Recherche opérationnelle

Semestre 5

Prof: N.ababou nabilaababou@

gmail.com

Année universitaire : 2023/2024

 Plan
Partie I: Programmation linéaire
Objectif
Modélisation d’un programme linéaire (PL)
Résolution d’un PL par la méthode graphique
Résolution d’un PL par l’algorithme du simplexe
Dualité et conditions d'optimalité primal-dual
Partie II: Ordonnancement des tâches
Objectif
Diagramme de Gantt
Méthode MPM
Méthode PERT
2
 Partie: I
Programmation linéaire

3
 Introduction

Définition:
La recherche opérationnelle est l’ensemble de méthodes et
techniques (algorithmiques, mathématiques, modélisation) afin de
prendre des décisions optimales ou proches de l’optimum dans
des problèmes complexes, qui traitent de la maximisation d’un
profit ou la minimisation d’un coût.
Exemple:
• Comment aller le plus vite possible de Salé à Rabat, en voiture ?
• Comment ordonnancer les tâches d’un projet en fonction de la
main d’œuvre, tout en minimisant sa durée?
• Comment investir ses 1000 DH d’économie de sorte à
maximiser le profit obtenu après une période déterminée ?

4
Pourquoi un cours sur la programmation linéaire ?

Objectif : apprendre à modéliser les problèmes réels et

à résoudre les programmes linéaires.
De nombreux problèmes réels peuvent être exprimés
comme des programmes linéaires.
Les programmes linéaires peuvent être résolus
efficacement par certains algorithmes.
Ce sont d’excellents exemples de questions pratiques
dont la résolution nécessite une combinaison de
méthodes algorithmiques, de mathématiques
élémentaires et de bon sens.
5
 Introduction à la PL

La programmation linéaire = méthode permettant

d’optimiser (c'est-à-dire rendre le plus grand ou le
plus petit possible) une fonction linéaire, cela sous
certaines contraintes définies par des inégalités.
Les exemples habituels d’optimisation sont la
recherche d’un bénéfice maximal ou d’un coût
minimal.
Remarque: C’est grâce à cette méthode que les
problèmes de ravitaillement étaient résolus pendant la
seconde guerre mondiale.

6
 Exemples

Exemples (triviaux)
1. Une entreprise gagne 50 Dh chaque fois qu’elle
vend 1 litre de produit chimique. Elle désire
maximiser son profit.
2. Un laboratoire achète 30 Dh le litre de produit
chimique. Il dispose d’un budget de 1000 Dh.
Quelle quantité maximale peut-il acheter ?
3. Un laboratoire achète 30 Dh le litre de produit
chimique. Il dispose d’un budget de 1000 Dh et
veut en acheter au minimum 40 litres. Quelle
quantité maximale peut-il acheter ?
7
Exemple d’un PL

8
Exemple d’un PL

9
Exemple d’un PL

10
Exemple 3

11
Exemple: culture de courgettes et navets

Contraintes concernant les quantités d'engrais et

d'antiparasites
8L engrais A disponible
2L/m2 nécessaires pour courgettes, 1L/m2 pour navets
7L engrais B disponible
1L/m2 nécessaires pour courgettes, 2L/m2 pour navets
3L antiparasites disponible
1L/m2 nécessaires pour navets
Objectif : produire le maximum (en poids) de légumes, sachant
que les rendements sont 4kg/m2 courgettes, 5kg/m2 navets

12
Modélisation de culture de courgettes et navets

13
 Programme linéaire

Les problèmes de programmation linéaire (PL) sont des

problèmes d’optimisation où la fonction objectif et les
contraintes sont toutes linéaires.
Exemple:

14
 Introduction à la PL
Exemple
Une compagnie est spécialisée dans la production de deux types
de produits : des climatiseurs et des ventilateurs. Les deux
produits nécessitent un certain nombre d’heures de main d’œuvre.
Le tableau suivant donne les informations nécessaires sur les
deux produits, c’est-à-dire les nombres d’heures machine et
d’heures main d’œuvre nécessaires à la fabrication d’une unité de
chacun de ces produits, ainsi que le profit généré par la production
d’une unité de ce produit. Le tableau nous donne aussi le nombre
total d’heures machines et d’heures main d’œuvre disponibles.
Heures machine Main d’œuvre Profit
Climatiseur 2 h/unité 3 h/unité 25 DT/unité
Ventilateur 2 h/unité 1 h/unité 15 DT/unité
Total disponible 240 h 140 h

15
 Introduction à la PL
Formulation du programme linéaire

a) Variables de décision : doivent complètement

décrire les décisions à prendre.

