You are on page 1of 234

UNIVERSITE DE LIEGE

Bachelier 3 sciences de gestion


et ing enieurs de gestion
Gestion de la Production
Daniel DE WOLF
Li` ege, Septembre 2006
Table des mati` eres
1 Introduction 9
1.1 Objectifs du cours . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 D enition de la gestion de production . . . . . . . . . . . . . . . 10
1.3 Classication des syst` emes productifs . . . . . . . . . . . . . . . 12
1.3.1 Organisation de type s erie unitaire . . . . . . . . . . . . . 12
1.3.2 Organisation en ateliers sp ecialis es . . . . . . . . . . . . 13
1.3.3 Organisation en lignes de production . . . . . . . . . . . 13
1.3.4 Les industries de process . . . . . . . . . . . . . . . . . 14
1.4 Formulation en mod` eles math ematiques . . . . . . . . . . . . . . 14
1.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
I Les d ecisions op erationnelles 21
2 Ordonnancement en ateliers sp ecialis es 23
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Ordonnancement sur une machine . . . . . . . . . . . . . . . . . 24
2.2.1 Le diagramme de Gantt . . . . . . . . . . . . . . . . . . 24
2.2.2 La r` egle T.O.M. . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Ordonnancement avec deux centres de production . . . . . . . . . 26
2.3.1 Cas o` u toutes les t aches sont ` a ex ecuter sur A puis B . . . 26
2.3.2 Cas de t aches ne seffectuant pas dans le m eme ordre . . . 28
2.4 Ordonnancement sur trois machines . . . . . . . . . . . . . . . . 29
2.5 Ordonnancement de n t aches sur m centres de production . . . . . 31
3
4 Table des mati`eres
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3 La gestion calendaire de stock 35
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Les politiques de gestion de stock . . . . . . . . . . . . . . . . . 36
3.3 Les co uts associ es aux stocks . . . . . . . . . . . . . . . . . . . 37
3.3.1 Les co uts de possession . . . . . . . . . . . . . . . . . . 37
3.3.2 Les co uts de rupture . . . . . . . . . . . . . . . . . . . . 39
3.3.3 Les co uts de commande . . . . . . . . . . . . . . . . . . 39
3.4 Gestion calendaire de stock ` a rotation nulle . . . . . . . . . . . . 40
3.5 Cas dune loi de demande continue . . . . . . . . . . . . . . . . 46
3.6 Les cons equences economiques de la solution optimale . . . . . . 48
3.7 Cas de stocks ` a rotation non nulle . . . . . . . . . . . . . . . . . 51
3.7.1 D etermination de la solution optimale . . . . . . . . . . . 54
3.7.2 Cas dune loi de demande discr` ete . . . . . . . . . . . . . 56
3.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4 La gestion par point de commande 59
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 D etermination du point de commande en univers certain . . . . . 60
4.3 D etermination de la quantit e economique de commande . . . . . . 61
4.4 Cas dune demande al eatoire . . . . . . . . . . . . . . . . . . . . 64
4.4.1 D etermination de q et s . . . . . . . . . . . . . . . . . . 65
4.4.2 Cons equences economiques du choix . . . . . . . . . . . 67
4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
II Les d ecisions tactiques 71
5 La planication de la production 73
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.2 La planication des besoins en composants . . . . . . . . . . . . 74
Table des mati`eres 5
5.3 D etermination des besoins nets dun composant . . . . . . . . . . 78
5.3.1 D etermination de la couverture des besoins nets . . . . . . 80
5.3.2 Utilisation en cascade de la logique de calcul . . . . . . . 80
5.4 Autres r` egles de calcul des lancements de production . . . . . . . 85
5.5 Ajustement charge-capacit e . . . . . . . . . . . . . . . . . . . . 86
5.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6 Les techniques de juste ` a temps 91
6.1 Origine et principe du JAT . . . . . . . . . . . . . . . . . . . . . 91
6.2 Les deux approches du JAT . . . . . . . . . . . . . . . . . . . . 93
6.2.1 Augmenter la r eactivit e du syst` eme logistique . . . . . . . 93
6.2.2 La rationalisation de la production . . . . . . . . . . . . . 93
6.3 Les facteurs cl es du JAT . . . . . . . . . . . . . . . . . . . . . . 94
6.3.1 Recherche dun plus grande r eactivit e . . . . . . . . . . . 94
6.3.2 Matrise des al eas . . . . . . . . . . . . . . . . . . . . . 94
6.4 La m ethode Kanban . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4.1 Syst` eme Kanban ` a une boucle . . . . . . . . . . . . . . . 95
6.4.2 D etermination du nombre d etiquettes . . . . . . . . . . . 96
6.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
III Les d ecisions strat egiques 101
7 Lordonnancement de projets 103
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.2 Formulation du probl` eme . . . . . . . . . . . . . . . . . . . . . 105
7.3 Repr esentation graphique du probl` eme . . . . . . . . . . . . . . 105
7.4 Existence dune solution . . . . . . . . . . . . . . . . . . . . . . 108
7.5 Calcul de lordonnancement au plus t ot . . . . . . . . . . . . . . 109
7.6 Ordonnancement au plus tard . . . . . . . . . . . . . . . . . . . 109
7.7 Chemin critique et calcul des marges . . . . . . . . . . . . . . . 111
7.8 Lordonnancement par la m ethode PERT . . . . . . . . . . . . . 112
6 Table des mati`eres
7.9 La minimisation des co uts . . . . . . . . . . . . . . . . . . . . . 115
7.10 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
8 Conception dun centre de production 123
8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
8.2 Conguration dun centre de production . . . . . . . . . . . . . . 124
8.2.1 Conguration en ateliers sp ecialis es . . . . . . . . . . . . 124
8.2.2 Conguration en ligne de production . . . . . . . . . . . 128
8.2.3 Conguration ` a poste xe . . . . . . . . . . . . . . . . . 133
8.3 D ecisions de capacit e . . . . . . . . . . . . . . . . . . . . . . . 134
8.4 D ecisions de localisation . . . . . . . . . . . . . . . . . . . . . . 138
8.5 Utilisation de la programmation math ematique . . . . . . . . . . 141
8.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
IV Les techniques doptimisation 147
9 La programmation dynamique. 149
9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
9.2 Le probl` eme du voyageur . . . . . . . . . . . . . . . . . . . . . 150
9.2.1 Formulation en un probl` eme dynamique . . . . . . . . . . 151
9.3 Proc edure de r esolution . . . . . . . . . . . . . . . . . . . . . . 152
9.4 Un probl` eme daffectation de ressources rares . . . . . . . . . . . 154
9.4.1 Formulation comme un probl` eme dynamique . . . . . . . 154
9.4.2 R esolution par la programmation dynamique . . . . . . . 156
9.5 Application ` a la planication de la production. . . . . . . . . . . 157
9.5.1 Formulation en un probl` eme dynamique . . . . . . . . . . 157
9.5.2 R esolution par la programmation dynamique . . . . . . . 159
9.5.3 Algorithme en cas de co ut convexe . . . . . . . . . . . . 161
9.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
10 La programmation lin eaire. 165
Table des mati`eres 7
10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
10.2 Un simple exemple . . . . . . . . . . . . . . . . . . . . . . . . . 165
10.3 R esolution graphique . . . . . . . . . . . . . . . . . . . . . . . 167
10.4 Le solveur dExcel . . . . . . . . . . . . . . . . . . . . . . . . . 170
10.5 Les rapports du solveur . . . . . . . . . . . . . . . . . . . . . . 174
10.5.1 Le rapport des r eponses . . . . . . . . . . . . . . . . . . 174
10.5.2 Le rapport de sensibilit e . . . . . . . . . . . . . . . . . . 174
10.5.3 Le rapport des limites . . . . . . . . . . . . . . . . . . . 176
10.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
11 Analyse postoptimale. 179
11.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
11.2 Variation par rapport au second membre . . . . . . . . . . . . . . 180
11.2.1 Calcul des prix cach es . . . . . . . . . . . . . . . . . . . 180
11.2.2 Analyse de sensibilit e au membre de droite . . . . . . . . 182
11.3 Variation des coefcients objectifs . . . . . . . . . . . . . . . . . 183
11.3.1 Analyse de sensibilit e aux coefcients objectif . . . . . . 184
11.4 Co ut r eduit des variables hors base . . . . . . . . . . . . . . . . . 186
11.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
12 La programmation en nombres entiers. 189
12.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
12.2 Formulation des probl` emes mixtes . . . . . . . . . . . . . . . . . 190
12.2.1 Probl` emes avec co uts xes . . . . . . . . . . . . . . . . . 190
12.2.2 Probl` emes avec contrainte logique . . . . . . . . . . . . . 193
12.2.3 M elange avec nombre limit e dingr edients . . . . . . . . 194
12.2.4 Choix parmi un nombre discret de valeurs . . . . . . . . . 195
12.3 Principe de la m ethode de branch and bound . . . . . . . . . . . . 195
12.4 Application ` a lexemple . . . . . . . . . . . . . . . . . . . . . . 197
12.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
A Formulaire pour la gestion de production 205
8 Table des mati`eres
A.1 La gestion calendaire de stock . . . . . . . . . . . . . . . . . . . 205
A.2 La gestion par point de commande . . . . . . . . . . . . . . . . . 206
A.3 Les techniques de juste ` a temps . . . . . . . . . . . . . . . . . . 208
A.4

