37, 5 − 36 = 23 = y2∗
3
Pour le deuxième∆zatelier,= z ∗ −auz ∗delà= 37,de5 −b2 36
= =18, la ∗
= ysolution
2.
optimale reste en
2
(0, 9). Le prix caché y2∗ change : y2∗ = 0. De même, une diminution en deçà de b2 = 6
va changer Pour leledeuxième atelier,
prix caché. On en au delà
déduit de ble2 = 18, la solution
domaine optimale
de validité de yreste en (0,9).
2 = 3/2. Il s’agit
Le prix caché y2∗ change :
de l’intervalle :b2 ∈ [6 , 18]. y2∗ = 0.
Enfin, considérons une augmentation de capacité du troisième atelier de b3 = 18
De même, une diminution en deçà de b2 = 6 va changer le prix caché. On en
à bdéduit
3 = 19.leComme
domaineon depeut le voir
validité de y2à∗ =la 3/2.
figureIl ci-dessous, cela donne
s’agit de l’intervalle : un déplacement
du point optimal vers x∗ = (7/3, 6). En conséquence de quoi, la nouvelle valeur de
0
b2 ∈ [6, 18].
l’objectif vaut : Z ∗ = 37.
Enfin,une
D’où considérons
variationune augmentation
nulle de l’objectif, de ce
capacité du troisième
qui était atelier
bien prédit pardela bvaleur
3 = 18nulle
à
du prixb = 19. Comme
3 caché y ∗ : on peut le voir à la figure 4.3, cela donne un déplacement du
3
point optimal 0
vers :
∆Z = Z ∗ − Z ∗ = 37 − 36 =x1∗==y(7/3, ∗
3 = 6).
Page 31 / 39
NAKELSE Pascal 28 Année académique 2019-2020
z ∗ = 37
3x1 + 2x2 = 24
(3”)
x2
3x1 + 2x2 = 18
(3) 9
z = 3x1 + 5x2 (7/3, 6)
(4,6)
6
(2)
0
0 2 5 6 8 x1
(1)
Page 32 / 39
2.2.3 Variation des coefficients objectifs
La question qui se pose ici est la suivante :Si on augmente le prix de vente
unitaire ou si l’on diminue le cout unitaire de production, quel est l’impact sur la
valeur de l’objectif ?
On peut prédire cette variation de l’objectif pour autant que la solution op-
timale optimale ne change pas. En effet, pour de faibles variations de coefficients
objectif la solution optimale ne change pas. Seul le profit optimal change. On peut
montrer le résultat suivant.
La valeur de la j ème variable à l’optimum (notée x∗j ) mesure l’augmentation de la
fonction objectif si l’on accroit d’une unité la marge unitaire cj .
Dans le cas de l’exemple illustré à la figure ci-dessous, les augmentations de
profit pour une augmentation unitaire de la marge des produits valent respective-
ment :x∗1 = 2; x∗2 = 6
En effet, si le profit passe de :M axz = 3x1 + 5x2 à la forme suivante (augmen-
tation de la marge de x1 ) :M axz 0 = 4x1 + 5x2 on peut voir graphiquement que le
changement de pente n’est pas suffisant pour changer de point optimum. Autrement
dit,(x∗1 = 2; x∗2 = 6) = (2, 6). Donc la solution optimale reste identique.
Seul le profit augmente :z 0 = 4 × 2 + 5 × 6 = 38.
On a donc une augmentation de profit :∆z = z 0 − z = 38 − 36 = 2 = x∗1 .
De manière semblable, si le profit passe de M axz = 3x1 + 5x2 à la forme
suivante (augmentation de la marge de x2 ) :M axz 0 = 3x1 + 6x2 . on peut voir que le
changement de pente n’est pas suffisant pour changer de point optimum. Autrement
dit (x∗1 = 2; x∗2 = 6) = (2, 6)
Donc la solution optimale reste identique. Seul le profit augmente :z 0 = 3 × 2 +
6 × 6 = 42.
On a donc une augmentation de profit :∆z = z 0 − z = 42 − 36 = 6 = x∗2
x2
10
8
(2, 6)
6
z = 4x 1 + 5x 2 = 38
4 z = 3x1 + 5x2 = 36
0 2 4 6 8 10 12 x1
z = 7, 5x1 + 5x 2 = 45
Utilisation du Solveur en RO
Introduction
Il existe plusieurs logiciels d’optimisation comme GAMS, LINGO, le Solveur
d’EXCEL. Dans ce cours nous présenterons le Solveur EXCEL. Le Solveur d’EX-
CEL est un résolveur d’équation ainsi qu’un optimiseur exploitant les techniques
de la programmation linéaire, de la programmation en nombres entiers et de la pro-
grammation non linéaire. En plus du Solveur nous présenterons le logiciel MS-project
qui est un outil très utilisé dans le suivi des projets.
