mémoire fin

Université Mohamed El Bachir El Ibrahimi de Bordj Bou Arréridj
Faculté des Mathématiques et de l’Informatique
Département de Recherche Opérationnelle
Mémoire
Présenté par :
Nouioua Afrah
Pour l’obtention du diplôme de
Master
Filière : Mathématique Appliquées
Spécialité : Méthode et outils pour la recherche opérationnelle
Thème
Méthode de décomposition pour le problème de planification d’emplois du temps
Soutenu publiquement le 28 septembre 2021 devant le jury composé de
M-B RAHMI B OUALEM Président Univ BBA

M-T OUATI H ILLAL Encadrant Univ BBA
M-R AMDANI Z OUBIR Examinateur Univ BBA
Promotion 2020/2021
TABLE DES MATIÈRES
Introduction générale 9
1 Préliminaires sur le problème 11
1.1 La Recherche opérationnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 La planification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 Différents types de plannings : . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3 problème d’emploi du temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.1 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.2 Horaire de l’école . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.3 Horaire des universités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Modélisation et les approches de résolution 22
2.1 Divers méthodes de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.1 Modèle linéaire pour le problème . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.2 Modèle avec des graphes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.3 Génération de colonnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2 Méthodes approchées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.1 Algorithmes génétiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2.2 Recuit simulé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.3 Recherche Tabou . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4
TABLE DES MATIÈRES
3 Méthode de Décomposition 44
3.1 Modélisation par graphe biparti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Décomposition en deux niveaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Conclusion générale 55
5
TABLE DES FIGURES
2.1 graphe simple avec L’ensemble des sommets est {a,b,c,d,e} . . . . . . . . . . . . . 27
2.2 Exemple de la coloration d’arêtes . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3 Une coloration de sommets, par exemple les sommets 1,4 sont coloré avec la
même couleur puisqu’ils sont pas adjacents . . . . . . . . . . . . . . . . . . . . . 28
2.4 couplage du graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 l’ensemble d’arêtes A,E,Cest un couplage maximal . . . . . . . . . . . . . . . . . . 30
2.6 Sélection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.7 Exemple(simple enjambement) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.8 Exemple(double enjambement) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.9 Exemple de Mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.10 fonctionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.11 L’organigramme du recuit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.12 L’organigramme du recherche tabou[39] . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1 graphe du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3 L’ensemble d’évènements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6
Dèdicace
Je dédie ce travail à mes parents, ma mère pour ses encouragements et ses prières tout au
long de mes études, mon père pour tous ce qu’il avait fait pour avoir ce résultat.
Que dieu les protègent.
A mes chère grand-mère Daraji et Fatima , mes chère grand père Alwany et Rebiha
qu’Allah lui fasse miséricorde.
Je le dédie à mes chère sœurs Asma, Meriem et mes chère frères Aymen et Adem
À mes amis Mouna Ben Ziane, Moustafa, Bilal
A tous mes amis et mes collègues dans l’université " BBA ".
DE NOU IOU A AFRAH

TABLE DES FIGURES
Remerciements
Nous tenons à rendre grâce tout d’abord à Dieu, le Tous Puissant, de nous
avoir donné le courage d’entamer et de finir ce mémoire.
Nous tiens à remercier en tout premier lieu mon directrices de
mémoire,monsieur Hillal Touati , professeur chercheur à l’université de
Bordj Bou Arreridj, Nous avons eu l’honneur d’être parmi vos étudiants et
nous vous remerçions d’accepter de nous accompagner dans la réalisation
de ce projet de fin d’étude Nous tenons à gratifier aussi les membres de jury
pour l’intérêt qu’ils ont porté à notre recherche en acceptant d’examiner
notre travail. Enfin, on adresse nos sincères sentiments de gratitudes et de
reconnaissances a toutes les personnes qui ont participé de prés ou de loin à
la réalisation de ce travail.
8
INTRODUCTION GÉNÉRALE
Dans de nombreux domaines de la vie humaine, on se trouve confronter au problème de

la gestion du temps, dans tout le document, afin d’optimiser le temps, l’argent et les autres
ressources.
Parmi la vaste famille de problèmes du planification d’horaire ,celui de l’élaboration de l’em-
ploi des temps dans les établissements éducatifs qui exploite des ressources humains, et d’autres
ressources(classes...)
La planification de temps consiste à allouer des ressources données à des objets dans un inter-
valle de temps, de façon à satisfaite au mieux un ensemble d’objectifs et de contraintes, tel que
l’amélioration de la qualité de service et l’amélioration des condition de travail.
La construction d’un planning d’horaires souvent est long et très difficile à mettre en œuvre
et qui doit être répétée à intervalle régulier, c’est pour cette raison que l’automatisation des
l’emploi du temps est une tâche de grande importance car elle permet de gagner beaucoup
d’heures de travail de fournir des solutions optimales.
la résolution d’un problème de planification d’horaire n’est pas une étape facile, ce qui a poussé
de nombreux chercheurs dans de nombreux domaines à résoudre ce problème en utilisant un
ensembles de méthodes et de techniques. Parmi ces méthodes, on a celles dite exactes et les
autres dites approches appelées aussi méthodes de recherche généralisée comme recherche
tabou, recuit simulé et algorithmes génétiques.
Dans ce travail, nous intéressons à l’étude de la modélisation du problème de planification des
emplois du temps.
Ce manuscrit est organisé comme suit :
Dans le premier chapitre nous introduisons les notions liées à la planification d’horaires de
9
TABLE DES FIGURES
travail et les différents types de plannings dans différents domaines de travail(pédagogiques .

. . ).
Dans le deuxième chapitre nous introduisons des variantes du notre problème. En plus d’une
présentation succinte des principales méthodes de résolution.
le dernier chapitre est dédié à la présentation du modèle proposé avec une description succinte
des contraintes et de la fonction objectif.
Enfin on termine notre mémoire par une conclusion générale.
10
CHAPITRE 1
PRÉLIMINAIRES SUR LE PROBLÈME
Dans de nombreux domaines de la vie professionnelle, on se trouve confronter problèmes

de la planification des horaires. En effet la question de l’aménagement du temps et ses enjeux
préoccupe tout les planificateurs qui incite à proposer des méthodes et des techniques pour
aider à gérer au mieux les horaires, soit dans les universités avec les emplois des temps ou la
planification des examens, soit dans l’horaire des écoles primaire.
Ce chapitre expose la problématique de planification des horaires dans un contexte général
et sa complexité au quotidien ,et pour mieux comprendre les autres chapitres on va donner
un ensemble de notions nécessaires pour clarifier et faciliter la compréhension des prochaines
parties.
1.1 La Recherche opérationnelle
La recherche Opérationnelle(R.O), 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.[7]
Elle propose des modèles conceptuels pour analyser des situations complexes et permet aux
décideurs de faire les choix les plus efficaces.[8]
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).[14]
11
1. Préliminaires sur le problème
La gestion de projets est une composante très importante de la communauté de recherche opé-
rationnelle. De nombreux travaux traitent de l’ordonnancement et de la gestion de projets, mais
aussi de logistique (tournées de véhicule, conditionnement), de planification, et de problèmes
d’emploi du temps.[16]
Cette discipline possède ses racines durant la fin de la deuxième guerre mondiale ou l’ar-
mée américaine faisait appel à plusieurs mathématiciens, économistes et informaticiens pour
déterminer des lieux optimaux et sures afin d’installer des postes anti-espionnage.
On peut dire que, la RO est un carrefour ou se rencontrent les mathématiques, l’économie et
l’informatique. Elle peut être définie comme un outil d’aide à la décision qui consiste à ap-
pliquer des méthodes (Techniques) mathématiques à des problèmes réels d’ordre économique
impliquant des moyens humains et matériels et matières premières. Ces problèmes touchent
divers domaines tels que l’industrie (gestion de production, ordonnancement, Affectation,
transport,...), finance (Gestion du budget, choix et portefeuille d’investissement,...), militaire
(stratégie, maintenance,...) et bien d’autre domaine.
Le problème de planification des emplois des temps, et parmi les vrais problèmes de la re-
cherche opérationnelle. Généralement, les problèmes réels sont difficiles à résoudre en vue de
leurs complexités et la taille de leurs données d’où la nécessite de faire appelle à l’outil infor-
matique.
Étant donnée un problème réel, l’approche de la RO consiste à modéliser (Traduire) fidèlement
ce problème de la réalité vers un modèle mathématique puis lui appliquer une technique (mé-
thode) pour sa résolution afin de fournir des solutions sur lesquelles des décisions seront prise.
1.2 La planification
La planification désigne l’action et l’effet de planifier, c’est à dire, d’organiser à l’avance

quelque chose (son temps, ses activités) selon un plan. Cela implique avoir un ou plusieurs
objectifs à satisfaire tout en prenant les mesures nécessaires dans le but de parvenir à ces fins.[5]
La planification d’horaires : est un processus très complexe, qui vise à organiser des activités
humaines (principalement de travail) dans le temps et à optimiser l’utilisation des ressources,
de façon à couvrir un besoin exprimé par une charge de travail prévisionnelle sous diverses
contraintes. Elle aboutit à des programmes définissant les horaires de travail et de repos.[5]
Définition 1. La planification est un instrument de gestion dont l’objectif est d’aboutir à des pro-
12
grammes permettant d’organiser et planifier le travail des salariés afin de rester pérenne dans l’économie
globale. Ceci passe par la détermination des capacités tout un chacun et par le recensement des activités
futures et des besoins en personnel.[1]
Elle a pour objectif affecter les ressources humaines pour chaque intervalle de temps, de telle manière que
les besoins par intervalle et les différentes contraintes soient satisfaites.
Pour mieux cerner ce qui est la planification et la complexité à sa réalisation, on s’intéresse

à un ensemble de questions :
Qu’est ce qu’un planning ?
La planification peut être aussi vue comme un mécanisme du gestion dont l’objectif est
d’aboutir a des programmes(planning) permettant d’organiser et planifier le travail a fin de
rester perpétuel.
Les plannings sont des calendriers de travail, où figurent à la fois le temps, l’affectation du
personnel, les jours et les horaires de travail, et les congés et repos.[2]
A Quoi sert un planning ?
Depuis le début des années 80, la gestion des ressources humaines à été reconnue comme
une activité stratégique pour l’entreprise. Avec cette reconnaissance, l’intérêt d’élaborer des
plannings s’est vu accroître de plus en plus car ils permettent :
— aux entreprises exerçant une activité continue ou quasi-continue de répartir convenable-

