Professional Documents
Culture Documents
R.O. Notes+exercices 2011 2012-1
R.O. Notes+exercices 2011 2012-1
Faculté Polytechnique
COURS ET EXERCICES DE
RECHERCHE OPERATIONNELLE
Destiné aux étudiants de premier grade des options :
Chimie Industrielle, Mines et Métallurgie
Par :
Prof. Dr Ir KANIKI TSHAMALA Arthur
Ass. Ir TSHIBANDA NTAKAMUTSHI Patrick
ENGAGEMENTS PEDAGOGIQUES
Intitulé du cours : Recherche Opérationnelle
Méthodes d’évaluation :
Epreuve écrite : Questions théoriques et exercices avec ou sans notes
Epreuve pratique : Résolution des exercices en utilisant l’outil
informatique
Introduction
Définitions et notations
Théorèmes fondamentaux
Algorithme du simplexe
Méthode graphique de résolution
Résolution à l’aide du solveur Excel
Résolution à l’aide du logiciel LINDO
Exercices
Introduction
Types de jeux
Représentations des jeux
Choix d’un critère
Exemples économiques et valeur d’un jeu
Exercices
Introduction
Gestion de stocks
Gestion d’équipements
Applications
INTRODUCTION
I. Définition
La recherche opérationnelle (aussi appelée aide à la décision) peut
être définie comme l'ensemble des méthodes et techniques rationnelles
d'analyse et de synthèse des phénomènes d'organisation utilisables pour
élaborer de meilleures décisions.
II. Historique
Dès le XVIIe siècle, des mathématiciens comme Blaise Pascal tentent
de résoudre des problèmes de décision dans l'incertain avec l'espérance
mathématique. D'autres, au XVIIIe et XIXe siècle, résolvent des problèmes
combinatoires. Au début du XXe 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.
Exemple : fixer une politique de prix de vente, sachant que les résultats d'une
telle politique dépendent de la politique que les concurrents adopteront.
Les problèmes que la R.O. peut aider à résoudre sont soit stratégiques
(on peut citer le choix d'investir ou pas, le choix d'une implantation, le
dimensionnement d'une flotte de véhicules ou d'un parc immobilier…) ou
opérationnelles (notamment l'ordonnancement, la gestion de stock, les
prévisions de ventes…).
Un investissement important
Elle est aussi liée à l'ingénierie des systèmes. Par rapport à celle-ci, le
champ d'application de la recherche opérationnelle est historiquement plus
axé sur les événements incertains et l'industrie, et ses méthodes plus
particulièrement mathématiques.
On peut aussi citer la théorie des jeux, bien connue des économistes,
qui aide à résoudre les problèmes concurrentiels.
Programmation dynamique
Processus stochastiques
Simulation informatique
Méthodes arborescentes
Heuristiques et métaheuristiques
Une décision est correcte si, étant faite en fonction d’un certain critère
de valeur (critère qui permet de classer les conséquences des actes), elle
choisit l’acte engendrant les conséquences ayant la plus grande valeur.
Chapitre I
PROGRAMMATION LINEAIRE
I.1. Définitions et notations
I.1.1. Programme linéaire
Un programme linéaire (ou P.L.) est un problème dans lequel on se
propose de déterminer un certain nombre d’inconnues (appelées variables de
décision) qui sont astreintes.
• à être positives ;
• à vérifier un certain nombre d’inégalités ou d’égalités linéaires
indépendantes ;
• à rendre maximum ou minimum une fonction linéaire donnée (appelée
fonction économique).
Mathématiquement on écrit :
a) Notation classique
- x j >= 0 j = 1,…, n
n
- ∑a
j =1
ij x j <= bi i = 1,…, m
n
- Opt. z = ∑c x
j =1
j j
b) Notation matricielle
x1 b1 c1
Si X = x2 B = b2 C = c2
x b c
n m n
A = (aij)
Le P.L. s’écrit :
c) Notation vectorielle
a1 j b1
Si Pj = a2 j , j = 1, . . . , n P0 = b2
a b
mj m
Le P.L. s’écrit :
- x j >= 0 j = 1,…, n
n
- ∑x P
j =1
j j <= P0
n
- Opt. z = ∑c x
j =1
j j
- Une Solution réalisable (ou admissible) est une solution X telle que
vecteur X >=0 ;
Si l’on pose Xb le vecteur des variables de base, et si l’on annule les variables
hors base, le système AX = B se réduit à KXb =B d’où l’on tire Xb = K-1B.
- Une solution optimale est une solution réalisable qui optimise la fonction
économique.
X 3 = αX 1 + (1 − α ) X 2 ∈ C où 0≤α≤1
X = α1 X 1 + α 2 X 2 + α 3 X 3 avec 0≤αi≤1 et ∑α i =1
Cas du triangle
M = α 1 A + (1 − α 1 ) A2 + 0 A3
A1
A2 A3
X1
X = α 1 A1 + (1 − α 1 ) X 1
X 1 = β 1 A2 + (1 − β 1 ) A3
X 1 = α 1 A1 + (1 − α 1 ) β 1 A2 + (1 − α 1 )(1 − β 1 ) A3
0≤αn≤1
0≤α2≤1 Les conditions premières sont vérifiées
0≤α3≤1
α 1 + (1 − α 1 ) β1 + (1 − α 1 )(1 − β1 )
α 1 + (1 − α 1 )[β1 + (1 − β1 )]
N.B. Tout point du polyèdre convexe ne peut être que combinaison linéaire
convexe des points sommets (du périmètre) du polyèdre.
Cas du parallélogramme
On sait que :
X = αX 1 + (1 − α ) X 2 (1)
X 1 = βA1 + (1 − β ) A2 (2)
X 2 = γA3 + (1 − γ ) A4 (3)
Avec 0 ≤ α ≤ 1 ; 0 ≤ β ≤1 ; 0 ≤ γ ≤1
X = α [β A1 + (1 − β ) A2 ] + (1 − α )[γA3 + (1 − γ ) A4 ]
X = αβ A1 + α (1 − β ) A2 + γ (1 − γ ) A3 + (1 − α )(1 − γ ) A4
α1 + α 2 + α 3 + α 4 = 1
αβ + α (1 − β ) + γ (1 − γ ) + (1 − α )(1 − γ ) = 1
αβ + α − αβ ) + (1 − γ )(γ + 1 − γ ) = 1
N.B. On voit qu’il n’y a pas une seule façon de prouver qu’un point pris à
l’intérieur du polyèdre est une combinaison linéaire convexe des autres points
distincts sauf si le point est choisi sur le périmètre du polyèdre.
I.2.2. Théorème de WEYL
Dans Rn, tout système d’équations ou d’une équation linéaire AX ≤ B
avec ( X ∈ R n ; B ∈ R m ) détermine un ensemble convexe qui peut être soit vide,
soit un polyèdre convexe, soit un ensemble.
Corollaire :
Soient : AX = B et AY = B
Théorème
Le P.L. s’écrit :
- xj ≥ 0 j = 1,…, n
n
- ∑x
j =1
j P j ≤ P0
n
- opt. z = ∑c x
j =1
j j
Si B est une base, nous noterons I (B) l’ensemble des indices de base et
J(B) l’ensemble des indices hors base. Nous avons alors I(B) ∪ J(B) = {1,2,,,,n}.