Equilibrage dune chane de production . . . . . . . . . . . . . . 208
A.5 Calcul dannuit es . . . . . . . . . . . . . . . . . . . . . . . . . 208
B Tables pour la gestion de stocks 209
B.1 Table de la loi Poisson() . . . . . . . . . . . . . . . . . . . . . 209
B.2 Table de la loi normale Z N(0, 1) . . . . . . . . . . . . . . . . 214
B.3 Table pour le calcul de I
r
(S) . . . . . . . . . . . . . . . . . . . . 215
C Solutions nales des exercices 217
C.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
C.2 Ordonnancement en ateliers sp ecialis es . . . . . . . . . . . . . . 218
C.3 Gestion calendaire de stock . . . . . . . . . . . . . . . . . . . . 220
C.4 Gestion de stock par point de commande . . . . . . . . . . . . . 221
C.5 La planication de la production . . . . . . . . . . . . . . . . . . 222
C.6 Les techniques de juste ` a temps . . . . . . . . . . . . . . . . . . 224
C.7 Lordonnancement de projets . . . . . . . . . . . . . . . . . . . 225
C.8 Conception dun centre de production . . . . . . . . . . . . . . . 227
C.9 La programmation dynamique . . . . . . . . . . . . . . . . . . . 229
C.10 La programmation lin eaire. . . . . . . . . . . . . . . . . . . . . 230
C.11 Analyse postoptimale . . . . . . . . . . . . . . . . . . . . . . . 232
C.12 La programmation en nombres entiers . . . . . . . . . . . . . . . 233
Chapitre 1
Introduction
1.1 Objectifs du cours
Lobjectif ducours est de donner une formation de base ` a lapproche quantitative
des probl` emes de gestion de lentreprise tels que :
la planication de la production;
lordonnancement de projets;
la gestion des stocks;
la gestion de la capacit e,. . .
Pour cela, on essayer de d evelopper une double comp etence :
La capacit e de formuler ces probl` emes en des mod` eles math ematiques :
cest-` a-dire, partant de probl` emes enonc es de mani` ere litt eraire, de les tra-
duire sous formes d equations math ematiques (cfr section 1.4 ` a la n de ce
chapitre).
La connaissance doutils de r esolution de ces probl` emes : en effet, une
fois le probl` eme formul e, souvent on tombe sur un probl` eme classique (tel
celui de la gestion de stock), pour lequel il existe des m ethodes de r esolution
adapt ees (voir chapitres 3 et 4).
Comme r ef erences, nous utiliserons les livres de Giard [4] et Baglin et al [1]
pour tous les mod` eles classiques de gestion de la production. Pour ce qui est de
la formulation en mod` eles math ematiques, une tr` es bonne r ef erence est le livre de
Williams [17].
9
10 Chapitre 1. Introduction
1.2 D enition de la gestion de production
Comme lindique Vincent Giard [4] dans son ouvrage, pour pouvoir donner une
d enition de la gestion de production, il faut dabord d enir ce que lon entend
par la production. La production consiste en une transformation de ressources
(humaines ou mat erielles) en vue de la cr eation de biens ou services :
La production dun bien seffectue par une succession dop erations consom-
mant des ressources et transformant les caract eristiques de la mati` ere. Un
exemple classique est la production de voitures.
La production dun service seffectue par une succession dop erations con-
sommant des ressources sans quil ny ait n ecessairement transformation
de mati` ere. Des exemples classiques sont la mise ` a disposition de produits
aux consommateurs (la vente), le traitement de dossier (par un notaire), la
maintenance d equipements.
On peut alors d enir la gestion de production comme suit.
D enition 1.1 La gestion de la production consiste en la recherche dune orga-
nisation efcace de la production des biens et services.
La gestion de production consiste donc ` a lobtention dun produit donn e dont les
caract eristiques sont connues en mettant en uvre un minimum de ressources.
En gestion de production, on consid erera, g en eralement, comme donn ees les ca-
ract eristiques du produit que sont :
la d enition du produit;
le processus de fabrication;
la demande ` a satisfaire.
Ces trois caract eristiques du produit rel` event des sciences de ling enieur et de la
gestion commerciale. Nous verrons cependant au chapitre 7 la gestion de projets
qui est souvent utilis ee pour optimiser le processus de conception dun nouveau
produit. Nous verrons aussi au chapitre 8 comment optimiser le processus de
fabrication.
Les outils de la gestion de la production sont un ensemble de techniques
danalyse et de r esolution des probl` emes de mani` ere ` a produire au moindre co ut.
Nous verrons dans ce cours un certain nombre de probl` emes types rencontr es en
gestion de production. Pour situer ces diff erents probl` emes entre eux, on classie
souvent les d ecisions de gestion en trois classes :
Section 1.2. Denition de la gestion de production 11
1. Les d ecisions strat egiques : il sagit de la formulation de la politique ` a
long terme pour lentreprise (cest-` a-dire ` a un horizon de plus de deux ans).
Entrent dans ces d ecisions :
la d enition du portefeuille dactivit es;
la d enitiondes ressources stables : aussi bienhumaines (engagements,
licenciements, pr eretraites, . . . ) que mat erielles (d ecisions dinvestis-
sement, de cession, de fermeture, . . . ).
2. Les d ecisions tactiques : il sagit des d ecisions ` a moyen terme parmi les-
quelles on trouve la planication de la production ` a 18 mois. Il sagit de
produire au moindre co ut pour satisfaire la demande pr evisible en sinscri-
vant dans le cadre x e le plan strat egique de lentreprise (donc ` a ressources
mat erielles et humaines connues).
3. les d ecisions op erationnelles : il sagit des d ecisions de gestion quotidienne
pour faire face ` a la demande au jour le jour, dans le respect des d ecisions
tactiques. Parmi ces d ecisions, on trouve :
la gestion de stocks;
la gestion de la main duvre;
la gestion des equipements.
Ces trois classes de d ecisions de gestion de production se diff erencient par au
moins trois el ements :
1. par lhorizon de temps consid er e :
les d ecisions op erationnelles se prennent au jour le jour;
les d ecisions tactiques concernent la planication ` a 18 mois;
les d ecisions strat egiques concernent la planication ` a long terme.
2. par le niveau dagr egation :
les d ecisions op erationnelles se prennent au niveau dun atelier;
les d ecisions tactiques se prennent au niveau dune usine;
les d ecisions strat egiques se prennent au niveau de lensemble de len-
treprise.
3. par le niveau de responsabilit e :
les d ecisions op erationnelles sont prises par les agents de matrise;
les d ecisions tactiques sont prises par les cadres;
les d ecisions strat egiques sont prises par la direction g en erale.
12 Chapitre 1. Introduction
1.3 Classication des syst` emes productifs
On peut classer les modes dorganisation de la production en quatre grandes
classes :
lorganisation en s erie unitaire;
lorganisation en ateliers sp ecialis es;
lorganisation en ligne de production;
lorganisation en industries de process.
Nous examinerons, dans chaque cas, le type de ressources ` a mettre en uvre
et le probl` eme principal de leur utilisation.
1.3.1 Organisation de type s erie unitaire
D enition 1.2 La production de type s erie unitaire est une production mobili-
sant sur une p eriode assez longue lessentiel des ressources dune entreprise pour
r ealiser un nombre tr` es limit e de projets.
Comme exemples, on peut citer la construction de navires de grande taille (qui
se font, le plus souvent, en quelques exemplaires), les grands travaux publics (tel
que le creusement du tunnel sous la manche ou la construction dun pont suspendu).
En ce qui concerne les ressources mobilis ees, on fait le plus souvent appel ` a
un personnel hautement quali e vu le caract` ere non r ep etitif des t aches.
En ce qui concerne le probl` eme dordonnancement, le probl` eme majeur est
larbitrage entre la recherche dun co ut comp etitif et le respect des d elais. En effet,
dune part, les commandes seront rapidement honor ees si beaucoup de ressources
sont mises en uvre. Mais, dautre part, le co ut des ressources est g en eralement
croissant avec leur niveau dutilisation : la location de machines suppl ementaires
et lengagement dint erimaires co utent g en eralement plus cher que lutilisation des
ressources propres de lentreprise (cfr le chapitre 7 consacr e ` a lordonnancement
de projets).
Dans les deux cas, lordonnancement des t aches, cest-` a-dire la d etermination
de lordre dex ecution des t aches) est essentiel. En effet, non seulement lordre
dex ecution des t aches d etermine la date de livraison, mais, comme nous le verrons
au chapitre 7, il inuence les co uts dans la mesure o` u une mauvaise coordination
saccompagne souvent de ch omage technique pour certaines ressources et du paie-
ment de p enalit es pour non respect des d elais.
Section 1.3. Classication des syst`emes productifs 13
1.3.2 Organisation en ateliers sp ecialis es
D enition 1.3 On parle dorganisation en ateliers sp ecialis es lorsque tous les
equipements assurant une fonction sp ecialis ee sont r eunis en un m eme lieu.
Comme exemple, on peut citer un atelier demboutissage des t oles de voitures ou
un atelier de peinture dans une usine dassemblage automobile.
En ce qui concerne les ressources mobilis ees, la main duvre est plut ot
quali ee et les equipements sont polyvalents.
En ce qui concerne le probl` eme de lorganisation efcace des ressources,
deux probl` emes principaux sont ` a consid erer :
Lors de la conception de latelier, le probl` eme principal est la gestion des
co uts de manutention entre les diff erents postes de travail. An de diminuer
ces co uts on d etermine la meilleure localisation des machines les unes par
rapport aux autres dans latelier. Ceci fait appel aux m ethodes dagencement
dans lespace (cfr chapitre 8 consacr e ` a la conguration dun centre de
production).
Lors de la gestion quotidienne de latelier, le probl` eme principal est de
d eterminer lordre dex ecution des diverses t aches sur une ou plusieurs ma-
chines (cfr chapitre 2 consacr e ` a lordonnancement en ateliers sp ecialis es).
1.3.3 Organisation en lignes de production
D enition 1.4 On parle dorganisation en lignes de production lorsque quun
ux r egulier de produits passe dun poste ` a lautre, lordre de passage etant x e.
Comme exemple, on peut citer les lignes dassemblage dautomobiles.
En ce qui concerne les ressources mises en uvre, les equipements sont
g en eralement tr` es sp ecialis es. En ce qui concerne lorganisation efcace des
ressources, le probl` eme majeur consiste en l equilibrage de la chane : cest-` a-
dire ` a d enir les t aches ` a r ealiser ` a chaque poste de mani` ere ` a avoir le m eme temps
de r ealisation ` a chaque poste (cfr chapitre 8). En effet, un mauvais equilibrage de
la chane entranera une sous-utilisation des ressources puisque la chane tourne ` a
la vitesse de l el ement le plus lent.
Deux autres probl` emes sont tr` es importants dans ce mode dorganisation de la
production. Il sagit de : la abilit e de la chane (un maillon d efectueux et toute
la chane sarr ete) et de la abilit e du syst` eme dinformations.
14 Chapitre 1. Introduction
1.3.4 Les industries de process
D enition 1.5 On parle dindustries de process lorsque le mode dorganisation
est caract eris e par un ux r egulier et important de mati` eres premi` eres destin ees ` a
etre transform ees en mati` eres plus elabor ees.
Comme exemples, on peut citer la sid erurgie, la p etrochimie, le secteur de la chimie
lourde, le secteur agro-alimentaire, etc. . .
En ce qui concerne lorganisation efcace des ressources, vues limportance
et la r egularit e de la demande, le probl` eme dorganisation au co ut minimum est
g en eralement assez simple. Il peut etre r esolu par la programmation lin eaire.
1.4 Formulation en mod` eles math ematiques
Terminons ce chapitre en introduisant la notion de mod` ele math ematique. Par
mod` ele math ematique, on entend la repr esentation par des equations math ema-
tiques dun probl` eme de la vie r eelle. Nous allons illustrer la construction dun
mod` ele math ematique sur un exemple tr` es simpli e de planication de la produc-
tion tir e de Williams [17]. Une usine peut produire cinq produits (not es PROD1 ` a
PROD5). La marge b en eciaire unitaire, cest-` a-dire la diff erence entre le prix de
vente et le co ut de production dun produit, est donn ee pour chacun des produits
au tableau 1.1. Chaque produit n ecessite le passage par trois etapes de fabrication.
Produit PROD1 PROD2 PROD3 PROD4 PROD5
Marge 550 600 350 400 200
Tableau 1.1: Marge par produit.
Les temps requis ` a chaque etape sont donn es en heures pour chaque produit au
tableau 1.2.
Produit PROD1 PROD2 PROD3 PROD4 PROD5

Etape 1 12 20 0 25 15

Etape 2 10 8 16 0 0

Etape 3 20 20 20 20 20
Tableau 1.2: Temps de fabrication (en heures par produit).
Enn, il faut tenir compte des ressources en facteurs disponibles donn ees au
tableau 1.3. Les deux premi` eres etapes sont effectu ees sur machine tandis que la
Section 1.4. Formulation en mod`eles mathematiques 15

Etape Ressources heures par jour jours par semaine

Etape 1 3 machines 16 6

Etape 2 2 machines 16 6

Etape 3 8 personnes 8 6
Tableau 1.3: Ressources en facteurs
troisi` eme ne n ecessite que lintervention de main duvre. En ce qui concerne les
deux premi` eres etapes, lusine travaille en deux pauses de huit heures par jour, et
ceci, au maximum six jours par semaine. En ce qui concerne la troisi` eme, chaque
personne travaille 8 heures par jour et, au maximum, 6 jours par semaine.
La question que se pose le gestionnaire de lusine est la suivante. Quelles sont
les quantit es ` a fabriquer de chaque produit pour maximiser le prot net ?
La construction dun mod` ele est, en g en eral, une op eration en trois etapes :
1. le choix des variables de d ecisions,
2. lexpression de lobjectif en fonction de ces variables,
3. lexpression des contraintes en fonction de ces variables.
La premi` ere etape consiste donc ` a d enir les variables de d ecision.
D enition 1.6 On appelle variable de d ecision toute quantit e utile ` a la r esolution
du probl` eme dont le mod` ele d etermine la valeur.
G en eralement, elles sont not ees par les lettres de la n de lalphabet (x, y, z, etc...).
Ici, on note simplement par x
i
, la quantit e du produit i fabriqu ee par semaine, i
allant de un ` a cinq.
Une premi` ere remarque importante simpose. Il est fondamental de bien
pr eciser les unit es selon lesquelles sont exprim ees les variables. En effet, lordre
de grandeur des coefcients de lobjectif et des contraintes d epend de ces unit es.
La deuxi` eme etape consiste en la formulation de lobjectif.
D enition 1.7 Lobjectif est la quantit e que lon veut minimiser ou maximiser.
Ici, il sagit de la somme des contributions de chacune des productions au prot
net de lusine. Elle sexprime simplement par :
maxz = 550x
1
+ 600x
2
+ 350x
3
+ 400x
4
+ 200x
5
La troisi` eme etape consiste en la formulation des contraintes.
16 Chapitre 1. Introduction
D enition 1.8 Les contraintes sont toutes les relations entre les variables qui
limitent les valeurs possibles que peuvent prendre ces variables.
La premi` ere concerne la limite dutilisation des machines ` a l etape 1. Il y
a trois machines, utilis ees 16 heures par jour et, au maximum, six jours par
semaine, ce qui donne un nombre maximum dheures par semaine
1
:
3 (2 8) 6 = 288 heures disponibles.
Une unit e de produit 1 demande 12 heures sur machine ` a l etape 1. Si x
1
unit es de produit 1 sont produites par semaine, cela demande 12 x
1
heures
sur la machine 1. Par un raisonnement semblable pour les autres produits,
on obtient nalement la contrainte :
12x
1
+ 20x
2
+ 0x
3
+ 25x
4
+ 15x
5
288.
La deuxi` eme contrainte concerne la limite dutilisation des machines ` a la
deuxi` eme etape. Le nombre maximum dheures dutilisation vaut :
2 (2 8) 6 = 192 heures,
et la contrainte sexprime comme :
10x
1
+ 8x
2
+ 16x
3
+ 0x
4
+ 0x
5
192.
La troisi` eme contrainte concerne la limite dutilisation du personnel ` a la
troisi` eme etape. Le nombre maximum dheures prest ees en une semaine par
les 8 personnes est de :
8 (1 8) 6 = 384 heures.
Et donc la contrainte sexprime comme :
20x
1
+ 20x
2
+ 20x
3
+ 20x
4
+ 20x
5
384.
Enn, il ne faut pas oublier les contraintes, presque toujours pr esentes, disant
que lon ne peut pas produire des quantit es n egatives :
x
1
, x
2
, . . .x
5
0.
1
Remarquez ici limportance davoir pr ecis e que les quantit es produites
l etaient par semaine.
Section 1.5. Exercices 17
1.5 Exercices
1.1. Probl` eme de transport.On dispose de deux usines de production dont les
d ebouch es sont situ es sur trois march es distants g eographiquement. On
connat la capacit e de production de chacune des usines (en tonnes) ainsi
que la demande de chacun des march es (en tonnes). On dispose egalement
(voir tableau 1.4 pour les donn ees pr ecises) des distances, exprim ees en
milliers de miles, entre les sites de production et les march es.
Usines March es Offre
Distance New York Chicago Topeka
Seattle 2.5 1.7 1.8 350
San Diego 2.5 1.8 1.4 600
Demande 325 300 275
Tableau 1.4: Les donn ees num eriques du probl` eme de transport.
Les frais de transport dune tonne sont de 90 $ par millier de miles. On se
demande combien dunit es du produit acheminer ` a chaque march e ` a partir
de chaque usine de mani` ere ` a minimiser les co uts de transport, les co uts de
production, etant les m emes dans toutes les usines, nentrent pas en ligne de
compte.
Formuler le probl` eme de transport comme un mod` ele lin eaire (choix des
variables, expression de lobjectif et expression des contraintes).
1.2. Optimisation du plan directeur de production. Une soci et e voudrait
etablir son plan directeur de production, cest-` a-dire les quantit es ` a produire
chaque trimestre ainsi que les ressources ` a mobiliser chaque trimestre pour
pouvoir satisfaire la demande ` a co ut total annuel minimum. La demande
pour les 4 prochains trimestres est donn ee au tableau 1.5.
On suppose quun ouvrier peut produire 150 unit es par jour ouvrable. Le
nombre de jours ouvrables est egalement repris au tableau 1.5. Il y a un
effectif initial de 32 ouvriers et unstock initial de 0. Le co ut dembauche dun
ouvrier est de 20 000 euro. Le co ut de licenciement est de 50 000 euro. Le
co ut de stockage dune unit e pendant un trimestre est de 10 euro. On suppose
que les licenciements et les embauches de personnel ne peuvent se r ealiser
quen d ebut de chaque trimestre. De plus, pour des raisons commerciales,
on souhaite avoir un niveau minimum de stock en n de chaque trimestre
18 Chapitre 1. Introduction
Trimestre Demande Stock minimum Jours
1 180 000 55 000 62
2 400 000 85 000 64
3 190 000 50 000 55
4 390 000 100 000 59
Tableau 1.5: Optimisation du plan directeur de production
an de faire face aux demandes du d ebut du trimestre suivant. Ce niveau
minimum est donn e au tableau 1.5. Les temps partiels sont permis.
Ondemande de d eterminer les engagements et licenciements d ebut de chaque
trimestre, de mani` ere ` a ce que leffectif du mois soit sufsant pour satisfaire
la demande (aucune rupture de stock nest permise) ` a co ut total minimum
(somme duco ut dembauche, duco ut de licenciement et duco ut de stockage).
Formuler le mod` ele correspondant (choix des variables, expression de lob-
jectif et expression des contraintes). Indication : d eterminez dabord les
variables ind ependantes (celles ` a partir desquelles les autres seront cal-
cul ees), ensuite les variables d ependantes (par exemple, la productiond epend
du nombre douvriers, le nombre douvriers d ependant lui-m eme des em-
bauches et licenciements).
1.3. Location de surfaces dentreposage. Le b atiment dentreposage dune
rme fabriquant des peintures vient d etre compl` etement ravag e par le feu.
Pour pouvoir continuer ` a stocker ses surplus de production pr evus pour les 6
prochains mois (soit la p eriode de reconstruction de lentrep ot), la rme doit
disposer des surfaces minimum reprises au tableau 1.6. La soci et e sadresse
Mois 1 2 3 4 5 6
Surface (en 100 m
2
) 35 20 30 10 15 20
Tableau 1.6: Besoins minimaux en surface dentreposage
` a une rme sp ecialis ee dans lentreposage qui permet de louer nimporte
quelle surface pour un nombre quelconque de mois. Le co ut de location est
d ecroissant en fonction de la longueur du bail (cfr tableau 1.7). La rme
peut donc signer chaque mois autant de baux quelle le d esire pour la dur ee
et la surface quelle juge utiles. Lobjectif est de minimiser le co ut total des
baux qui permettront de couvrir les besoins en entreposage des 6 prochains
Section 1.5. Exercices 19
Dur ee du bail (en mois) 1 2 3 4 5 6
Co ut du bail (euro pour 100 m
2
) 200 360 500 625 745 850
Tableau 1.7: Co ut des baux
mois. On vous charge d etablir le calendrier de d ebut et de n de chacun des
baux ainsi que la surface sur laquelle ils portent.
Formuler le probl` eme correspondant (choix des variables, expression de
lobjectif et expression des contraintes). Indication : pensez ` a utiliser des
variables ` a doubles indices (premier pour le d ebut, second pour la n du
bail).
1.4.

