Recherche Opérationnelle

RECHERCHE OPÉRATIONNELLE
FOUAD KISSI
F. S. J. E. S Oujda
2017-2018
FOUAD KISSI RECHERCHE OPÉRATIONNELLE

La R.O , c'est quoi ?
Dénition : La recherche opérationnelle ( R.O ) ou ( la science de

la décision ) est la discipline des méthodes scientiques utilisable
pour élaborer de meilleurs décisions. Elle permet de rationaliser, de
simuler, de planier et d'optimiser l'architecture et le
fonctionnement des systèmes de production ou d'organisation.
La R.O est une discipline récente ( environ 60-70 ans ) qui est à la
frontière entre Informatique, Economie et Mathématiques
appliquées.

Histoire récente de la RO
Origines militaire de la RO
- objectif : optimisation de la logistique militaire et du
réapprovisionnement des troupes
- création par le gouvernement britannique au début de la
seconde guerre mondiale
- G. Dantzig, conseiller scientique à la U.S. Air force,
met au point en 1947 l'algorithme du simplexe.
A l'origine, le mot opérationnelle signie donc en vue de
programmer des opérations militaires.
Après , le domaine de la RO s'est étendu à des applications
civiles.

R de RO = recherche de solutions concrètes
La science du : " comment mieux faire avec moins "

Sous domaines de la RO
Programmation mathématiques
Optimisation combinatoire
Optimisation stochastique ( Probabilité )
Théorie des graphes.

La RO en pratique
sert à résoudre tous types de problèmes diciles ( issus de

l'industrie ou de la nance ) :
Production
Problèmes de transport
Problèmes de télécoms
Planication de projets
gestion nancière ( banques et assurances )
et beaucoup d'autres.

Plan
Partie I : Programmation linéaire

Chap 1 : Formulation des problèmes linèaires : Modèlisation
Chap 2 : Méthode de Résolution Graphique
Chap 3 : Algorithme du simplexe
Partie II : Théorie des graphes
Chap 1 : Éléments de théorie de graphe
Chap 2 : Problèmes d'ordonnancement
Chap 3 : Problèmes de transport

PREMIER CHAPITRE
Formulation des problèmes linèaires : Modèlisation

I) Programmation linéaire
Dénition : La programmation linéaire est une branche des

mathématiques appliquées et plus précisément de l'optimisation liée
dont l'objectif est minimiser ou maximiser une fonction numérique
à plusieurs variables sachant que ces dernières sont liées par des
relations appelées contrainte.
Le principe de la programmtion linéaire est fondé sur le fait que :
La fonction à optimiser appelée fonction objectif ou fonction
économique a une expression linéaire ;
les expressions des contraintes sont toutes linéaires.

Remarque
En économie et gestion, l'objectif est à :

Maximiser s'il s'agit d'un avantage ( bénice, coût de vente,
rendement.......) ;
Minimiser s'il s'agit d'un incovénient ( perte, coût de
production, dépense, consommation.....).

II) Construction des programmes linéaires :
Modélisation
Programme Linéaire (PL) = Problème de la programmation

linéaire.
Modéliser ( Modélisation ) = Formuler le problème sous forme
mathématique et créer un modèle de PL qui représente le
problème en réalité.

II) Construction des programmes linéaires :
Modélisation
Pour modéliser un problème linéaire, il faut suivre les étapes

suivantes :
1 Identier les variables principales ou les variables de décision
du problème.
2 Exprimer la fonction objectif en termes des variables identiées
en précisant s'il s'agit d'un problème à maximiser ou à

minimiser (l'objectif traduit les buts et les préférences des
décideurs économistes).
3 Formuler les contraintes sous forme d'équations et ( ou )
d'inéquations linéaires.

III) Exemples
1) Problème de maximisation du prot
Enoncé du problème :
Une entreprise fabrique deux produits A et B, en utilisant une
machine m et deux matières premières p et q. On dispose chaque
jour de 8 heures de m, de 10 kg de p et de 36 kg de q. On suppose
que :
La production d'une unité de A nécessite 2 kg de p et 9 kg de
q, et utilise la machine m durant 1 heure ;
La production d'une unité de B nécessite 2 kg de p et 4 kg de
q, et utilise la machine m durant 2 heure ;
les prots réalisés sont de 50 dh par unité de A et 60 dh par
unité de B.
L'objectif que poursuit l'entreprise est de maximiser le prot qu'elle
pourra tirer, par jour, de ces 2 produits en utilisant au mieux ses
ressources.
Enoncé du problème
Le tableau suivant résume les données aérentes à ce problème de

production :
A B Disponible
m 1h 2h 8h
p 2 kg 2 kg 10 kg
q 9 kg 4 kg 36 kg
Prot unitaire 50 dh 60 dh

La construction d'un modèle linéaire
- Variables de décision : Notons par

x1 = la quantité du produit A à produire
x2 = la quantité du produit B à produire
Les variables x et x sont dites variables de décision.
1 2
- Fonction objectif :
- Pour le produit A, elle retire 50 dh par unité et en fabrique x 1
unités ; cette production lui rapporte donc un prot de (50x ) dh ;

1
- de même, la quantité x du produit B lui permet de faire un prot

2
de (60x ) dh.
2
Le prot total à tirer des deux produits s'élève donc à :

z = 50x1 + 60x2

Cette fonction z , qui traduit l'objectif de notre problème, s'appelle
fonction objectif ou fonction économique. Et comme nous
cherchons à rendre z aussi grand que possible, nous écrivons :
Maximiser z = 50x1 + 60x2
ou
Max z = 50x1 + 60x2
- Contrainte relative à la machine m :
Temps d'utilisation de m ≤ 8
Pour le produit A, le temps nécessaire à la fabrication de la
quantité x se calcul ainsi :
1
1 heure / (unité de A) ×x (unité de A) = x heures,