Si l’on suppose que les éléments de la base B sont les vecteurs unités et que
I(B) = (1, 2,…, m)
On a :
Pj = ∑ i∈I (B )
X ij Pi (m + 1 <= j <= n)
Soit
Pj = ∑i∈I ( B ) X ij Pi j ∈ J(B)
(1) P0 = ∑x P
i∈I ( B )
i i
(2) Pj = ∑
i∈I ( B )
xij Pi j ∈ J(B)
(3) P0 = ∑x P + x P
i i
i∈I ( B ) \ {r }
r r
(4) Pj = ∑x ij i
i∈I ( B ) \ {r }
P + xrj Pr j ∈ J(B)
En particulier
(5) Pk = ∑x ik i
i∈I ( B ) \ {r }
P + xrk Pr j ∈ J(B)
(6) Pr = (1 / xrk ) Pr − ∑ (x
i∈I ( B ) \{r }
ik / xrk ) Pi
P0 = ∑x ik
i∈I ( B ) \{r }
Pi + xr ((1 / xrt ) Pr − ∑ (x
i∈I ( B ) \{r }
ik / xrk ) Pi )
= ∑x i
i∈I ( B ) \{r }
−( xr xik / xrk )) Pi + ( xr / xrt ) Pk
c.à.d que :
P0 = ∑ x'
i∈I ( B ')
i Pi
Pj = ∑ x'
i∈I ( B ')
ij Pi
z0 = ∑c x
i∈I ( B )
i i
z '0 = ∑ c x'
i∈I ( B ')
i i
zj = ∑c x
i∈I (B )
i ij (j = 1,…n)
et
z' j = ∑ c x'
i∈I ( B ')
i ij (j = 1,…n)
z '0 = ∑ c [x i
i∈I ( B ) \{r }
i − ( xr xik / xrk ) ] + ck xr / xrk
= ∑c x i i
i∈I ( B ) \{r }
− xr / xrt ( ∑c x
i∈I ( B )
i ik − ck )
= z 0 − xr / xrk ( z k + ck (9)
z' j = ∑ c [x i
i∈I ( B ) \{r }
ij − ( xrj xik / xrk ) ] + ck xrj / xrk
= ∑c x
i∈I ( B )
i ij − xrj / xrt ( ∑c x
i∈I ( B )
i ik − ck )
il vient que :
xi ≥ (xrxik) soit xi/xik ≥ (xr/xrk)
2) Il existe des quantités (zk – ck) > et des quantités xik > 0
3) Il existe des quantités (zk – ck) > 0 mais toutes les quantités xik ≤ 0
Dans ce cas la fonction économique n’est pas bornée.
I.3.6. Exemple
La table ci-dessous donne la composition et le coût de 9 alliages
standards de plomb, zinc et étain.
Alliage 1 2 3 4 5 6 7 8 9
Plomb (%) 20 50 30 30 30 60 40 10 10
Zinc (%) 30 40 20 40 30 30 50 30 10
Etain (%) 50 10 50 30 40 10 10 60 80
Coût unitaire 7,3 6,9 7,3 7,5 7,6 6,0 5,8 4,3 4,1
Le but est de trouver un mélange des 9 alliages qui permet de fabriquer à coût
minimal un alliage contenant :
• 30 % de plomb ;
• 30 % de zinc ;
• 40 % d’étain.
Remarquons que l’alliage 5 a la bonne composition ; son coût unitaire est de
7,6. Le mélange, à parts égaux, des alliages 6, 7, 8 et 9 donne la composition
souhaitée.
Aussi :
• plomb : 1/4(60 + 40 + 10 + 10) = 30 %
• zinc : 1/4(30 + 50 + 30 + 10) = 30 %
• étain : 1/4(10 + 10 + 60 + 80) = 40 %
1
Coût unitaire : (6,0 + 5,8 + 4,3 + 4,1) = 5,05 < 7,6.
4
Procédons de façon plus systématique pour obtenir le mélange de coût
minimal :
xj partie de l’alliage j dans le mélange recherché (j=1,. . . ,9),
(1)
5 x1 + 8 x2 ≥ 74 .
• Finalement la contrainte imposée par le fait que la prescription doit
contenir au moins 24 grains de codéine est
x1 + 6 x2 ≥ 24 .
Pour l’identification de la fonction-objectif, on remarque qu’il y a
plusieurs couples de solutions ( x1 , x 2 ) qui peuvent satisfaire les contraintes
spécifiées ci-haut. La prescription doit contenir le minimum possible de
pilules. Donc le critère de sélection de la quantité de pilules à prescrire est
celle qui minimise le nombre total des pilules : z = x1 + x 2 .
Le programme linéaire qui modélise ce problème médical est donc le
suivant :
Min x1 + x 2
s .c . 2 x 1 + x 2 ≥ 12
5 x 1 + 8 x 2 ≥ 74
x 1 + 6 x 2 ≥ 24
x1 ≥ 0 , x 2 ≥ 0
Min x1 + x2
s.c. 2 x1 + x2 ≥ 12
5 x1 + 8 x2 ≥ 74
x1 + 6 x2 ≥ 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 :
x2
12
6
3
x1
6 12 24
12
6
3
x1
6 12 24
x2
12 π1
6
3
x1
6 12 24
π3 π2
9.25
6
4
3
x1 x1
6 12 24 6 14,8 24
x2
E nse m b le d es
12 so lu t io n s
réa lisa b le s
x1
6 12 24
On peut vérifier facilement que chacun des demi-plans π1, π2 , π3 est convexe
en vérifiant que pour toute paire de points P1 et P2, l’ensemble des points qui
forment le segment [P1P2] appartient au demi-plan.
Théorème : L’intersection d’ensembles convexes (non vide) est convexe.
Propositions : L’ensemble des solutions réalisables (non vide) est convexe.
I.4.4. Représentation de la fonction-objectif
12
x1
6 24
x1 + x 2 = 0
Pour z=6, c’est à dire que le nombre de pilules à prescrire est égale à 6 pilules.
La fonction objectif est représentée comme suit :
x2
12
x1
6 24
x1 + x 2 = 6
Chaque point du segment qui relie les points (6,0) à (0,6) représente des
solutions qui engendrent une prescription avec 6 pilules des deux tailles.
On peut tracer une infinité de droites qui représentent les différentes
valeurs de la fonction-objectif, toutes ces droites ont le même coefficient
directeur (-1). Par suite elles sont parallèles entre elles. De plus on peut
diminuer la valeur de z indéfiniment dans le sens indiqué dans la figure ci-
dessous.
x2
12
x1
6
z = 18
z = 6 z = 12
12
B
x1
6 12
Z= 10
2 x1 + x 2 = 12
5 x1 + 8 x 2 = 74
Elle correspond d’après le graphique au point (2,8). Donc la prescription
optimale est de 2 pilules de petite taille et 8 pilules de grande taille. Le nombre
de pilules (la valeur de la fonction-objectif) est égale à 10.
b. Résolution par énumération :
On remarque que la solution optimale du problème de médecine est un
point extrême qui se trouve sur le bord de l’ensemble des solutions. Une telle
solution est dite solution réalisable de base.