Equilibrage du chargement dun navire. Le capitaine dun cargo c er ealier
doit assurer l equilibrage du chargement des 4 soutes de son navire pour lui
conserver toutes ses qualit es en haute mer. Les soutes vont de la soute avant
A ` a la soute arri` ere D en passant par les 2 soutes m edianes B et C. Leurs
capacit es sont donn ees ci-dessous :
Soute Capacit e Volume
(tonnes) (m
3
)
A 3 600 20 000
B 4 300 30 000
C 4 500 31 000
D 3 300 18 000
La bonne tenue en mer de son navire lui impose de charger dans la soute A
un tonnage de c er eales compris dans la fourchette qui va de 90 % ` a 110 %
du tonnage charg e dans la soute D. Le tonnage dans chacune des soutes B et
C doit etre dau moins 30 % sup erieur au tonnage dans la soute A et de 25
% sup erieur au tonnage dans la soute D; la moiti e de la somme des tonnages
charg es dans les soutes Bet Cdoit etre au plus egale ` a la somme des tonnages
charg es dans les soutes A et D. Larmateur propose au capitaine deffectuer
20 Chapitre 1. Introduction
les chargement du navire ` a partir des lots de c er eales suivants :
Lot Nombres Nombre de Tarif par tonne
de tonne m
3
par tonne transport ee
1 6 000 6,5 7,00 EURO
2 4 400 4,7 6,50 EURO
3 3 200 3,0 6,25 EURO
4 2 100 5,4 7,20 EURO
Le capitaine a carte blanche pour choisir sa cargaison; il peut accepter ` a sa
guise tout un lot donn e ou une partie de ce lot. Pour simplier le probl` eme,
on suppose quune soute peut contenir plus dune sorte de c er eale. Il par-
tage lobjectif de larmateur, qui est de maximiser les tarifs re cus pour les
quantit es embarqu ees. Comment doit seffectuer le chargement des soutes ?
Formuler math ematiquement le probl` eme (choix des variables, expression
de lobjectif et expression des contraintes).
Partie I
Les d ecisions op erationnelles
21
Chapitre 2
Ordonnancement en ateliers sp ecialis es
2.1 Introduction
Rappelons quon parle dateliers sp ecialis es lorsque lensemble des equipements
n ecessaires pour assurer une fonction d etermin ee sont rassembl es dans un m eme
atelier. Le probl` eme de gestion quotidienne est de d eterminer lordre dex ecution
dun certain nombre de t aches, la r ealisation dune t ache n ecessitant le passage sur
une ou plusieurs machines.
Par exemple, lemboutissage de plusieurs types de porti` eres de voitures de-
mande le passage sur une m eme presse, lordre de passage des diff erents types de
porti` eres sur la presse n etant pas d etermin e ` a lavance.
Parmi les mod` eles dordonnancement en ateliers sp ecialis es, on distingue
Les mod` eles statiques pour lesquels on recherche lordonnancement opti-
mal dun ensemble donn e de t aches sur une p eriode donn ee : autrement dit,
au cours de la p eriode consid er ee, aucune nouvelle t ache non pr evue ne peut
etre prise en compte dans lordonnancement;
Les mod` eles dynamiques dordonnancement qui se caract erisent par des
arriv ees successives de t aches, le plus souvent dans un univers al eatoire.
Dans ce chapitre, nous allons nous limiter aux mod` eles statiques et voir suc-
cessivement le probl` eme dordonnancement sur 1 machine, sur 2 machines. Enn,
nous verrons la g en eralisation au probl` eme sur m machines dont la r esolution
demande le recours ` a la programmation en nombres entiers.
23
24 Chapitre 2. Ordonnancement en ateliers specialises
2.2 Ordonnancement sur une machine
Illustrons le probl` eme sur lexemple suivant tir e de Giard [4]. On a cinq t aches
` a effectuer sur la machine A. Le tableau 2.1 pr esente les diff erentes t aches ainsi
que leurs temps op eratoires. Il sagit de d eterminer lordre dans lequel on va
T ache (i) 1 2 3 4 5
Temps op eratoire (t
i
) 50 150 80 200 30
Tableau 2.1: Temps op eratoires (en centi` emes dheures).
effectuer ces diff erentes t aches. Il est clair que, quel que soit lordre choisi, le
temps op eratoire total est le m eme : il sagit de la somme des temps op eratoires.
Il faudra donc d enir un autre crit` ere de choix entre tous les ordonnancements
possibles. Un ordonnancement possible est illustr e ` a la table 2.2.
Ordre (j) 1 2 3 4 5
T ache programm ee(i) 3 4 1 5 2
Temps dex ecution (T
j
) 80 200 50 30 150
Tableau 2.2: Un ordonnancement possible.
2.2.1 Le diagramme de Gantt
Illustrons tout dabord une technique de visualisation dun ordonnancement, le
diagramme de Gantt. Celui-ci est construit ` a la gure 2.1 pour lordonnancement
machine A
3 4 1 5 2 Z
1 2 3 4 5 temps
(heures)
0,8 2,8 3,3 3,6 5,1
Figure 2.1: Diagramme de Gantt.
du tableau 2.2. Le diagramme de Gantt permet de visualiser ` a la fois :
lutilisation des moyens productifs;
lavancement de lex ecution des t aches.
Section 2.2. Ordonnancement sur une machine 25
En effet, une ligne horizontale illustre l evolution du temps. Ensuite, pour chaque
moyen productif (ici, il y a seulement la machine A), on trace une ligne horizon-
tale en dessous de la ligne du temps. Chaque t ache ` a effectuer sur la machine
est repr esent ee par un segment dont la longueur est proportionnelle ` a la dur ee
dex ecution de la t ache. On indiquera le num ero de la t ache au dessus du segment
tandis quune machine au repos est indiqu ee par un Z.
Si lon veille ` a aligner verticalement lorigine du temps pour chaque machine,
une ligne verticale indique donc ` a tout moment ` a quelle t ache est occup ee chacune
des machines. Un tableau mural peut etre ainsi dun grand recours pour les agents
de matrise responsable de laffectation des moyens humains et mat eriels.
2.2.2 La r` egle T.O.M.
Comme nous lavons indiqu e plus haut, tous les ordonnancements possibles con-
duisent au m eme temps total dex ecution des t aches. Dans lexemple, lex ecution
des 5 t aches n ecessite 510 centi` emes dheure. La question qui se pose est alors :
comment choisir parmi les n! ordonnancements possibles ?
Notons A
j
le temps dach` evement de la t ache programm ee en position j. Le
temps dach` evement dune t ache est la somme des temps dex ecution de la t ache
avec ceux des t aches pr ec edentes. Par exemple,
A
4
= T
1
+T
2
+T
3
+T
4
Le calcul des diff erents temps dach` evement des t aches est repris au tableau 2.3.
Ordre (j) 1 2 3 4 5
T
j
80 200 50 30 150
A
j
80 280 330 360 510
Tableau 2.3: Temps dach` evement des t aches.
Le temps dach` evement moyen vaut alors :

A =
80 + 280 + 330 + 360 + 510
5
= 312
En g en eral :

A =
1
5
n

j=1
A
j
=
1
5
[T
1
+ (T
1
+T
2
) + (T
1
+T
2
+T
3
)
+(T
1
+T
2
+T
3
+T
4
) + (T
1
+T
2
+T
3
+T
4
+T
5
)]
=
1
5
(5T
1
+ 4T
2
+ 3T
3
+ 2T
4
+T
5
)
26 Chapitre 2. Ordonnancement en ateliers specialises
Il sagit donc dune somme pond er ee des temps op eratoires, chaque temps op era-
toire etant pond er e par un facteur dautant plus grand quil se trouve ex ecut e plus
t ot dans lordonnancement. La r` egle dordonnancement qui minimise le temps da-
ch` evement moyen est celle du temps op eratoire minimum : il sagit dex ecuter
les t aches par ordre croissant de dur ee :
T
1
T
2
. . . T
j
. . . T
n
Lapplication de cette r` egle donne lordonnancement illustr e au tableau 2.4. Cette
application donne le temps dach` evement moyen minimum :