32
entiers et de la programmation non linéaire.
Illustrons ceci sur l’exemple de l’entreprise de fabrication de chassis tiré
de [6]. Pour rappel, ce problème s’énonce ainsi : l’entreprise de fabrication de
chassis envisage la mise en production de deux nouveaux modèles (le chassis en
aluminium et le chassis en bois) Recherche opérationnelle
au moyen des capacités résiduelles de ses trois
ateliers : à savoir l’atelier 1 où sont fabriqués les cadres en aluminium, l’atelier
2 où sont fabriqués les cadres en bois et l’atelier 3 où le montage du verre sur le
chassis est réalisé
Le nombre pour les
d’heures deux typespar
nécessaires de produit
chassis. et le nombre d’heures encore dis-
Lepar
ponibles nombre d’heures
semaine sontnécessaires
donnés dansparle
produit et leci-dessous
tableau nombre d’heures
: encore dispo-
nibles par semaine sont donnés au tableau 6.1.
A B C D E
1 x1 x2 b
2
3 Profit : 3 5 =B3*$B$2+C3*$C$2
4 Atelier 1 : 1 0 =B4*$B$2+C4*$C$2 4
5 Atelier 2 : 0 2 =B5*$B$2+C5*$C$2 12
6 Atelier 3 : 3 2 =B6*$B$2+C6*$C$2 18
7 x1 positif : 1 0 =B7*$B$2+C7*$C$2 0
8 x2 positif : 0 1 =B8*$B$2+C8*$C$2 0
x∗1 = 2
x∗2 = 26
z ∗ = 36
Elle laisse le choix entre garder dans les cellules variables la solution obtenue
par le solveur soit rétablir la solution initiale (généralement zéro partout). Cette
boı̂te permet également de générer trois types de rapport : le rapport des réponses,
Microsoft Excel 12.0 Rapport des réponses
le rapport de sensibilité
Feuille: et le rapport des limites.
[Classeur1]Feuil1
Date du rapport: 06/09/2010 00:27:48
3.2.1 Le rapport des réponses
Cellule cible (Max)
Cellule Nom Valeur initiale Valeur finale
$D$3 Profit 0 36
Cellules variables
Cellule Nom Valeur initiale Valeur finale
$B$2 X1 0 2
$C$2 X2 0 6
Contraintes
Cellule Nom Valeur Formule État Marge
$D$4 Atelier 1 2 $D$4<=$E$4 Non lié 2
$D$5 Atelier 2 12 $D$5<=$E$5 Lié 0
$D$6 Atelier 3 18 $D$6<=$E$6 Lié 0
$D$7 X1 (positif) 2 $D$7>=$E$7 Non lié 2
$D$8 X2 (positif) 6 $D$8>=$E$8 Non lié 6
Remarquez que pour déterminer le nom, Excel fait, dans chaque cas, la conca-
ténation du premier commentaire rencontré dans la même ligne que la cellule et du
premier commentaire rencontré dans la même colonne que la cellule.
Cellules variables
Finale Réduit Objectif Admissible Admissible
Cellule Nom Valeur Coût Coefficient Augmentation Réduction
$B$2 X1 2 0 3 4,5 3
$C$2 X2 6 0 5 1E+30 3
Contraintes
Finale Ombre Contrainte Admissible Admissible
Cellule Nom Valeur Coût à droite Augmentation Réduction
$D$4 Atelier 1 2 0 4 1E+30 2
$D$5 Atelier 2 12 1,5 12 6 6
$D$6 Atelier 3 18 1 18 6 6
$D$7 X1 (positif) 2 0 0 2 1E+30
$D$8 X2 (positif) 6 0 0 6 1E+30
Produit A Produit B
Prix de vente 60 $ 41 $
Matériau requis 2 unités 1 unité
Main-d’œuvre 0,75 heure 0,5 heure
Usinage 1,5 heure 0,8 heure
Théorie de l’ordonnancement
4.1.1 Définition
Un problème d’ordonnancement consiste à organiser dans le temps la réalisa-
tion de tâches, compte tenu de contraintes temporelles (délais, contraintes d’enchaı̂-
nement) et de contraintes portant sur la disponibilité des ressources requises.