On peut admettre le résultat suivant : « Si un programme linéaire admet
une solution optimale alors il existe une solution réalisable de base pour
laquelle la fonction-objectif atteint la valeur optimale »
Une méthode de résolution du programme linéaire consiste donc à
déterminer les solutions réalisables de base (les points d’intersection des
droites qui forment les contraintes) et à calculer pour chaque point la valeur
de la fonction-objectif. La solution du programme linéaire est la solution à qui
on associe la valeur optimale de la fonction-objectif.
x2
12 A
B
3 C
D
x1
6 12
Problème de maximisation
Max 100 x1 + 200 x2 x2 (2 )
(4 )
4 x1 + 2 x2 ≤ 440 (2)
110
C
(3 )
x1 ≤ 90 (4) 40
E x1
x1 ≥ 0, x2 ≥ 0
la solution optimale est B(40,110)
s.c. x1 ≤ 5 (1) (2 )
2 x1 − 3x 2 ≤ 6 (2)
x1 ≥ 0, x 2 ≥ 0
5 x1
Z=0
(1 )
Problème impossible
Min 3x1 + 2 x 2 x2
s.c. x1 + 2 x 2 ≤ 2 (1)
2 x1 + 4 x 2 ≥ 8 (2)
x1 ≥ 0, x 2 ≥ 0
x1
(2 )
(1 )
L’espace des solutions réalisables est vide, il est l’intersection des deux zones grises
de la figure ci-dessus
s.c. 2 x1 + 6 x 2 ≤ 30 (1) (1 )
A (3 )
x1 ≤ 10 (2) B
x2 ≤ 4 (3)
10 x1
x1 ≥ 0, x 2 ≥ 0
Z=0
L’ensemble des points décrit par le segment [AB] représente les solutions optimales
du problème linéaire
Problème de dégénerescence
Max x1 + x 2 x2
(2 )
s.c. 3 x1 + 2 x 2 ≤ 40 (1) (1 )
B (3 )
x1 ≤ 10
A
(2)
x2 ≤ 5 (3)
x1 ≥ 0, x 2 ≥ 0 O C x1
Z=0
Exemple :
Figure:1
Figure: 2
Figure: 3
8. Menu: Outils/Solveur.
9. Entrez les paramètres du solveur (figure 4)
Figure: 4
Égale à: Cochez le type d’optimisation voulu. Le Max est coché car dans
cet exemple, nous voulons maximiser le bénéfice total ($).
x1, x2 doivent être des entiers afin de ne pas produire des fractions
d’unités.
Figure: 5
Cliquez sur OK lorsque vous avez terminé d’entrer toutes vos contraintes.
Figure: 6
10. Cliquez sur “Résoudre”.
11. Le solveur a trouvé la solution optimale selon les contraintes.
Production de 1000 QL-500 et de 300 QL-700X
et un bénéfice total de 91200 $.
12. Le solveur vous demande si vous voulez garder cette solution à l’écran ou
revenir à celle de départ. Choisissez garder la solution du solveur (figure
7).
Figure: 7
I.6.1. Introduction
Lindo est un logiciel utilisé pour résoudre les modèles d’optimisation
linéaires, entiers et quadratiques. Une des caractéristiques de Lindo c’est qu’il
offre des outils qui peuvent aider à l’analyse des modèles en utilisant la
méthode de Simplexe.
Nous présentons dans ce paragraphe la version étudiant 6.0 (1997). Cette
version résout des problèmes de dimension maximale de 200 variables et de
100 contraintes.
I.6.2. Installation du Logiciel
Pour utiliser cette version de Lindo il est conseillé d’avoir au moins un
processeur 486 et 8Mo de mémoire RAM. Il faut aussi prévoir un espace
disque dur de 2Mo pour pouvoir l’installer.
Les étapes de l’installation sont les suivantes:
1. Démarrer Windows.
2. Insérer le CD-ROM ou la disquette.
3. Cliquer sur l’icône Setup (install) dans votre explorateur de Windows
4. Suivre les instructions sur l’écran.
I.6.3. Résolution d’un exemple
a. exemple
Un agriculteur veut allouer 150 hectares de surface irrigable entre
culture de tomates et celles de piments. Il dispose de 480 heures de main
Dans cet exemple, nous allons focaliser notre attention sur les opérations
suivantes :
- introduire les données,
- résoudre le problème, et
- analyser les résultats que donne LINDO.
Le programme linéaire qui modélise le problème de l’agriculture est :
Max 100 x1 + 200 x 2
s .c . x1 + x 2 ≤ 150
4 x1 + 2 x 2 ≤ 440
x1 + 4 x 2 ≤ 480
x1 ≤ 90
x1 ≥ 0 , x 2 ≥ 0
b. Introduction des données
Double cliquer sur l’icône «lindo 6.0 for Windows » de votre menu
démarrer/programmes. Le logiciel va s’exécuter et vous aurez cette fenêtre qui
s’affiche sur votre écran :
1. File
3. Solve
4. Reports
choisir le type de rapport de résultat. Dans notre cas, le choix s'est porté
sur un graphique à deux dimensions.
e) Pereuse : Cette commande est utilisée pour générer un rapport sous forme
de texte ou de graphique (en 2D ou en 3D) relatif aux résultats du problème
actif. Le menu associé à cette commande est le suivant :
On a choisi ici d’avoir un rapport graphique sur les valeurs des variables
de décision ainsi sur les variables duales qui leurs sont associées dans le
problème de l’agriculteur. Le résultat est le tableau suivant :
g) Basis Picture : Cette commande affiche dans la fenêtre rapport une figure
qui représente la matrice de base actuelle (relatif à la solution trouvée en
exécutant la commande solve du même menu). Le rapport qu’on obtient en
exécutant cette commande pour le problème de l’agriculteur est :
I.7. Exercices
Solution
P1 P2 P3 P4 P5
P1 P2 P3 P4 P5 PV1 PV2 P0
3 2 1 1 5 −M −M
Base Ci P0 P1 P2 P3 P4 P5 Pv1 Pv 2
Pv1 −M 3 3 0 1 0 −1 1 0
P4 1 4 − 1/ 3 − 1/ 3 0 1 0 0 0
← Pv 2 −M 4 0 1 1 0 1 0 1
− 7 M − 3M − M − 2M 0 0 0 0
4 − 10 / 3 − 7 / 3 −1 0 −5 0 0
3 2 1 1 5 −M −M
Base Ci P0 P1 P2 P3 P4 P5 Pv1 Pv 2
← Pv1 −M 7 3 1 2 0 0 1 1
P4 1 4 −1/ 3 − 1/ 3 0 1 0 0 0
P5 5 4 0 1 1 0 1 0 1
− 7M − 3M −M − 2M 0 0 0 0
24 − 10 / 3 3/8 4 0 0 0 5
↑
La 3ème itération donne le tableau suivant :
3 2 1 1 5 −M −M
Base Ci P0 P1 P2 P3 P4 P5 Pv1 Pv 2
P1 3 7/3 1 1/ 3 2/3 0 0 1/ 3 1/ 3
P4 1 43 / 9 0 − 2/9 2/9 1 0 1/ 9 1/ 9
P5 5 4 0 1 1 0 1 0 1
0 0 0 0 0 0 +M +M
286 / 9 0 34 / 9 56 / 9 0 0 10 / 9 55 / 9
On a donc [MAX ] Z=
286
et
9
x1 =7/3 ; x2 = 0 ; x3 = 0 ; x4 = 43/9 ; x5 = 4 ; v1 = v2=0
Vérification
On sait que [MAX ] Z= 3x1 + 2x2 + x3 + x4 + 5x5 – Mv1 – Mv2
En portant ici les valeurs de x1, x2, x3, x4, x5, v1 et v2
On aura :
On a donc :
P1 P2 Pt1 Pt2 Pv1 P0
x1 + x2 + t1 + 0t2 + 0v1 = 5
x1 + x2 + 0t1 - t2 + v1 =1
−1 −1 0 0 M
Base Ci P0 P1 P2 Pt1 Pt 2 Pv1
Pt1 0 5 1 1 1 0 0
← Pv1 M 1 1 1 0 −1 1
M M M 0 −M 0
0 1 1 0 0 0
↑
La 2ème itération donne le tableau suivant :
−1 −1 0 0 M
Base Ci P0 P1 P2 Pt1 Pt 2 Pv1
← Pt1 0 4 0 0 1 1 −1
P1 −1 1 1 1 0 −1 1
0 0 0 0 0 −M
−1 0 0 0 1 −1
↑
La 3ème itération donne le tableau suivant :
−1 −1 0 0 M
Base Ci P0 P1 P2 Pt1 Pt 2 Pv1
← Pt 2 0 4 0 0 1 1 −1
P1 −1 5 1 1 1 0 0
0 0 0 0 0 −M
−5 0 0 −1 0 0
Solution
x1 ≤ 1000
x2 ≤ 500 → contraintes de production maximale
x3 ≤ 1500
1 1 1
x1 + x2 + x3 ≤ 45 contrainte de temps disponible, et la fonction à
50 25 75
maximiser est : Z = 4x1 + 12x2 + 3x3
D'autres contraintes sont sous-entendues x1, x2, x3≥ 0
8. Problème d'investissement
Une société désire investir un capital de 100 unités monétaires. Son but
est évidemment de maximiser le revenu global de ce placement. Diverses
modalités d'investissement s'offrent à la société sur le marché financier ;
chacune d'elles lui assure un intérêt déterminé :
M1 = 3% M3 = 3,5% M5 = 5%
M2 =2,5% M4 = 4% M6 = 4,5%
Solution
Modalité M1 M2 M3 M4 M5 M6
d’investissement
Sommes placées x1 x2 x3 x4 x5 x6
x1+ x2 + x3 + x4 + x5 + x6 = 100
x1 + x2 . . . .≥ 40
. . x3 + x 4 . ≤ 35
. . . . x5 + x6 ≤ 35
Quels sont les nombres respectifs de ceintures des deux types à fabriquer
chaque jour de manière à maximiser le bénéfice total de l'entreprise ?