A = 218.
Ordre (j) 1 2 3 4 5
T aches (i) 5 1 3 2 4
T
j
30 50 80 150 200
A
j
30 80 160 310 510
Tableau 2.4: Application de la r` egle TOM.
On peut montrer que la r` egle T.O.M. revient ` a minimiser le retard moyen, le
retard dune t ache etant la diff erence entre le moment o` u la t ache est termin ee et
celui o` u elle aurait et e termin ee si lon lavait commenc e en premier lieu.
2.3 Ordonnancement avec deux centres de production
Chaque t ache n ecessite pour son ex ecution le passage sur deux machines : les
machines A et B. Soient t
iA
et t
iB
, les temps dex ecution de la t ache i sur les
machines A et B respectivement. On va utiliser comme crit` ere dordonnancement
la minimisation du temps total dex ecution des t aches sur les deux machines. On
va distinguer deux cas :
le cas o` u toutes les t aches sont ` a ex ecuter sur A puis B;
le cas o` u toutes les t aches nont pas le m eme ordre de passage sur les deux
machines.
2.3.1 Cas o` u toutes les t aches sont ` a ex ecuter sur A puis B
Supposons donc que cinq t aches soient ` a ex ecuter sur les machines A puis B. Les
temps op eratoires (en centi` emes dheure) sont repris au tableau 2.5.
Section 2.3. Ordonnancement avec deux centres de production 27
T aches (i) 1 2 3 4 5
t
iA
50 150 80 200 30
t
iB
60 50 150 70 200
Tableau 2.5: Ordonnancement sur deux machines.
machine B
5 1 3 4 2
machine A
1 2 3 4 5 temps
(heures)
5 1 3 4 2
0,3 0,8 1,6 2,3 2,9 3,6 4,4 5,1 5,6
Z
Z
Figure 2.2: Diagramme de Gantt.
Lordonnancement optimal est illustr e ` a la gure 2.2. Remarquez que durant
lex ecution de la premi` ere t ache sur A, la machine B dort. On a donc int er et ` a
mettre en t ete la t ache de temps t
iA
le plus faible. De fa con similaire, lors de
lex ecution de la derni` ere t ache sur la machine B, la machine A dort. On a donc
int er et ` a mettre en n la t ache de dur ee dex ecution t
iB
minimum.
En se basant sur ces deux observations, lalgorithme Johnson (1954) calcule
lordonnancement minimisant le temps total dex ecution des t aches :
1. Rechercher la t ache i de temps dex ecution t
im
minimum.
2. Si m = A, placer cette t ache ` a la premi` ere place disponible;
Si m = B, placer cette t ache ` a la derni` ere place disponible.
3. Supprimer la t ache i des t aches encore ` a programmer, retour en 1.
Appliquons ceci ` a lexemple. Dabord, la t ache 5 (t
5A
= 30) est mise en
premi` ere position. Puis, la t ache 1 (t
1A
= 50) est mise en deuxi` eme position. Puis
la t ache 2 (t
2B
= 50) est mise en derni` ere position. Puis la t ache 4 (t
2B
= 70)
est mise en avant derni` ere position. Enn, la t ache 3 est mise ` a la derni` ere place
disponible.
5 1 3 4 2
On obtient le graphique de Gantt de la gure 2.2 o` u le passage dune t ache dune
machine ` a lautre est visualis e ` a laide dune ` eche verticale.
28 Chapitre 2. Ordonnancement en ateliers specialises
2.3.2 Cas de t aches ne seffectuant pas dans le m eme ordre
Dans ce cas plus g en eral, certaines t aches ne n ecessitent que le passage sur une
machine, dautres sur les deux dans un ordre ou lautre. Les donn ees num eriques
sont reprises au tableau 2.6.
T aches ` a effectuer sur A puis B
T aches (i) 1 2 3 4 5 6
t
iA
50 80 10 50 30 70
t
iB
30 60 30 0 0 0
T aches ` a effectuer sur B puis A
T aches (i) 7 8 9 10 11
t
iB
90 20 10 40 10
t
iA
70 30 100 0 0
Tableau 2.6: Illustration de lalgorithme de Jackson.
Lordonnancement qui minimise le temps total dex ecution des t aches sur
les deux machines est obtenu par lalgorithme de Jackson (1957) qui est une
g en eralisation de lalgorithme de Johnson. Il consiste tout simplement ` a :
1. Faire une partition de lensemble des n t aches en
lensemble A des t aches ne passant que sur A : A = {4, 5, 6};
lensemble B des t aches ne passant que sur B : B = {10, 11};
lensemble AB des t aches passant sur A puis B : AB = {1, 2, 3};
lensemble BA des t aches passant sur B puis A : BA = {7, 8, 9}.
2. Calculer un ordonnancement pour chaque sous-ensemble :
lordonnancement optimal pour AB par Johnson : 3, 2, 1;
lordonnancement optimal pour BA par Johnson : 9, 8, 7;
un ordonnancement arbitraire pour A (par exemple, TOM) : 5, 4, 6;
un ordonnancement arbitraire pour B (par exemple, TOM) : 11, 10.
3. Remarquons que lon a int er et ` a d ebuter le plus vite possible sur Ales t aches
qui doivent ensuite aller sur B et ` a mettre en derni` ere place sur A celles qui
doivent dabord aller sur B. Ceci conduit ` a combiner ces ordonnancement
de la mani` ere suivante :
Section 2.4. Ordonnancement sur trois machines 29
Pour la machine A : la s equence optimale pour le sous-ensemble AB,
puis les t aches de A, puis la s equence optimale du sous-ensemble BA:
3, 2, 1, 5, 4, 6, 9, 8, 7.
Pour la machine B : la s equence optimale pour le sous-ensemble BA,
puis les t aches de B, puis la s equence optimale du sous-ensemble AB :
9, 8, 7, 11, 10, 3, 2, 1.
On obtient le diagramme de Gantt de la gure 2.3.
machine A
machine B
3 2 1 5 4 6 9 8 7
10 90 140 170 220 290 390 420 490
9 8 7 11 10 3 2 1 Z
10 30 120 130 170 200 260 290
Figure 2.3: Algorithme de Jackson.
2.4 Ordonnancement sur trois machines
Lalgorithme de Johnson ne sapplique quen pr esence de deux machines. Cepen-
dant, le cas de trois machines peut se ramener au cas de deux machines si la machine
B est compl` etement domin ee par la machine A ou par la machine C, cest-` a-dire
si lon se trouve dans le cas o` u
minimum t
iA
maximum t
iB
,
soit dans le cas o` u
minimum t
iC
maximum t
iB
.
Illustrons ceci sur lexemple du tableau 2.7. o` u lon constate que :
minimum t
iA
= 12 = maximum t
iB
.
On est donc bien dans les conditions dapplication enonc ees ci-dessus. Remarquez
quil suft quune des deux conditions soit v eri ee. Ainsi dans lexemple, la
seconde condition nest pas v eri ee et lalgorithme sapplique bien.
30 Chapitre 2. Ordonnancement en ateliers specialises
t aches 1 2 3 4 5 6 7
Assemblage 20 12 19 16 14 12 17
Inspection 4 1 9 12 5 7 8
Exp edition 7 11 4 18 18 3 6
Tableau 2.7: Temps op eratoires avec trois machines.
Lorsque lon se trouve dans un des deux cas, on reformule alors le probl` eme en
un probl` eme ` a deux machines, la premi` ere groupant les machines A et B (t
iAB
=
t
iA
+t
iB
) et la seconde groupant les machines B et C (t
iBC
= t
iB
+t
iC
).
t aches 1 2 3 4 5 6 7
Assemblage + Inspection 24 13 28 28 19 19 25
Inspection + Exp edition 11 12 13 30 23 10 14
On applique alors lalgorithme de Johnson ` a ce probl` eme ` a deux machines pour
d eterminer lordonnancement optimal.
Place 1 2 3 4 5 6 7
t ache 5 4 7 3 2 1 6
On peut alors tracer le diagramme de Gantt correspondant au probl` eme original,
cest-` a-dire celui avec trois machines (voir gure 2.4).
Assemblage
5 1 7 4 2 3
5 1 7 4 2 3
6
6 Z Z Z Z Z
Z
Inspection
Expdition
5 1 7 4 2 3 6 Z Z Z Z Z
Z Z
14 19 30 37 42 47 55 60 66 75 78 79 90 98 102 109 110 117 120
Figure 2.4: Ordonnancements avec 3 machines.
Dans le cas o` u la machine centrale nest pas domin ee par la premi` ere o` u la
troisi` eme machine, le probl` eme peut etre mod elis e comme un probl` eme en nombres
entiers et r esolu par une technique de programmation en nombres entiers telle que
la m ethode de branch and bound.
Section 2.5. Ordonnancement de n t aches sur m centres de production 31
2.5 Ordonnancement de n t aches sur m centres de production
Comme lindique Giard [4], le probl` eme combinatoire pos e est formidable : il y
a en effet (n!)
m
ordonnancements possibles. Le probl` eme g en eral a et e formalis e
en termes de programmation dynamique et en termes de programme lin eaire en
nombres entiers. La formulation permet dint egrer des contraintes suppl ementaires
comme la date de livraison, une capacit e de production, . . . etc.
Lorsque lordre de passage des t aches est identique et que le nombre de centres
de production ne d epasse pas quelques dizaines, une solution souvent proche de
la solution optimale peut etre trouv ee en utilisant lalgorithme de Johnson sur des
groupements de centres de production successifs exactement ` a la mani` ere de ce que
nous avons fait ` a la section pr ec edente pour le cas de trois centres de production
dont celui du milieu est domin e.
Attention que, au contraire des cas pr ec edents il ne sagit pas dun algorithme
donnant une solution optimale mais bien dune m ethode heuristique donnant une
solution approch ee.
Prenons le cas de 5 centres de productions not es A, B, C, Det E. Il faut r esoudre
les 4 probl` emes suivants par lalgorithme de Johnson (des parenth` eses signient
que lon somme les temps des centres) :
avec la premi` ere et la derni` ere machine :
{A} {E}
avec les deux premi` eres et les deux derni` eres machines :
{AB} {DE}
avec les trois premi` eres et les trois derni` eres machines :
{A, B, C} {C, D, E}
avec les quatre premi` eres et les quatre derni` eres machines :
{A, B, C, D} {B, C, D, E}
On prend alors le meilleur des temps totaux dex ecution des t aches ainsi trouv es.
Illustrons ceci sur un exemple ` a 4 centres de production. Le tableau 2.8 reprend
les donn ees du probl` eme.
32 Chapitre 2. Ordonnancement en ateliers specialises
t aches t
iA
t
iB
t
iC
t
iD
1 50 43 15 4
2 89 99 95 77
3 7 47 20 98
4 8 64 12 94
5 61 19 65 14
6 1 80 66 78
Tableau 2.8: Temps op eratoires avec quatre machines.
Le premier probl` eme ctif consiste ` a ne consid erer que les machines A et D.
Il conduit ` a lordonnancement suivant par la m ethode de Johnson :
1 2 3 4 5 6
6 3 4 2 5 1
qui conduit ` a un temps de 51,2 heures.
Le deuxi` eme probl` eme ctif consiste ` a consid erer les machines A+B et C+D
comme illustr e au tableau 2.9 . Il conduit ` a lordonnancement suivant par la
t aches t
iA
+t
iB
t
iC
+t
iD
1 50 + 43 =93 15 + 4 = 19
2 89 + 99 = 188 95 + 77= 172
3 7 + 47 = 54 20 + 98 = 118
4 8 + 64 = 72 12 + 94 = 106
5 61 + 19 = 80 65 + 14 = 79
6 1 + 80 = 81 66 + 78 = 144
Tableau 2.9: Deuxi` eme probl` eme ctif.
m ethode de Johnson :
1 2 3 4 5 6
3 4 6 2 5 1
qui conduit ` a un temps de 48,7 heures. Le troisi` eme et dernier probl` eme ctif
consiste ` a consid erer A+B+Cet B+C+D. Il donne la m eme solutionque le probl` eme
ctif 2. On a donc trouv e une solution de temps egal ` a 48,7 heures alors que la
solution optimale (qui peut etre calcul ee en faisant une enum eration explicite de
tous les ordonnancement possibles) conduit ` a un temps de 48,5 heures.
Section 2.6. Exercices 33
2.6 Exercices
2.1. Pose de chape et carrelage. Une entreprise de pose de chape et carrelage
a enregistr e pour le mois prochain les commandes suivantes correspondant
a autant de chantiers (la dur ee suppose quune equipe enti` ere soit affect ee ` a
la t ache) :
C1 C2 C3 C4 C5
Chappe 2 jours 3 jours 10 jours 1 jours 2,5 jours
Carrelage 5 jours 4 jours 12 jours 3 jours 2 jours
Il doit toujours y avoir 2 jours de s echage entre la n de la chape et le d ebut du
carrelage. Le s echage est r ealis e avec une machine. Lentreprise ne dispose
que dune seule machine de s echage.
(a) Si lentreprise dispose dune equipe de chappistes et dune equipe de
carreleurs, dans quel ordre doit-elle effectuer ces contrats pour r ealiser
les 5 chantiers en un minimum de temps ?
(b) Repr esentez graphiquement votre solution au moyen dun diagramme
de Gantt.
(c) Combiende jours sont n ecessaires pour mener ` a bienles cinqchantiers ?
2.2. Ordonnancement de lots de jouets. Une petite entreprise de la r egion
Li egeoise est sp ecialis ee dans la production de jouets en bois. Le plan de
fabrication pour le mois de novembre implique la production de 7 types de
jouets : J1, J2, . . . , J7. La fabrication de ces produits implique 2 etapes :
la d ecoupe du bois (A) et le montage (B). Selon les produits, ces op erations
ne sont pas toujours toutes effectu ees et leur ordre peut varier. On demande
dutiliser lalgorithme de Jackson pour d eterminer lordonnancement qui
minimise le temps total dex ecution des t aches. Les donn ees num eriques
sont reprises au tableau ci-dessous :
T ache J1 J2 J3 J4 J5 J6 J 7
Dur ee sur A 15 5 10 0 10 10 50
Dur ee sur B 10 0 12 10 15 18 40
Ordre BA A AB B AB AB BA
(a) D eterminez lordonnancement optimal des t aches passant ` a la d ecoupe
puis au montage (A puis B).
34 Chapitre 2. Ordonnancement en ateliers specialises
(b) D eterminez lordonnancement optimal des t aches passant au montage
puis ` a la d ecoupe (B puis A).
(c) D eterminez un ordonnancement pour les t aches passant uniquement
par la d ecoupe (A).
(d) D eterminez un ordonnancement pour les t aches passant uniquement au
montage (B).
(e) D eterminez lordonnancement optimal pour les deux op erations.
(f) Dessinez la solution obtenue au point (e) sur un diagramme de Gantt.
2.3. Planication de m t aches sur n centres de production. La charcuterie in-
dustrielle Detry doit planier 6 lots de jambons. Pour chacun des 6 lots, trois
op erations doivent etre ex ecut ees dans un ordre d etermin e : La pr eparation
(centre de production A), puis la cuisson (centre de production B), enn le
conditionnement (centre de production C).