1 1
pour le produit B, on procède de façon analogue :

2 heure / (unité de B)×x (unité de B) = 2x heures
2 2
La contrainte relative à la machine m s'écrit donc :

x +x ≤8
1 2

- contraintes relatives aux matières premières :
2x 1 + 2x2 ≤ 10
9x 1 + 4x2 ≤ 36
- contraintes de positivité : Elles assurent que la solution ne
comporte pas des valeurs négatives (inacceptables).
x1 , x2 ≥ 0
Le modèle se résume ainsi :

Max z = 50x1 + 60x2

 x1 + 2x2 ≤ 8




(P) 2x1 + 2x2 ≤ 10

 9
 1
 x + 4x2 ≤ 36
x1 , x2 ≥ 0


2) Généralisation : Problème de production
Soient m machines Mi ( i = 1, ....., m) qui fabriquent en série n

types de produits Pj ( j = 1, ...., n). La machine Mi a une capacité
maximum de bi unités de temps. La fabrication d'une unité du
produit Pj nécessite l'utilisation de la machine Mi durant aij unités
de temps.
Si cj représente le gain relatif à la production d'une unité du
produit Pj , la résolution du problème


 Max z = c1 x1 + c2 x2 + ..... + cn xn
a 11 x1 + a12 x2 + ..... + a1n xn ≤ b1 (M1 )




a21 x1 + a22 x2 + ..... + a2n xn ≤ b2 (M2 )


 ..... ......
a x + am2 x2 + ..... + amn xn ≤ bm (Mm )

 m1 1


x1 , x2 , ...., xn ≥ 0


2) Généralisation : Problème de production
fournira les valeurs optimales des quantités xj à produire de chacun

des produits ; la fonction économique représente le gain total ; le
premier membre de chaque contrainte (Mi ) représente le temps
total d'utilisation de la machine Mi .

3) Formulation d'un problème de minimisation
Enoncé du problème : Un agriculteur souhaite que son troupeau

consomme la plus faible ration quotidienne de trois éléments
nutritifs A, B et C. Les exigences quotidiennes sont de 16 pour A,
12 pour B et 18 pour C. L'agriculteur achète deux types d'aliments
P et Q :
une unité de P comprend 2 unités de A, 1 unité de B et 1
unité de C ; et elle coûte 20 dh ;
une unité de Q comprend 1 unités de A, 1 unité de B et 3
unité de C ; et elle coûte 40 dh ;
L'agriculteur cherche la combinaison la moins coûteuse des
quantités de P et Q qui respectera l'exigence de consommation
minimale d'éléments nutritifs.

2) Formulation d'un problème de minimisation
Le tableau suivant résume les données aérentes à ce problème :

P Q Besoins minimaux
A 2 1 16
B 1 1 12
C 1 3 18
Coût unitaire 20 dh 40 dh

Appelons x et x les quantités des aliments P et Q qu'il faut
1 2
chercher. L'objectif de l'agriculteur est évidemment de minimiser le

coût total des aliments qu'il faut acheter. Mathématiquement cela
s'écrit :
Minimiser z = 20x1 + 40x2
ou
Min z = 20x1 + 40x2
Pour les contraintes des 3 éléments nutritifs, on a :
2x1 + x2 ≥ 16 (A)
x1 + x2 ≥ 12 (B)
x1 + 3x2 ≥ 18 (C )

Enn, il faut pas oublier qu'on peut pas acheter des quantités
négatives de P ou Q :
x , x ≥0
1 2
Le modèle se résume ainsi :

 Min z = 20x + 40x

1 2
 2x + x ≥ 16


1 2

1x + x ≥ 12 2
x + 3x ≥ 18


 1 2
x , x ≥0


1 2

IV) Résolutions des programmes linéaires
Après la modélisation du problème, vient la recherche d'éventuelles

solutions. Et pour cela deux méthodes de résolution sont
proposées :
La méthode graphique privilégiée pour les programmes
linéaires à deux ou trois variables au maximum. Le cas de deux
variables se traite dans le plan et le cas de trois variables se
traite dans un espace à 3 dimensions.
La méthode générale du Simplexe (ou de Dantzig 1947 )
adaptée à tout type de problème linéaire même les plus
complexes ( des centaines de variables et des dizaines de
contraintes ).

DEUXIEME CHAPITRE
Méthode de Résolution Graphique (PL à Deux Variables)

I) Quelques rappels de géométrie
Equation d'une droite : L'expression : a x + a x = b (1)

1 1 2 2
est l'équation d'une droite (∆) qui a pour pente − aa12 (a 6= 0) et 2
qui passe par le point de coordonnées (0, ab2 ).

(1) s'écrit aussi : x = − aa21 x + ab2 .
2 1
Remarque : La droite (∆) sépare le plan (ox x ) en 2 demi-plans

1 2
d'équations :
a1 x1 + a2 x2 < b
a1 x1 + a2 x2 > b
Exemple : (∆) : x + 2x = 4
1 2

I) Quelques rappels de géométrie
Ensemble convexe de Rn : Un ensemble D ⊂ Rn est convexe si :

∀x1 , x2 ∈ D, [x1 , x2 ] ⊂ D .
Résultat :Tout polygone convexe de R possède un nombre ni de

2
points extrémaux

II) Procédure de la méthode graphique
1 Réaliser un repère orthonormé (ox x ).