Solution
[Max] Z= 2x1 + 3
x 2 + 0 (t1 + t2 + t3 + t4)
2
Nous laissons à l’étudiant le soin de continuer les calculs.
La solution optimale est :
x1 = 200 ; x2 = 600 ; t1 = 200 ; t2 = 100 ; t3 = t4 = 0
[Max] Z = 1300.
10. Problème d’alimentation
On se propose de réaliser une alimentation économique pour des
bestiaux, qui contient obligatoirement 4 sortes de composants nutritifs, A, B,
C et D. L’industrie alimentaire produit précisément deux aliments M et N qui
contiennent ces composants : 1 Kg d’aliment M contient 100 g de A, 100 g de
C, 200 g de D ; 1 Kg d’aliment N contient 100 g de B, 200 g de C, 100 g de D.
Un animal doit consommer par jour au moins : 0.4 Kg de A ; 0.6 Kg de B ; 2
Kg de C ; 1.7 Kg de D. L’aliment M coûte 10 DT le Kg et N coûte 4 DT le Kg.
Quelles quantités d’aliments M et N doit-on utiliser par jour et par animal
pour réaliser l’alimentation la moins coûteuse ?
Résolution
Formulation du PL :
Min 10 x 1 + 4 x 2
s .c . x1 ≥ 4
x2 ≥ 6
x 1 + 2 x 2 ≥ 20
2 x 1 + x 2 ≥ 17
x1 ≥ 0 , x 2 ≥ 0
Méthode de résolution du PL :
Une fois le programme établi, résolvez le de manière suivante :
- La méthode du simplexe ;
- Utilisation de la méthode graphique
- Utilisation du solveur Excel,
- Utilisation du logiciel Lindo.
11. Problème de transport
Une entreprise approvisionne 4 de ces clients à partir de 3 différents
dépôts. Le chef de cette entreprise veut minimiser le coût unitaire par unité
transportée. Le tableau suivant présente toutes les données :
Dépôt 2 4 9 5 3 25
Dépôt 3 8 8 1 5 21
Demande du 15 17 22 12
client
Résoudre le problème :
- A l’aide du solveur Excel ;
- en utilisant LINDO.
Résolution
- Deux variables dans le primal, ce qui implique deux contraintes dans le
dual (règle 1) ;
- Contraintes de sens opposé (règle 3) ;
- Vecteur coefficient de la fonction-objectif devient vecteur second
membre des contraintes et vice-versa (règle 2) ;
- Le max devient le min (règle 5)
Résolution
Variables d'activité:
x1= nombre de policiers
x2= nombre de gendarmes
x3= nombre de secouristes
Contraintes économiques:
* voitures épargnées : 5 x1 + 3 x2 + 14 x3 1200
* bâtiments épargnés : 2 x1 + 4 x2 + x3 70
* Interpellations : 3 x1 - 4 x2 0
Contraintes de signe:
x1, x2, x3 0
Fonction économique:
Min z = 50 x1 + 20 x2 + 70 x3
Chapitre II
ELEMENTS DE LA THEORIE DE JEUX ET
STRATEGIES
II.1. Introduction
La théorie des jeux constitue une approche mathématique de
problèmes de stratégie tels qu’on en trouve en recherche opérationnelle et en
économie. Elle étudie les situations où les choix de deux protagonistes - ou
davantage - ont des conséquences pour l’un comme pour l’autre. Le jeu peut
être à somme nulle (ce qui est gagné par l’un est perdu par l’autre, et
réciproquement) ou, plus souvent, à somme non-nulle.
Bien qu’ayant fait l’objet de résultats assez anciens, à partir des travaux
de Blaise Pascal sur la question des parties qui a donné une première
intuition des probabilités et de l’espérance mathématique, et de son étonnant
pari, la théorie des jeux n’est devenue une branche importante des
mathématiques qu’à partir des années 1940, particulièrement après la
publication en 1944 de la Théorie des jeux et du comportement économique
(Theory of Games and Economic Behavior) par John von Neumann et Oskar
Morgenstern.
(propriété de superadditivité)
Plusieurs autres solutions d’un jeu coopératif ont été proposées, entre
autres la valeur de Shapley qui est une imputation unique.
II.2.2. Théorie de la négociation
La théorie moderne de la négociation est articulée sur le fait qu’une
négociation constitue un jeu à somme non-nulle. L’art de la négociation
consiste donc moins à faire céder l’interlocuteur sur la ligne principale
d’opposition (un prix, par exemple) qu’à trouver des arrangements extérieurs à
cette ligne qui apporteront beaucoup à l’un sans coûter trop cher à l’autre
(stratégies dites Gagnant-gagnant ou win-win).
se situe dans l'arbre du jeu. Dans le cas contraire, le jeu est dit à information
imparfaite. L'information imparfaite est représentée sous la forme d'un joueur
non rationnel : la « Nature », joueur qui prend aléatoirement certaines
décisions à telle ou telle étape du jeu, orientant la suite du jeu vers un certain
sous-arbre de l'arbre du jeu.
II.3.2. Forme normale
Un jeu sous forme normale est la donnée de l'ensemble des joueurs,
de l'ensemble des stratégies pour chaque joueur et des paiements associés à
toute combinaison possible de stratégies.
II.3.3. Représentation tabulaire
Si le jeu ne comporte que deux joueurs et un nombre raisonnablement
restreint de stratégies possibles, on peut représenter le jeu sous la forme d'un
tableau nommé matrice des gains.
Il s'agit d'un tableau à double-entrée qui énumère sur chaque côté les
stratégies possibles des joueurs respectifs. Dans la case à la croisée de deux
stratégies, on note le couple de gains des deux joueurs. C’est ce qu’on nomme
(par convention) la matrice des paiements.
Si le jeu est à somme nulle et à deux joueurs, alors on peut ne noter
que les gains du premier joueur : ceux du second sont directement opposés.
Le tableau de gains se ramène alors à une matrice.