ment leur personnel (compagnies aériennes, entreprises de transports, hôpitaux, etc. . . ),
— aux entreprises cherchant à se rendre plus accessibles à la clientèle d’étaler les horaires
d’ouverture (grands magasins, banques, etc. . . ),
— à toutes les entreprises de surmonter leur exigences de productivité et de mieux gérer les
présences et absences de leur personnel.
— Les situations où un planning est utile son monbreuses. Elles justifient l’existence de dif-
férentes types de plannings dans un même système : plannings à court, moyen et à long
terme.
13
1.2.1 Différents types de plannings :
Les plannings peuvent être utilisés pour planifier les horaires de présences du personnel ou
les tâches effectuées par le personnel. On distingue des type de planification par exemple :
— Planning des horaires de présence : Ce type de planning est utilisé pour prévoir les ho-
raires de présence du personnel sans préciser les tâches journalières à effectuer soit pour
des raisons de sécurité, soit pour une meilleure souplesse.
— Planning des tâches : Ce type de planning est utilisé dans des organismes et entreprises à
haute technicité, comportant plusieurs métiers et compétences distincts, où il est souhai-
table d’affecter le personnel en fonction des tâches. Ce qui exige une décomposition fine
des opérations et le repérage des tâches que chaque personne est capable d’accomplir.
Les plannings peuvent être journaliers, hebdomadaires, mensuels ou annuels . Certains
plannings sont cycliques, s’ils reflètent une certaine périodicité des horaires individuels,
c’est à dire si au bout d’une durée D (mesurée généralement en semaine). Autrement, ils
sont dits acycliques c’est à dire ils sont différents chaque semaine.
le domaine de la santé
Les plannings dans le domaine de la santé sont des calendriers de travail où figurent à la
fois le temps, et l’affectation des personnels (jours et horaires de travail, repos). Ils sont établis
au niveau de chaque équipe, ils sont à la fois une tâche, un document d’organisation du travail,
et un élément contribuant à la gestion administrative du personnel. Cette tâche est parmi les
plus difficiles et les plus délicates.
Difficile parce qu’elle repose sur la recherche de solutions combinatoire, répond à des contraintes
multiples, remise en cause de manière fréquente par l’absentéisme et délicate car elle impose
toujours une négociation avec les acteurs (médecins, infirmiers) et la direction du service de
soins et l’administration. Les documents établis sont des calendriers sur lesquels on inscrit les
affectations des médecins et des infirmiers ; ils sont généralement des tableaux à double entrée
tel que en ligne le personnel et en colonne le temps.
L’objectif de la confection d’horaires en ce milieu est donc une combinaison variable de consi-
dérations en terme de coûts, de qualité des soins et de satisfaction du personnel. Mais les
14
gestionnaires font souvent face à la difficulté d’obtenir des horaires réalisables qui satisfassent
les contraintes.
le domaine de transport
Le transport est une activité complexe qui fait intervenir des investissements lourds, du
personnel qualifié et une informatique très coûteuse.
1 le transport routier : il est toujours nécessaire de gérer aux mieux les ressources existantes
en optimisant les investissements. Comme les clients exigent toujours plus de flexibilité,
il faut offrir des services sur mesure, replanifier en permanence et en temps réel et gé-
rer le personnel qualifié qui est une opération très complexe car il faut tenir compte de
plusieurs contraintes (contrats, temps de travail, manque du personnel qualifié,. . . ).
2 le transport maritime : c’est la gestion des escales et la gestion du personnel docker est
aussi une activité complexe qui nécessite un effort considérable de la part des planifica-
teurs. Les navires doivent rester à quai un temps minimum et les équipes docker doivent
être disponibles.
En effet, la qualité de la planification des travaux influe directement sur la rentabilité de

l’activité de l’entreprise d’où la nécessité de la gestion des escales (planifier le placement
des navires sur les quais, planifier la disponibilité des ressources matérielles nécessaires,
positionner des équipe sur des navires). Afin d’optimiser les coût liés aux chargements et
déchargements des navires et la gestion du personnel docker(les besoins en équipe et en
qualification pour chaque tâche issue de la gestion des escales et les contraintes liées a la
gestion de personnel) afin d’optimiser l’affectation des ressources tout en tenant compte
des contraintes liées à l’organisation du travail.
3 le transport aérien : la gestion des flux de trafic aérien correspond aussi à des problèmes
d’optimisation dont la résolution est très complexe. En effet, le contrôle de la circulation
aérienne organise les flux aériens afin d’assurer la sécurité des vols(en terme de risque de
collision), d’améliorer la capacité du réseau de routes sur lequel les avions se déplacent
et de construire des programmes de vols optimisé.
le domaine de la pédagogie :
La confection d’horaires (ou confection d’emploi du temps) dans les établissements univer-
sitaires est un travail très important,. Pour fournir une solution , nécessite d’être capable de
15
s’adapter aux changements dynamiques de l’environnement en tenant compte de la diversité

des contraintes telles que l’interdépendance des programmes d’enseignement, la multitude des
matières étudiées et les contraintes sur ces matières(cours, TD, TP. . . ), la durée des cours, les
contraintes de disponibilité des enseignants, la disponibilité limitée des salles. C’est un pro-
blème qui peut être défini comme un problème qui fait assigner quelques évènements dans un
nombre limité de périodes.
Il peut être divisé en deux catégories principales : la confection d’horaires des cours et la confec-
tion d’horaires des examens.[25]
La confection de plannings d’horaires est donc une tâche très difficile et sa solution ma-
nuelle peut exiger beaucoup d’effort ce qui a attiré énormément l’attention de la communauté
scientifique.
Les problèmes des emplois de temps s’étendent de la construction des emplois du temps se-
mestriels ou annuels dans les universités, écoles ou collèges aux emplois du temps d’examens
à la fin de ces périodes. Les premières activités d’emploi du temps ont été effectuées manuel-
lement et un emploi du temps typique, une fois construit est resté statique avec seulement
quelques changements nécessaires.[4]
1.3 problème d’emploi du temps
Dans notre travail on s’intéresse à la planification des emplois de temps à l’université, mais
il faut par oublier que la planification du temps et existe dans plusieurs domaines : dans les
poste, les industrielles,on trouve aussi dans la maison quant le maman décider de faire plu-
sieurs travail dans la journée avant de commencer leur travail elle est automatiquement fait un
emploi pour organiser tout les taches avec consommation des temps et des ressources.
1.3.1 Historique
Les premières activités d’emploi du temps ont été effectuées manuellement et un emploi
du temps typique, une fois construit est resté statique avec seulement quelques changements
nécessaires. Cependant la nature des enseignements a changé considérablement au cours des
années et ainsi les exigences en matière de confection d’emploi du temps sont devenues beau-
coup plus compliquées qu’ils ont eu l’habitude de l’être. L’intérêt de génération d’emploi du
16
temps a augmenté dramatiquement dans les années 60 principalement en la raison de la dis-

ponibilité d’ordinateurs pour exécuter les algorithmes développés. Autour de la fin des années
60 quelques tentatives qui ont traité le problème en considérant des études de cas commen-
çaient à être publiées. Par exemple en 1969, Lawrie a développé un modèle pour le problème
de confection d’horaire en employant l’approche de programmation linéaire. Pendant les an-
nées 1970, plusieurs publications ont abordé le problème d’emploi du temps. Les principales
techniques qui semblent avoir été plus répandu dans les années 1970 et les années 1980 sont
les techniques ayant pour racine l’intelligence artificielle et sont basées sur les méthodes du
recuit simulé, la recherche Tabou et les algorithmes génétiques. En 1985, De Werra, a décrit
les divers problèmes traitant le problème d’emploi du temps d’une façon formelle et a fourni
les différentes formulations dans une tentative de les résoudre. Il a aussi décrit les approches
considérées les plus importantes à ce temps-là. En 1986,Carter ,a fait une analyse sur de réelles
applications de confection d’emploi du temps de plusieurs universités. Junginger, a décrit dans
la même année, les recherches faites en Allemagne sur le problème d’emploi du temps scolaires
et les approches qui étaient basées sur des heuristiques directes, en particulier il a décrit les di-
vers logiciels mis en œuvre et leur utilisation dans les divers établissements. En 1994, Corne, a
fait une enquête sur l’application des algorithmes génétiques au problème d’emploi du temps
et a controversé les futures perspectives de telles approches en comparant les résultats obtenus
avec ceux obtenus avec d’autres approches. Dans les dernières décennies, les sujets de réso-
lution du problème d’emploi du temps ont été principalement limités à la (Recherche Opéra-
tionnelle) (les techniques employées étaient naturellement mathématiques). Dans la décennie
actuelle, la contribution de l’intelligence Artificielle a fourni au problème de résolution de l’em-
ploi du temps une heuristique moderne telle que les algorithmes génétiques, le recuit simulé
et la recherche Tabou.
A Quoi sert un emploi du temps ?
Depuis le début des années 80, la gestion des ressources humaines a été reconnue comme
une activité stratégique pour un établissement. Avec cette reconnaissance, l’intérêt d’élaborer
des emplois du temps s’est vu accroître de plus en plus car ils permettent :
— Aux établissements exerçant une activité continue ou quasi-continue de répartir conve-

nablement leur personnel (universités, entreprises de transports, hôpitaux, etc. . . )
— Aux établissements cherchant à se rendre plus accessibles à la clientèle d’étaler les ho-
raires d’ouverture (grands magasins, banques, etc. . . ).
17
— A toutes les établissements de surmonter leur exigences de productivité et de mieux gérer