Etant donn e les diverses tailles de
lots, les recettes utilis ees et les divers types de conditionnements, on etablit
les temps op eratoires suivants pour chaque lot (unit e : 10 minutes):
Machine A B C
Lot 1 : jambon belge 4 6 2
Lot 2 : jambon en d es 4 1 6
Lot 3 : salade de jambon 5 5 7
Lot 4 : jambons de Bayonne 8 7 9
Lot 5 : jambons en tranches 7 5 5
Lot 5 : jambons ` a los 8 1 3
Lentreprise d esire minimiser le temps total de production.
(a) Utilisez la m ethode heuristique bas ee sur lalgorithme de Johnson pour
trouver une solution proche de la solution optimale.
(b) Donnez lordonnancement obtenu.
(c) Quelle est la dur ee de la production (en heures et minutes) ?
Chapitre 3
La gestion calendaire de stock
3.1 Introduction
Comme le souligne Giard [4], une production sans stock est quasi inconcevable
vu les nombreuses fonctions que remplissent les stocks. En effet, la constitution
de stocks est n ecessaire sil y a :
1. non concidence dans le temps et lespace de la production et de la
consommation : le stock est indispensable dans ce cas car il est impossible
de produire l ` a et quand la demande se manifeste. Les exemples classiques
sont les jouets et la conserie pour la non concidence dans le temps, et les
supermarch es pour la non concidence dans lespace.
2. incertitude sur le niveau de demande ou sur le prix : sil y a incertitude
sur la quantit e demand ee, on va constituer un stock de s ecurit e qui permet
de faire face ` a une pointe de demande. Sil y a incertitude sur le prix, on va
constituer un stock de sp eculation. Par exemple, les compagnies p etroli` eres
ach` etent plus que n ecessaire en p etrole brut lorsque le prix de celui-ci est
relativement bas.
3. risque de probl` emes enchane : il sagit ici d eviter quune panne ` a unposte
ne se r epercute sur toute la chane : un retard dex ecution au poste pr ec edent
ou une gr` eve des transports narr etera pas imm ediatement lensemble du
processus de production sil y a des stocks tampons.
4. pr esence de co uts de lancement : dans ce cas, travailler par lots permet une
economie d echelle sur les co uts de lancement mais, en revanche, provoque
une augmentation des co uts de possession du stock.
La gestion des stocks pose cependant de multiples probl` emes : tenue dinven-
taires, valorisation du stock, d enition des capacit es de stockage et enn, disponi-
bilit e satisfaisante du stock. Nous allons nous concentrer sur ce dernier aspect.
35
36 Chapitre 3. La gestion calendaire de stock
3.2 Les politiques de gestion de stock
Les politiques de gestion de stock visent ` a r epondre aux deux grandes questions :
1. Quand d eclencher lapprovisionnement du stock? La r eponse ` a cette ques-
tion est diff erente suivant la politique de gestion adopt ee :
En gestion de stock par point de commande, lapprovisionnement du
stock est d eclench e lorsque lon observe que le stock descend en des-
sous dun niveau s, le point de commande.
En gestion calendaire, lapprovisionnement du stock est d eclench e ` a
intervalles r eguliers T, par exemple, chaque jour ou chaque semaine.
En gestion calendaire conditionnelle, lapprovisionnement du stock
est d eclench e ` a intervalles r eguliers T, mais uniquement lorsque lon
observe que le stock descend en dessous dun niveau s, le point de
commande.
2. Combien commander ? La r eponse ` a la question Combien ? d epend
egalement du type de gestion de stock appliqu ee :
En cas de gestion par point de commande, on commande une quantit e
xe, not ee q et appel ee quantit e economique de commande. Comme
nous le verrons au chapitre 4, sa d etermination r esulte dun calcul
doptimisation.
En cas de gestion calendaire de stock, la quantit e command ee est egale
` a la diff erence entre S, le niveau de recompl` etement du stock et le stock
r esiduel observ e R, pour autant que le produit puisse rester en stock
(cas de produits non p erissables). Cette quantit e peut egalement etre
augment ee de la valeur des quantit es non satisfaites lors de la p eriode
pr ec edente, pour autant que le client maintienne sa demande.
Nous allons nous attacher ` a deux politiques particuli` eres :
La politique de gestion calendaire des stocks, not ee (T, S) avec T linter-
valle entre deux commandes et S, le niveau de recompl` etement du stock.
La politique de gestion par point de commande, quantit e economique
de commande, not ee (q, s) avec q, la quantit e economique ` a commander
r eguli` erement et s, le point de commande qui d eclenche lapprovisionnement
du stock.
Section 3.3. Les co uts associes aux stocks 37
3.3 Les co uts associ es aux stocks
Un stock est constitu e pour satisfaire une demande future. En cas de demande
al eatoire, il peut y avoir non concidence entre la demande et le stock. Deux cas
sont evidemment possibles :
une demande sup erieure au stock : on parle alors de rupture de stock;
une demande inf erieure au stock : on aura alors un stock r esiduel.
Le crit` ere de gestion g en eralement retenu en gestion des stocks est celui de
la minimisation des co uts. Nous noterons cette fonction par la lettre C, suivie,
entre parenth` eses, de la ou des variables de commande du syst` eme. Par exemple,
si la variable de commande est la quantit e command ee, nous noterons lobjectif
C(q). Ces variables de commandes d eterminent en g en eral trois variables d etat
du syst` eme :
I
r
, la rupture moyenne, cest-` a-dire le nombre moyen de demandes non satis-
faites au cours dune p eriode, auquel est associ e c
r
, le co ut unitaire de
rupture;
I
p
, le stock moyen poss ed e au cours dune p eriode, auquel est associ e c
p
, le co ut
unitaire de possession;
I
c
, le nombre moyen de commandes pass ees au cours dune p eriode, auquel est
associ e c
c
, le co ut unitaire de commande.
La fonction de co ut s ecrit donc en g en eral comme une fonction de ces trois
variables d etat :
C = c
r
I
r
+c
p
I
p
+c
c
I
c
.
Nous allons examiner un peu plus en d etails chacun des trois co uts partiels.
3.3.1 Les co uts de possession
Les co uts de possession comprennent :
1. les co uts de d etention dun article en stock durant une certaine p eriode en
fonction des conditions nanci` eres dacquisition et des eventuelles condi-
tions de reprise.
2. les co uts de stockage qui sont les d epenses de logistique, de conservation du
stock.
38 Chapitre 3. La gestion calendaire de stock
Comme signal e plus haut, en pr esence dune demande al eatoire, il peut y avoir
non concidence du stock et de la demande, et donc une rupture ou un stock
r esiduel. Les cons equences de ce stock r esiduel seront bien diff erentes selon que
lon se trouve dans
le cas du stock ` a rotation nulle, cest-` a-dire lorsque le stock r esiduel est
sans utilit e pour lentreprise. Ceci se pr esente notamment :
en cas dobsolescence technique ou commerciale : par exemple, les
v etements de mode, . . .
en cas o` u la consommation a un d elai maximum : par exemple, les
primeurs, les journaux, . . .
Dans ce cas, le co ut de possession dun article se calcule comme le co ut
dacquisition de larticle moins la valeur de r ecup eration (solde).
Prenons un exemple. Un quotidien achet e 0,9 euro par le libraire et dont
linvendu est repris 0,75 euro par le grossiste : le co ut de possession est de
c
p
= 0, 9 0, 75 = 0, 15 euro.
le cas du stock ` a rotation non nulle, cest-` a-dire lorsque linvendu peut etre
vendu ` a une p eriode ult erieure. Cest lexemple des botes de conserves en
epicerie non vendues une p eriode qui le seront aux p eriodes suivantes.
Dans ce cas, le co ut de possession li e ` a limmobilisation du capital. En
gelant la somme dargent correspondant au co ut dachat de larticle invendu,
la soci et e se prive du revenu dun placement nancier quelle aurait pu
r ealiser. Ce co ut est appel e co ut dopportunit e. Le taux dopportunit e est
la rentabilit e du meilleur investissement que lentreprise aurait pu faire.
Prenons un exemple. Si le taux dopportunit e est de 6 % lan, une bote de
conserves achet ee 1,20 euro et restant en rayon un mois entier a co ut e
c
p
= 1, 20 6%1/12 = 0, 006 euro.
Lautre partie du co ut de possession concerne les co uts de stockage. Ces co uts
de stockage, comprennent, en g en eral des frais xes, tels que le co ut de location
dentrep ots, ainsi que des frais variables, tels que le co ut de manutention. Le
co ut unitaire de stockage que lon doit prendre en consid eration dans la fonction
objectif est le co ut moyen de lensemble de ces frais. Malheureusement, ce ce co ut
moyen d epend du volume dactivit e et ne peut donc pas etre consid er e comme une
constante. Cette difcult e fait que souvent on ninclut pas de co ut de stockage
dans le co ut de possession et le co ut de possession se r eduit donc au seul co ut
dimmobilisation du capital.
Section 3.3. Les co uts associes aux stocks 39
3.3.2 Les co uts de rupture
La rupture se pr esente lorsque la demande exc` ede le stock constitu e au cours de la
p eriode. Les cons equences de cette rupture sont diff erentes selon que la demande
est interne ou externe.
En cas de demande externe, la demande non satisfaite peut etre perdue (on
parle de ventes manqu ees) ou report ee (on parle de ventes diff er ees) :
dans le cas de ventes manqu ees, le co ut de rupture est le manque ` a gagner
de la non fourniture dune unit e, g en eralement la marge b en eciaire.
Prenons un exemple. Un journal achet e 0,90 euro par le libraire et revendu
1,20 euro a un co ut de rupture de
c
r
= 1, 20 0, 90 = 0, 30 euro.
En cas de ventes diff er es, le co ut de rupture ninclut pas la marge car la
vente sera r ealis ee plus tard. Ce co ut de rupture est le co ut administratif
douverture dun dossier et eventuellement un co ut commercial (on fait une
ristourne pour ne pas perdre le client).
Prenons un exemple. Un garagiste qui na plus en stock le v ehicule d esir e
par son client va lui proposer une voiture de location gratuite durant le d elai
dattente pour ne pas perdre le client. Le co ut de rupture correspond ici ` a la
prise en charge de la location de la voiture par le garage.
En cas de demande interne, on ne parle plus de stock de distribution mais bien
de stock de fabrication. Dans ce cas, la rupture entrane un ch omage technique
des postes en aval. Le co ut de rupture correspond au co ut nancier du ch omage
technique (voir ` a ce propos, lexercice 3.3).
3.3.3 Les co uts de commande
A nouveau, il faut ici distinguer le cas dune demande interne et celui dune
demande externe :
Encas de stockde fabrication, le co ut de commande est le co ut de lancement
de la production. Il sagit du r eglage des machines, etc . . . Normalement,
ce co ut est ind ependant de la quantit e fabriqu ee.
En cas de stock dapprovisionnement, le co ut de commande est le co ut
administratif de gestion de la commande : etablissement dun bordereau,
contr ole de livraison, liquidation comptable,. . . . Normalement, ce co ut est
egalement ind ependant de la quantit e command ee.
40 Chapitre 3. La gestion calendaire de stock
3.4 Gestion calendaire de stock ` a rotation nulle
Pour rappel, on se trouve dans le cas dun stock ` a rotation nulle lorsquil ny a
pas de report possible des invendus aux p eriodes suivantes.
On va ici d eterminer le niveau initial du stock S, qui est donc ici la variable
de commande. En effet, la p eriode de r evision calendaire, cest-` a-dire lintervalle
entre deux approvisionnements, not e T est g en eralement x e par la nature de
lapprovisionnement. Par exemple, un p atissier met en fabrication des g ateaux
chaque jour. Le libraire commande des journaux chaque jour, des p eriodiques
chaque semaine ou chaque mois.
Nous allons illustrer les choses sur lexemple du p atissier tir e de Giard [4]
qui est un exemple o` u la demande suit une loi de probabilit e discr` ete. Supposons
un co ut de fabrication de 25 euro lunit e et un prix de vente de 60 euro lunit e.
Supposons que la demande quotidienne de ce g ateau soit de 2,5 en moyenne et
supposons que la demande, que nous noterons X, suive une loi de Poisson. Le
x 0 1 2 3 4
P(X = x) 0, 0821 0, 2052 0, 2565 0, 2138 0, 1336
x 5 6 7 8 9
P(X = x) 0, 0668 0, 0278 0, 0099 0, 0031 0, 0009
Tableau 3.1: Distribution de la loi de Poisson.
tableau 3.1 reprend la distribution de probabilit e du nombre X de clients par jour
pour ce produit. Dans ce tableau, x indique une valeur possible de la demande et
P(X = x) indique la probabilit e doccurrence de cette valeur. Ainsi on a 8,21 %
de chance dobserver aucun client un jour donn e. Les invendus sont donn es.
La question que se pose le p atissier est la suivante : combien mettre de g ateaux
en fabrication chaque jour pour maximiser son b en ece ?
Le co ut de possession, c
p
, li e ` a linvendu en n de journ ee est 25 euro, cest-
` a-dire le co ut de production. Tandis que le co ut de rupture, c
r
, li e ` a une vente
manqu ee est egal ` a la marge, cest-` a-dire :
c
r
= 60 25 = 35 euros.
On doit d eterminer S, le stock initial, de mani` ere ` a minimiser :
C(S) = c
p
I
p
(S) +c
r
I
r
(S) = 25I
p
(S) + 35I
r
(S).
avec I
p
(S), le stock moyen r esiduel en n de journ ee et I
r
(S), nombre moyen de
ruptures sur la journ ee.
Section 3.4. Gestion calendaire de stock ` a rotation nulle 41
Avant de voir comment d eterminer, en g en eral, le stock initial S

qui mi-
nimise le co ut moyen C(S), voyons sur lexemple comment on peut calculer
num eriquement ce minimum.
Nous allons dabord calculer I
r
(S), le nombre moyen de ruptures. Au tableau
3.2, on calcule explicitement le nombre de ruptures en fonction du stock initial
(S) et de la demande observ ee (x) : bien evidemment, ce nombre de ruptures
est la partie positive de (x S). Pour calculer le nombre moyen de ruptures, il
suft, pour chaque valeur de S de faire la moyenne pond er ee de ce nombre par la
probabilit e dobserver x. Ceci est fait en derni` ere ligne du tableau 3.2.
Calcul du nombre de ruptures : (x S)
+
x P(X = x) S = 1 S = 2 S = 3 S = 4 S = 5 S = 6
0 0, 0821 0 0 0 0 0 0
1 0, 2052 0 0 0 0 0 0
2 0, 2565 1 0 0 0 0 0
3 0, 2138 2 1 0 0 0 0
4 0, 1336 3 2 1 0 0 0
5 0, 0668 4 3 2 1 0 0
6 0, 0278 5 4 3 2 1 0
7 0, 0099 6 5 4 3 2 1
8 0, 0031 7 6 5 4 3 2
9 0, 0009 8 7 6 5 4 3
I
r
(S) 1, 579 0, 867 0, 411 0, 169 0, 061 0, 019
Tableau 3.2: Calcul du nombre moyen de ruptures.
Nous allons ensuite calculer I
p
(S), le stock moyen poss ed e. Au tableau 3.3,
on calcule explicitement le stock poss ed e en fonction du stock initial (S) et de
la demande observ ee (x) : bien evidemment, ce stock nal poss ed e est la partie
positive de (S x). Pour calculer le stock moyen poss ed e, il suft, pour chaque
valeur de S de faire la moyenne pond er ee de ce nombre par la probabilit e dobserver
x. Ceci est fait en derni` ere ligne du tableau 3.3.
Enn, nous calculons le co ut moyen de possession du stock en appliquant la
formule suivante :
C(S) = 35I
r
(S) + 25I
p
(S)
Ceci est fait au tableau 3.4. On constate (voir gure 3.1) que le co ut minimum est
obtenu pour
S

= 3.
42 Chapitre 3. La gestion calendaire de stock
Calcul du stock r esiduel : (S x)
+
x P(X = x) S = 1 S = 2 S = 3 S = 4 S = 5 S = 6
0 0, 0821 1 2 3 4 5 6
1 0, 2052 0 1 2 3 4 5
2 0, 2565 0 0 1 2 3 4
3 0, 2138 0 0 0 1 2 3
4 0, 1336 0 0 0 0 1 2
5 0, 0668 0 0 0 0 0 1
6 0, 0278 0 0 0 0 0 0
7 0, 0099 0 0 0 0 0 0
8 0, 0031 0 0 0 0 0 0
9 0, 0009 0 0 0 0 0 0
I
p
(S) 0, 0821 0, 3694 0, 9132 1, 6708 2, 562 3, 52
Tableau 3.3: Calcul du stock moyen poss ed e.
Calcul du co ut du stock
S 1 2 3 4 5 6
C(S) 57, 33 39, 58 37, 22 47, 69 66, 17 88, 66
Tableau 3.4: Calcul du co ut moyen de possession du stock.
0
20
40
60
80
100
0 1 2 3 = S

4 5 6 S
C(S)
Figure 3.1:

Evolution du co ut moyen de possession du stock.
Section 3.4. Gestion calendaire de stock ` a rotation nulle 43
En cas de co ut convexe (on peut v erier que le co ut est bien une fonction
convexe de S), le stock optimal S

est celui pour lequel le co ut de gestion C(S

)
est inf erieur ` a celui des stocks imm ediatement inf erieur ou sup erieur :
_

_
C(S

) C(S

+ 1)
C(S

) C(S

1)
ou encore
_

_
C(S

+ 1) C(S

) 0
C(S

) C(S

1) 0
(3.1)
Remarquez que les conditions (3.1) sont l equivalent pour une fonction continue
de dire que la d eriv ee premi` ere doit etre n egative avant S

et positive apr` es S

. On
va donc etudier l evolution de la diff erence de co ut de stocks successifs :
C(S + 1) C(S).
L etude de C(S +1) C(S) passe par celle de I
r
(S +1) I
r
(S), car, comme
nous allons le voir, on peut exprimer cette variation de co ut en fonction de la seule
variation de rupture moyenne. On va donc etudier I
r
(S + 1) I
r
(S). Calculons,
par exemple, la rupture moyenne I
r
(S = 4) associ ee au stock initial S = 4. On
doit donc calculer lesp erance math ematique de X 4 pour des valeurs de X
sup erieures ` a 4 :
I
r
(S = 4) =

x=5
(x 4)P(X = x)
Calculons, de m eme, la rupture moyenne I
r
(S = 5) associ ee austockinitial S = 5 :
I
r
(S = 5) =

x=6
(x 5)P(X = x)
En g en eral :
I
r
(S) =

x=S+1
(x S)P(X = x)
Int eressons nous maintenant ` a la diff erence de ces ruptures moyennes pour deux
stocks initiaux cons ecutifs :
I
r
(S = 4) I
r
(S = 5) =

x=5
(x 4)P(X = x)

x=6
(x 5)P(X = x)
=

x=5
(x 4)P(X = x)

x=5
(x 5)P(X = x)
=

x=5
1 P(X = x)
= P(X > 4)
44 Chapitre 3. La gestion calendaire de stock
On en conclut que la diminution de rupture moyenne I
r
(S) occasionn ee par
une augmentation dune unit e du stock ` a partir de S est egale ` a la probabilit e que
la demande soit strictement sup erieure au stock initial S :
I
r
(S + 1) I
r
(S) = P(X > S)
(3.2)
Il est facile de montrer que ceci est vrai quelle que soit la forme la distribution de
probabilit e discr` ete.
Les tableaux de lannexe B donne le calcul de P(X > x) en fonction de , la
valeur du param` etre de la loi de Poisson.
Comme annonc e plus haut, il est possible de ramener la fonction de co ut comme
une fonction de la seule variable d etat I
r
(S). Pour cela, nous allons etablir la
relation entre I
r
(S) et I
p
(S).
Le stock moyen sur lequel porte le co ut de possession est le stock moyen
observ e en n de p eriode qui correspond donc ` a linvendu. On observera un stock
r esiduel si la demande observ ee x est inf erieure ` a S, le stock initial. Son niveau
moyen est calcul e par lesp erance math ematique suivante :
I
p
(S) =
S1

x=0
(S x)P(X = x) =
S

x=0
(S x)P(X = x)
=

x=0
(S x)P(X = x)

x=S+1
(S x)P(X = x)
= S

x=0
P(X = x)

x=0
xP(X = x) +

x=S+1
(x S)P(X = x)
= S

X +I
r
(S)
o` u

X note la moyenne de la demande X. Do` u la relation entre I
p
et I
r
:
I
p
(S) = S