La compagnie veut décider du nombre de

climatiseurs et du nombre de ventilateurs à produire
pour maximiser le profit. Ceci nous amène à choisir
les deux variables de décision suivantes :
x1 = nombre de climatiseurs
x2 = nombre de ventilateurs

16
 Introduction à la PL
b) Fonction objectif : dans n’importe quel programme
linéaire, le responsable de décision veut maximiser (en
général, le revenu ou profit) ou minimiser (en général le
coût) une fonction des variables de décisions. Cette
fonction est appelée “ fonction objectif ”.

L’objectif de l’entreprise est de déterminer le programme

de production qui maximisera son profit (Z=profit). La
fonction objectif s’écrit alors:

Max Z = 25x1 + 15x2

17
 Introduction à la PL
c) Contraintes du modèle : La limitation des ressources
contraint l’entreprise de la manière suivante :
1) Contraintes heure machine 2x1 + 2x2 ≤ 240
2) Contrainte main d’œuvre 3x1 + x2 ≤ 140
3) Contraintes de non-négativité (exprimant que les niveaux
d’activité ne peuvent être négatifs) x1 ≥ 0, x2 ≥ 0
Modèle complet : x1 = nbre de climatiseurs, x2 = nbre de
ventilateurs
Max Z = 25 x1 + 15 x2
s.c. 2x1 + 2x2 ≤ 240
3x1 + x2 ≤ 140
x1 ≥ 0, x2 ≥ 0
s.c = sous contraintes

18
 Introduction à la PL
Deux concepts fondamentaux associés à un PL.
1. Le domaine réalisable
Le domaine réalisable (DR) est l’ensemble de tous les points
satisfaisant toutes les contraintes du PL. Dans notre
exemple, le point (20,40) (Z= 280) appartient au DR. Ce point
est dit réalisable.
2. La solution optimale
Pour un problème de maximisation (min), une solution
optimale est un point du DR qui donne la valeur la plus large
(faible) de la fonction objective.
Exemple de solution
(20, 40) n’est pas une solution optimale car (10, 110) est
réalisable et donne Z = 1900 meilleur profit que Z= 1100
19
 Résolution d’un PL

Résolution graphique
Méthode de résolution d’un PL ne comportant
que 2 variables de décision.
Etapes à suivre
Représenter les droites des contraintes et
l’ensemble du domaine réalisable
Localiser la solution optimale
Calculer la solution optimale

20
Contrainte : inégalité à 2 variables

• a1x1 + a2x2 <= b ; b > 0, a1 >0, a2 > 0

21
Résolution graphique d’un PL
1ère étape : domaine réalisable
(PL) Max Z = 25 x1 + 15 x2
s.c. 2x1 + 2x2 ≤ 240
3x1 + x2 ≤ 140
x1 ≥ 0, x2 ≥ 0

Domaine réalisable

22
 Résolution graphique d’un PL

2ème étape : Recherche de la solution optimale

(PL) Max Z = 25 x1 + 15 x2
La fonction objectif Z = 25x1 + 15x2 représente pour Z fixé
(25x1 + 15x2 = cte) l’équation des courbes de niveau (des
droites de pente -5/3) qu’on appelle aussi ligne d’isoprofit
ou isocoût.
Maximiser Z revient à déplacer la ligne d’isoprofit dans la
direction qui augmente la valeur de Z (pour un pb de
maximisation). La dernière ligne qui touche le DR définit la
plus large valeur de toutes les solutions réalisables, et
contient la solution optimale

23
Résolution graphique d’un PL
2ème étape : Recherche de la solution optimale (suite)

Solution optimale

{B} = D ∩ D’

D’

24
Résolution graphique d’un PL
3ème étape : Calcul de la solution optimale

Solution optimale
{B} = D ∩ D’ d’équa0ons
respectives:
2x1 + 2x2 = 240
3x1 + x2 = 140
Donc x1=10, x2=110 et
Z*=1900

D’