1 2
2 Tracer la région admissible (C) ( l'ensemble des solutions

possibles délimitées par toutes les contraintes du problème ).
3 Si (C) est borné, alors la solution optimale existe. Mais si (C)
est non borné, on distingue les deux cas suivants :
Si le problème est à maximiser, aucune solution.
Si le problème est à minimiser, une solution optimale existe.
4 Chercher tous les points sommets de (C) et parmi ceux-ci,
choisir le point ( ou les points ) qui rend l'objectif optimal par
deux méthodes :

II) Procédure de la méthode graphique
Méthode de recensement des sommets (Repérage analytique) :

comparer les valeurs de l'objectif correspondantes à chacun des
points sommets. La plus grande valeur réalise le maximum et
la plus petite valeur réalise le minimum.
Méthode des droites parallèles ( Repérage géométrique ) :
Désigner par z l'objectif et par (∆p ) la droite d'équation :
z = c1 x1 + c2 x2 = p
Ces droites (∆p , p ∈ R) sont les lignes de niveau de l'objectif.

Tracer (∆ ) ( pour p = 0, l'objectif vaut 0 ).
0
Déplacer parallèlement (∆ ) vers le point de (C) le plus

0
éloigné de l'origine en cas de maximisation ou vers le point de

(C) le plus proche de l'origine en cas de minimisation.

III) Exemples d'application
1) Problème de maximisation
Enoncé du probème :
Une entreprise de fabrication de chassis envisage la production de
deux nouveau modèles au moyen des capacités de ses trois ateliers.
Il s'agit respectivement d'un chassis en aluminium et d'un chassis
en bois. Le premier produit nécessite le passage dans le premier
atelier pour fabriquer le cadre en aluminium et dans le troisième
atelier où le verre est monté sur le chassis. Tandis que le second
produit nécessite le passage dans le deuxième atelier pour fabriquer
le cadre en bois et dans le troisième atelier où le verre est monté
sur le chassis. Les prots unitaires, les temps de fabrication de
chacun des produits dans chacun des ateliers ainsi que les capacités
hebdomadaires de ces ateliers sont donnés au tableau suivant :

1) Problème de maximisation
Produit 1 Produit 2 Capacité disponible

(heures / produit) (heures / produit) (heures / semaine)
Atelier 1 1 0 4
Atelier 2 0 2 12
Atelier 3 3 2 18
prot 300 dh 500 dh
La question qui se pose est la suivante : " Combien faut-il produire
de chassis de chaque type par semaine an d'obtenir un prot
maximal ? "

Le modèle linéaire
Quelles sont les quantités de chassis que l'entreprise devrait

produire par semaine, si elle veut maxmiser son prot ? Les
variables de décision seront :
x = le nombre de chassis de type 1 à produire par semaine
1
x = le nombre de chassis de type 2 à produire par semaine

2
Le problème de planication de la production de chassis se traduit

par le modèle linéaire suivant :
Max z = 300x1 + 500x2

 x1 ≤ 4 (A1)




(P) 2x2 ≤ 12 (A2)


 3 x1 + 2 x2 ≤ 18 (A3)
x1 , x2 ≥ 0



Construction de la région admissible
Toute inégalité est vériée par une moitié du plan

contrainte d'inégalité = demi - plan
frontière ( ou bord ) d'un demi plan = droite
Tracé du domaine admissible dans le plan
tracé la droite déni par chaque contrainte
région admissible = intersection de tous ces demi-plans.
Géométrie d'un PL : L'ensemble des solutions admissibles est
toujours un polyèdre.

Recherche d'une solution optimale
Dans le domaine admissible, on cherche une solution qui

maximise 300x + 500x
1 2
On trace la droite 300x + 500x = 0

1 2
La droite optimale est 300x1 + 500x2 =?

cette droite est donc parallèle à 300x1 + 500x2 = 0
idée visuelle : déplacer la droite 300x1 + 500x2 = 0
la faire glisser le plus possible dans le bon sens
c-à-d dans une direction qui augmente la valeur de la fonction
objectif 300x1 + 500x2
tout en restant dans le domaine admissible.
Optimum atteint au bord :
L'optimum de la fonction objectif, s'il existe, est atteint en ( au
moins )un sommet du polyèdre.

L'optimum est atteint au point (x 1 , x2 ) = (2, 6) et la fonction

économique prend la valeur 3600
z = (300 × 2) + (500 × 6) = 3600
Ce point ce trouve à l'intersection des droites associées aux ateliers

2 et 3. On utilise à plein les capacités disponibles des ateliers 2 et
3. Par contre, pour cette solution optimale, les capacités
disponibles de l'atelier 1 seront plus que susantes.

Remarque
La région admissible peut être :

vide ( nombre de solutions optimales : 0 )
non vide et bornée ( nombre de solutions optimales : 1 ou ∞ )
non vide et non bornée ( nombre de solutions optimales : 0 ou
1 ou ∞ )

III) Exemples d'application
2) Problème de minimisation
Résoudre graphiquement le problème linéaire suivant :

Min z = 12x1 + 6x2

x1 + 2x2 ≥ 4



 3x1 + x2 ≥ 3
x1 , x2 ≥ 0



La région admissible est convexe non borné donc une solution

optimale existe. Appliquons la méthode des recensements des
sommets, alors on a z(x , x ) = 12x + 6x
1 2 1 2
E (0, 3) → z(0, 3) = 18
1
E2 ( 52 , 95 ) → z( 52 , 95 ) = 78
5
E3 (4, 0) → z(4, 0) = 48
Alors c'est le sommet E2 ( 25 , 59 ) qui réalise l'objectif minimal de
valeur 78
5

Exemple
Les contraintes suivantes

 2x1 + x2 ≤ 6

x1 ≥ 5
x1 , x2 ≥ 0

délimitent une région admissible vide.

TROISIEME CHAPITRE
Algorithme du Simplexe (Méthode des tableaux)

Introduction
Nous avons résolu des cas de programmes linéaires simples : deux

variables et trois ou cinq contraintes. Au fur et à mesure que le
nombre des contraintes s'accroît, la méthode graphique s'avère de
plus en plus dicile à mettre en ÷uvre. En présence de trois
variables, nous devons faire appel à une représentation graphique
dans l'espace, exercice très délicat..., Or, dans la pratique, les
programmes linéaires comportent plusieurs dizaines de variables et
de contraintes. Ainsi, le recours à une méthode générale devient
indispensable.
L'algorithme du simplexe est la plus utilisée des méthodes de
résolution des programmes linéaires. Il a été mis au point en 1948
par B. Dantzig.