X +I
r
(S)
(3.3)
qui peut sinterpr eter en disant que le stock moyen r esiduel I
p
(S) est egal au stock
de d epart S diminu e de la demande moyenne satisfaite (

X I
r
(S)).
La cons equence de la relation (3.3) est que lon peut exprimer le co ut total
C(S) en fonction du seul co ut de rupture I
r
:
C(S) = c
r
I
r
(S) +c
p
I
p
(S) = c
r
I
r
(S) +c
p
_
S

X +I
r
(S)
_
Do` u lexpression de C(S) :
C(S) = c
p
(S

X) + (c
r
+c
p
)I
r
(S) (3.4)
Section 3.4. Gestion calendaire de stock ` a rotation nulle 45
Revenons maintenant au probl` eme de la d etermination de la solution opti-
male, cest-` a-dire au stock initial S

qui minimise :
C(S) = c
p
(S

X) + (c
r
+c
p
)I
r
(S)
On a donc que :
C(S + 1) C(S) = c
p
(S + 1

X) + (c
r
+c
p
)I
r
(S + 1)
c
p
(S

X) (c
r
+c
p
)I
r
(S)
= c
p
+ (c
r
+c
p
)(I
r
(S + 1) I
r
(S))
Compte tenu de la relation (3.2) :
C(S + 1) C(S) = c
p
(c
r
+c
p
)P(X > S)
Les conditions doptimalit e (3.1) deviennent ici :
_

_
c
p
(c
p
+c
r
)P(X > S

) 0
c
p
(c
p
+c
r
)P(X > S

1) 0
ou encore S

optimal si :
P(X > S

)
c
p
c
p
+c
r
P(X > S

1)
(3.5)
Appliquons ceci au cas de lexemple :
c
p
c
p
+c
r
=
25
25 + 35
= 0, 417
En consultant le tableau donnant P(X > S) (cfr Annexe B), on trouve :
P(X > 3) = 0, 2424 0, 417 P(X > 2) = 0, 4562
Do` u
S

= 3.
On en conclut quil est optimal de produire chaque matin 3 g ateaux, soit la solution
d ej` a d etermin ee num eriquement.
46 Chapitre 3. La gestion calendaire de stock
3.5 Cas dune loi de demande continue
Nous allons egalement illustrer ce cas sur un exemple egalement tir e de Giard [4].
Consid erons un marchand de journaux qui vent un quotidien ` a 3,5 euro lunit e, qui
lui-m eme lacqui` ere ` a 2,8 euro aupr` es de son grossiste qui lui reprend les invendus
au prix de 2,6 euro lunit e.
Le co ut de rupture, c
r
, est li e ` a linvendu et vaut donc la marge b en eciaire :
c
r
= 3, 5 2, 8 = 0, 7 euro
tandis que le co ut de possession, c
p
, vaut la perte enregistr ee par invendu, cest-` a-
dire
c
p
= 2, 8 2, 6 = 0, 2 euro.
On suppose que la demande quotidienne suit approximativement une loi nor-
male de moyenne

X = 300 et d ecart type = 20. La question qui se pose
est la suivante : quel est le nombre dexemplaires ` a commander S de mani` ere ` a
minimiser le co ut de gestion :
C(S) = c
p
I
p
(S) +c
r
I
r
(S)
Le co ut de gestion s ecrit dans le cas dune loi continue de la mani` ere suivante :
C(S) = c
p
_
S
x=0
(S x)f(x)dx +c
r
_

x=S
(x S)f(x)dx
La condition doptimalit e s ecrit dans le cas dune loi continue :
C

(S

) = 0
Comme dans le cas discret, on peut ramener ce co ut ` a une fonction du seul
nombre moyen de ruptures. En effet, la relation (3.3) entre I
r
(S) et I
p
(S) etablie
dans le cas discret reste valable :
I
p
(S) =
_
S
0
(S x)f(x)dx
=
_

0
(S x)f(x)dx
_

S
(S x)f(x)dx
= S

X +
_

S
(x S)f(x)dx
= S

X +I
r
(S)
On en d eduit ` a nouveau lexpression de C(S) en fonction du seul I
r
(S) :
C(S) = c
p
(S

X) + (c
p
+c
r
)I
r
(S)
Section 3.5. Cas dune loi de demande continue 47
Il faut maintenant etudier la d eriv ee premi` ere de I
r
(S). Par application de la
formule de Leibnitz (cfr Giard [4]), on d emontre le r esultat suivant :
dI
r
(S)
dS
=
_

S
f(x)dx = P(X > S), (3.6)
cest-` a-dire exactement le m eme r esultat analytique que la relation (3.2) etablie
dans le cas discret.
On peut maintenant passer ` a la d etermination de la solution optimale. On
doit donc d eterminer le S qui minimise :
C(S) = c
p
(S

X) + (c
r
+c
p
)I
r
(S)
On calcule la d eriv ee de C(S) en utilisant la relation (3.6) :
dC(S)
dS
= c
p
(c
r
+c
p
)P(X > S)
On annule la d eriv ee. Do` u lon tire :
S

optimal si P(X > S

) =
c
p
c
r
+c
p
(3.7)
Cet optimum est un minimum car la d eriv ee seconde de C(S) est positive. En
effet, la d eriv ee de P(X > S) par rapport ` a S est clairement n egative.
Appliquons ceci au cas de lexemple :
P(X > S

) =
c
p
c
r
+c
p
=
0, 2
0, 7 + 0, 2
= 0, 2222
Comme on ne dispose que de la table de la normale r eduite, il faut r eduire la
variable al eatoire X en lui retranchant sa moyenne et en la divisant par son ecart
type. On obtient :
P
_
X

>
S

300
20
_
= 0, 2222
Par lecture dans la table de la normale r eduite, on d etermine :
t
S
=
S

300
20
= 0, 765
Do` u nalement :
S

= 315, 3 315.
Lapprovisionnement p eriodique optimal est donc de S

= 315.
Avant de passer au cas de stocks ` a rotation non nulle, examinons quelques
indicateurs que lon peut d eduire de la solution optimale.
48 Chapitre 3. La gestion calendaire de stock
3.6 Les cons equences economiques de la solution optimale
La rupture de stock
Dans le cas (discret) de la production de g ateau, le calcul de I
r
(s) seffectue comme
suit :
I
r
(S) =

x>S
(x S)P(X = x)
=

x>S
xP(X = x) S

x>S
P(X = x)
Do` u nalement :
I
r
(S) =

x>S
xP(X = x) SP(x > S)
Le premier terme correspond ` a un calcul tronqu e de la moyenne. Pour la distribu-
tion de Poisson de param` etre , on montre que :

x>S
xP(X = x) = P(X > S 1)
Do` u lon tire nalement :
I
r
(S) = P(X > S 1) SP(X > S)
(3.8)
Ce qui nous donne dans le cas de lexemple :
I
r
(S

= 3) = 2, 5P(X > 2) 3P(X > 3)


= 2, 5 0, 4562 3 0, 2424
= 0, 4133.
Dans le cas de la vente de journaux (loi de demande continue), le calcul de I
r
(S)
seffectue par lint egrale suivante :
I
r
(S) =
_

S
(x S)f(x)dx
=
_

S
xf(x)dx S
_

S
f(x)dx
Do` u lon tire
I
r
(S) =
_

S
xf(x)dx SP(x > S)
Section 3.6. Les consequences economiques de la solution optimale 49
Le premier terme correspond ` a nouveau ` a un calcul tronqu e de la moyenne. On
peut montrer que si X suit une distribution normale N(, ), on obtient la formule
suivante :
I
r
(S) = [f(t
S
) t
S
P(t > t
S
)] = g(t
S
)
avec :
t
S
=
S

X

et f(t
S
) =
e
t
2
S
/2

2
Appliquons ceci aux donn ees num eriques de lexemple pour lequel
t
s
=
315 300
20
= 0, 75.
La table B.3 donne directement :
g(t
S
= 0, 75) = 0, 1312
Lapplication de la formule donne donc :
I
r
(S) = 20 0, 1312 = 2, 624.
Le stock moyen poss ed e
Le stock moyen poss ed e, I
p
(S), correspond dans le cas de stock ` a rotation nulle
au stock r esiduel moyen. Cet indicateur sobtient ` a partir de la rupture moyenne
aussi bien dans le cas discret que dans le cas continu par la relation (3.3) rappel ee
ci-dessous :
I
p
(S) = S

X +I
r
(S)
Pour le p atissier, on aura donc :
I
p
(S

= 3) = (3 2, 5) + 0, 413 = 0, 9133 g ateaux.


Pour le marchand de journaux, on aura :
I
p
(S

= 315) = (315 300) + 2, 624 = 17, 624 journaux.


Remarquez que, dans les deux cas, le stock r esiduel se calcule comme le stock
initial diminu e de la demande satisfaite. :
I
p
(S) = S
_

X I
r
(S)
_
.
50 Chapitre 3. La gestion calendaire de stock
Le co ut moyen
Le co ut moyen C(S) peut etre calcul e par la relation suivante :
C(S) = c
r
I
r
(S) +c
p
I
p
(S)
Pour lexemple du p atissier, on obtient :
C(S) = 35 0, 4133 + 25 0, 9133 = 14, 46 + 22, 83 = 37, 30 euros.
Pour lexemple du marchand de journaux, on obtient :
C(S) = 0, 7 2, 624 + 0, 2 17, 624 = 5, 36 euros.
La marge nette moyenne
La marge nette moyenne, not ee B(S), est egale au produit de la marge unitaire,
m
u
, par la demande moyenne, diminu e du co ut de stockage :
B(S) = m
u

X C(S) (3.9)
Donnons quelques explications sur cette formule. Deux cas sont possibles quant
aux ventes manqu ees (aux ruptures de ventes) :
Soit les ventes manqu ees sont perdues, et dans ce cas, le co ut de rupture est
la marge b en eciaire. La formule (3.9) devient dans ce cas :
B(S) = c
r

X c
r
I
r
(S) c
p
I
p
(S)
= c
r
(

X I
r
(S)) c
p
I
p
(S)
Le b en ece net est donc la marge b en eciaire sur les ventes r ealis ees moins
le co ut des invendus.
Soit les ventes manqu ees sont diff er ees, et dans ce cas, la marge b en eciaire
sera r ealis ee sur lensemble de la demande exprim ee

X, ce qui justie di-
rectement la formule (3.9) .
Lapplication de cette relation ` a lexemple num erique du p atissier donne :
B(S) = m
u

X C(S) = 35 2, 5 37, 30 = 50, 20 euros.
tandis que pour le marchand de journaux, elle donne :
B(S) = m
u

X C(S) = 0, 7 300 5, 36 = 204, 64 euros.
Nous allons maintenant passer au cas de stock ` a rotation non nulle.
Section 3.7. Cas de stocks ` a rotation non nulle 51
3.7 Cas de stocks ` a rotation non nulle
Pour rappel, on parle de stocks ` a rotation non nulle lorsque les invendus dune
p eriode seront vendus aux p eriodes suivantes. Cest de loin le cas le plus r epandu.
La variable de commande du syst` eme est ici S, le niveau de recompl` etement,
cest-` a-dire le niveau du stock que lon cherche ` a retrouver p eriodiquement. Re-
marquons une diff erence fondamentale avec le cas de stocks ` a rotation nulle. En
effet, la commande ` a passer pour un approvisionnement en d ebut de p eriode nest
plus xe. Deux cas sont possibles :
Il reste un stock r esiduel positif : dans ce cas, on commande la diff erence
entre S et le stock r esiduel;
Le stock r esiduel est nul : dans ce cas, on commande S augment e des
demandes non satisfaites de la p eriode pr ec edente qui ont pu etre report ees.
Pour illustrer le processus de d etermination de S

, le niveau optimal de re-


compl` etement, cest-` a-dire celui qui minimise le co ut :
C(S) = c
p
I
p
(S) +c
r
I
r
(S),
nous consid erons lexemple suivant de la ventes dampoules d eclairage tir e de
Giard [4].
On suppose que la demande hebdomadaire dampoules de 60 Watt suit une loi
normale de moyenne 300 et d ecart type 20. Le r eapprovisionnement se fait en
d ebut de semaine chez le grossiste au prix dachat de 3 euro lunit e. Les ampoules
sont vendues au prix de 3,5 euro lunit e. On suppose un taux dopportunit e annuel
de 20 %.
Do` u un co ut de possession annuel par ampoule en stock de :
3 0, 2 = 0, 6 euro.
Pour arriver ` a un co ut de possession hebdomadaire, il faut tenir compte du nombre
de semaines sur lesquelles la demande sexprime. Ici, on suppose le magasin
ouvert 52 semaines par an :
c
p
= 0, 6/52 = 0, 01154 euro.
Remarquons qu` a la diff erence du cas de stock ` a rotation nulle, la perte li ee ` a une
ampoule en stock nest plus son prix dachat mais la perte nanci` ere due au gel en
stock de son prix dachat.
52 Chapitre 3. La gestion calendaire de stock
Calculons maintenant le co ut unitaire de rupture : il correspond ` a la marge non
r ealis ee par ampoule :
c
r
= 3, 5 euros 3 euros = 0, 5 euro.
La question qui se pose est la suivante : quel est le niveau de recompl` etement
optimal S

?
Pour le calcul du stock moyen poss ed e, il faudra distinguer deux cas de gure :
1. le cas o` u la demande observ ee est sup erieure au niveau de recompl` etement;
2. le cas o` u la demande observ ee est inf erieure au niveau de recompl` etement.
Supposons, pour xer les id ees, quun niveau de recompl` etement de 320 ait
et e choisi.
1. Cas dune demande inf erieure ` a S : dans ce cas, il ny a pas de rupture
de stock. Cest lexemple dune demande observ ee de 310. Le stock de n
de p eriode vaut donc :
320 310 = 10 ampoules.
En ce qui concerne l evolution du stock, on peut supposer que la demande
de 310 ampoules est egalement r epartie sur toute la semaine et on peut faire
une interpolation lin eaire comme ` a la gure 3.2
S = 320
x = 310
T = 5 jours
S x = 10
Figure 3.2:

Evolution du stock.
On en d eduit le stock moyen poss ed e :
I
p
(S) =
320 + 10
2
=
S + (S x)
2
On en conclut donc que :
Si x < S : I
p
(S) =
S + (S x)
2
(3.10)
Section 3.7. Cas de stocks ` a rotation non nulle 53
2. Cas dune demande sup erieure ` a S : dans ce cas, on observe une rupture
de stock. Cest le cas, par exemple, dune demande observ ee de 350. On
va maintenant d eterminer ` a partir de quand le stock est nul. La demande,
comme dans le cas sans rupture, est suppos ee uniform ement r epartie sur
la semaine de cinq jours (cfr gure 3.3). La demande journali` ere est donc
S = 320
x = 350
T = 5 jours
x S = 30
s = 0
a
p
p
r
o
x
i
m
a
t
i
o
n
Figure 3.3:

Evolution du stock en cas de rupture.
350/5 = 70 = x/T ampoules par jour. Et l evolution du stock moyen
poss ed e peut etre obtenue par :
S(t) = 320 70t.
Ce stock est nul pour :
t =
320
70
= 4, 57 jours =
S
x/T
Le stock moyen poss ed e se calcule comme :
I
p
(S) =
320
2
4, 57
5
+ 0
0, 43
5
=
320
2
320
350
=
S
2
S
x
En g en eral :
Si x > S : I
p
(S) =
S
2
S
x
Cette formule donne une solution analytique au probl` eme de la d etermination
du niveau optimal de recompl` etement S

assez difcile ` a mettre en uvre.