les présences et absences de leur personnel. Les situations où un emploi du temps est utile
sont nombreuses. Elles justifient l’existence de différentes formes de ce dernier dans un
même système : emplois du temps à court, moyen et à long terme.
Comment un emploi du temps est élaboré ?
Pour que les emplois du temps élaborés soient satisfaisants, ils doivent vérifier un ensemble
de contraintes et établir un meilleur compromis entre les différents acteurs (exemple : le chef
du département, le planificateur, les enseignants et les étudiants). Lorsque les différentes so-
lutions alternatives sont connues, une négociation se déroule de la manière suivante : chaque
acteur donne son opinion. Les points d’accord sont très vite expédiés et les points incertains
sont débattus. Et des solutions de compromis sont dégagées. Les difficultés de négociation
augmentent avec le nombre d’acteurs et le nombre de solutions alternatives. L’aspect combi-
natoire (pour l’élaboration des emplois du temps) rend d’autant plus difficile la négociation,
car les opinions sont plus difficiles à formuler. Les moyens informatiques apportent une aide
certaine notamment dans l’acquisition et la confrontation des données individuelles.
Définition 2. : Les emplois du temps sont des calendriers de travail, où figurent à la fois le temps,
l’affectation du personnel, les jours et les horaires de travail, et les congés et repos. Les emplois du temps
peuvent être utilisés pour planifier les horaires de présences du personnel ou les tâches effectuées par le
personnel.
La planification d’horaire est un processus très complexe et NP-complet, qui vise a organi-
ser des activités humaines et les différents tâches que nous avons a réaliser dans le temps et a
optimiser l’utilisation des ressources de façon a couvrir un besoin exprimé, La confection d’ho-
raires (ou confection d’emploi du temps) dans les établissements scolaires(emploi du temps
d’université cours, examen et des scolaires ), est un travail très important, difficile à réaliser.
Pour fournir une solution, nécessite d’être capable de s’adapter aux changements dynamiques
de l’environnement en tenant compte de la diversité des contraintes. l’interdépendance des
programmes d’enseignement, la multitude des matières étudiées et les contraintes sur ces ma-
tières (cours,TD,TP. . . ), la durée des cours, les contraintes de disponibilité des enseignants, la
disponibilité limitée des salles. C’est un problème qui peut être défini comme un problème qui
fait assigner quelques évènements dans un nombre limité de périodes. Il peut être divisé en
deux catégories principales : la confection d’horaires des cours et la confection d’horaires des
18
examens.
1.3.2 Horaire de l’école
L’emploi des temps des écoles est un outil d’affectation qui affecter un ensembles de en-
seignants a un ensembles de classes qui contient un groupe des élèves pour but de fournir un
ensemble de leçons dans une période de temps.
un classe est composé d’un certain nombre d’élèves présents et des enseignants, tel que chaque
enseignants est effectué a l’avance et il reste dans la même salle avec la même classe toute
la journée, enseignant diverses matières( les écoles secondaires),on trouve qu’il existe divers
contraintes sur le nombre des salle, les élèves et les enseignants comme :
— L’enseignant ne peut pas enseigner dans deux classes au même temps ou donnée deux
leçons au même temps
— Certains classes ayant besoin spéciaux par exemple : les ordinateurs ou les matériel labo-
ratoire il faut utiliser seulement pour des sciences spéciaux.
— Sons oublier qu’il existe d’autres type de contraints, les contraints douces comme : les
enseignants peuvent préférer enseigner leur matière à une certaine période de la journée.
— Il peut être préférable de distribuer les cours durant la semaine afin que le même cours
ne soit pas donné deux fois la même journée.
1.3.3 Horaire des universités
La tâche d’attribuer un certain nombre d’événements, tels que des conférences, des exa-
mens, des réunions, etc., à un nombre limité de ensemble de créneaux horaires (et peut-être
de salles), en fonction d’un ensemble de contraintes. D’une manière générale, il est générale-
ment admis que, dans cette définition, les problèmes liés à l’horaire des études universitaires
peuvent être classés en deux grandes catégories : les problèmes liés à l’horaire des examens et
les problèmes liés à l’horaire des cours.[17]
Horaire des examens
Le problème du calendrier des examens est essentiellement défini comme la répartition des
examens dans un nombre limité de créneaux horaires, tout en respectant le nombre maximal
de contraintes qui diffèrent grandement d’un établissement à l’autre. Par conséquent, les pro-
blèmes de calendrier d’examen diffèrent par leur taille, leur complexité et leurs contraintes.
19
Dans la documentation sur le calendrier, deux catégories de contraintes ont été présentées, à
savoir les contraintes douces et les contraintes dures.
Les contraintes dures on prend comme exemples :
Deux examens ne peuvent pas être programmés en un seul créneau horaire lorsqu’il y a un
certain nombre de points communs élèves assis pour l’examen.
Le nombre d’élèves présents aux examens ne doit pas dépasser le nombre de sièges dispo-
nibles. et on a les contraintes douces
Les examens qui sont en conflit sont mieux d’être répartis tout au long de la session d’examen
dans éviter les intervalles de temps consécutifs des examens ou deux examens le même jour.
Examens considérés comme ayant le plus les élèves devraient être inscrits le plus tôt possible
pour permettre un temps de marquage suffisant.
La commande (priorité) des examens est nécessaire pour être remplies.
Horaire de cours :le calendrier hebdomadaire du conférence d’un ensemble de cours universi-
taires minimisants les chevauchements de cours ayant des étudiants commun. Et qui consiste
a planifier une séquence de cours entre les enseignants et les étudiants dans une période de
temps prédéfinie généralement une semaine, sans oublier la satisfaction des contrainte.
Une contrainte ne revêt pas nécessairement un aspect absolu (soit elle est vérifiée ou violée)
mais peut être formulée sous forme d’un objectif qui doit être approché autant que possible,
selon ce critère, les contraintes peuvent être réparties en deux grandes classes : les contraintes
dures et les contraintes de souple.
On considère le problème d’horaire universitaire comme un problème d’ordonnancement ,la
résolution du cette problématique consiste a ordonnancer les différents taches des enseignants
et des étudients.[18]
Chaque calendrier contiens les éléments suivants :
1 un ensembles des matières à enseigner.
2 un ensembles d’enseignants.
3 un ensembles de classes et de salles.
4 un ensembles des contraintes .
Horaire des cours
le problème d’emploi du temps consacrés au cours, qui se définit comme un ensemble de

cours universitaire qui se déroulent tout au long des périodes spécifiques pendant cinq ou six
20
jours par semaine, dirigés par un nombre limité de professeurs et de salles de classe nécessitant
une meilleure gestion pour bien contenir le nombre important d’étudiant inscrits.
Et la programmation hebdomadaire de toutes les conférences d’un ensemble de cours uni-
versitaires, en minimisant les chevauchements de conférences de cours ayant des étudiants
communs.[17]
On se limitera pour l’instant à cette partie introductive car dans le chapitre deuxième on abor-
dera encore plus en détails les horaires de cours.
conclusion
D’après ce qu’on a vu dans les paragraphes précédents, on peut dire que la planification
de personnel est un processus complexe qui présente des enjeux à la fois sur le plan écono-
mique et sur le plan social. Cette complexité s’accroît considérablement dans le secteur des
services. Parmi tous les types de plannings cités, c’est sur les plannings pédagogiques que
nous allons porter notre intérêt. Les problèmes de planification en général sont des problèmes
NP-Complets ; donc, tout apport en terme d’approche de résolution ne peut qu’être bénéfique.
21
CHAPITRE 2
MODÉLISATION ET LES APPROCHES DE RÉSOLUTION
Elaborer Le calendrier des temps est un problèmes large et très complexes, qui a besoin de
méthodes ou de techniques pour leur résolution. Parmi ces méthodes on à des approches dits
exacts et des approches approchées, appelées communément heuristique.
Les premiers efforts fournis était l’élaboration de méthodes efficaces(ou exacts), tel que le
branchement et séparation pour les programme linéaires en nombre entiers(PLNE), la généra-
tion des colonnes et enfin les méthodes liée à la théorie de graphes.
2.1 Divers méthodes de résolution
Pour la résolution des problèmes, en recherche opérationnelle, le choix de la méthode de

résolution constitue une étape cruciale. Il existe deux grandes familles de méthodes de réso-
lution. D’un coté, les méthodes exactes (complètes) qui garantissent la complétude de la ré-
solution, de l’autre les méthodes approchées heuristiques méta heuristiques (incomplètes) qui
perdent en complétude pour gagner en efficacité.
22
2. Modélisation et les approches de résolution
Méthodes Exactes
Les méthodes exactes (appelées aussi complètes) produisent une solution optimale pour
une instance de problème d’optimisation donné. Elles se reposent généralement sur la re-
cherche arborescente et sur l’énumération partielle de l’espace de solutions.
Elles sont utilisées pour trouver au moins une solution optimale d’un problème. Les algo-
rithmes exacts les plus connus sont la méthode de séparation et évaluation, et la programma-
tion linéaire, l’inconvénient majeur de ses méthodes est l’explosion combinatoire : Le nombre
de combinaisons augmente avec l’augmentation de la dimension du problème. L’efficacité de
ces algorithmes n’est prometteuse que pour les instances de problèmes de petites tailles.
On peut définir une méthode exacte comme une méthode qui garantit l’obtention de la solution
optimale pour un problème d’optimisation. L’utilisation de ces méthodes s’avèrent particuliè-
rement intéressante, mais elles sont souvent limitées au cas des problèmes de petite taille.[6]
Programmation linière en nombre entier(PLNE)
La programmation linéaire est l’une des techniques (outils) les plus utilisées de la recherche
opérationnelle. Ceci s’explique par la grande variété des problèmes qui peuvent être modéli-
sés par des programmes linéaires et par l’efficacité de la méthode de résolution (algorithme du
Simplexe).[22]
Un programme linéaire, est une fonction objectif linéaire à maximiser ou minimiser , sous des
contraintes linéaires, dans lequel il y a la contrainte supplémentaire que les variables sont
entières. On parle de programme linéaire mixte lorsque seul un sous-ensemble de variables
doivent être entières et les autres réelles.
La programmation linéaire est essentiellement appliquée pour résoudre des problèmes d’op-
timisation à moyen et long terme (problèmes stratégiques et tactiques, dans le vocabulaire de
la recherche opérationnelle). Les domaines d’application de ces problèmes sont très nombreux
aussi bien dans la nature des problèmes abordés(planification et contrôle de la production, pla-
nification des emploi des temps)que dans les secteurs dans laquelle elle intervient : industrie
manufacturière, énergie (pétrole, gaz, électricité, nucléaire), transports (aériens, routiers et fer-
roviaires), télécommunications, industrie forestière, finance...[20]
Parmi les modèle utilisé dans le problème de planification d’emploi du temps, on trouve des
modèle à deux dimensions ,et d’autres à 3 dimension.
23
2.1.1 Modèle linéaire pour le problème
Un modèle à deux indices(ou 2 dimension :
Il existe différentes formulation du problème d’horaire. Dans cette parties nous présente-
rons un modèle exposé dans l’état d’art de De Werra [3] Étant donner q module noté : k1 , k2 ...kq
et pour chaque i, le module K est composé de ki cours par séance. Il existe des modules S1 ...Sr ,
qui ont des groupes d’étudiants en communs. Cela signifie que les modules doivent être tous à
programmés des créneaux différents. Le nombre de périodes est p, et lK est le nombre maximal
de séance pouvant être programmées à la période k (c.-à-d. le nombre de salles disponibles à
la période k), alors la formulation de ce modèle est la suivante :
q p
max ∑ ∑ dik yik
i =1 k =1
p
∑ yik = ki (i = 1...q) (2.1)
K =1
q
∑ yik 6 lk (k = 1...p) (2.2)
i =1
∑ yik 6 1(l = 1...r/k = 1...p) (2.3)

i ∈ Sl
La première contrainte signifie que chaque cours est composé du nombre de séance.La
deuxième contraintes impose qu’à chaque fois il n’y a pas plus de cours que de salles. Et la
dernière contrainte empêche que des cours contradictoires soient programmés à la même pé-
riode de temps.
Dans ce modèle, la variable yik est une variable binaire égale à 1 si un cours de ki est pro-
grammé à la période k, 0 sinon.
Une formulation équivalente de ce problème est basée sur la matrice des conflits. La matrice
de conflit C pq est une matrice binaire telle que Cij = 1 si les cours Ki et K j ont des étudiants
communs, et égale 0 sinon.
dik est la préférence d’avoir une séance de cours Ki à la période k. D’autres auteurs, ont consi-
déré le même problème en ajoutant des modification au modèle pour des considérations pra-
tique comme tripatty, Aubin , et les autres.[17]
24
Un modèle à 3 dimensions
Dans [3], des auteurs se donnent un modèle simple classe-enseignants qui inclue toutes les
contraintes qui sont généralement présent dans le cas réels.
Dans cette partie on donne une description d’un modèle basique en PLNE ayant des variables
à trois indices.
Une classe 1 contienne un ensemble d’étudiants qui suivent le même programme,Soient