I) Formes canonique et standard d'un programme
linéaire
1) Notion de formes canoniques

Lorsque l'ensemble de contraintes se pésente sous forme
d'inégalités ( ≥ ou ≤ ) on parle de forme canonique.
Toutefois, il convient de distinguer un programme canonique de
type I d'un programme canonique de type II.
Un programme canonique de type I est un programme dans
lequel les contraintes inégalités sont tournées dans le sens
inférieur ou égal, l'objectif recherché étant la maximisation de
la fonction économique.
Un programme canonique de type II a des contraintes
inégalités tournées dans le sens supérieur ou égal et l'objectif
est un minimum.

Exemples
Max z = 2x1 + 9x2 + x3 Min z = 2x1 + 9x2 + x3

 
 2x1 + 2x2 + 7x3 ≤ 10  2x1 + 2x2 + 7x3 ≥ 10


 


 

x1 + 3x3 ≤ 7 x1 + 3x3 ≥ 7
x + 17x2 + 15x3 ≤ 25 x + 17x2 + 15x3 ≥ 25

 

 1  1
 
x1 , x2 , x3 ≥ 0 x1 , x2 , x3 ≥ 0
 
Forme canonique de type I Forme canonique de type II

linéaire
2) Formes standard
Toutes les contraintes représentent des égalités. L'objectif pouvant
être le maximum ou le minimum.
Exemples :
Max z = 2x1 + 9x2 + x3 Min z = x1 + 4x2 + x3
 
 2x1 + 2x2 + 7x3 = 10  2x1 + x2 + 7x3 = 9


 


 

x1 + 3x3 = 7 2x1 + 3x3 = 6
 x1 + 17x2 + 15x3 = 25  x1 + 7x2 + 5x3 = 20

 

x1 , x2 , x3 ≥ 0 x1 , x2 , x3 ≥ 0

 


linéaire
Soulignons enn que dans la méthode simpliciale, tout programme

se présentant sous forme canonique, doit être ramené sous la forme
standard avec introduction de variables d'écart ou articielles selon
le cas et selon les règles bien précises, ainsi que nous le verrons par
la suite.

3) Introduction de variables d'écart dans la
méthode du simplexe
Forme canonique de type I Forme Standard Correspondante

Max z = 50x1 + 60x2 Max z = 50x1 + 60x2
 
 x1 + 2x2 ≤ 8  1 + 2x2 + x3 = 8

 

x

 

2x1 + 2x2 ≤ 10 2x1 + 2x2 + x4 = 10

 9x + 4x2 ≤ 36
 1


 9
 1
 x + 4x2 + x5 = 36
x1 , x2 ≥ 0 x1 , x2 , x3 , x4 , x5 ≥ 0
 
La variable d'écart d'une contrainte représente la quantité

disponible non utilisée. C'est l'écart entre la disponibilité et le
besoin.

II) Algorithme du simplexe : Méthode des
tableaux
Principe :
1 Dresser la forme canonique du problème posé ;
2 Passer de la forme canonique à la forme standard en
transformant les inéquations en équations et en introduisant

les variables d'écart ;
3 Tableau initial : recherche de la solution extrême de base , les
variables d'écart sont considérées au départ comme variables

principales ou variables dans la base. Les variables réelles sont
non principales et se trouvent dans le hors base. La fonction
objectif est alors nulle.

Principe
Avec le tableau initial, on prépare le tableau N 1 en choisissant

respectivement la variable entrante, sortante et le pivot :
la variable entrante correspondant au coecient le plus élevé
dans la fonction économique. La colonne de la variable
entrante prend alors le nom de colonne pivot.
la variable sortante correspondra au plus petit rapport positif
issu de la division de la colonne second-membre par la colonne
variable-entrante. Cette variable sortante se lira dans la base et
sur la même ligne que le plus petit rapport positif. La ligne de
la variable sortante prend le nom de ligne pivot.
le pivot se trouvera à l'intersection de la ligne pivot et de la
colonne pivot.

Principe
Il s'agira ensuite de rendre la colonne pivot unitaire, c-à-d, d'arriver

à un pivot égal à 1 et tous les autres éléments de la même colonne
pivot égaux à zero jusqu'à la fonction économique ( dernière ligne ).
- Pour obtenir la ligne du pivot transformée, il sut de diviser tous
ses éléments par le pivot.
- Pour transformer les autres éléments des autres lignes ou colonnes,
on utilise la règle du rectangle, c-à-d, la démarche suivante :
4) On construit les diérents tableaux jusqu'à ce que la fonction
économique ne contienne plus que des nombres négatifs ou nuls. Le
pivot ne peut jamais être égal à zéro.

Exemple d'application
Résoudre le programme linéaire suivant à l'aide de la méthode

pratique des tableaux :
Max z = 3x1 + 2x2

x1 + 5x2 ≤ 11



2x + 3x2 ≤ 5
 1
x1 ≥ 0, x2 ≥ 0



Forme standard
La forme standard du programme est

Max z = (3x1 + 2x2 + 0x3 + 0x4 )

x1 + 5x2 + x3 11


=

2x + 3x2 + x4
 1
= 5
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0



Tableau initial : Solution extrême de base
Le premier tableau de simplexe est

B x x x x Constantes constantes / x
1 2 3 4 1
x3 1 5 1 0 11 11
x4 2 3 0 1 5 5
2
z 3 2 0 0 0
Solution :
HB : x = x = 0
1 2
B : x = 11 , x = 5
3 4
z=0
Comme deux nombres de la dernière ligne sont positifs (3, 2), cette
solution de base réalisable n'est pas optimale.