Une hypoth` ese simplicatrice, ` a savoir que la rupture se produit en n de
p eriode (voir gure 3.3) permet deffectuer des calculs simpli es. Sous cette
hypoth` ese, le stock varie entre S et 0 et donc :
Si x > S : I
p
(S) =
S
2
(3.11)
54 Chapitre 3. La gestion calendaire de stock
3.7.1 D etermination de la solution optimale
Sous cette hypoth` ese simplicatrice, nous allons pouvoir d eterminer le niveau de
recompl` etement optimal. Le co ut de gestion s ecrit :
C(S) = c
p
I
p
(S) +c
r
I
r
(S)
Pour le calcul du stock moyen poss ed e I
p
(S), il faut dissocier le cas o` u la
demande x est inf erieure ` a S de celui o` u elle est sup erieure ` a S :
I
p
(S) =
_
S
0
(
S
2
+
S x
2
)f(x)dx +
S
2
_

S
f(x)dx
Tandis que le nombre moyende ruptures, I
r
(S), peut se calculer comme lint egrale :
I
r
(S) =
_

S
(x S)f(x)dx
On peut maintenant tirer lexpression de I
p
(S) en fonction de I
r
(S) :
I
p
(S) =
_
S
0
(
S
2
+
S x
2
)f(x)dx +
S
2
_

S
f(x)dx
=
S
2
_

0
f(x)dx +
1
2
_
S
0
(S x)f(x)dx
=
S
2
+
1
2
__

0
(S x)f(x)dx
_

S
(S x)f(x)dx
_
=
S
2
+
S
2

X
2
+
I
r
(S)
2
On obtient donc la relation suivante :
I
p
(S) = S

X
2
+
I
r
(S)
2
(3.12)
On peut donc exprimer C(S) en fonction du seul I
r
(S) :
C(S) = c
p
I
p
(S) +c
r
I
r
(S) = c
p
[S

X
2
+
I
r
(S)
2
] +c
r
I
r
(S)
Do` u nalement :
C(S) = c
p
(S

X
2
) + (c
r
+
c
p
2
)I
r
(S)
Dans le cas dune loi de demande continue, il suft dannuler la d eriv ee premi` ere
dC(S)
dS
= c
p
+ (c
r
+
c
p
2
)
dI
r
(S)
dS
= c
p
+ (c
r
+
c
p
2
) [P(X > S

)] = 0
Section 3.7. Cas de stocks ` a rotation non nulle 55
do` u
P(X > S

) =
c
p
c
r
+
c
p
2
(3.13)
Appliquons ceci aux donn ees num eriques de notre exemple de ventes dam-
poules electriques. Par la relation (3.13) :
P(X > S

) =
0, 01154
0, 5 + 0, 01154/2
= 2, 28%
La lecture dans la table normale r eduite nous donne :
t
S
= 2 =
S

300
20
Do` u, le niveau optimal de recompl` etement :
S

= 340.
Tout comme dans le cas de stock ` a rotation nulle, on peut d eduire les principaux
indicateurs de la solution optimale choisie :
Le nombre moyen de rupture se calcule par la formule suivante :
I
r
(S

) = g(t
S
)
= 20 0, 0084 = 0, 168
Le stock moyen poss ed e se calcule ` a partir de la formule
I
p
(S

) = S

X
2
+
I
r
(S

)
2
= 340
300
2
+
0, 168
2
= 190, 08
Le co ut moyen de stockage se calcule comme
C(S

) = c
p
I
p
(S

) +c
r
I
r
(S

)
= 0, 01154 190, 08 + 0, 5 0, 168 = 2, 28 euros.
La marge hebdomadaire moyenne nette se calcule comme :
B(S

) = m
u

X C(S

)
= 0, 5 300 2, 28 = 147, 72 euros.
56 Chapitre 3. La gestion calendaire de stock
3.7.2 Cas dune loi de demande discr` ete
Terminons ce chapitre en voyant les formules de calcul dans le cas dune loi de
demande discr` ete pour la gestion de stock ` a rotation non nulle.
Le stock moyen poss ed e se calcule dans le cas discret comme suit :
I
p
(S) =
S1

0
(S
x
2
)P(X = x) +

S
S
2
P(X = x)
=
S1

0
(S
x
2
)P(X = x) +
S
2
P(X S)
Exprimons ce stock moyen poss ed e en fonction du nombre moyen de rupture :
I
p
(S) =
S1

0
(
S
2
+
S
2

x
2
)P(X = x) +
S
2

S
P(X = x)
=
1
2
[S +
S

0
(S x)P(X = x)]
=
S
2
+
1
2

0
(S x)P(X = x)
1
2

S
(S x)P(X = x)
On obtient donc la relation suivante entre I
p
et I
r
:
I
p
(S) = S

X
2
+
I
r
(S)
2
(3.14)
cest-` a-dire exactement la m eme formule que dans le cas continu.
On peut donc exprimer C(S) en fonction du seul I
r
(S) :
C(S) = c
p
I
p
(S) +c
r
I
r
(S)
= c
p
[S

X
2
+
I
r
(S)
2
] +c
r
I
r
(S)
= c
p
(S

X
2
) + (c
r
+
c
p
2
)I
r
(S)
Par des calculs analogues ` a ceux du cas de la rotation nulle, on d etermine nalement
le niveau optimal de recompl` etement S

par la formule suivante :


P(X > S

)
c
p
c
r
+
c
p
2
P(X > S

1) (3.15)
Il est ` a noter que si la loi de demande est du type Poisson, I
r
(S), le nombre
moyen de demandes non satisfaites, se calcule par la m eme formule que pr ec e-
demment ` a savoir :
I
r
(S) = P(X > S 1) SP(X > S)
Section 3.8. Exercices 57
3.8 Exercices
3.1. Vente de eurs. Un euriste est livr e tous les samedis matin de tr` es bonne
heure par son producteur dune quantit e de 10 d ecorations orales quil
ecoule durant le week-end. Il nest plus possible alors d etre livr e en urgence
en cas de manque de d ecorations orales. Il ach` ete ses d ecorations orales 13
euro pi` ece et les revend 25 euro lunit e. Il a pass e un accord avec un euriste
ambulant faisant le march e le mardi qui lui rach` ete ses invendus eventuels ` a 6
euro lunit e. Le euriste se rend compte que sa gestion dapprovisionnement
actuelle nest pas optimale. Si la demande est sup erieure ` a 10 unit es, il perd
du chiffre daffaire. Mais si elle est inf erieure, il perd de largent par la
revente en solde des invendus. Des discussions avec le producteur r ev` elent
que celui-ci pourrait lui fournir jusqu` a 13 d ecorations orales par week-end.
Par ailleurs, le euriste a effectu e un relev e des demandes de d ecorations
orales sur les 100 derniers week-end. Les r esultats sont donn es au tableau
suivant (on y reconnat une distribution de poisson) :
Demande 5 6 7 8 9 10 11 12
Observations (cas sur 100) 2 3 4 7 9 10 11 11
Demande 13 14 15 16 17 18 19 20
Observations (cas sur 100) 11 9 7 5 4 3 2 2
Le euriste pense quil peut vendre en moyenne plus de 10 d ecorations
orales. Il se demande combien commander ` a son grossiste pour maximiser
ses gains.
(a) Conrmez son impression quil peut vendre en moyenne plus de 10
d ecorations orales en calculant la moyenne de la demande de d eco-
rations orales.
(b) D eterminez le nombre optimal de d ecorations orales ` a commander
aupr` es de son grossiste.
(c) Quel sera, en moyenne, le nombre de clients qui sortent de sa boutique
chaque n de week-end sans avoir pu acheter une d ecoration orale ?
(d) Quel est le nombre moyen de d ecorations orales que le euriste am-
bulant lui rach` ete en n de week-end ?
(e) Quel est le b en ece net du euriste en un week-end sur ce produit ?
3.2. Gestion dune exploitation foresti` ere. Un exploitant forestier doit d ecider
de la quantit e darbres r esineux ` a abattre et ` a mettre sur le march e. Ses
58 Chapitre 3. La gestion calendaire de stock
ventes sont destin ees au bois de charpente et on estime que la demande
annuelle suit une loi normale de moyenne 10.000 et d ecart type 100. Le
co ut de production est de 1.000 euro lunit e et le prix de vente de 2.200
euro. Le producteur travaille uniquement sur commande de sorte quil ne
coupe que les arbres demand es lann ee courante. Le surplus peut etre vendu
lann ee suivante. Labattage a lieu une fois lan. An de pr eserver la for et,
lexploitant replante la m eme ann ee exactement la quantit e abattue.
(a) Quelle quantit e doit-il mettre en production pour minimiser son co ut
de gestion (taux dopportunit e de 6 % par an) ?
(b) Quelle est en moyenne la quantit e quil ne peut livrer par an faute
dapprovisionnement sufsant ?
3.3. Gestion du stock de pi` eces de rechange. Une entreprise dembouteillage
est confront ee de temps ` a autre ` a des pannes de sa machine dembouteillage
qui n ecessitent larr et de la production pour 24 heures (dont co ut 10.000
euro). An de rem edier ` a ce probl` eme, il a et e d ecid e qu` a chaque nouvel
achat de machine (la machine est remplac ee tous les 4 ans), un certain nombre
de pi` eces de rechange seront command ees avec la machine. Le co ut dachat
dune pi` ece est de 500 euro. On peut r eutiliser les pi` eces de rechange
dune machine sur lautre. Ce stock de pi` eces de rechange permettra en
cas de panne de r eparer imm ediatement la machine et d eviter larr et de la
production pour 24 heures. Le nombre de pannes observ ees sur la dur ee de
vie de la machine est en moyenne de 2 pannes par an (8 pannes sur la dur ee
de 4 ans). Le taux dopportunit e est estim e ` a 10 % par an. On se demande
combien faut-il commander de pi` eces de rechange avec la commande de la
nouvelle machine.
(a) De quelle politique de gestion de stock sagit-il ? Justiez bri` evement
votre r eponse.
(b) Quel est le nombre optimal de pi` eces de rechange ` a commander avec
la nouvelle machine ?
(c) Quel est le nombre moyen darr ets de la nouvelle machine d us ` a une
rupture de stock de pi` eces d etach ees ?
(d) Quel est le stock moyen poss ed e de pi` eces d etach ees ?
(e) Quel est la co ut de cette politique sur la dur ee de vie de la machine ?
Chapitre 4
La gestion par point de commande
4.1 Introduction
La gestion calendaire se caract erise, comme nous lavons vu au chapitre 3 par :
des commandes ` a intervalles xes dont la p eriodicit e est not ee T;
un niveau de commande variable : qui vaut la diff erence entre S, le niveau
de recompl` etement et R, le stock r esiduel.
La gestion par point de commande se caract erise, elle, au contraire par :
un montant de commande constant : cette quantit e economique de com-
mande sera not ee q;
une p eriodicit e de commande variable (lorsquon est en univers al eatoire) :
on commande lorsque le stock passe en dessous du point de commande, s.
On examinera successivement les deux cas de gures que sont :
1. La gestion (q, s) en univers certain. Comme, dans ce cas, la demande est
certaine, on d etermine s, le point de commande, sufsamment grand an
d eviter toute rupture de stock : il ny a donc pas de co ut de rupture. La
variable de d ecision q, la valeur constante de la commande, sera d etermin ee
de mani` ere ` a minimiser le co ut de gestion qui ne comprend que deux termes :
C(q) = c
c
I
c
(q) +c
p
I
p
(q)
2. La gestion (q, s) en univers incertain. Dans ce cas, le co ut de rupture
intervient aussi. Les variables de d ecision que sont q, le montant des
commandes et s, le point de commande seront d etermin es de mani` ere ` a
minimiser le co ut de gestion qui comprend trois termes :
C(q, s) = c
c
I
c
(q, s) +c
p
I
p
(q, s) +c
r
I
r
(q, s)
59
60 Chapitre 4. La gestion par point de commande
4.2 D etermination du point de commande en univers certain
Nous allons illustrer la d etermination de la quantit e economique de commande en
univers certain sur un exemple tir e de Giard [4] . Il sagit dun ustensile de cuisine
achet e par un supermarch e au prix unitaire de 30 euro. La demande annuelle, que
nous noterons D est estim ee ` a 2 400 unit es. Cette demande est consid er ee comme
uniforme sur lann ee. Vu le caract` ere certain de la demande et du d elai dobtention
(ici de 20 jours ouvrables), on peut eviter toute rupture dapprovisionnement en
passant commande ` a temps. On consid` ere que lann ee comporte 48 semaines de
6 jours ouvrables, soit 288 jours. Le co ut de passation dune commande de 300
euro et est ind ependant de la quantit e command ee. Larticle est vendu 40 euro.
La question qui se pose ici est : Quand commander ? An de minimiser le
stock poss ed e, le chef de rayon a int er et ` a passer commande exactement 20 jours
ouvrables avant la rupture (voir gure 4.1) de mani` ere ` a ce que le stock soit nul au
moment de la livraison. Il evitera ainsi un stock dormant.
400
=167
niveau du stock
temps
L
L
q
=400
q
=400
q
=400
s

Figure 4.1: D etermination du point de commande.