Pluviosité
sèche moyenne pluvieuse
d1=10 10.000 12.500 10.000
d2=15 9.500 15.000 15.000
d3=20 9.000 14.000 20.000
d1=10 sacs
d2=15 sacs
d3=20 sacs
II.4.2. Choix d’un critère
a) Critère de Wald ou critère de Von Neumann (maximin ou pessimiste)
c) Critère de Laplace
Le marchand peut considérer la nature comme étant complètement
indifférente et donner à chaque pluviosité la même probabilité de réalisation. Il
adoptera la décision qui maximise l’espérance mathématique du gain. C’est la
décision d3.
d) Critère de Hurwitz
Ce critère consiste à choisir la décision qui rend max la fonction H suivante :
H (d i ) = αM i + (1 − α )mi
Avec 0≤α≤1
α est le degré d’optimisme
Mi désigne le gain maximum pour la décision di
mi désigne le gain minimum pour la décision di
α peut être considéré comme degré d’optimisme
si α=0 on retrouve le critère pessimiste
si α=1 on retrouve le critère optimiste
f) Critère de Bayes
Le marchand peut avoir des informations à priori sur les états possibles
de la nature ; informations fournies par les prévisions météorologiques à long
terme par exemple. A chaque état de la nature correspondra une certaine
probabilité. Le critère de Bayes consiste à prendre la décision qui maximise
l’espérance mathématique du gain.
J2
q1 q2 q3 q4
p1 3 5 0 -5
J1
p2 4 2 1 2
p3 2 0 -1 3
p4 3 1 0 1
p1 3 5 0 -5 -5
p2 4 2 1 2 1
J1 p2
p3 2 0 -1 3 -1
p4 3 1 0 1 0
4 5 1 3
Perte maximum
Stratégie de J2
q3
On voit que maxi (min(aij)) = minj(max(aij)) = 1
On dit que 1 est la valeur du jeu.
J2
q1 q2
J1
p1 1 0
p2 -1 2
II.6. Exercice
Temps
Gains
Beau Couvert
Le coût d’opportunité est le manque à gagner par le fait que le décideur, face à
un événement, n’a pas forcément pris la meilleure décision possible. Ici on a
mis le coût d’opportunité entre parenthèses :
Temps
Gains
Beau Couvert
Temps
Gains
Beau Couvert Pluie
Il est demandé :
Solution
(a) Tous calculs faits, c’est Boissons qui est la meilleure décision selon le
critère de Laplace :
Temps Laplace
Gains
Beau Couvert Pluie Moy. arith.
2. Soit un jeu à deux personnes à somme nulle, défini par la matrice des gains
du joueur A ci-dessous.
q1 q2 q3
p1 2 -1 3
p2 -2 3 -1
-1 0 2
p3
Calculer les stratégies mixtes et la valeur du jeu.
Réponse
q1= ½ ; g= ½ ; q2= ½
3. Chercher les stratégies mixtes pour le jeu rectangulaire dont la matrice est
donnée ci-dessous
B
2 3 -2 -1
-1 5 4 -2
A 2 -5 0 3
Réponse
p1=0; p2= 8/15 ; p3= 7/15 ; et p4=1/15 ; p5=0 ; p6=27/15 ; p7= 0. C’est une
solution de base
Chapitre III
THEORIE DES GRAPHES ET APPLICATIONS
III.1. Notions et rappels mathématiques sur la théorie des graphes
Considérons un ensemble fini X = {x1 , x2 ,..., xn } et une application
multivoque Γ définie sur cet ensemble. On dit que le couple (X, Γ ) constitue
un graphe G d’ordre n. On peut représenter un graphe à l’aide d’un dessin tel
que celui de la figure ci-dessous appelé « représentation sagittale du graphe ».
- Deux sommets xi et xj sont ensuite reliés par une flèche allant de xi vers
xj si xj ∈ Γxi . Cette flèche appelée arc du graphe matérialise la relation
entre les deux éléments xi et xj de l’ensemble X.
- Deux sommets sont dits adjacents s’ils sont extrémités d’un même arc.
Deux arcs sont dits adjacents s’ils on en commun un sommet. Un
sommet est dit isolé s’il n’est extrémité que d’une boucle.
{
Sur la figure on voit que X = x1 , x 2 , x3, x 4, x5, x6 }
Γx1 = {x 2 , x4, x5 } Γx3 = {x1 , x 2 , x 4, x5 } Γx5 = {x5, x6 }
Γx 2 = {x 2 , x3 } Γx 4 = {x5 , x6 } Γx6 = {x 2, x3 }
L’ensemble des arcs détermine complétement l’application du graphe,
tout comme l’application Γ détermine l’ensemble U des arcs du graphe ;
pour cette raison on peut écrire indifféremment le graphe sous la forme G = (X,
Γ) ou sous la forme G = (X,U).
L’indice inférieur concerne les lignes, l’indice supérieur les colonnes. Cette
matrice est dite « matrice associée au graphe ». Elle le définit complètement.
Cette matrice peut être soit littérale (latine) ou booléenne. La matrice associée
au graphe de la figure est :
Un graphe est dit sans boucle lorsque la diagonale principale de la matrice qui
lui est associée ne contient que des zéros. Lorsque aii = 1 , on dit qu’il existe
une boucle en xi.
- Un chemin est dit simple s’il n’emprunte pas 2 fois le même arc.
- Un chemin est dit élémentaire lorsqu’il ne passe pas qu’une et une seule fois
par chacun des sommets qui le composent ou encore, s’il ne passe pas 2
fois par le même sommet.
- On appelle longueur d’un chemin, le nombre de ses arcs (chaque arc étant
compté autant de fois qu’il est emprunté).
N.B : - Un chemin ou circuit qui passe une fois et une seule par chaque
sommet su graphe est appelé hamiltonien. Un tel chemin ou circuit
peut être caractérisé par la double propriété : être élémentaire et de
longueur n, dans le cas d’un circuit, ou n – 1, dans le cas d’un
chemin, n étant l’ordre du graphe. On utilisera avec profit, pour la
recherche des chemins et circuits hamiltoniens, la méthode de
composition latine décrite par A. Kaufmann et Y. Malgrange.
III.3. Applications
- l’addition de deux chemins est une notion ensembliste de ces deux chemins :
(a,b,c) + (e, f, i) ⇒ (a,b,c) et (e, f, i)
r
a11 a 21 a 31 C1
r r r r
•
~ ~
M = (aij ) = a12 a 22 (
a 32 = C 2 = l1 l 2 l 3 )
a r
13 23 a 33 C 3
1 3 0 − 5
• Addition de 2 matrices carrées ex : M = et M ' =
2
4 4 2
1 3 0 − 5 1 − 2
M ''= M + M '= + =
2 4 4 2 6 6
−3 2
• Multiplication d’un matrice par un scalaire ex : M = et k = -2
4 5
− 3 2 6 − 4
kM = −2 =
4 5 − 8 − 10
−1 3 0 − 5
• Produit de deux matrices carrées : ex : M = et N =
2 4 4 2
0 − 5
(− 1,3) (− 1,3)
M .N = 4 2 = − 1.(0 ) + 3(4 ) − 1(− 5) + 3(2 ) 12 11
=
0 − 5 2(0 ) + 4(4 ) 2(− 5) + 4(2 ) 16 − 2
(2,4 ) (2,4 )
4 2
Notez que - MN ≠ NM
- la multiplication se fait ligne par colonne et il faut respecter
l’ordre des matrices données.
c) Algorithme de KAUFMANN-MALGRANGE
(pour la recherche des chemins et circuits hamiltoniens)
A B C D E F G
A O AB AC AD O O AG
B O O BC O BE BF O
M 1= C O CB O CD O O CG
D O O O O O DF DG
E O O EC ED EE O EG
F FA O O O O FF FG
G O GB O O O GF O
~
• La matrice déduite M 1 est obtenue en supprimant les lettres qui se
répètent (elles sont dans la diagonale) :
~ ~
On calcule M 2 = M 1 x M 1 . La multiplication latine s’opère comme dans le
calcul matriciel classique ‘’ligne par colonne’’.