C = {c1 , c2 , c3 ...} un ensemble de classes,
T = {t1 , t2 , t3 ...}l’ensemble des enseignants,
Étant donner R= rij la matrice d’exigence m × n tel que :

rij : nombre des cours impliquant la classe ci , l’enseignant t j .
Si p est l’ensemble des périodes(ou créneau), on suppose que les cours ont une même période
de temps( par exemple la durée du cours est 1h : 30min pour tout les cours).
Le problème est d’affecter chaque salle à un ensemble de périodes P de telle sorte qu’aucun
enseignant n’est assigné dans plusieurs salles à la fois.
On définie la variable binaire(booléenne) Xijk elle prend la valeur 1 si l’enseignant t j en-

seigne la classe c j à la période k.
Le système d’équations associé du ce modèle(P) est :
m n
P = max(max j d ∑ rij b j e, maxi d ∑ rij ai e)
i =1 j =1
p
∑ Xijk = rij (i = 1...m, j = 1...n)
k =1
n
∑ Xijk 6 1(i = 1...m, k = 1...p)
j =1
m
∑ Xijk 6 1( j = 1...n, k = 1...p)
i =1
1. une classe peut être assimilée aussi à une promotion d’une spécialité donnée
25
m
∑ rij 6 P( j = 1...n)
i =1
n
∑ rij 6 P(i = 1...m)
j =1
n
∑ rij 6 ai (i = 1...m; k = 1...p)
j =1
m
∑ rij 6 b j ( j = 1...n; k = 1...p)
i =1
Dans la première contrainte on a, Xijk représente que l’enseignant j est affecter dans la salle
i durent la période k, égale au nombre des cours de la dans classe ci assurés par l’enseignant
t j . La contrainte 2.1.1 assure qu’un seul enseignant seulement qui doit enseigner la classe ci à
la période k. En plus, pour assurer qu’une seul classe ci est affecter à l’enseignant j durent la
période k, on a la contrainte 3 .Et pour la contrainte trois si on a l’enseignant et une période les
deux sont disponible mais n’y a pas une classe alors ∑im=1 Xijk = 0, et les dernières contraintes
exprime l’existence des solutions dans le système.
2.1.2 Modèle avec des graphes
Parmi les modèles utilisés dans la formulation du problème planification emploi du temps,
on a aussi les graphes ou plus exactement la coloration de graphes
Définition 3 (16). Un graphe G = (V , E) est représenté par un couple (V , E), tel que V est un en-
semble fini non vide est E une relation binaire commutative sur V. L’ensemble V est appelée l’ensemble
des sommets de G, et E un sous-ensemble deV × V . Les éléments de E sont appelés arêtes de G. La taille
d’un graphe G = (V , E) est le nombre arête m =| ( E) |.
Définition 4 (16). (Graphe simple)Un graphe est simple s’il ne contient ni boucle ni arrête multiples.
Un graphe G = (V,E) est dit fini s’il contient un nombre fini de sommets.
Un multigraphe est un graphe qui n’est pas simple
Définition 5 (13). (multigraphe) Appelé aussi graphe multiple ou p-graphe, c’est un graphe ou au
moins 1 couple de sommets ont plus d’une arrête entre eux.
Définition 6 (13). (Graphe biparti)Un graphe G = (V,E) est dit biparti si les sommets de ce graphe
peuvent être partitionnées en deux ensembles stables V1 et V2 . On le note comme suit : G = (V 1, V 2, E)
26
a
b
e
c
d
F IGURE 2.1 – graphe simple avec L’ensemble des sommets est {a,b,c,d,e}
Définition 7. (un graphe orienté) : notée G = (V ; A), constitué un ensemble des sommets V et un
ensembles des arêtes qui sont orienté appelée arcs.
La coloration de graphes
La coloration de graphes est un problème central de l’optimisation combinatoire, c’est un

domaine très attractif par ses nombreuses applications. La coloration de graphes permet de
modéliser de nombreux problèmes réels tels que l’allocation de fréquences, la diffusion dans
les réseaux, le partage des ressources , le transfert de fichiers, etc. Un graphe peut être coloré
de différentes manières. Nous pouvons colorer différents éléments d’un graphe : les sommets,
les arêtes, une combinaison de ces éléments, des sous-structures, etc.[11]
Définition 8. Une coloration est dite propre quand elle vérifie certaines propriétés. Par exemple :
— les sommets/arêtes voisin(e)s ont des couleurs différentes.
— les sommets/arêtes à distance deux ont des couleurs différentes.
— les sommets d’une même couleur forment un graphe acyclique(i.e. une foret).
— La coloration des arêtes : consiste à colorer les arrêtes tel que chaque deux arrêtes qui
partagent le même sommet auront deux couleurs différentes.[16]
— La coloration des sommets :Il s’agit de colorer les sommets des graphes de sorte que
chaque deux sommets adjacents sont colorés par des couleurs différentes.
Définition 9. (nombre chromatique)Le nombre chromatique d’un graphe G (notée X ( G )) est le nombre
minimum de couleurs nécessaires pour lui donner une coloration propre.
Les origines du ce problème remonte au XIX ème siècle lorsque Francis Guthrie, cartographe
anglais, remarqua que quatre couleurs suffisant pour colorier la carte des cantons d’Angle-
27
A
E
B
D
F IGURE 2.2 – Exemple de la coloration d’arêtes
1 2
3
6
5 4
F IGURE 2.3 – Une coloration de sommets, par exemple les sommets 1,4 sont coloré avec la
même couleur puisqu’ils sont pas adjacents
terre, sans donner la même couleur a deux cantons ayant une frontière commune. il pose alors
la question de savoir si quatre couleurs suffisant toujours pour colorier n’importe quelle carte
géographique de sorte que deux régions voisines n’aient pas la même couleur.[11]
La coloration apparait comme modèle en pratique. A titre d’exemple, on a :
1 l’allocation de créneaux horaires à des événements : cours, examens... on prendre les som-
met sont les événement et les arêtes sont les contraintes ou deux événements ne peuvent
se dérouler simultanément et on utilise les couleurs pour Coulerai les créneaux horaires.
2 Allocation de fréquences dans les réseaux GSM : c’est attribution aux antennes relais des
bandes de fréquences pour communiquer avec les usagers.
On prend les sommets sont les antennes relais les arêtes : entre deux antennes trop
proches géographiquement l’une de l’autre(niveau d’interférence trop important) et les
28
couleurs sont les canaux de fréquences radio.
D’autres plan liés à la coloration existant, comme coloration de carte géographique et

Allocation de niveaux des vol. On trouve dans la littérature un très grand nombre d’al-
gorithmes heuristiques pour la résolution approchée de problème de coloration. Divers
algorithmes exacts existent également, mais leur application dans le cas général est limi-
tée aux graphes de taille réduite
[11]
Couplage dans les graphes
La théorie du couplage est un sujet classique et très important de la théorie des graphes et
de l’optimisation combinatoire.
Soit un graphe simple non orienté G = (S, A)(ou S est l’ensemble des sommets et A l’ensemble
des arêtes.[23]
Un couplage M est un ensemble d’arêtes deux à deux non adjacentes, c’est a dire que M est
une partie de l’ensemble A d’arêtes telle que :
0 0 0
∀( a, a ) ∈ R, a 6= a ⇒ a ∩ a = ∅
(R est l’ensemble des arrêtes de graphes)
On peut aussi définir le couplage comme étant l’ensemble des arêtes deux a deux indépen-
dantes.[23]
1
2
4 3
F IGURE 2.4 – couplage du graphe
Dans ce graphe,un exemple de couplage tel que l’ensemble d’arête contenant les arêtes 1 et
29
5 avec l’ensemble 2 3 4 sont deux a deux indépendants.
Un couplage maximal est un couplage M du graphe tel que, toute arrête du graphe possède
au moins une extrémité commune avec une arrête de M ceci équivalents à dire dans l’ensemble
des couplages du graphe, M est maximal au sens de l’inclusion c’est à dire pour tout arrête ’a’
de A qui n’est pas dans M, M ∪ { a} n’est plus un couplage de G.
B C
A
K D
F
E
F IGURE 2.5 – l’ensemble d’arêtes A,E,Cest un couplage maximal
On dite qu’un couplage est maximum s’il n’existe pas un autre plus grand que lui .Un
graphe peut possèder plusieurs couplage maximum.
On parle de couplage parfait M (ou couplage complet) :si tout sommet du graphe est inci-
dent à exactement une arrête de M.
Remarque 1. Le couplage parfait est un couplage de taille maximum, le contraire n’est pas nécessaire-
ment vrai.
Soit G un graphe et soit M un couplage de G. Nous dirons qu’un sommet v est couvert par
M s’il existe une arête e ∈ M incidente à v.
Théorème 1 (Berge 1957). Soit M un couplage dans un graphe G. M est maximum si et seulement si
il n’existe pas de chemin augmentant.
Un chemin augmentant est un chemin alternant qui commence et se finit par un sommet
non-appariée.
30
le problème du Flux Maximum
Dans [17] on a étudié le problème de recherche du flot maximum

Un réseaux, noté R = (G ; s ; p ; c), est un graphe orienté possédant une source et un puit, plus
une application capacité c qui associe à chaque arc une valeur nommée capacité.
Une source (resp. un puit) dans un graphe orienté est un sommet n’ayant que des successeurs
(resp. prédécesseurs), et le flux d’un arc est la quantité qu’on transporte sur cet arc. La capacité
d’un arc est la valeur maximal que le flux sur l’arc ne peut dépasser.
Alors un flot dans R est une fonction F : V × V → R tel que :
pour tout u, v ∈ V on a : F (uv) 6 C (uv)

pour tout v ∈ V \ {s, p} on a :
∑ c(u) = ∑ c(u)
u∈w− v u∈w+ v
[17]
La modélisation par coloration :
La modélisation sous forme d’un graphe est considérée comme une méthode exacte dans
la résolution du problème des emplois du temps.une littérature abondante existe dans sens, à
titre d’exemple un mémoire de fin de cycle de master a traité le problème de planification des
examens d’un point de vue coloration de graphe.
Le problème d’élaboration de planning d’examens peut être défini comme celui d’affecter un
ensemble d’examens, chacun prévu pour un certain groupe d’étudiants, à un nombre limité de
périodes, tout en respectant un ensemble prédéfini de contraintes, qui diffèrent d’un problème
à un autre, suivant la spécificité de l’établissement en question et les caractéristiques attendues
de l’emploi du temps recherché. Il est impossible pour un surveillant ou un étudiant d’assister
à plus d’un examen simultanément. Par conséquent, chaque surveillant et étudiant peut avoir
au plus un examen de matière en même temps, cette exigence peut être considérée comme une
contrainte de surveillant et une contrainte d’étudiant, c’est une contrainte forte. Une planifi-
cation d’emploi du temps des examens dite réalisable si elle respect obligatoirement tout les
contraintes dures, car la violation de l’une de ces contraintes(S’il y-a un conflit, lorsque un étu-
diant ou surveillant se voit assigner deux examens à la même période) rend l’emploi du temps
inefficace dans la réalité.
31
On prend en considération un ensemble de contrainte des exigence comme :
— la période d’examens et la durée du chaque examen (généralement 1 h :30 min)de 8 à 16

h et vide entre deux créneaux(30 min).
— l’ensemble d’étudiants qui passe a l’examen.
— l’ensemble d’examen qui sont programmé dans la semaine .
— l’ensemble des ressources nécessaire (salle, amphi) sont oublier l’ensemble des contraintes
dure(doivent être satisfais ),et les contraintes douces (c’est a dire celle qui sont souhaitable
mais non essentielle).
La modélisation par un graphe est une représentation graphique simplifier d’une entité du
monde réel, on peut utiliser la coloration des graphes pour résoudre la problématique des
planning des examens, tel que les sommets du graphe représentent les examens, les couleurs
sont les période et les arrêtes entre deux sommets indiquent un conflit entre examens (au moins
un étudiants est inscrit dans les deux examens correspondants).
Premièrement, un plan des examens à été définie telle que chaque section doit passer un exa-
mens, et un graphe G (V , E)a été tracer à partir du plan et les examens sont représenté par un
sommets V, et puisque les étudiants qui ont des examens communs doivent les passer simul-
tanément il n’y a pas besoin de consacrer un sommet pour chaque groupe, donc on créer une
matrice nulle m × n telle que m = n nombre de modules ayant un examen et on traduire cette
matrice par un graphe nulle, et on représente les contraintes par les arêtes.
Le graphe non orienté résume tout les contraintes de conflit des examens et été modéliser après
avoir obtenu la matrice d’adjacents.
Après utilisations de l’algorithme, une coloration à été obtenue cette dernière est opti-
mal(mais pas unique). A partir d’une coloration , on peut attire un planning de façon que
tout les examens qui ont la même couleur peuvent avoir lieu au même temps. Pour plus d’in-
formations sur le sujet, les lecteurs de ce travail peuvent se réfère aux mémoire[24]
32
Résolution par le flot max :
Rappelons
 qu’on a le modèle (p) définie comme suit :
max(max j d∑im=1 rij b j e, maxi d∑nj=1 rij ai e)







p
∑k=1 Xijk = rij




 (i = 1...m, j = 1...n)