En production (manufacturière, de biens, de service), on peut le présenter
comme un problème où il faut réaliser le déclenchement et le contrôle de l’avancement
d’un ensemble de commandes à travers les différents centres composant le système.
Un ordonnancement constitue une solution au problème d’ordonnancement. Il
est défini par le planning d’exécution des tâches (ordre et calendrier) et d’allocation
des ressources et vise à satisfaire un ou plusieurs objectifs. Un ordonnancement est
très souvent représenté par un diagramme de Gantt.
39
Recherche opérationnelle
Il s’agit ici de calculer à quelles dates, au plus tôt, peuvent être réalisées les
différentes tâches du projet.
À partir de la tâche de début, calculer de la gauche vers la droite (calcul dit
”aller”) les dates au plus tôt de début (Dto) et de fin (F to) de chaque tâche en
partant de zéro (ou de la date de début du projet). Ce calcul donne un délai de
réalisation du projet. Ainsi on a :
Il s’agit ici de calculer à quelles dates, au plus tard, peuvent être complétées
les différentes tâches du projet sans remettre en cause la date de fin du projet. Ce
calcul prend comme hypothèse que le délai de réalisation du projet obtenu par le
calcul aller est acceptable.
À partir de la fin, Il s’agit donc d’effectuer sur le réseau, le calcul dit retour
(de droite vers gauche) pour déterminer les dates au plus tard de début (Dta) et
de fin (F ta) de chaque tâche. Ainsi on a :
— Date de fin au plus tard d’une tâche = la plus petite des dates de début au
plus tard des tâches qui lui succèdent.
— Date de début au plus tard = la durée de la tâche - sa date de fin au plus
tard.
Avec les calculs précédents, nous avons déterminé quatre dates pour chaque
tâche DT o, F T o, DT a et F T a. Il est à noter que le modèle peut être simplifié avec
seulement 2 dates : F T o et F T a puisque le DT o d’une tâche = le F T o de la tâche
qui la précède. Dans le même ordre d’idée, le DT a d’une tâche = le F T a de la tâche
qui la précède.
Chaque tâche a une durée maximum disponible = Fin tard (F T a) - Début tôt
(DT o).
Une tâche est critique si elle utilise cette durée maximum disponible, car elle
n’a aucune marge temporelle pour absorber un éventuel retard.
On associera donc à chaque tâche les marges qu’elle a sur les chemins qu’elle
compose. On distingue 2 types de marge :
Marge libre La marge libre correspond à la plage de temps ou délai dans laquelle
peut se déplacer librement la tache sans retarder aucune autre tache subséquente
(ie sans modifier, aucune des dates de début au plutôt des taches immédiatement
postérieures )
Marge totale La marge totale représente la plage de temps maximum (ou délai
maximum) dans laquelle peut se déplacer la tache sans pour autant modifier la date
de fin du projet. Elle s’obtient en faisant l’opération suivante :
La F ta-la F to de la tache considérée.
Une
Uneétape
étapeest
estreprésentée
représentéepar
parun
unrond
rondcontenant
contenantlelenuméro
numérode
del'étape,
l'étape,sasadate
datede
dedébut
débutauauplus
plustôt
tôtetetsasadate
date
de
de
Unedébut
—
étape
début au plus
Une
au est tard
étape:
représentée
plus tard : est représentée par un rond contenant le numéro de l’étape, sa
par un rond contenant le numéro de l'étape, sa date de début au plus tôt et sa date
de début au plus tard :
date de début au plus tôt et sa date de début au plus tard :
Toute tâcheaaToute
Toutetâche une
tâche
uneétape
étapede
a uneetétape
dedébut
début de début
uneétape
et une étape n: et
den
de : une étape de fin :
Toute tâche a une étape de début et une étape de n :
Graphes
22 A.Fredet
A. Fredet
2 A. Fredet
Dénition 1.1 Le chemin critique est la chaîne des tâches la plus longue, partant du début et aboutissant à la n.
L'addition de toutes les durées des tâches situées sur le chemin critiques donne le délai de réalisation du projet.