A B C D E F G
A O AB AC AD O O AG
~ B O O BC O BE BF O
M1 = C O CB O CD O O CG
O O O O O DF DG
E O O EC ED O O EG
F FA O O O O O FG
G O GB O O O GF O
A B C D E F G
ABF ACG
ACB
A O ABC ACD ABE ADF ADG
AGB
AGF
BCG
BCD
B BFA BCB BEC O O BEG
M 2= BED
BFG
CBF CDG
C O CGB BCB O CBE CDF
CGF
D DFA DGB O O O DGF DFG
ECB EDF ECG
E O O ECD O
EGB EGF EDG
FAB FAG
F O FAC FAD O FGF
FGB
G GFA O GBC O GBE GBF FGF
~
On déduit M 2 en supprimant les éléments avec répétition :
A B C D E F G
ABF ACG
ACB
A O ABC ACD ABE ADF ADG
~ AGB r
M2 = 3 =
AGF
BCD
MBCG
B BFA O BCE O O BEG
BED
BFG
CBF
C O CGB O O CBE CDF CDG
CGF
D DFA DGB O O O DGF DFG
ECB EDF ECG
E O O ECD O
EGB EGF EDG
FAB FAG
F O FAC FAD O O
FGB
G GFA O GBC O GBE GBF O
On calcule M3 et on déduit
A B C D E F G
ACBF,AGBF, ABCG,ACDG,
ACGB AGBC ABCD ACBE
A O ACDF,ACGF, ABEG,ABFG,
ADBD ABEL AGED AGBE
ADGF ADFG
BFAD BCDC, BEDF BFAG,BECG
B O O BFAC O
BECD BCGF,BEGF BCDG,BEDG
CBFA, CBEG,CBFG
CGBF
C CDFA O O CBED CGBE CDFG
CDGF
CGFA
~ D DGFA
DFAB DFAC
O DGBE DGBF
DFAG
M3 . EDFA
DFGB
ECGB
DGBC
ECBF,EGBF ECDG
E EGBC O O
EDGA EDGB ECDF,ECGF EDFG
FACB FABC FABE FACG
F O FACD O
FAGB FGBC FGBE FADG
GFAD, O
GFAC
G GBFA GFAB GBCD O O
GBEC
GBED
~ ~
On obtient les chemins hamiltoniens en calculant M 6 = M 3 x M 3
A B C D E F G
ACGBEBF
ABECDGF ABECDFG
A O O ADFGBEC O ACDFGBE
AGBECDF ACBEDFG
ACBEDGF
BEGFACD BECDFAG
B BECDGFA O BEDGFAC O O
BECGFAD BEDFACG
CBEDGFA CBFAGED CDFAGBE CDFABEG
C O O O
CGBEDFA CBEGFAD CDGFABE CBEDFAG
DGFABEC DGFACBE DFABECG
D O O O O
DFAGBEC DFACGBE DFACBEG
EDFACGB
M6 = EGBCDFA EDGFACB ECGBFAB EDGACBF EDFABCG
E O O
ECDGBFA ECDFAGB EGBFACD ECBFADG
ECDGFAB
FAGBECD FACBEDG
F O O FADGBEC FACDGBE O
FACGBED FABECDG
G GBECDFA O GBEDFAC GFABECD GFACBED O O
~ ~
On obtient la liste des circuits hamiltoniens en calculant M 7 = M 6 x M 1
Obtient une matrice diagonale :
A B C D E F G
ACGBEDFA
ABECDGFA
A
ACBEDGFA
ACBEDGFA
BECFGFAB
BEDGFACB
B
BECDFAGB
BEDFACGB
CBEDGFAC
CGBEDFAC
C
CDFAGBEC
CDGFABEC
DGFABECD
DFAGBECD
D
DGFACBED
DFACGBED
EDFACGBE
EDGFACBE
E
ECDFAGBE
ECDGFABE
FAGBECDF
FACGBEDF
F
FACBEDGF
FABECDGF
GBECDFAG
GBEDFACG
G
GFABECDG
GFACBEDG
Les circuits différents sont au nombre de 4.
Un chemin optimal est un chemin qui est soit minimal soit maximal.
Pour chercher le chemin optimal dans un graphe, ce dernier doit remplir
certains critères :
- le graphe doit être sans boucle ;
- le graphe doit être antisymétrique ; (2 sommets ne doivent pas être
reliés par 2 arcs).
- le graphe doit être simplement connexe ;
- le graphe doit être valué (c'est-à-dire que les arcs doivent avoir une
certaine valeur) ;
- l’entrée du graphe doit avoir un seul élément (un singleton), il en est de
même de la sortie ;
- le graphe doit être sas circuit.
1ère étape : Baptiser tous les sommets et ce, dans n’importe quel ordre.
2ème étape : - Affecter provisoirement au sommet initial la valeur λa = 0
- Aux autres sommets on affecte la valeur λx = α (x ≠ a)
3èmeétape : Si le graphe contient n sommets, cette étape comprendra n – 1
sous étapes. Cette étape consiste à calculer les valeurs successives
λx des sommets. Ce calcul se fait de la manière suivante :
a) sous-étapes 1 : - Déterminer l’ensemble des descendants directs du
sommet initial a ; on les note Γa+ .
- Remplacer λx par λa + v(a, y ) ssi λx - λa > v(a, y )
b) sous-étape 2 :
- Déterminer l’ensemble des descendants directs du sommet
suivant b ; on les note Γb+
- remplacer λx par λb + v(b, x) ssi λx − λb > v(b, x).
c) Sous étape x :
- déterminer les descendants directs de x ; notés Γx+ .
- remplacer λx par λ ' b + v ( x ' , x ) ssi λx − λ 'x > v( x' , x).
4ème étape :
- Si dans le graphe, il existe une ou plusieurs autres relations, alors
il faut recommencer la 3ème étape chaque fois que cela se
présente et ce à partir de la sous étape (b) ;
- Continuer avec l’algorithme jusqu’à ce qu’aucun λx ne sera
modifiable. Ces λx représentent les valeurs minimales des chemins
qui vont de a vers x.
5ème étape :
Etape Etape 3
2 Γ +
a Γ
b
+
Γ c
+
Γd+ Γe+ Γf+ Γc+ Γd+ Γe+ Γf+ Γe+ Γf+
λa 0 0 0 0 0 0 0 0 0 0 0 0 0
λb +∞ 5 5 5 5 5 5 5 5 5 5 5 5
λc +∞ 10 10 10 6 6 6 6 6 6 6 6 6
λd +∞ 2 2 2 2 2 2 2 2 2 2 2 2
λe +∞ +∞ 14 13 13 13 9 9 9 9 9 9 9
λf +∞ +∞ 12 12 7 7 7 7 7 7 7 7 7
λz +∞ +∞ +∞ +∞ 12 12 12 12 12 10 10 10 10
La valeur du chemin minimal est 10.