∑n Xijk 6 1

(i = 1...m, k = 1...p)

j =1
(P)=
∑im=1 Xijk 6 1 ( j = 1...n, k = 1...p)







∑im=1 rij 6 P





( j = 1...n)


∑nj=1 rij 6 P

 (i = 1...m)
D’après De Werre [4], avec cette formulation on peut associer un multi-graphe biparti
G = (C, T, R), Son ensemble de sommets représente les classes(promos) et les enseignants,
et deux sommet ci et t j sont reliés par rij arêtes parallèles(.
Si chaque période corresponds à une couleur,alors le problème consiste en la recherche d’une
affectation d’une des p couleurs à chaque arête du graphe de sort à obtenir une coloration des
arêtes.
proposition 1. La proposition suivante donne une condition nécessaire et suffisante pour que le modèle
admet une solution,
m
∑ rij 6 Pj ( j = 1...n)
i =1
n
∑ rij 6 Pi (i = 1...m)
j =1
La proposition ci-dessus est connue en tant que théorème de Konig sur la coloration d’arêtes
dans les graphe bipartis.
Ce modèle prend en compte un programmation journalière, cependant pour tout une semaine
on doit prendre en compte le nombre maximal de cours qui doivent êtres programmés pen-
dant la semaine. Dans ce cas, pour chaque promo ci (enseignant t j )on a un entier positive
ai (b j )représentant le nombre maximum des séance sur chaque jour de la semaine.
De ce fait xijk représenta le nombre de cours impliquent la promo ci et l’enseignant t j sur la
journée k.
Le modèle devient :
p
∑ Xijk = rij (i = 1...m, j = 1...n)
k =1
33
n
∑ rij 6 ai (i = 1...m; k = 1...p)
j =1
m
∑ rij 6 b j ( j = 1...n; k = 1...p)
i =1
xijk > 0entier (i = 1...m; j = 1...n; k = 1...p)
De manière similaire, ce modèle peut être formulé en terme de coloration de sommets.

On passe maintenant à l’autre types de méthodes des résolution les méthode approché.
2.1.3 Génération de colonnes
En informatique théorique et en recherche opérationnelle, la génération de colonnes est une

méthode pour résoudre efficacement les problèmes d’optimisation linéaire de grande taille.
Elle repose sur la décomposition de Dantzig-Wolfe(en), qui consiste à décomposer l’ensemble
des contraintes en deux sous-ensembles.
L’idée centrale est que les programmes linéaires de grande taille ont trop de variables (ou co-
lonnes) pour qu’on puisse les représenter toutes de manière explicite. A l’optimum, la plupart
des variables sont hors base et, très souvent, la plupart d’entre elles sont nulles, c’est-à-dire que
seul un (petit) sous-ensemble de variables doit être pris en compte pour résoudre le problème.
Une méthode utilisant la génération de colonnes initialise le programme linéaire avec un sous-
ensemble de colonnes de petite taille. Le mécanisme de la génération de colonnes consiste alors
à générer, au sein d’un algorithme à plusieurs étapes , les variables qui sont susceptibles d’amé-
liorer la solution courante, c’est-à-dire celles qui ont des coûts réduits négatifs.
L’efficacité de la méthode est très dépendante du mécanisme utilisé pour générer des colonnes.
En effet, le sous-problème à résoudre est souvent NP-difficile.
Les méthodes utilisant la génération de colonnes ont souvent des problèmes de conver-
gence dus au fait que le problème dual est très peu contraint au début de la méthode. En
pratique, ces problèmes vont amener la méthode à effectuer un grand nombre d’itérations qui
ne permettent plus d’améliorer la solution courante.[21]
34
2.2 Méthodes approchées
Les méthodes approchées fournissent une solution approchée au problème traité. Elles sont
en général conçues de manière à ce que la solution obtenue puisse être située par rapport à la
valeur optimale : de telle méthodes permettent d’obtenir des bornes inférieures ou supérieures
de la valeur optimale tel que : Méthodes Heuristiques, Méta heuristiques.
Heuristiques : Le mot heuristique, dérivé de la langue grec, vient du verbe heuriskein qui
signifie trouver. Une heuristique est un algorithme qui permet de trouver dans un temps po-
lynomial une solution réalisable, tenant en compte d’une fonction objectif, pas nécessairement
optimale (approchée) ou exacte pour un problème d’optimisation difficile.
Ce type de méthodes traduit une stratégie (une manière de penser) en s’appuyant sur la
connaissance du problème. Une heuristique est spécifique au problème et ne peut pas être gé-
néralisée.
Méta heuristique : Le mot méta heuristique est composé de deux mots grecs : méta et heu-
ristique. Le mot méta est un suffixe signifiant au-delà c’est-à-dire de niveau supérieur.
Les méta heuristiques sont des méthodes généralement inspirées de la nature. Contraire-
ment aux heuristiques , elles s’appliquent à plusieurs problèmes de nature différentes. Pour
cela on peut dire qu’elles sont des heuristiques modernes, de plus haut niveau, dédiées parti-
culièrement à la résolution des problèmes d’optimisation. Leur but est d’atteindre un optimum
global tout en échappant les optima locaux.
Les méta-heuristiques regroupent des méthodes qui peuvent se diviser en deux classes :
— Méta-heuristiques à solution unique :Ces méthodes traitent une seule solution à la fois,
afin de trouver la solution optimale.
— Méta-heuristiques à population de solutions : Ces méthodes utilisent une population

de solutions à chaque itération jusqu’à l’obtention de la solution globale.
Il existe plusieurs modèle des modélisations , Parmi ses techniques on a :
35
2.2.1 Algorithmes génétiques
L’algorithme génétique (AG) est un algorithme de recherche heuristique adaptatif basé

sur l’évolution et la sélection naturelle. L’AG se dirige vers de meilleures solutions dans
l’espace de solution en utilisant le principe de la « survie du plus apte ». En raison de ce
principe, l’individu le mieux adapté dominera sur les autres. Dans chaque génération il
y a une population et chaque individu de cette population est une solution potentielle
au problème. Chaque individu de cette population connaîtra une évolution où seul l’in-
dividu le plus fort survivra. Les individus les plus aptes à chaque génération auront
une plus grande chance de se reproduire, ce qui mènera à une solution améliorée. Deux
bonnes personnes peuvent produire une progéniture qui est meilleure que ses parents
parce qu’elle peut hériter d’un mélange de gènes des deux.
Les algorithmes génétiques utilisent la théorie de Darwin sur l’évolution des espèces. Elle
repose sur trois principes : le principe de variation, le principe d’adaptation et le principe
d’hérédité.
Le principe de variation : Chaque individu au sein d’une population est unique. Ces dif-
férences, plus ou moins importantes, vont être décisives dans le processus de sélection.
Le principe d’adaptation : Les individus les plus adaptés à leur environnement atteignent
plus facilement l’âge adulte. Ceux ayant une meilleure capacité de survie pourront donc
se reproduire davantage.
Le principe d’hérédité : Les caractéristiques des individus doivent être héréditaires pour
pouvoir être transmises à leur descendance. Ce mécanisme permettra de faire évoluer
l’espèce pour partager les caractéristiques avantageuse à sa survie.
Opérateurs d’évolution
sélection
La sélection consiste à choisir les individus les mieux adaptés afin d’avoir une population
de solution la plus proche de converger vers l’optimum global. Cet opérateur est l’appli-
cation du principe d’adaptation de la théorie de Darwin.
Il existe plusieurs types de sélection :Sélection par rang,par tournoi ,uniforme.
Voici un exemple avec des individus en représentation binaire une fois la sélection effec-
tuée :
36
(1).png
F IGURE 2.6 – Sélection
croisement
Le croisement, ou enjambement est le résultat obtenue lorsque deux chromosomes par-

tage leurs particularités. Celui-ci permet le brassage génétique de la population et l’ap-
plication du principe d’hérédité de la théorie de Darwin.
Il existe deux méthodes de croisement : simple ou double enjambement.
Le simple enjambement consiste à fusionner les particularités de deux individus à partir
d’un pivot, afin d’obtenir un ou deux enfants :
F IGURE 2.7 – Exemple(simple enjambement)
Le double enjambement repose sur le même principe, sauf qu’il y a deux pivots :
F IGURE 2.8 – Exemple(double enjambement)
Mutation
La mutation consiste à altérer un gène dans un chromosome selon un facteur de mutation.

Ce facteur est la probabilité qu’une mutation soit effectuée sur un individu. Cet opérateur
est l’application du principe de variation de la théorie de Darwin et permet, par la même
occasion, d’éviter une convergence prématurée de l’algorithme vers un extremum local.
Voici un exemple de mutation sur un individu ayant un seul chromosome :
Avec ces trois opérateurs d’évolution, nous pouvons appliquer les algorithmes géné-
tiques.
On a la fonctionnement d’un algorithme génétique :
37
F IGURE 2.9 – Exemple de Mutation
F IGURE 2.10 – fonctionnement
N’oublions pas que :

La genèse est l’étape de la création d’une population aléatoire. C’est le point de départ de
notre algorithme.
L’évaluation est l’analyse des individus pour analyser si une solution est disponible. Pour
ceci, nous utilisons un fonction de coût, ou d’erreur, afin de définir le score d’adaptation
des individus lors du processus de sélection.
Nous effectuons une boucle tant que l’évaluation estime que la solution n’est pas opti-
male.[12]
2.2.2 Recuit simulé
Le recuit simulé (RS) est une technique probabiliste permettant d’approcher l’optimum
global d’une fonction donnée.
Le recuit simulé est la première méta-heuristique qui a été proposée est réalisées par
Metropolis et al. dans les années 50 pour simuler l’évolution de ce processus de recuit
physique (Metropolis53). et utilisé pour la résolution des problèmes d’optimisation com-
binatoire beaucoup plus récente.
38
Spécifiquement, il est méta-heuristique d’approcher l’optimisation globale dans un grand

espace de recherche pour un problème d’optimisation. Il est souvent utilisé lorsque l’es-
pace de recherche est discret (par exemple : le problème du voyageur de commerce). Pour
les problèmes dans lesquels la recherche d’un optimum global approximatif est plus im-
portante que la recherche d’un optimum local précis dans un laps de temps déterminé,
un recuit simulé peut être préférable à des alternatives telles que la descente de gradient.
Le principe général de cette algorithm est de d’effectuer un mouvement selon une distri-
bution de probabilité qui dépend de la qualité des différents voisins :
— Les meilleurs voisins ont une probabilité plus élevée.
— Les moins bons ont une probabilité plus faible.
On utilisant un ensemble des paramètres dans cette algorithm appelé la température (no-
tée T) :
— T élevée : tous les voisins ont à peu près la même probabilité d’être acceptés.
— T faible : un mouvement qui dégrade la fonction de coût a une faible probabilité

d’être choisi.
— T=0 : aucune dégradation de la fonction de coût n’est acceptée.
39
configuration initial
température initial T
Modéfication élémentaire
variation d’énergie (E-E’)
Régle d’acceptation de metropolis