D
25
 Interprétation

Dans le cas d’un (PL) à deux variables, on peut

envisager une résolution graphique.
Les contraintes où apparaissent des inégalités
correspondent géométriquement à des demi-
plans.
L’intersection de ces demi-plans forme
l’ensemble des variables satisfaisant à toutes les
contraintes (la partie hachurée de la figure
précédente.
26
 Comment obtenir la solution
La valeur de la fonction objective doit être la plus grande
possible (maximisation) et rencontrer l’ensemble des
variables qui satisfont les contraintes.
Pour déterminer cette valeur maximale, on fait donc «
glisser » la droite (translation parallèle à la direction de la
droite) du haut vers le bas jusqu’à rencontrer l’ensemble
des variables satisfaisant les contraintes.
Le maximum de F sur cet ensemble des contraintes est
alors atteint.
On obtient ainsi la solution optimale (x1, x2) = (10, 110)
et ce qui donne une valeur maximale max(F) = 1900.
27
Correction de l’exercice

28
Correction de l’exercice (suite)

29
Correction de l’exercice (suite)

30
Correction de l’exercice (suite)

31
 Correction de l’exercice (suite)

A la fonction objectif F, on fait correspondre une droite :

F(x1, x2) = 6x1 + 4x2 = Cte, de coefficient directeur -6/4.
Pour déterminer sa valeur maximale, on fait donc «
glisser » la droite (translation parallèle à la direction de
la droite) du haut vers le bas jusqu’`a rencontrer
l’ensemble des variables satisfaisant les contraintes. Le
maximum de F sur cet ensemble des contraintes est alors
atteint. On obtient ainsi la solution optimale
(x1,x2)=(15/2, 5).
Qui donne une valeur maximale max(F) = 65.
32
En général

33
Notions de convexité et points extrêmes

Définition : Un ensemble E non vide est dit convexe si et

seulement si pour tout élément x et y de E et pour tout λ Є
[0,1], λ x + (1- λ ) y Є E
Pour toute paire de points P1 et P2, l’ensemble des points qui
forment le segment [P1,P2] appartient au demi-plan.

Convexes Non convexes

Caractéristique d’un PL: le DR d’un PL est ou bien vide ou

convexe.
34
Notions de convexité et points extrêmes

Définition: ∀ E, un ensemble convexe, un point P dans E

est appelé point extrême si chaque segment de droite
entièrement contenu dans E et contenant le point P, a P
comme extrémité.
Mathématiquement :
Soit x Є E, x est un point extrême ↔ S’il Ǝ y Є E, z Є E et
0<λ<1 tels que x= λy + (1- λ)z alors x=y=z
a x y
b

a,b Points x n’est pas un y Point

extrêmes point extrême extrême
35
Notions de convexité et points extrêmes

Théorème: Pour un PL donné, si un

optimum existe, au moins un point extrême
est optimal.

Corollaire: Si un PL admet un optimum

unique, alors cet optimum doit être un point
extrême.

36
 Cas particuliers de PL

PL non borné
Max Z = x1 + 2x2
s.c. 7x1+2x2 ≥ 28
x1 + 6x2 ≥ 12
x1 ≥ 0, x2 ≥ 0

37
 Cas particuliers de PL

14

Lignes d’isoprofit

2 12
x1+6x2 = 12
7x1+2x2 = 28

Si la fonction objectif est min z = x1 + 2x2

(18/5, 7/5) est optimal.
38
 Cas particuliers de PL

PL a une infinité de solutions optimales

Max Z = x1 + 3x2
s.c. 2x1+6x2 ≤ 30 (1)
x1 ≤ 10 (2)
x2 ≤ 4 (3)
x1 ≥ 0, x2 ≥ 0

39
 Cas particuliers de PL

Solution
Max Z = x1 + 3x2
s.c. 2x1+6x2 ≤ 30 (1)
x1 ≤ 10 (2)
x2 ≤ 4 (3)
x1 ≥ 0, x2 ≥ 0

Tous les points appartenant à [AB] sont optimaux

40
 Cas particuliers de PL

PL non réalisable
Max Z = 3x1 + 2x2
s.c. x1+2x2 ≤ 2 (1)
2x1 + 4x2 ≥ 8 (2)
x1 ≥ 0, x2 ≥ 0

41
 Cas particuliers de PL
PL non réalisable
Max Z = 3x1 + 2x2
s.c. x1+2x2 ≤ 2 (1)
2x1 + 4x2 ≥ 8 (2)
x1 ≥ 0, x2 ≥ 0

DR vide PL non réalisable

42