Tableau initial : Solution extrême de base
D'après la procédure de détermination de la variable entrante et

celle sortante, on a,
1x entre en base ( plus grand coecient positif de z )
4x sort de base ( plus petit rapport positif b/x )
1
Dans le premier tableau nous avons entouré le pivot qui est égal à 2
par un petit cercle

Tableau N 1 : 1 ère itération
Construisons donc le deuxième tableau de simplexe

B x x x x 1 2Constantes
3 4
x 3 0 1 − 7
2
1
2
17
2
x 1 1 0 3
2
1
2
5
2
z 0 − 0 − 5
2
− 3
2
15
2
Comme tous les nombres de la dernière ligne sont négatifs ou nuls,

la solution obtenue
x = ,x =0,x =
1
5
2 2 et x = 0 , est optimale et la valeur
3
17
2 4
maximale de z est 15
2

Partie II : LA THEORIE DES GRAPHES

INTRODUCTION
" Un petit dessin vaut mieux qu'un grand discours "

Napoléon

INTRODUCTION
La représentation d'un problème par un dessin, un plan , une

esquisse contribue souvent à sa compréhension. Le langage des
graphes est construit, à l'origine, sur ce principe. Nombres de
méthodes, de propriétés, de procédures ont été pensées ou trouvées
à partir d'un schéma pour être ensuite formalisées et développées.
Chacun d'entre nous a, au moins une fois , vu ou utilisé un plan
d'un roman, une carte de ligne ferroviaires, un plan électrique, un
organigramme d'entreprise. Ainsi tout le monde sait plus ou moins
intuitivement ce qu'est un graphe.

PREMIER CHAPITRE
Eléments de théorie de graphe

Qu'est-ce qu'un graphe ?
Denition
Un graphe est la donnée d'un ensemble de X de n éléments
(X = {x , ....., xn }) et d'une relation R liant ces éléments. On note
1
ce graphe : G (X , R).

I) Eléments terminologiques
Sommets : Les éléments xi (i = 1, ...., n) de X s'appellent les

sommets du graphe.
Arcs, Arrêtes : La relation entre deux sommets (xi , xj ) du
graphe est soit :
Un arc si elle est orientée ( à sens unique ) : xi → xj . Où xi est
l'extrimité initiale et xj est l'extrimité nale ( ou terminale ).
Une arrête si elle n'est pas orientée ( à deux sens ) : xi ↔ xj .

I) Eléments terminologiques
Graphe orienté : Un graphe dont toutes les relations sont des

arcs est appelé graphe orienté (en général, de la gauche vers la
droite ).
Graphe valué : Un graphe où l'on indique sur ses arcs et ses
arrêtes des valeurs numériques est dit graphe valué. Ces
valeurs peuvent représenter des quantités, des durées, des
coûts, ou des distances...

II) Représentations d'un graphe
Il existe plusieurs représentations d'un graphe, on cite les plus

utilisées :
1) Représentation sagittale : Le graphe G (X , R) est schématisé
graphiquement par un ensemble ni de sommets
(xi ∈ X , i = 1, ...., n) reliés entre eux par des arcs ou des arrêtes.
exemples : 1)
2) Soient x , ....., x six villes d'une région et dont les liaisons
1 6
routières sont représentées par le graphe suivant :

2) Représentations matricielle
Le graphe G (X , R) est représenté sous forme d'une matrice

booléenne ( ne contenant que 0 ou 1 ) d'ordre n telle que :
1 est aecté au couple (xi , xj ) s'il existe une relation directe de
xi vers xj .
0 est aecté au couple (xi , xj ) s'il n'existe aucune relation
directe de xi vers xj .

Exemple
Le graphe donné dans l'exemple 1 s'écrit sous la forme matricielle :

x1 x2 x3 x4 x5 x6
x1 0 1 1 0 0 0
x2 0 0 1 0 0 0
x3 0 0 0 1 1 0
x4 0 1 1 0 1 1
x5 0 0 0 1 1 0
x6 0 0 0 0 0 0
Remarque : Pour les graphes valués, une semblable matrice peut
être construite à partir des valeurs inscrites sur les arcs et les
arrêtes.

3) Représentation sous forme de dictionnaires
Les dictionnaires permettent d'exprimer la matrice booléenne d'un

graphe d'une autre façon. Plusieurs types de dictionnaires existent :
- Dictionnaire des précédents
- Dictionnaire des suivants
Exemple : La représentation matricielle du graphe précédent permet
de dégager les dictionnaires des précédents et des suivants :
Sommets Précédents Sommets Suivants
x
1 - x 1 x ,x 2 3
x2 x1 , x4 x2 x3
x3 x1 , x2 , x4 x3 x4 , x5
x4 x3 , x5 x4 x2 , x3 , x5 , x6
x5 x3 , x4 , x5 x5 x4 , x5
x6 x4 x6 -

III) Chemins d'un graphe
Un chemin est une succession d'arcs tels que l'extrémité nale de

l'un soit l'extrémité initiale du suivant. La longueur d'un chemin est
égale au nombre d'arcs qui le composent.
Exemple : Un des chemins du graphe précédent :
La longueur de ce chemin est égale à 4

III) Chemins particuliers
Chemin simple : Passe une fois au plus par chacun des arcs
( Exemple : (x , x , x )).
1 2 3
Chemin eulérien : Passe une seule fois par chacun des arcs
Circuit, Cycle : Chemin dont l'extrémité initiale du premier arc
coïncide avec l'extrémité nale du dernier ( Exemple :
(x , x , x , x )). Si les arcs sont des arrêtes, on parle de cycle.
2 3 4 2
Boucle : Arc dont l'extrémité nale coïincide avec l'extrémité

initiale ( Exemple : (x , x )) ou circuit ( ou cycle) de longueur
5 5
1.