- si E- E’<0: modification acceptée
-s i E-E’>0: modé fication ac ceptée avec la probabilité
exp (E-E’ \ T)
Non
Equilibre
thermodynamique ?
Oui
Non Programme de recuit

Système figé? Dimiution lente
de T
oui
stop
F IGURE 2.11 – L’organigramme du recuit
La température varie au cours de la recherche : T est élevée au début , puis diminue et

finit par tendre vers 0. Le chemin de cette algorithm est comme suit :
1 Engendrer une configuration initiale S0 de S ; S = S0 .
2 Initialiser T en fonction du schéma de refroidissement.
3 Répéter
— Engendrer un voisin aléatoire S0 de S.
— Calculer ∆ = f (S0 ) − f (S).
— Si CritMetropolis (∆, T ), alors S = S0 .
— Mettre T à jour en fonction du schéma de refroidissement.
4 Jusqu’à <condition fin>
5 Retourner la meilleure configuration trouvée.
40
L’RS commence par générer une solution aléatoire, qui est ensuite évaluée en calculant
l’adéquation de la solution. Une fois la solution initiale évaluée, une solution voisine est
créée en modifiant légèrement la solution initiale.
Si la solution du voisin est mieux adaptée que la solution actuelle, le voisin est enregistré
comme solution actuelle. Il est également possible que l’algorithme choisisse une solution
pire. Ceci est utilisé par la SA pour éviter de se coincer à l’optimum local. RS décide si
elle doit conserver la solution ou non par l’utilisation d’une température. La température
est réglée à une certaine valeur au début et quand la température est plus élevée, il est
plus susceptible d’accepter une solution pire que lorsqu’il a refroidi pendant un certain
temps. Une fois la solution sélectionnée, la température est abaissé par l’utilisation d’un
taux de refroidissement fixe. Ensuite, une solution voisine est produite une fois de plus
et par rapport à la meilleure solution précédente. Cette procédure est répétée jusqu’à
ce qu’un objectif soit atteint. Le but peut être soit lorsque la température atteint zéro ou
quand un certain temps s’est écoulé ou lorsque la qualité de la solution a atteint un certain
niveau.[19]
2.2.3 Recherche Tabou
Recherche tabou (RT) est un algorithme méta-heuristique dont l’idée principale est de
produire de nouvelles solutions avec des changements mineurs et compare l’adéquation
des solutions à la solution actuelle, en la remplaçant si la nouvelle est mieux.
RT a par rapport à son nom une liste tabou d’une taille fixe contenant des solutions qui
ont été précédemment visitées et qui sont déclarées tabou, c’est-à-dire interdites. Une
solution de cette liste ne sera pas visitée de nouveau avant qu’un certain nombre de solu-
tions aient été visitées. Ceci est appelé la mémoire à court terme de RT et aide l’algorithme
à éviter de devenir redondant et contribue à étendre la recherche dans différentes régions
dans l’espace de solutions.
— S0 : solution initiale.
— S∗ : meilleure solution jusqu’à présent.
— S : nouvelle solutions du voisinage de S∗.
— f ( x) : fonction objectif à minimiser.
— f (s∗) : valeur de la meilleure solution.
On arrête la recherche si :
41
Configuration initiale S
Liste tabou initiale vide
Perturbation de S suivant n
mouvements non tabous
Nouvelle configuration
Evaluation des n voisins
courante s=t
Sélection du meilleur
voisin t
Insertion du mouvement
t recoi s dans la liste
tabou circulaire
Oui amélioration
observée
récemment?
Non
stop
F IGURE 2.12 – L’organigramme du recherche tabou[39]
— Si une solution prouvée optimale a été trouvée.
— Si une limite a été atteinte en ce qui concerne : -Le nombre d’itérations. -Le temps de
calcul.
— Si la recherche semble stagner : nombre d’itérations sans amélioration de la meilleure

configuration trouvée.
La recherche tabou (RT) est une méthode de recherche locale combinée avec un ensemble
de techniques permettant d’éviter d’être piégé dans un minimum local ou la répétition
d’un cycle. La recherche tabou est introduite principalement par Glover (Glover 1986),
Hansen (Hansen 1986), Glover et Laguna dans (Glover et Laguna 1997). En effet, à partir
d’une solution initiale s dans un ensemble de solutions local S, des sous-ensembles de
solution N(s) appartenant au voisinage S sont générés. Par l’intermédiaire de la fonction
d’évaluation nous retenons la solution qui améliore la valeur de f, choisie parmi l’en-
semble de solutions voisines N (s).
L’algorithme accepte parfois des solutions qui n’améliorent pas toujours la solution cou-
42
rante. Nous mettons en œuvre une liste tabou (tabu list) T de longueur k contenant les k
dernières solutions visitées, ce qui ne donne pas la possibilité a une solution déjà trouvée
d’être acceptée et stockée dans la liste tabou. Alors le choix de la prochaine solution est ef-
fectué sur un ensemble des solutions voisines en dehors des éléments de cette liste tabou.
Quand le nombre k est atteint, chaque nouvelle solution sélectionnée remplace la plus
ancienne dans la liste. La construction de la liste tabou est basée sur le principe FIFO.
La recherche Tabou a été appliquée pour la première fois à le problème de coloration
en 1987 par Hertz et de Werra et a permis d’obtenir de bons résultats. Depuis, d’autres
algorithmes Tabou ont été développés avec des performances supérieures. Encore aujour-
d’hui, ces algorithmes font partie des principaux algorithmes de référence pour le pro-
blème de coloration, bien que les meilleurs résultats soient détenus par des algorithmes
hybrides plus complexes .[6]
Si plusieurs choix sont possibles, l’un deux est pris au hasard. Pour que ce choix du
meilleur voisin soit réalisé rapidement, des structures de données spécifiques sont uti-
lisées pour permettre une évaluation incrémentale du voisinage. La paire (i, c) est ainsi
mise dans la liste tabou pour interdire de réaffecter la couleur c au sommet i pendant les
prochaines t1 itérations. La valeur t1 change pendant la recherche en fonction du nombre
des sommets en conflit et en fonction de deux variables aléatoires [4,5,6]. La recherche
locale se termine soit lorsque l’on trouve une solution (une coloration sans conflits), soit
lorsque l’on arrive au nombre d’itérations maximal fixé a priori.
conclusion
Toutes ces méthodes peuvent être utilisées pour la plupart des problème posés en opti-
misation combinatoire, nous avons essayés de donner une brève description de chaque
méthode en se focalisant sur la méthode exacte qui nous intéresse.
43
CHAPITRE 3
MÉTHODE DE DÉCOMPOSITION
Introduction
Le but des emplois du temps universitaire est d’associer un ensemble d’entité à savoir
des cours, des conférenciers, des étudiants, des salles et des créneaux horaires de sorte
qu’aucun conflits ne se produit à n’importe quelle période. Le nombre d’étudiant affectés
à une salle doit ne pas dépasser la capacité maximale des salles, et sans oublier d’autre
contraintes nécessaire.
Le problème peut être formulé comme étant la recherche d’une meilleure répartition des
cours entre les enseignants (conférenciers) et les étudiants sur un nombre fini d’unités de
temps et de salles, tout en satisfaisant un grand nombre de contraintes.
3.1 Modélisation par graphe biparti
Pour montrer comment appliquer la méthode du flot maximum dans un graphe biparti,
on considère cet exemple pour le problème d’affectation dans les emplois des temps.
On peut voir une partie de l’emploi du temps comme étant une affectation des cours aux
enseignants. De ce fait, on peut considérer les deux entités comme étant les sommets du
graphe et une relation existe entre les cours (modules) et les enseignants si le cour est
dispensée par enseignant.
Le graphe ainsi obtenu est biparti.
L’exemple que nous donnons ici est donné par De werra à travers cette exemple nous
44
3. Méthode de Décomposition
donnerons une description sur l’utilisation du flot max au problème d’emploi du temps.
Il s’agit d’emploi des temps qui concerne une semaine appliquer sur 3 jours, on a 3 ensei-
gnants et 2 salles ou fait la résolution est réaliser à l’aide de la technique du flot max.
F IGURE 3.1 – graphe du problème
F IGURE 3.2 – description
A l’aide de l’exemple suivant, on aura idée sur l’application de la méthode de flot. Le

graphe, comme présenté sur la figure 3.1, contient les sommets associés aux enseignant
et aux classes, il s’agit plus précisément de deux stables. A cela on ajoute deux sommets
fictifs, comme source et comme puit. Les arcs seront orientés des classes vers les ensei-
gnant intervenant.
De cette manière, on obtient un réseau sur lequel on cherche un flot compatible[4].
Par ailleurs, une borne inférieure Lk ( x, y) et une capacité C k ( x, y) sont attribuées à chaque
arc.
Considérons, à titre d’exemple la matrice M suivant :
 
1 2 4
M= 
3 2
Si on prend le nombre 4 à l’intersection de la ligne 1 et la colonne 3 il signifie le cours 1

en 4 périodes s de temps.
45
On applique une méthode (ici à la main) pour trouver la solution représentée par la ma-
trice suivante :
 
t1 t2 t3
 
Xij1 = c1 0 0 2
 
 
c2 1 0
Cette solution a été obtenue en résolvant le problème du flot pour trouver un flot compa-
tible. Pour le deuxième jour, la matrice de besoin sera :
 
t1 t2 t3
 
 c1 1 2 2
 
 
c2 2 2
Elle est obtenue par la soustraction de la matrice initiale et la matrice Xij1 .
 
t1 t2 t3
 
Xij2 = c1 0 1 1
 
 
c2 1 1
 
t1 t2 t3
 
Xij3 = c1 1 1 1
 
 
c2 1 1
De la même manière obtiendra les affectation pour le 2me et le 3me jours.Ces matrices sont
données comme suit :
D’après la contrainte (chapitre 2.page 24) dans cette exemple on a 1 6 ∑in=1 xijk 6 2
et (2.2) dans ce cas est 2 6 ∑im=1 xijk 6 3
Les modèles présentés jusqu’à présent sont des modèles dont les variables sont à trois
indices.
Dans la suite, nous donnerons une autre modélisation la décomposition du modèle pré-
cédent en deux modèles dont les variables sont à deux indices. Les auteurs de ce travail,
à savoir : Lach, Lübbecke, Sørensen... affirme qu’une telle décomposition réduit la com-
plexité du problème et rend plus facile sa résolution.
46
3.2 Décomposition en deux niveaux
Dans cette partie, nous allons donner une description de la méthode de décomposition.
Nous allons nous appuyer sur le travail de Matias Sørensen et Florian H.W. Dahms[3].
Dans ce derniers les auteurs réduisent le problème à l’origine en trois dimension en un
plan à deux dimension incluant deux modèle et sa résolution se fera en deux étapes.
La première étape consiste en la résolution du modèle d’affectation des événements aux
créneaux horaires puis vient la seconde étape qui reprend les résultats de la première
étape comme donner du second modèle. Il s’agit de l’affectation des événements aux
salles.
Dans ce modèle on utilise un ensemble de variables nécessaires pour l’étape du modéli-

sation sont :
Soit | E| l’ensemble des événements ou un événement est une séance ou se rencontre une
promotion avec l’un des professeurs qui enseigne un module (classe)donnée
F IGURE 3.3 – L’ensemble d’évènements
On a aussi :
Cn : c’est l’ensemble des modules(class) existant.tout enseignement est subdivisé en trois
catégories :
— cours,
— travaux dirigés(Td),
— travaux pratique(Tp).
R : c’est l’ensemble des salles existante.