Définition 1 :Le chemin critique est la chaı̂ne des tâches la plus longue,
Exemple 1.1 Onduveut
partant représenter
début les informations
et aboutissant suivantes
à la fin. dans undegraphe
L’addition toutesde les
PERT : des tâches
durées
situées sur le chemin critiquesTâches A B Cdu projet.
donne le délai de réalisation D E
Tâches précédentes - - A A,B C,D
Durée minimale d'éxécution du projet 2 4 4 5 6
NAKELSE Pascal 43 Année académique 2019-2020
et donner le chemin critique pour ce projet.
On commence par ordonner les tâches :
Recherche opérationnelle
Dénition 1.1 Le chemin critique est la chaîne des tâches la plus longue, partant du début et aboutissant à la n.
L'addition de toutes les durées des tâches situées sur le chemin critiques
Tâches A donne
B leCdélai D
de réalisation
E du projet.
Exemple 1.1 On veut représenter
Tâches les informations suivantes dans un -graphe
précédentes - deAPERT
A, : B C,D
Durée minimale d’exécution
Tâches du projet A2 B 4 C 4 D 5 E 6
Tâches précédentes - - A A,B C,D
et donner le chemin critique pour ce projet. On commence par ordonner les tâches :
Durée minimale d'éxécution du projet 2 4 4 5 6
et donner le chemin critique pour ce projet.
On commence par ordonner les tâches :Niveau 0 Niveau 1 Niveau 2
Niveau
A, B 0 NiveauC, D 1 NiveauE 2
A, B C, D E
On ordonne les tâches, en plaçant les dates de début au plus tôt :
On ordonne les tâches, en placant les dates de début au plus tôt :
On complète avec les dates de début au plus tard, et on en déduit le chemin critique
On complète avec les dates de début au plus tard, et on en déduit le chemin
Graphes
critique
3 A. Fredet
Tâches A B C D E F G H I J K L
Tâches précédentes - A A B B C, I E, F - H H I K, J
Durée minimale d’exécution 3 1 5 6 4 2 9 5 8 2 3 7
Tâches A B C D E
Tâches précédentes - - A A, B C,D
Durée minimale d’exécution du projet 2 4 4 5 6
et donner le chemin critique pour ce projet.On commence par ordonner les tâches :
Graphes
On complète avec les dates de début au plus tard, et on en déduit le chemin critique
On complète avec les dates de début au plus tard, et on en déduit le chemin
critique
On complète avec les dates de début au plus tard, et on en déduit le chemin critique
1.3 Marges
Dénition 1.2 La marge totale sur une tâche est le retard que l'on peut prendre dans la réalisation de cette tâche
sans retarder l'ensemble du projet.
Elle estMarges
1.3 obtenue , en faisant pour chaque tâche, la diérence entre la date au plus tard de début d'une tâche et la
date au 4.4tôt. LaApplication
plus
Dénition 1.2 marge totale sur une tâche est le retard que l'on peut prendre dans la réalisation de cette tâche
sans retarder
Dénition 1.3Unl'ensemble
La margedulibre
projet.
sur une tâche est le retard que l'on peut prendre dans la réalisation d'une tâche sans
Elle est obtenue , en faisant
projet a pour
retarder la date de début au plus chaque
ététôt de touttâche,
décomposé enlatâche
autre 8diérence
tâches entre
A,
qui suit. B, la
C,date au F,
D, E, plusG,tard
H de début
dont les d'une tâche et la
durées
date au plus tôt.
connues (sauf pour G et les contraintes d’antériorité sont précisées dans le tableau
Dénition
1.4 1.3 La marge
Applications
ci-dessous : libre sur une tâche est le retard que l'on peut prendre dans la réalisation d'une tâche sans
retarder la date de début au plus tôt de tout autre tâche qui suit.
Exercice 1.2 Un projet a été décomposé en 8 tâches A, B, C, D, E, F, G, H dont les durées connues (sauf pour G
) et les contraintesTâches
d'antériorité sont préciséesAdansBle tableau
C D ci-dessous
E: F G H
1.4 Applications
Tâches
Tâches antérieure - A - B - C AD A,E B F B GE, FH C, F
Exercice 1.2 Un projet aDuré
été décomposé
(en jours)en 8 tâches
26 25 A, B,40C, D,
17 E, F,
8 G, 14
H dont
X les durées
4 connues (sauf pour G
) et les contraintesDurée
d'antériorité sont précisées dans le tableau ci-dessous
Tâches antérieures - - - A A,B B E,F C,F 4
(en jour) 26 25 40 17 8 : 14 X
1. Donnez les graphes PERTTâches A B C D
et MPM correspondant. E F G H
1. Donnez Duréles (en jours)
graphes PERT26et 25MPM 40 correspondant.