Niveaux d'un graphe
Le niveau d'un sommet est le nombre d'arcs qui le séparent de

l'origine du graphe par le chemin le plus long.
La recherche des niveaux se fait à partir du dictionnaire des
précédents suivant la démarche ci-dessous :
1 Niveau 1 : contient les sommets qui n'ont pas de précédents (
ce sont des entrées du graphe ).

2 Niveau suivant : supprimer les sommets déjà classés ( du
niveau précédent ). Les sommets de ce niveau sont ceux dont

tous les précédents sont supprimés.
3 Répéter la même procédure (2) jusqu'à ce que tous les
sommets soient classés.

Exemple
Sommets Précédents
A Aucun - - -
B A - - -
C A - - -
D B, C B, C - -
E D D D -
F D D D -
G D D D -
H E, G E, G E, G E, G
I E E E E
J I I I I
Niveaux N = {A}
1 N2 = {B, C } N3 = {D} N4 = {E , F , G } N

Remarques
1 Les niveaux d'un graphe permettent de rendre la

représentation sagittale plus claire et sans redondance.
2 Un sommet sans suivant n'est pas nécessairement du dernier
niveau ( les sommets F et H ).
3 Un sommet sans suivant est une sortie du graphe ( le sommet
J).

DEUXIEME CHAPITRE
Problèmes d'ordonnancement

1) Objectifs
L'ordonnancement a pour but principal l'étude de la réalisation des

projets ( objectifs économiques ) tout en permettant :
de déterminer le meilleur temps de réalisation ;
d'organiser ( ordonner ) l'ensemble des travaux ( tâches ou
opérations ) qui concourent à cette réalisation et d'indiquer
ceux qui ne peuvent être retardés sans mettre en cause la durée
du projet ( établir un calendrier ou planing pour les tâches ) ;
d'optimiser les ressources et les moyens utilisés pour la
réalisation du projet .

Notion de projet
Un projet est un ensemble de tâches ou opérations a, b, c, d...

permettant d'atteindre un objectif xé, lesquelles tâches sont
elles-mêmes soumises à un certain nombre de contraintes telles
que :
les contraintes potentielles ;
les contraintes disjonctives ;
les contraintes cumulatives.

Contraintes potentielles
Contraintes d'antériorité ( ou de postériorité ) : une tâche ne

peut débuter qu'après une autre ne soit achevée ( on ne peut
construire qu'après avoir obtenu le permis de construction ).
Contraintes de localisation temporelle : une tâche ne peut
commencer qu'à une certaine date xée ( la date du début
d'une tâche est xée d'avance par son exécuteur qui ne sera
disponible qu'en cette date ).

Notion de tâche
Une tâche ou activité est une opération . L'ensemble des tâches

forme le projet. On peut donc la dénir comme étant l'unité ou
l'élément d'un projet. On associe à chaque tâche sa durée et une
contrainte d'antériorité par rapport aux autres tâches. C'est ainsi
qu'on dira que A est immédiatement antérieure à B si B ne peut
débuter que lorsque A est achevée.

Exemple
Pour la construction d'un entrepôt on énumère 10 tâches reliées

entre elles par des contraintes d'antériorité :
Tâches Précédentes Durée approx/semaines
A. Plans Aucune 2
B. Obtention de permis A 2
C. Achat des matériaux A 6
D. Fondation B, C 5
E. Murs D 2
F. Electricité D 3
G. Divers D 6
H. Toiture E, G 2
I. Peinture E 2
J. Pose d'une alarme I 1

Méthode d'ordonnancement
C'est un ensemble de méthodes qui permettent au responsable du

projet de prendre des décisions nécessaires dans de meilleures
conditions possibles. Un telle méthode doit donc permettre :
d'anlyser le projet en profondeur, c-à-d le décomposer en
tâches ;
de mettre sur pied un plan d'action contribuant à réaliser ledit
projet tout en respectant les contraintes ;
et enn, de contrôler le bon déroulement du projet.
Par conséquent, une méthode d'ordonnancement n'est ni plus ni
moins qu'un problème d'organisation du projet.

3) La méthode d'ordonnancement PERT
La méthode de PERT (Programm Evaluation and Review Technic)

connue aussi sous l'appellation de méthode des potentiels-étapes,
est d'origine américaine conçue vers 1958 pour la réalisation de la
fusée Polaris.
Dans son contexte le plus simplié, la méthode PERT ne tient
compte que des contraintes potentielles.

3.1) Représentation sagittale d'un graphe PERT
L'ensemble des tâches est représenté par un graphe orienté et valué

sans boucle et sans circuit, dont les principes sont :
Sommets : étape ou évenement qui représente le début ou la
n d'une ou de plusieurs opération.
Arcs : Un arc d'un graphe représente dans la méthode PERT
une tâche ou une opération. Une tâche est délimitée par deux
sommets ( ou événements ) qui représentent le début et la n
de la tâche. Une tâche est une activité qui consomme du
temps, nécessite des ressources physiques et des dépenses.
valeur sur l'arc : temps opératoire de la tâche.

3.1) Représentation sagittale d'un graphe PERT
Dans un graphe d'ordonnancement PERT , on doit respecter les

conventions suivantes :
Les sommets sont numérotés de 1 à n ;
le sommet ( numéro 1 ) qui débute les travaux n'est terminal à
aucun arc ;
le sommet indiquant la n des travaux, n'est initial à aucun
arc ;
toute autre sommet doit être extrémité initial et nal en même
temps ;
le numéro d'un sommet initial d'un arc doit être inférieur à
celui de son sommet nal ;
les arcs associés à des tâches distinctes ne peuvent avoir à la
fois même sommet initial et même sommet nal.