T = 1, . . . , 6 : est l’ensemble des créneaux horaires d’une journée.
A c’est ensemble des ressource existe.
47
0 a0 c’est une entité qui peut représenter un enseignant ou un étudiant. L’ensemble des
enseignants sont subdivisés en plusieurs corps :
— Les professeurs.
— Les maîtres-assistants et les maîtres-assistants chargés de cours.
— Les maîtres de conférences.
. D j : c’est l’ensemble des jours . Alors ( j = 1...6)

Nc le nombre de conflits de jours voisins autorisés pour la salle.
Fa c’est le jour de congé pour l’entité a.
0
E a l’ensemble des événements auxquels participe les ressource.
Wa ∈ N0 c’est le nombre maximum d’évènement qui peuvent être programmé pour l’en-
tité a ∈ A un jour donné. φe,t : c’est l’ensemble des pénalités d’affectation d’un événement
e dans un créneau horaire t.
πe,r : c’est l’ensemble des pénalité d’affectation d’un événement e dans une salle r.
Dans les deux modèle donnés, les variables ye,t et ze,t sont de type binaire, elle vant toute
les deux 1 lorsqu’un évènement est affectée à un créneaux et une salle respectivement.
bc,t prend la valeur 1 si le module c a au moins un séance dans le créneau horaire t ∈ T
et 0 sinon.
nc,d prend de la valeur 1 si la salle a un conflit jour-voisin le jour d ∈ D. Un conflit jour
voisin se produit lorsque le même module a programmé des événements sur deux jours
consécutifs.
0
Pd,d0 = 1 si les deux jours d et d sont des jours voisins(0 sinon)
Rc,d = 1 si la salle c ∈ C fait partie d’un évènement qui est verrouillé a une plage horaire
d ∈ D.
k c’est le poids dans la fonction objectif du jour sont période de travail.
ζ : c’est le poids dans la fonction objectif pour le jour voisin.
W est ensemble des valeurs de πe,r .
θa,d Variable binaire tel que si l’entité 0 a0 un seul évènement dans un jour alors égale a 1
et 0 sinon.
γa c’est le poids dans la fonction objectif pour chaque jour ou l’enseignant n’a aucune
séance de travail.
Fa,d C’est une variable binaire qui est égale a 1 lorsque l’entité 0 a0 n’a pas d’évènement
programmé dans le jour d et 0 sinon.
Va,t c’est un variable binaire qui égale à 1 si l’entité 0 a0 est active dans un créneau horaire.
Vc,r variable binaire qui prend la valeur 1 s’il y a au moins un événement relatif à la
48
promo(classe) c ∈ C programmée dans la salle r, et 0 sinon.

Ce problème est constitué de deux modèles, tel que l’objectif du modèle original définit
un objectif naturel pour les étapes I et II, puisqu’il est divisé en deux expressions indépen-
dantes, on a la premier modèle qui vise à affecter les évènements aux un créneau horaire :
minW 1 = ∑ φe,t Ye,t

e∈ E,t ∈t
∑ Ye,t = 1, ∀e ∈ ε
t∈T
∑0 Ye,t 6 1, ∀a ∈ A, t ∈ T r tD
e∈ E a
Ye,t ∈ Pemploi
Ye,t ∈ {0, 1}
et dans le deuxième modèle on vise à affecter les évènement aux salles.
minW 2 = ∑ πe,r Ze,r

e∈ε,r ∈ R
∑ Ze,t = 1, ∀e ∈ ε
r∈R
∑ Ye,t
∗
Ze,r 6 Gr,t , ∀r ∈ R r r D , t ∈ T r tD
r∈R
Ze,r 6 Ke,r ∀e ∈ ε, r ∈ R
Ze,r ∈ Psalle
Z ∈ {0, 1}
∗ en résolvant le premier modèle sera une

Il est à noté, que la solution obtenue noté par Ye,t
donnée pour le deuxième modèle. De ce fait,on a :
∑ Xe,r,t = Ye,t Xe,r,t = Ye,t

∗
Ze,r (3.1)
r∈R
49
L’avantage de cette approche est la réduction considérable du nombre de variables dans

les deux étapes, ce qui entraîne une diminution significative du temps de résolution.
Nous allons, dans la suite, donner une description des deux modèles. Pour commencer,
représentons-les contraintes du premier modèle.
∑ Ye,t = 1 (3.2)
t∈T
Cette contrainte est pour assurer que tout événement, aura lieux que sur un seul créneau.
∑ Ye,t = Va,t (3.3)

e∈ E 0
a
Lorsque Va,t = 1 ça veut dire que l’entité 0 a0 est active dans un créneau horaire t, et 0
sinon dans le cas contraire.
Par cette contrainte, on assure qu’un enseignant ou les étudiants ait un seul cour (ou
TD,TP) pendant la période t.
∑ Va,t + Fa,d 6 1a ∈ Ad ∈ D (3.4)

t∈T
Cette contrainte exprime le fait que si aucune entité (enseignants,étudiants) n’est pro-
grammée en jour d alors tous les Va,t soit nuls ou t est un créneau du jour d.
Ye,t = 1 (3.5)
∀e ∈ E, t ∈ T, LTe,t = 1LT (tempsverrouill )

Cette contrainte est pour s’assure que l’attribution des événements spéciaux affecter à un
certain intervalle de temps.
Ye,t − Ye0 ,t = 0 (3.6)

0
∀e ∈ E, e ∈ Se , t ∈ T
ou Se représente l’ensemble des évènement qui doivent être programmés dans le même
période de temps que évènement e ∈ ε.
Ye,t − Ye0 ,t 0 = 0 (3.7)
0 0 0
∀e ∈ E, e ∈ Ce (t, t ) ∈ T, dt = dt 0 ord(t ) + 1 = ord(t )
50
Ou Ce représente l’ensemble des évènements qui doivent être programmés dans le même
période de temps que évènement e ∈ ε. Ces deux contrainte est servent à assurer le pla-
cement d’événements exigeant le déroulement de manière successives.
∑ Ye,t = 0 (3.8)
t ∈ T,De,t =0
∀e ∈ E
De,t prend la valeur 1 si l’événement e ∈ E peut être programmé dans l’intervalle t ∈ T
(0 sinon). Cette contrainte impose des restrictions sur les créneaux horaires pour lesquels
une entité n’est pas disponible.
∑ Va,t + Fa,d > 1 (3.9)

t ∈ Td
pour tout a ∈ A, d ∈ D
Cette contrainte assure que si une entité a ∈ A n’a pas d’événement sur un jour d ∈ D,
alors la variable f a,d est forcée de prendre la valeur 1. Ceci est nécessaire car cette variable
est minimisée dans l’objectif.
∑ Ye,t 6 Wa (3.10)
e∈ E,t ∈ Td
∀ a ∈ A, d ∈ D Cette contrainte est pour assurer que la limite sur le nombre d’événements
assignés durant le jour d pour l’entité a est respecté. Pour une entité, les jours avec un seul
événement programmé sont indésirables.
2− ∑ Va,t − 2Fa,d 6 Oa,d (3.11)

t ∈ Td
∀ a ∈ A, d ∈ D Cette formule est pour pénalise les jours avec un seul événement pro-
grammé pour l’entité a.
∑ Va,t 6 5 (3.12)
t ∈ TD
Cette contrainte exprime que chaque entité(enseignants, étudient)ne peut pas étudier
toute la journée .
A fin d’éviter une continuité, sans arrête on introduit la contrainte suivante :
∑ Va,t 6 1 (3.13)
t ∈{3,4}
51
En exigeant un période de repos pendant la 3 ème ou la 4 ème séance.
∑ Ze,r = 1 (3.14)
r∈R
∀e ∈ E
Cette formule exprime que chaque évènement e est affecter à une seul salle (dans un pé-
riode de temps).
Gr,t est une variable binaire, égale à 1 si la classe r est disponible pendant la période t et
∗ C’est la solution obtenue par le modèle 1
Ye,t
∑ Ye,t
∗
Ze,r 6 Gr,t ∀r ∈ Rr D , t ∈ T tD (3.15)
e∈ E
Cette contrainte est exprime que l’affectation du évènement e ∈ ε dans créneaux horaire
dans étape 1 tous cela doit assigner dans les salles.
Ze,r 6 Ke,r ∀e ∈ E, r ∈ R (3.16)
Cette contrainte est exprime que les évènement sont affecter aux salles.
Ze,r = 1∀e ∈ E, r ∈ R, LRe,r = 1 (3.17)
Le fait que Ze,r = 1 cela assure que les événements spéciaux dont les salles sont ver-
rouillées sont attribués en conséquence.
∑ Ye,tD Ze,r − ∑ LRe,r 6 0 (3.18)

r ∈ R r D r∈R
∀e ∈ E
Cette formule mathématique fait en sorte qu’un événement ne puisse être attribué à une
salle s’il n’est pas attribué à un créneau horaire, sauf si l’événement est verrouillé à une
salle spéciale.
Pour cette problématique il existe deux types des contraintes, les contraintes soft(douce)
et hard(dure).
Les contraintes hard sont les contraintes qui doivent été satisfaites dans un calendrier
52
pour être réalisable, les contraintes soft qui sont à considérer sont :
— Toutes les classes doivent être attribuées.
— Le cours doit être programmé pour un nombre de fois requis pour chaque sujet sur
une période d’une semaine en général.
— Certaines matières doivent être enseignées à certains moments.Par exemple les mo-
dules fondamentaux ci mieux d’enseigner dans les premiers heurs de la journée.
— Les enseignants ne peuvent enseigner que dans une classe en même temps.
— Il ne peut y avoir qu’un seul sujet dans la même classe en même temps.
— Certaines classes ayant des besoins spéciaux, par exemple : les ordinateurs ou le
matériel de laboratoire doivent être enseigné dans une salle assignée à cette fin.
Et pour les contraintes soft on a un autre ensemble de cette contrainte qui est souhaitables
mais pas absolument essentielles :
— Certains enseignants peuvent préférer enseigner leur matière pendant certaines pé-
riodes de la jour
— Il est peut-être préférable de remplir d’abord des salles plus petites, si possible.
— Il peut être préférable de distribuer les cours au cours de la semaine afin que le même
cours ne soit pas donné deux fois le même jour.
— Il est peut-être préférable d’éviter d’avoir beaucoup de lacunes dans l’horaire.
— Il peut y avoir des préférences pour certaines classes de quand la classe devrait être
tenue,par exemple le matin ou l’après-midi.
Les contraintes
alors l’ensemble des contraintes hard dans notre système sont :