17
Par la suite, vous utiliserez au choix l'un des deux graphes. 8 14 Par
X la suite,
4 vous utili-
Tâches antérieures - -
serez au choix l’un des deux graphes. - A A,B B E,F C,F
1. Donnez les graphes PERT et MPM correspondant. 5 A. Fredet
Par la suite, vous utiliserez au choix l'un des deux graphes.
NAKELSE Pascal 46 Année académique 2019-2020
5 A. Fredet
Recherche opérationnelle
2. Indiquez, sur le graphe choisi, les dates de début au plus tôt des tâches D,
E, F, G et H.
3. Déterminez la durée minimale d’exécution du projet et le chemin critique
dans chacun des cas suivants :
(a) Hypothèse 1 : X = 4 ;
(b) Hypothèse 2 : X = 6 ;
(c) Hypothèse 3 : X = 9.
4. On estime que les trois hypothèses précédentes ont les probabilités respec-
tives :
(a) p4 = P(X = 4) = 0,3 ;
(b) p6 = P(X = 6) = 0,6 ;
(c) p9 = P(X = 9) = 0,1.
48
Table des matières
1 La programmation linéaire 3
1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Mise en équation d’un problème de programmation linéaire . . . . . . 3
1.2.1 Choix des variables du modèle . . . . . . . . . . . . . . . . . . 4
1.2.2 Déclaration et définition de la fonction économique du pro-
blème (ou fonction objectif) . . . . . . . . . . . . . . . . . . . 4
1.2.3 Expression des contraintes . . . . . . . . . . . . . . . . . . . . 5
1.3 Méthodes de résolution des problèmes linéaires . . . . . . . . . . . . . 5
1.3.1 Résolution graphique . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1.1 Représentation graphique de la région réalisable . . . 6
1.3.1.2 Représentation graphique de la fonction objectif . . . 6
1.3.1.3 Détermination graphique de l’optimum . . . . . . . . 7
1.3.2 Exercices d’application . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Algorithme du Simplexe . . . . . . . . . . . . . . . . . . . . . 9
1.3.3.1 Principe de l’algorithme . . . . . . . . . . . . . . . . 9
1.3.3.2 Formes canoniques d’un programme linéaire . . . . . 10
1.3.3.3 Notion de solution de base . . . . . . . . . . . . . . . 11
1.3.3.4 Initialisation de l’algorithme . . . . . . . . . . . . . . 12
1.3.3.5 Une itération simplexe . . . . . . . . . . . . . . . . . 13
1.3.3.6 Tableau Simplexe . . . . . . . . . . . . . . . . . . . . 15
1.3.3.7 Exercices d’application . . . . . . . . . . . . . . . . . 20
49
Recherche opérationnelle
3 Utilisation du Solveur en RO 32
3.1 Résolution d’un problème linéaire avec le Solveur d’EXCEL . . . . . . 32
3.1.1 Présentation du modèle . . . . . . . . . . . . . . . . . . . . . 32
3.1.2 Résolution du problème . . . . . . . . . . . . . . . . . . . . . 33
3.2 Les rapports du solveur . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.1 Le rapport des réponses . . . . . . . . . . . . . . . . . . . . . 36
3.2.2 Rapport de sensibilité . . . . . . . . . . . . . . . . . . . . . . 37
3.3 Application : Effet de publicité . . . . . . . . . . . . . . . . . . . . . 37
4 Théorie de l’ordonnancement 39
4.1 Définition et domaine d’application . . . . . . . . . . . . . . . . . . . 39
4.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.1.2 Domaines d’application . . . . . . . . . . . . . . . . . . . . . . 39
4.2 Problème classique : la gestion d’un projet . . . . . . . . . . . . . . . 40
4.2.1 Notions de base . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.1.1 Dates au plus tôt (Dto) . . . . . . . . . . . . . . . . 40
4.2.1.2 Dates au plus tard (Dta) . . . . . . . . . . . . . . . 41
4.2.1.3 Calcul des marges temporelles . . . . . . . . . . . . . 41
4.3 Les méthodes d’ordonnancement . . . . . . . . . . . . . . . . . . . . . 42
4.3.1 Diagramme de PERT . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.1.2 Principe . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.3.2 Méthode MPM . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Bibliographie 48