+∞−0>5 oui
⇒ λb = λa + v(a, b) = 0 + 5 = 5
+ ∞ − 0 > 10 oui
⇒ λc = 0 + 10 = 10
+∞−0> 2 oui
⇒ λd = 0 + 2 = 2
2−5>8 non
on garde 2
+∞−5>9 oui
⇒ λe = 5 + 9 = 14
+∞−5> 7 oui
⇒ λ f = 5 + 7 = 12
14 − 10 > 3 oui
⇒ λe = 10 + 3 = 13
10 − 2 > 4 oui
⇒ λc = 4 + 2 = 6
12 − 2 > 5 oui
⇒ λf = 2 + 5 = 7
Pour z : λz par λd + v( d , z ) ssi λz − λd > v( d , z )
− ∞ − 2 > 10 oui
⇒ λz = 2 + 10 = 12
Γ = {z}
e
+
Pour z : λz par λe + v(e, z ) ssi λz − λe > v(e, z )
12 − 13 > 1 non
on garde 12
13 − 7 > 2 oui
⇒ λe = 7 + 2 = 9
Pour z : λz par λ f + v( f , z ) ssi λz − λ f > v( f , z )
12 − 7 > 6 non
on garde 12
4ème étape
9−6>3 non
on garde 9
6−2> 4 non
on garde 6
7−2>5 non
on garde 7
12 − 2 > 10 non
on garde 12
12 − 9 > 1 oui
⇒ λz = 9 + 1 = 10
10 − 7 > 6 oui
on garde 10
10 − 9 > 1 non
on garde 10
10 − 7 > 6 non
on garde 10
5ème étape λ f − λ y = v( y, z )
Γz− = {d , e, f } Pour d λz − λd = v(d , z )
10 – 2 = 10
8 ≠ 10
Pour e λz − λe = v(e, z )
10 – 9 = 1
1 = 1 on retient e
e z
Pour f λz − λ f = v ( f , z )
10 – 7 = 6
3≠6
Pour b λe − λb = v(b, e)
9–5=9
4 ≠9
Pour f λe − λ f = v( f , e)
9–7=2
2 = 2 on retient
Pour d λc − λd = v(d , c)
6–2=4
4 = 4 on retient d
Γf− = {b, d } Pour b λ f − λb = v(b, f )
7–5=7
2≠7
Pour d λ f − λd = v(d , f )
7–2=5
5 = 5 on retient encore d
Pour b λd − λb = v(b, d )
2–5=8
-3≠8
−∞−0<5 oui
⇒ λb = 0 + 5 = 5
−∞−0< 2 oui
⇒ λd = 0 + 2 = 2
2−5<8 oui
⇒ λd = 8 + 5 = 13
−∞−5< 9 oui
⇒ λe = 5 + 9 = 14
−∞−5<7 oui
⇒ λ f = 5 + 7 = 12
14 − 10 < 3 non
on garde 14
10 − 13 < 4 oui
⇒ λc = 13 + 4 = 17
12 − 13 < 5 oui
⇒ λ f = 13 + 5 = 18
Pour z λ z par λ d + v( d , z ) ssi λ z − λ d < v( d , z )
− ∞ − 13 < 10 oui
⇒ λ z = 13 + 10 = 23
23 − 14 < 1 oui
on garde 23
14 − 18 < 2 oui
⇒ λe = 18 + 2 = 20
23 − 18 < 6 oui
⇒ λ z = 18 + 6 = 24
20 − 17 < 3 non
on garde 20
17 − 13 < 4 non
on garde 17
18 − 13 < 5 non
on garde 18
24 − 13 < 10 non
on garde 24
24 − 20 < 1 non
on garde 24
Γ = {e, z}
+
f Pour e λe par λ f + v( f , e) ssi λ f − λe < v( f , e)
18 − 20 < 2 oui
⇒ λ f = 18 + 2 = 20
Pour z λ z par λ f + v( f , z ) ssi λ f − λ z < v( f , z )
18 − 24 < 6 oui
⇒ λ z = 18 + 6 = 24
24 − 20 < 1 non
on garde 24
20 − 18 < 2 non
on garde 20
24 − 18 < 6 non
on garde 24
Inconvénient
III.6. Exercices
1 0 1 0 0 1 0
(1)
0 1 1 0 1 0 1
(2)
0 1 0 1 0 0 1
(3)
1 1 1 0 0 0 1
(4)
0 1 0 0 1 1 0
(5)
0 0 0 1 0 0 1
(6)
1 0 1 0 1 0 0
(7)
Solution
(2)
(3)
(1) (4)
(6)
(5) (7)
Solution
La matrice associée est :
A B C D E F G
0 1 1 1 0 0 1
A
0 0 1 0 1 1 0
B
0 1 0 1 0 0 1
C
0 0 0 1 0 1 1
D
0 0 1 1 1 0 1
E
1 0 0 0 0 1 1
F
0 1 0 0 0 1 0
G
X1
X2
10
2
1
10
2
1 X3
X4
4
10 5
1
5
X0 4 X9
6 8
X5 3
X6
5
3
3
2
X7 8 X8
5
9 3
2 9
6
8
5
8 6
9
4
4
10 3 10
5 13
1 13 3 6 8
12
9
6
5
7
13
17
4 6 8
11
10
4
7
N° Opération Durée
1 Obtention d’un permis d’exploitation 6 mois
2 Construction d’une piste entre route et site 4 mois
3 Installation de deux sondeuses 1 semaine
4 Erections de baraques provisoires 3 semaines
5 Asphaltage de la piste 1 mois
6 Adduction d’eau 2 mois
7 Campagne de sondage 7 mois
8 Fonçage 7 mois
9 Installation au fond du matériel d’exploitation 6 semaines
10 Construction de logements pour le personnel 5 mois
11 Traçage et aménagement du fond 11 mois
12 Construction d’une laverie 7 mois
Réponse
1) 357,45 km
2) à une distance de 97,79 km, il reste au maximum 200 kg de nourriture, d’où 3
voyages de 9,21 km et une consommation de 13,81km. A une distance de
100km, il restera donc une réserve de 186,19 kg au plus.
9.
1) appliquer, pour la recherche du chemin de valeur maximale, l’algorithme de Ford
au graphe ci-dessous.
2) si l’on ajoute un arc de valeur 2 du sommet 5 au sommet 3, comment les
opérations sont-elles modifiées ?
5
5 1
2 6
3 4 5
3
4
1 5 9
2
3 4 7 3
3 8
3 4
Réponse 7
1) Chemin de valeur max = 20
2) Chemin de valeur maximale = 26
Réponse
x P(x)
A -
B C,D,F,G
C A,D,I
D A,F
E F
G C,I
H B,E
I A
Z G,H
m(A) = 0; m(F) = 2; m(I) = 4; m(E) = 11; m(D) = 3; m(C) = 6; m(G) = 11; m(B) =
13; m(H) = 20; m(Z) = 24
Pour être efficace, cette campagne doit toucher au moins 65% des jeunes entre
18 et 25 ans, au moins 45% des adultes entre 25 et 40 ans et au moins 10%
des adultes de plus de 40 ans.
Le tableau suivant donne les estimations en milliers du nombre d'indécis des
3 catégories sensibilisées par un message selon le moyen de diffusion. La
dernière ligne représente la population totale estimée d'indécis de chacune des
catégories de personnes. La dernière colonne représente le coût en Franc
congolais d'un message pour chaque type de diffusion.
tâches A B C D E F G H I J K L
Tâches antérieures - - A,B,D B A A,D B I,L F,G,L A,E I,L B
durée 55 35 15 12 25 10 5 60 25 30 10 8
Figure n° 1
Figure n°2
E: Goma
40 000
B: Idiofa
50 000
50 000
290 000 700 000 F: Bukavu
210 000 G: Kisangani
A: kinshasa
210 000 700 000 2000 000
C: Mbuji-Mayi
Tâches A B C D E F G H I J K
Tâches prérequises - A A - D B C B,C A,D B,E,I C,F,G,H
Durée (en mois) 1 6 5 3 8 2 4 3 5 3 2
Chapitre IV
PROBLEMES DE GESTION
IV.1. Gestion de stocks
IV.1.1. Introduction
Quelle que soit l’activité de l’entreprise, sa taille et son organisation, les
stocks existent. Le « zéro stocks » reste une vue de l’esprit et un abus de
langage. Si les stocks sont souvent sources de problèmes et de dépenses, ils
n’en restent pas moins indispensables. La compétitivité de l’entreprise peut
être particulièrement affectée par sa gestion des stocks, raison suffisante pour
y apporter une grande attention.