3.2) Problèmes de la représentation sagittale d'un
graphe PERT
Tâches successives : Pour indiquer que la tâche A est prédécsseur

immédiat de la tâche B, l'arc correspondant à B prend son départ
là où aboutit l'arc associé à A.
Tâches simultanées : les tâches qui peuvent être exécutées en
même temps, elles partent du même sommet : deux tâches A et B
qui commencent en même temps se représentent ainsi :
Tâches convergentes : les tâches qui sont prédécesseurs immédiats
de la même tâche, vont vers un événement commun : deux tâches
A et B qui précédent le même événement se représentent ainsi :

3.2) Problèmes de la représentation sagittale d'un
graphe PERT
Tâche ctives :
On recourt parfois à l'introduction de tâches ctives ( représentées
par des arcs ctifs en pointillées ) pour bien respecter les
contraintes réellement.
Exemples :
1) C et B succède A, D succède B et C : dans ce qui suit, la
première représentation ne respecte pas la dernière convention
suscitée et nécessite une modication par ajout d'une tâche ctive
F.
2) C et D succède A, D succède B : la première représentation qui
suit, ne traduit pas correctement la réalité puisqu'on n'a pas la
contrainte C succède B. Pour remédier à cela , on introduit une
tâche ctive F qui supprime cette contrainte du graphe.

Exemple de construction du graphe PERT
La réalisation d'un ouvrage se décompose en 8 tâches reliées entre

elles par des conditions d'antériorité :
Tâches Précédentes Durée /jours
A Aucune 3 jours
B Aucune 4 jours
C A 4 jours
D B 2 jours
E A 6 jours
F C,D 2 jours
G A,B 4 jours
H F, G 1 jours

Exemple de construction du graphe PERT
Niveaux des tâches

N = {A, B} , N = {C , D, E , G }, N
1 2 3 = {F } , N1 = {H}
Graphe de PERT

R±olution par la méthode PERT
La méthode PERT permet une résolution sur le graphe PERT.

Pour cela on doit inscrire en chaque sommet, en plus du numéro
(N) de l'événement, la date au plus tôt et la date au plus tard
correspondantes de la manière suivante :
La date au plus tôt d'un événement :il s'agit de la date avant
laquelle une tâche ne peut démarrer. C'est donc la date attendue de
réalisation d'un événement ou date avant laquelle un événement ne
peut se réaliser.

La date au plus tôt
On note par : E = entrée du du réseau-PERT ; S = sortie du

réseau-PERT
On aecte à l'entrée, la date tE = 0
Pour un sommet j , on calcule la date au plus tôt (tj ) en posant :
tj = max{ti + dij }
avec
i = antécédent de j
dij = durée de l'arc (i,j)
ti = date au plus tôt du sommet i
tj = date au plus tôt du sommet j
tS = durée minimum de l'ouvrage

Exemple

La date au plus tard
La date au plus tard d'un événement : c'est la date limite de

réalisation d'un événement. Si l'événement venait, en eet, à se
réaliser après ladite date, le projet tout entier ne pourrait jamais se
réaliser dans le délai correspondant à la longueur du chemin
critique.
Pour calculer la date au plus tard, on peut adopter, entre autres
raisonnements, la méthode suivante :
inversion de l'orientation de tous les arcs du graphe ;
avec ce nouveau graphe, on calcule les dates au plus tôt ( les
rôles de l'entrée et de la sortie sont inversés ) ;
les dates au plus tard sont alors obtenues par diérence entre
la durée minimum du projet et les dates ainsi calculées comme
le montre le graphe inversé ci-dessous

Chemin critique
Un chemin critique dans un graphe PERT est tout chemin reliant le

sommet initial (entrée) et le sommet nal ( n projet ) dont la
valeur est maximale. C'est le chemin dont la durée totale coïncide
avec le temps minimum nécessaire pour la réalisation du projet. Il
est composé exclusivement de tâches critiques, c-à-d celles dont
l'exécution ne doit pas être retardée . Ce chemin passe par les
sommets dont les dattes au plus tôt et au plus tard coïncident.

Exemple

TROISIEME CHAPITRE
Problèmes de transport

Un réseau de transport à n sommets est un graphe valué, orienté
sans boucle et dont :
un sommet est une entrée au graphe ( sans précédent ) et un
sommet est une sortie du graphe ( sans suivant ) ;
les autres sommets sont les n÷uds du réseau ;
les arcs (xi , xj ) sont des liaisons entre les sommets adjacents
ayant pour valeurs associées νij .

1) Problème du chemin optimal : Algorithme de
Ford
Dans ce cas, les valeurs νij associées aux arcs (xi , xj ) peuvent
représenter des coûts de transport, des distances ou aussi des
durées entre les extrémités xi et xj .
Il s'agit d'aller de l'entrée jusqu'à la sortie du graphe par le chemin
le plus court ( c'est à dire en un minimum de temps ou de
distances ou avec un coût minimal ) ou le plus long.

Méthode de résolution de chemin minimal :
Algorithme de Ford
1 Numéroter les sommets du graphe dans un ordre quelconque

avec x l'entrée et xn− la sortie.
0 1
2 A chaque sommet xj , aecter la valeur αj du chemin minimal

de l'entrée x à xj tel que :
0
α =0

0
αj = min(αi + νij ), iparcourtlesindicesdetouslessommetsprcden

3 αn est la valeur du chemin minimal de x à xn−
0 1

Exemple
On veut se rendre de la ville A à la ville F le plus rapidement

possible. Les diérentes communications et distances ( en km )
entre ces villes représentées dans le graphe suivant :

2) Problème de ot maximal : Algorithme de Ford
- Fulkerson
Dans ce cas, les valeurs νij associées aux arcs (xi , xj ) représentent
les capacités maximales de transport entre les extrémités xi et xj .
Il s'agit de maximiser les ots ou les ux qui circulent dans le
réseau entre l'entrée E et la sortie S compte tenu des capacités de
transport.