1, 2,3, 5, 6, 15, 16, 17, 22, 20.
Et l’autre ensemble c’est les contrainte soft : 4, 9, 10, 14.
La suite, on donne le fonction objectifs des deux modèles : Modèle 01 : la fonction objec-
tive du cette étape est donner comme suite :
minW 1 = ∑ φe,t Ye,t + ζ ∑ nc,d + ∑ ηa θa,d + ∑ γa [| D | − ∑ Fa,d ]

e∈ε,t ∈ T a∈ A,d∈ D c∈C,d∈ D a∈ A d∈ D
53
+ ∑ Wc + K ∑ Va,t .
c∈C t ∈ Td
Sous contraintes de 1 jusqu’à 16.
Notons que l’idée derrière l’extension du premier modèle pour inclure partiellement les
pénalités sur l’allocation des salles, est de considérer le deuxième modèle comme étant un
problème de couplage maximum dans les graphes bipartis. En outre, vue que le deuxième
modèle peut être subdiviser en sous-problème indépendants qui peuvent résolue sépa-
remment suivant chaque crénaux horaire. Ce qui revient à résoudre, pour chaque période
de temps, un sous-problème. Ce qui fait un totale de | T | sous-problèmes. En considérant
un problème de couplage maximum pour la deuxième étape, permet l’exploitation de
certaine propriétés des problème de couplage dans les graphes bipartis. D’où l’utilisation
du théorème de Hall comme étant une contrainte dans la première étape (contrainte 3.13)
afin de garantir, en quelque sorte, que le l’étape 1 conduira à une solution réalisable pour
tout les sous-problèmes de la deuxième étape.
D’autres éléments qui ont été omis par nos soins, ont été détaillés dans le travail de M.
Sorensen et F.H.W. Dahms[3].
Modèle 02 : En résume le deuxième modèle est comme suit :
minW 2 = ∑ πe,r Ze,r + ε ∑ Sc

e∈ε,r ∈ R c
∑ Ze,r = 1∀e ∈ E
r∈R
∑ Ye,t
∗
Ze,r 6 Gr,t , ∀r ∈ Rr D , t ∈ T tD
e∈ E
Ze,r 6 Ke,r , ∀e ∈ E, r ∈ R
Ze,r = 1, ∀e ∈ E, r ∈ R, LRe,r = 1
∑ Vc,r − 1 6 Sc , ∀c ∈ C
r∈R
∑ Ye,tD Ze,r − ∑ LRe,r 6 0∀e ∈ E

r ∈ R r D r∈R
Ze,r , Vc,r ∈ {0, 1}.
Sc ∈ R +
54
Pour cherché a une solution aux divers problématique ils faut passer par une ensemble
des étapes différentes. Parmi ces méthodes on trouver la modélisation, et pour cette der-
nier on aura des plusieurs techniques. Dans notre mémoire on utilise deux type. La mo-
délisation qui basé sur le graphe(biparti), utilisent le flot maximum pour rechercher a
une solution qui représente la résolution du problème d’emploi du temps, l’autre type
et basé sur la décomposition en deux sous modèle chaque modèle pris un ensembles
des contraintes qui doit le satisfait on l’objectif. La décomposition en deux niveau aider
pour facilité la recherche du solution aux problème, nous essayent de monter un peut
cette dernier, malheureusement nous sont pas fait l’application du cette décomposition
sur notre faculté en raison du manque de temps et d’autres circonstances particulières, et
nous espérons qu’il sera utilisé dans autres mémoire.
55
CONCLUSION GÉNÉRALE
Parmi les vastes problèmes qu’on traite en recherche opérationnelle, on trouve la problé-
matique de gestion des emplois temps, qui consiste en la planification d’un ensemble de
tâches sur une période de temps. On trouve ce dernier dans plusieurs domaines diffé-
rents : l’éducation, les hôpitaux, ... Dans ce travail, nous nous sommes intéressés au pro-
blème de planification des emplois du temps en milieu universitaire. C’est un problème
très complexe à résoudre. Pour le résoudre plusieurs modèles ont été proposés, en autres
nous citons, la coloration dans les graphes, les programmes en nombres entiers. Parmi les
modèles en nombre entiers on a ceux dit à trois dimensions. Ces derniers, sont caracté-
risé par un nombre important de variables, ce qui alourdi sa résolution. Pour remédier à
cette problématique une méthode qui s’avère efficace a été proposé par Matias Sørensen
et Florian H.W. Dahms, appelée méthode de décomposition. Son principe réside dans la
décomposition du modèle à trois dimension en deux modèles à deux dimensions chacun.
Le premier consiste en l’affectation des événements aux entités (enseignants et étudiants)
et le deuxième consiste en l’affectation des événements aux salles. La solution du premier
modèle est intégrée comme une donnée pour le deuxième modèle. Nous avons essayé de
comprendre cette modélisation et d’en donner sa description. Le travail n’est pas encore
achevé, car une adaptation rigoureuse est envisageable pour notre faculté et pourquoi
pas une implémentation aussi.
56
BIBLIOGRAPHIE
[1] Yew-Cheong Peter Chan , la planification du personnel :acteur ; action et terme multiples
pour une planification opérationnelle des personnes Université Joseph-fourier-Grenoble
1, 2002.
[2] Mme Troudi Fatiha Résolution du problème de l’emploi du temps : proposition d’un algo-
rithme évolutionnaire multi-objectif,mémoire présenté pour l’obtention du diplôme du
magister en informatique,Université Mentouri Constantine,2005.
[3] Matias Sorensen Florian H.W Dahms, A Two -stage Decomposition of High school Time
Tabling applied to cases in Danemark , Département of management enginering Tech-
nical university of Danemark ,2013.
[4] De Werra D, An introduction to time tabling,European Journal of Operational Re-

search,1985.
[5] Pierre Merlin et Françoise Choay, Dictionnaire de l’urbanisme et de l’aménage-

ment,paris,2010.
[6] N. kherici ,Méthode de résolution en optimisation combinatoire, UBMA , 2020/2021.
[7] Frédéric Meunier ,Introduction A La Recherche Opérationnelle , Université de paris Est

, Ecole des Ponts Paristech.
[8] Dominique de Werra, Thomas M. Liebling et Jean-François Hêche Recherche opéra-

tionnelle pour ingénieurs, Presses polytechniques et universitaires romandes. 2003.
[9] hillal Touati , le Flux , Cour du Problème de Recherche du Flux Maximum ,Université
de bourj bou Araridj , 2019.
[10] Laurent Moalic , Coloration de graphe méthodes et applications , Institut IRIMAS , 14

mars 2018.
57
BIBLIOGRAPHIE
[11] Johan Jonasson, Eric Norgren,Investigating a Genetic Algorithm -Simulated Annealing

Hybrid Applied to University Cours Time tabling Problem , SWEDEN 2016.
[12] Marthieu Sablik ,Graphe Et Langage,https :

math :univ-toulouse.fr, 2015.
[13] B. ROY ,Recherche Opérationnelle et Aide à la Décision,Discours de remerciements à

l’occasion de la remise du diplôme de Docteur Honoris Causa de l’Université de
POZNAN,1992.
[14] Burke E. ,kingston j., Jackson k., Weare R Automated university Timetabling : the state
of the art, the Computer Journal 40 (9) 565-571 , 1997.
[15] Nicolas Bonsquet , coloration de graphes : algorithme et structures , Semindoc 18 avril

2012.
[16] A. Schaerf Survey of Automated Timetabling , University de roma, 1 février 1999.
[17] Recuit Simuler, https ://fr.wikipedia.org/wiki/Recuit simuler, 2021.
[18] Leo Liberti, Ruslan Sadykov ,Introduction à la programmation linière en nombre entiers,
LIX, Ecole Polytechnique, 7/12/2006.
[19] Génération des colonnes,https ://fr.wikipedia.org/wiki/Génération des colonnes,

2020 .
[20] Salim KALLA ,Programmation Linéaire,Université de Batna 02,2020-2021.
[21] M.Dimopoulou,P.Miliotis ,Inplementation og a university course and examination time-

tabling system University of Economics and Business, 17 janvier 2000.
[22] Chaima Mani,Le problème de planification d’emploi du temps des examen avec la coloration
de graphes Mémoire fin de cycle, université de bourj bou araridj,2020.
58
résumé
Il existe plusieurs méthode pour faire une planification des emplois des
temps et parmi les meilleurs méthode on trouve la décomposition en deux
étapes.
abstract
There existe many way to organizated the hours of the study classes and
among the most important and successful methodsthat exist is A TWO
STAGE DECOMPOSITION.
jÊÓ
¨t ¤ w y\n w¡ As¯ Ahh w§ ¨t Tb`} AKm Er
y\n ¨ dAs ¨t rW Er w. Tb`} AKm mR nO
. y wW Y ylt d w
0.1

mémoire fin

Transféré par

Droits d'auteur :

Formats disponibles

mémoire fin

Transféré par

Informations du document

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

mémoire fin

Transféré par

Droits d'auteur :

Formats disponibles

Université Mohamed El Bachir El Ibrahimi de Bordj Bou Arréridj

Faculté des Mathématiques et de l’Informatique

Département de Recherche Opérationnelle

Pour l’obtention du diplôme de

Filière : Mathématique Appliquées

Spécialité : Méthode et outils pour la recherche opérationnelle

Méthode de décomposition pour le problème de planification d’emplois du temps

Soutenu publiquement le 28 septembre 2021 devant le jury composé de

M-B RAHMI B OUALEM Président Univ BBA

1 Préliminaires sur le problème 11

1.1 La Recherche opérationnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.2.1 Différents types de plannings : . . . . . . . . . . . . . . . . . . . . . . . . . 14

1.3 problème d’emploi du temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.3.2 Horaire de l’école . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

1.3.3 Horaire des universités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2 Modélisation et les approches de résolution 22

2.1 Divers méthodes de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.1.1 Modèle linéaire pour le problème . . . . . . . . . . . . . . . . . . . . . . . 24

2.1.2 Modèle avec des graphes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.1.3 Génération de colonnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

2.2 Méthodes approchées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.2.1 Algorithmes génétiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.2.2 Recuit simulé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

2.2.3 Recherche Tabou . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.1 Modélisation par graphe biparti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.2 Décomposition en deux niveaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

2.1 graphe simple avec L’ensemble des sommets est {a,b,c,d,e} . . . . . . . . . . . . . 27

2.2 Exemple de la coloration d’arêtes . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.4 couplage du graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.5 l’ensemble d’arêtes A,E,Cest un couplage maximal . . . . . . . . . . . . . . . . . . 30

2.7 Exemple(simple enjambement) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

2.8 Exemple(double enjambement) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

2.9 Exemple de Mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

2.11 L’organigramme du recuit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2.12 L’organigramme du recherche tabou[39] . . . . . . . . . . . . . . . . . . . . . . . . 42

3.1 graphe du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3.3 L’ensemble d’évènements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

Que dieu les protègent.

qu’Allah lui fasse miséricorde.

À mes amis Mouna Ben Ziane, Moustafa, Bilal

DE NOU IOU A AFRAH

Dans de nombreux domaines de la vie humaine, on se trouve confronter au problème de

travail et les différents types de plannings dans différents domaines de travail(pédagogiques .

PRÉLIMINAIRES SUR LE PROBLÈME

Dans de nombreux domaines de la vie professionnelle, on se trouve confronter problèmes

1.1 La Recherche opérationnelle

La planification désigne l’action et l’effet de planifier, c’est à dire, d’organiser à l’avance

Pour mieux cerner ce qui est la planification et la complexité à sa réalisation, on s’intéresse

Qu’est ce qu’un planning ?

A Quoi sert un planning ?

— aux entreprises exerçant une activité continue ou quasi-continue de répartir convenable-

1.2.1 Différents types de plannings :

En effet, la qualité de la planification des travaux influe directement sur la rentabilité de

s’adapter aux changements dynamiques de l’environnement en tenant compte de la diversité

1.3 problème d’emploi du temps

temps a augmenté dramatiquement dans les années 60 principalement en la raison de la dis-

A Quoi sert un emploi du temps ?

— Aux établissements exerçant une activité continue ou quasi-continue de répartir conve-

— A toutes les établissements de surmonter leur exigences de productivité et de mieux gérer

Comment un emploi du temps est élaboré ?