-Stocker
-Hiérarchie des produits
-Politique de réapprovisionnement
-Quatre politiques
-Réapprovisionnement à date et quantité fixes
-Réapprovisionnement à date fixe et quantité variable
- Réapprovisionnement à date variable et quantité fixe
- Réapprovisionnement à date et quantité variables
-Résumé
-Aspects comptables des stocks
-Compta générale
-Compta analytique
Notion de coûts
IV.1.2. Stock de sécurité
Exemple : Nous vendons sur les marchés de pommes de terre, des oignons, et
des bouquets de laurier
Ventes annuelles :
P. de Terre : 120 tonnes (120 000 Kg)
Oignons : 9 000 Kg
Laurier : 6 000 bouquets
Délai de livraison :
Fournisseur de Pommes de Terre : 4 semaines
Fournisseur d'oignons et persil : 1 semaine
Pour les oignons, nous ne voulons pas risquer de tomber en rupture, par
précaution, il faudra pouvoir continuer à vendre même en cas de retard de
livraison d'une semaine.
Pour les pommes de terre, on prendra aussi une marge supplémentaire d'1
semaine, et on prévoira également une augmentation possible de nos ventes
de 10 %.
Pour le laurier, une rupture de stock ne nous empêchera pas d'être présents
sur les marchés, on ne prévoira donc pas de marge supplémentaire, d'autant
plus que ces bouquets sont souvent offerts pour les bons clients...
Oignons
Pommes de
terre
Exemple :
Nombre Qté à Prix total net Coût de passation Coût de possession Coût de CÔUT
de commander des (Entrepôt) possession TOTAL
Cdes/an commandes/an (Financier
12
a) Quantité fixe
b) Quantité variable
Stock maximum : par exemple, l'article est stocké sur un présentoir ou dans
un distributeur, il n'est alors pas possible d'en recevoir plus que la capacité
maximum.
Si le multiple de réappro ne permet pas d'atteindre ce stock maxi, il faut
arrondir en dessous la quantité à commander.
Exemple :
Le stock d'alerte des "sacs de caisse" d'un magasin est : 4000
On achète ces sacs au près d'un fabriquant, par lots de 500
Le stock actuel est de : 3285
ARTICLE Qté Qté en Stok Stock Conditionnement Stock Stock Qté à commander
en commandes virtuel d'alerte à l'achat Maxi Mini
stock clients
a) Définition
b) Tâches
Une tâche est une entité élémentaire localisée dans le temps par une
date de début et/ou de fin, dont la réalisation nécessite une durée, et qui
consomme un moyen selon une certaine intensité.
Selon les problèmes, les tâches peuvent être exécutées par morceaux,
ou doivent être exécutées sans interruption ; on parle alors respectivement de
problèmes préemptifs et non préemptifs. Lorsque les tâches ne sont soumises
à aucune contrainte de cohérence, elles sont dites indépendantes.
c) Ressources
d) Contraintes
Les contraintes expriment des restrictions sur les valeurs que peuvent
prendre simultanément les variables de décision. On distingue :
• liés au temps :
Les modèles utilisées dans le cas de matériels d’usure sont basés sur
l’hypothèse de conditions déterministes.
1) le coût d’acquisition
Coût d’acquisition
‘‘annuel’’
Durée de l’équipement
2) le coût de fonctionnement
Durée de l’équipement
b) Le modèle de remplacement
On désigne par :
A : le coût d’acquisition ;
Ct : le coût de fonctionnement de l’année t ;
Rt : la valeur de revente en fin d’année t ;
r : le nombre d’années avant le remplacement de l’équipement ;
K(r) : le coût total de l’équipement pour la durée r où on le conserve ;
k(r ) : le coût moyen de l’équipement par an.
Année Valeur
1 30.000
2 20.000
3 12.000
4 8.000
5 6.000
6 5.000
1
vt =
(1 + i ) t
V= x + xv + xv²+ … xvr-1
1− vr
=x = x a&&r
1− v
On doit trouver le x(z) tel que
1− vr
K(r) = x (r )
1− v
D’où
1− v
x(r ) = K (r )
1− vr
1− v
= r +1
[ K (r ) − Rr +1v r +1 + ( Rr + Cr +1 )v r
1 − v (1 − v )
r
− v r K (r ) + Rr +1v ² r +1 − ( Rr + C r +1 )v ² r − K (r )
+ v r +1 K (r ) ]
1− v
= r +1
[ − Rr +1v r +1 (1 − v r ) + ( Rr + Cr +1 )v r (1 − v r ) − v r K (r )(1 − v) ]
1 − v (1 − v )
r
(1 − v)v r
= [− Rr +1v + Rr + Cr +1 − x(r )]
1 − v r −1
Les calculs peuvent être effectués avec l’aide de tables financières. Ils
peuvent être présentés en tableau.
Cm (5) = - R5 v+ R4 + C5 = 42.545,5
qui est inférieur à x (4) = 42.546
ALEVRA D., M. PADBERG (2001) - Linear optimization and extensions: problems and
solutions, Springer.
EISELT H.A., C.L. SANDBLOM (2000) - Integer programming and network models,
Springer.
.
KORTE B., J. VYGEN (2002) - Combinatorial optimization, 2nd ed., Springer.
OSKAR MORGENSTERN, JOHN VON NEUMANN (1953) - The Theory of Games and Economic
Behavior, 3rd ed., Princeton University Press.
JOHN MAYNARD SMITH (1982) - Evolution and the Theory of Games, Cambridge
University Press.
Chapitre I...................................................................................................... 11
PROGRAMMATION LINEAIRE ....................................................................... 11
I.1. Définitions et notations ....................................................................... 11
I.1.1. Programme linéaire ....................................................................... 11
I.1.2. Principales notations..................................................................... 11
I.1.3. Espaces de représentations ........................................................... 12
I.1.4. Différentes définitions ................................................................... 12
I.2. Théorèmes fondamentaux ................................................................... 13
I.2.1. Définitions .................................................................................... 13
I.2.2. Théorème de WEYL ....................................................................... 15
I.2.3. Théorème d’optimalité ................................................................... 15
I.2.4. Solution de bases réalisables et sommets...................................... 16
I.3. Algorithme du simplexe ....................................................................... 16
I.3.1. Principe de l’algorithme ................................................................. 16
I.3.2. Equations de changement de base ................................................ 16
I.3.3. Influence du changement de base sur la valeur de la fonction
économique ............................................................................................ 18
I.3.4. Critères déterminant le changement de base ................................. 19
I.3.5. Détermination de la solution ......................................................... 19
I.3.6. Exemple ........................................................................................ 20
I.4. Méthode graphique de résolution d’un programme linéaire ................. 21
I.4.1. Exemple ........................................................................................ 21
I.4.2. Système d’axes.............................................................................. 22
I.4.3. Représentation graphique des contraintes .................................... 23
I.4.4. Représentation de la fonction-objectif ........................................... 25
I.4.5. Recherche de la solution optimale ................................................. 26
I.4.6. Exemples de résolution ................................................................. 27
I.5. Résolution d’un PL par le solveur Excel ............................................... 29
I.5.1. Exemple ....................................................................................... 29
I.5.2. Résolution avec EXCEL ................................................................ 29
I.6. Résolution d’un PL avec LINDO .......................................................... 34
I.6.1. Introduction .................................................................................. 34
I.6.2. Installation du Logiciel ................................................................. 34
I.6.3. Résolution d’un exemple ............................................................. 34
I.6.4. Les commandes de Lindo ............................................................. 38
I.6.5. Programmation à nombres entiers ............................................... 48
I.7. Exercices ............................................................................................. 50
Chapitre II .................................................................................................... 60