Dénitions
1 Le ot est la quantité réelle qui circule sur le réseau et ne peut

dépasser la capacité des arcs.
2 Une chaîne est une suite ordonnée d'arrêtes.
3 Un chemin ou une chaîne de E à S est saturé si au moins un
de ses arcs est saturé ( le ot circulant dans l'arc atteint sa
capacité maximale).
4 Le ot est complet si tous les chemins de l'entrée à la sortie
sont saturés.

Méthode de résolution : Algorithme de Ford -
Fulkerson
Principe
1 La somme des ots qui partent de E est égale à la somme des
ots qui arrivent à S
2 Principe de conservation : en chaque n÷ud du réseau les ots
entrants sont égaux aux ots sortants.
3 Le ot est maximale si toutes les chaînes du réseau sont
saturées.

Fulkerson
Algorithme
1 Choix d'un ot au hasard : faire passer un ot entre l'entrée E
et la sortie S compte tenu des capacités maximales de
transport.
2 Recherche d'un ot complet : améliorer ce ot de façon à ce
que tout chemin allant de E à S comprenne au moins un arc
saturé. Et pour cela, il faut saturer l'arc qui possède le
minimum des capacités résiduelles de tous les arcs du chemin
non saturé.

Fulkerson
Algorithme
3 Détermination du ot maximal : améliorer ( augmenter ou
diminuer ) le ot complet s'il existe une chaîne non saturée de
E à S.
recherche des chaînes non saturées par la méthode de
marquage :
i) marquer l'entrée E d'un signe (+) ;
ii) marquer l'extrémité initiale xi d'un arc (xi , xj ) dont le ot
est non nul et dont l'extrémité nale xj est marquée. On
marque avec (−xj ).
iii) marquer l'extrémité nale xj d'un arc non saturé (xi , xj ) et
dont l'extrémité initiale xi est marquée. On marque avec (+xi ).
Condition d'arrêt : Si l'on ne peut pas marquer la sortie S,
alors il n'existe aucune chaîne non saturée et le ot est
maximal, l'algorithme s'arrête.
Si non, c'est à dire S est marquée, alors on passe à l'étape
suivante.
Fulkerson
Algorithme
Amélioration du ot dans la chaîne non saturée :
i) Calculer la capacité résiduelle minimale CRM des arcs
orientés dans le sens du graphe.
ii) Calculer le ot minimale FM des arcs orientés dans le sens
inverse du graphe.
iii) Soit C = min(CRM, FM)
iv) Ajouter la valeur C à tous les arcs orientés dans le sens du
graphe et retrancher la valeur C à tous les arcs orientés dans le
sens inverse du graphe
4 Reprendre l'étape 3 : jusqu'à ce que l'algorithme s'arrête à une
certaine itération.

Exemple
Soit à maximiser les ots circulant dans le réseau suivant compte

tenu des capacités de transport :

Merci pour votre attention

Recherche Opérationnelle

Transféré par

Droits d'auteur :

Formats disponibles

Recherche Opérationnelle

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Recherche Opérationnelle

Transféré par

Droits d'auteur :

Formats disponibles

RECHERCHE OPÉRATIONNELLE

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Dénition : La recherche opérationnelle ( R.O ) ou ( la science de

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

sert à résoudre tous types de problèmes diciles ( issus de

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Partie I : Programmation linéaire

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Formulation des problèmes linèaires : Modèlisation

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Dénition : La programmation linéaire est une branche des

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

En économie et gestion, l'objectif est à :

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Programme Linéaire (PL) = Problème de la programmation

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Pour modéliser un problème linéaire, il faut suivre les étapes

en précisant s'il s'agit d'un problème à maximiser ou à

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Le tableau suivant résume les données aérentes à ce problème de

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

- Variables de décision : Notons par

unités ; cette production lui rapporte donc un prot de (50x ) dh ;

- de même, la quantité x du produit B lui permet de faire un prot

Le prot total à tirer des deux produits s'élève donc à :

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

1 heure / (unité de A) ×x (unité de A) = x heures,

pour le produit B, on procède de façon analogue :

La contrainte relative à la machine m s'écrit donc :

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Le modèle se résume ainsi :

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Soient m machines Mi ( i = 1, ....., m) qui fabriquent en série n

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

fournira les valeurs optimales des quantités xj à produire de chacun

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Enoncé du problème : Un agriculteur souhaite que son troupeau

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Le tableau suivant résume les données aérentes à ce problème :

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

chercher. L'objectif de l'agriculteur est évidemment de minimiser le

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Le modèle se résume ainsi :

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Après la modélisation du problème, vient la recherche d'éventuelles

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Méthode de Résolution Graphique (PL à Deux Variables)

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Equation d'une droite : L'expression : a x + a x = b (1)

est l'équation d'une droite (∆) qui a pour pente − aa12 (a 6= 0) et 2

qui passe par le point de coordonnées (0, ab2 ).

Remarque : La droite (∆) sépare le plan (ox x ) en 2 demi-plans

FOUAD KISSI RECHERCHE OPÉRATIONNELLE

Ensemble convexe de Rn : Un ensemble D ⊂ Rn est convexe si :

Résultat :Tout polygone convexe de R possède un nombre ni de

Dénition : La recherche opérationnelle ( R.O ) ou ( la science de

sert à résoudre tous types de problèmes diciles ( issus de

Dénition : La programmation linéaire est une branche des

Le tableau suivant résume les données aérentes à ce problème de

unités ; cette production lui rapporte donc un prot de (50x ) dh ;

- de même, la quantité x du produit B lui permet de faire un prot

Le prot total à tirer des deux produits s'élève donc à :

Le tableau suivant résume les données aérentes à ce problème :

Résultat :Tout polygone convexe de R possède un nombre ni de

Le problème de planication de la production de chassis se traduit

Toute inégalité est vériée par une moitié du plan

Soulignons enn que dans la méthode simpliciale, tout programme