Remarquez que cela revient ` a d eclencher la commande au moment o` u il reste
exactement en stock de quoi satisfaire la demande de 20 jours. Exprimons le d elai
dobtention de 20 jours ouvrables en ann ee :
L =
20
288
= 0, 069 ann ee.
La demande durant cette p eriode s el` eve ` a :
D L = 2 400
20
288
= 166, 67 167 articles.
Section 4.3. Determination de la quantite economique de commande 61
En g en eral, le point de commande optimal est tel que
s

= DL
(4.1)
avec D = demande annuelle;
L = d elai dobtention exprim e en ann ee.
Dans le cas o` u lon d eclencherait la commande plus t ot (voir gure 4.2 o` u lon
a pris s = 200 et q = 400), on aurait un stock r esiduel de
s
r
= s
r
DL = 200 167 = 33
et le niveau du stock evoluerait entre q +s
r
et s
r
, et non plus entre q et 0, do` u un
niveau moyen du stock de :
(q +s
r
) +s
r
2
=
(400 + 33) + 33
2
= 233
Il y aurait ainsi un stock dormant de s
r
.
=200 s
niveau du stock
temps
L
L
q
=400
=200 s
=200 s
q
=400
q
=400
=33
=433
q + sr
sr
stock dormant
Figure 4.2: Stock r esiduel ` a la commande.
4.3 D etermination de la quantit e economique de commande
Le co ut de possession annuel unitaire peut etre calcul e en tenant compte du taux
dopportunit e annuel ici suppos e de 20 % comme :
c
p
= 30 0, 2 = 6 euros.
62 Chapitre 4. La gestion par point de commande
La question qui se pose est la suivante : Quelle est la quantit e q constante ` a
commander p eriodiquement pour que le co ut annuel moyen soit minimum ?
Avant de d eterminer la quantit e optimale, raisonnons sur une valeur quelconque
de q, par exemple, q = 400. Le nombre moyen de commandes par an vaut :
I
c
(q) =
D
q
=
2400
400
= 6
Do` u le co ut de commande :
c
c
I
c
(q) = c
c
D
q
= 300
2 400
400
= 1 800 euros.
Passons maintenant au calcul du stock moyen poss ed e. Pour minimiser le
co ut de possession, on passe commande (voir section pr ec edente) de mani` ere ` a ce
que le stock soit nul au moment o` u arrivent les nouveaux articles. Le stock varie
donc entre 400 et 0. Le stock moyen poss ed e vaut donc :
I
p
=
q
2
=
400
2
.
Le co ut annuel de possession vaut donc :
c
p
I
p
(q) = 6
400
2
= 1 200 euros.
Do` u le co ut annuel de gestion :
C(q = 400) = 6
400
2
+ 300
2 400
400
= 3 000 euros.
Nous pouvons maintenant faire une mod elisation du probl` eme pour une quan-
tit e command ee quelconque q. On cherche donc ` a d eterminer la valeur de la seule
variable de d ecision, cest-` a-dire q, la commande p eriodique, qui minimise le
co ut de gestion qui ne comprend que deux termes :
C(q) = c
p
I
p
(q) +c
c
I
c
(q)
On peut g en eraliser les calculs de lexemple ci-dessus. On obtient :
C(q) = c
p
I
p
(q) +c
c
I
c
(q)
= c
p
q
2
+c
c
D
q
Il est facile de calculer loptimum dune telle fonction. Il suft dannuler sa
d eriv ee premi` ere :
C

(q

) = c
p
1
2
c
c
D
q
2
= 0
Section 4.3. Determination de la quantite economique de commande 63
Do` u le point optimum :
q

2Dc
c
c
p
(4.2)
Cette quantit e est appel ee quantit e de Wilson. V erions quil sagit bien dun
minimum en calculant la d eriv ee seconde :
C(q) = 2c
c
D
q
3
> 0
Remarquez quau point optimum, on a egalit e des co uts de commande et de
possession. En effet :
c
c
I
c
(q

) = c
c
D
q
= c
c
D
_
2Dc
c
c
p
=

Dc
c
c
p
2
c
p
I
p
(q

) = c
p
q

2
= c
p
_
2Dc
c
c
p
2
=

Dc
c
c
p
2
Appliquons ceci ` a lexemple num erique. La quantit e economique de com-
mande vaut donc :
q

2Dc
c
c
p
=

2 2 400 300
6
= 489, 9 490
Examinons les cons equences de la politique optimale.
1. Le stock moyen d etenu vaudra :
I
p
(q

) =
q

2
=
490
2
= 245.
2. le nombre moyen annuel de commandes vaudra :
I
c
(q

) =
D
q

=
2 400
490
= 4, 898
3. Le co ut annuel de gestion vaudra :
C(q

) = c
p
I
p
(q

) +c
c
I
c
(q

)
= 6
490
2
+ 300
2.400
490
= 2 939, 39 euros.
4. La marge b en eciaire nette se calcule par la formule :
B(q

) = m
u
D C(q

)
= 10 2.400 2939, 39 = 21.060, 61 euros.
64 Chapitre 4. La gestion par point de commande
4.4 Cas dune demande al eatoire
Rappelons les hypoth` eses de base de la gestion par point de commande en univers
certain :
On a une demande certaine uniform ement r epartie sur lann ee;
On a un d elai de livraison certain.
Nous allons g en eraliser ce mod` ele de la mani` ere suivante :
On suppose que la demande est connue en probabilit e mais reste statique,
cest-` a-dire que les caract eristiques de la distribution restent stables dans le
temps.
Nous maintenons lhypoth` ese dun d elai dobtention certain. Ce qui est le
plus souvent le cas.
Nous illustrons ce cas sur lexemple introductif, ` a savoir la vente dustensiles
de cuisine mais en consid erant cette fois que la demande annuelle suit une normale
de moyenne 2 400 et d ecart type 189,74. Le co ut de rupture vaut la marge qui est
ici de 10 euro. Le co ut de possession annuel reste de 6 euro. Le co ut unitaire de
commande reste de 300 euro.
Passons au probl` eme de la d etermination de q et s. Tout dabord, remarquons
que pendant le d elai dobtention de 20 jours la demande est al eatoire. Calculons
les param` etres de sa distribution. Tout dabord, le d elai dobtention de 20 jours
sexprime en fraction dann ee comme :
L =
20
288
ann ees.
La demande X
L
en 20 jours suit une loi Normale
de moyenne :

L
= L =
20
288
2 400 = 167
de variance :

2
L
= L
2
=
20
288
(189, 74)
2
.
En effet, les param` etres de la demande durant 20 jours se d eduisent des param` etres
des ventes annuelles en multipliant la moyenne et la variance (et non l ecart type)
par L. Donc, on obtient un ecart type de :

L
=

20
288
189, 74 = 50.
Section 4.4. Cas dune demande aleatoire 65
4.4.1 D etermination de q et s
La fonction de co ut ` a minimiser fait intervenir les trois variables d etat que sont :
le nombre moyen de commandes, I
c
;
le stock moyen annuel, I
p
;
la rupture moyenne annuelle, I
r
.
C(q, s) = c
c
I
c
(q, s) +c
p
I
p
(q, s) +c
r
I
r
(q, s)
Nous allons obtenir une solution approch ee au probl` eme en effectuant une d e-
termination ind ependante de s et de q en se basant sur lobservation suivante.
Dans lexpression de C, le nombre moyen de commande d epend essentiellement
de la quantit e command ee q tandis que le nombre moyen de ruptures d epend
essentiellement du point de commande s. On peut donc r ecrire cette expression
comme :
C(q, s) = c
c
I
c
(q) +c
p
I
p
(q, s) +c
r
I
r
(s)
On voit que le terme qui lie le probl` eme en la variable q et le probl` eme en la variable
s est le stock moyen poss ed e I
p
qui d epend ` a la fois de q et de s. On va d eterminer
une solution approch ee en s eparant le probl` eme ` a deux variables en deux probl` emes
` a une variable de la mani` ere suivante. On va r esoudre ind ependamment les deux
probl` emes suivant :
1. D eterminer la quantit e economique q en arbitrant entre le co ut de com-
mande et le co ut de possession ` a partir de la demande moyenne.
2. D eterminer le point de commande s en arbitrant entre le co ut de rupture
et le co ut de possession en utilisant la gestion calendaire pendant le d elai
dobtention L, en retenant comme s le niveau de recompl` etement optimal.
Le probl` eme de la d etermination de la quantit e economique de commande nest
rien dautre que le probl` eme etudi e en univers certain si lon remplace la demande
annuelle certaine par la demande annuelle moyenne :
D = = 2 400.
En minimisant le co ut de gestion :
C(q) = c
c
I
c
(q) +c
p
I
p
(q),
la solution trouv ee dans le cas certain etait de :
q

= 490.
66 Chapitre 4. La gestion par point de commande
Le probl` eme de la d etermination du stock de s ecurit e est quant ` a lui r esolu en
prenant pour point de commande s le niveau de recompl` etement S qui minimise
le co ut dune gestion calendaire durant le d elai dobtention L :
C(S) = c
p
I
p
(S) +c
r
I
r
(S)
avec I
r
(S), le nombre moyen darticles non fournis durant L et I
p
(S), le stock
moyen poss ed e durant L.
490
niveau du stock
s
temps
L L
q
=490
q
q
D
q
=490
=490
Figure 4.3: Point de commande en univers al eatoire
Remarquez quun article en stock en n du d elai dobtention (n L) correspond
` a une immobilisation sur toute la dur ee d ecouler q, soit durant
q
D
ann ee, et non
sur les seuls 20 jours du d elai dobtention L. Le co ut unitaire de possession est
donc de :
c

p
= c
p
q
D
= 6 0, 2042 = 1, 225 euros.
En effet, un article encore en stock ` a lissue des 20 jours du d elai dobtention
augmentera dune unit e la valeur du stock durant toute la dur ee d ecoulement de la
suivante commande (voir gure 4.3). En utilisant la gestion calendaire, on d eduit :
P(X > s

) =
c

p
c
r
+c

p
/2
=
1, 225
10 + 1, 225/2
= 0, 115
La demande X durant le d elai dobtention de 20 jours est une N(167,50). On lit
dans la table de la normale N(0,1) :
1, 2 =
s

167
50
Section 4.4. Cas dune demande aleatoire 67
Do` u nalement
s

= 227.
4.4.2 Cons equences economiques du choix
Le stockde s ecurit e est d eni comme diff erence entre le niveau de recompl` etement
et la demande moyenne durant L et vaut ici :
227 167 = 60 articles.
Le nombre moyen de commandes d epend uniquement de q et se calcule par la
formule :
I
c
(q) =
D
q
=
2400
490
= 4, 898 commandes.
Le nombre moyen de ruptures par commande, not e I
c
r
, se calcule par la formule
de la gestion calendaire :
I
c
r
(s = 227) =
L
g(t
S
= 1, 2) = 50 0, 0561 = 2, 81
Ce nombre est ` a multiplier par le de commandes par an, I
c
(q). Le nombre moyen
de ventes manqu ees par an s el` eve donc ` a :
I
r
(s, q) = I
c
(q) I
c
r
(q) = 4, 898 2, 81 = 13, 76 articles
Le calcul du stock moyen poss ed e est plus compliqu e car il d epend ` a la fois de s
et de q. On peut montrer :
1. en cas de ventes manqu ees perdues (voir Giard [4], chapitre XII, relation
275, page 836) que :
I
p
(s, q) =
q
2
+ (s DL) +
I
c
r
(s)
2
Le co ut de gestion correspondant vaut :
C(s, q) = c
c
D
q
+c
p
(
q
2
+s DL +
I
c
r
(s)
2
) +c
r
(
D
q
I
c
r
(s))
2. en cas de ventes manqu ees diff er ees (voir Giard [4], chapitre XII, relation
286, page 840) que :
I
p
(s, q) =
q
2
+ (s DL) +
DL
2q
I
c
r
(S)
o` u I
c
r
(s) note le nombre moyen de ruptures par cycle (durant le d elai dob-
tention). Le co ut de gestion correspondant vaut :
C(s, q) = c
c
D
q
+c
p
(
q
2
+s DL +
DL
2q
I
c
r
(S)) +c
r
(
D
q
I
c
r
(s))
68 Chapitre 4. La gestion par point de commande
Dans le cas pr esent, les ventes manqu ees sont suppos ees perdues pour le super-
march e et donc le stock moyen poss ed e se calcule par la formule suivante :
I
p
(s, q) =
q
2
+ (s DL) +
I
c
r
(s)
2
=
490
2
+ 60 +
2, 81
2
= 306, 405
On en d eduit le co ut de gestion total suivant :
C(s, q) = c
c
I
c
(q) +c
p
I
p
(q, s) +c
r
I
c
(q)I
c
r
(s)
= 300
2 400
490
+ 6 306, 4 + 10
2 400
490
2, 81
= 1 469, 39 + 1 838, 43 + 137, 63
= 3 445, 45
La marge nette moyenne annuelle est obtenue en soustrayant ` a la marge b en e-
ciaire sur la demande moyenne le co ut de gestion annuel :
B(s, q) = m
u
D C(s, q)
= 24 000 3 445, 45
= 20 554, 54
On utilise egalement un indicateur appel e le taux de rotation du stock.
D enition 4.1 On d enit le taux de rotation du stock comme le quotient de la
demande moyenne sur le stock moyen poss ed e.
Dans le cas de lexemple, il se calcule comme suit :
r =
D
I
p
=
2 400
306, 4
= 7, 83
Ce qui sinterpr` ete en disant que le stock tourne environ 8 fois dans lann ee. Il
correspond au nombre de fois quil faudrait r eapprovisionner le stock si on le
r eapprovisionnait ` a hauteur de son niveau moyen.
Il est ` a remarque que lid ee tr` es largement r epandue selon laquelle plus le
niveau de rotation est elev e plus le stock est bien g er e est fausse. En effet, un
niveau elev e de rotation correspond ` a un faible niveau de stock poss ed e mais
correspond ` a un co ut de passation de commande elev e. Le niveau obtenu ici est le
niveau optimal qui r esulte de larbitrage entre les diff erents co uts.
Section 4.5. Exercices 69
4.5 Exercices
4.1. Stock de distribution. Un distributeur Apple a une demande annuelle de
1000 iPod que lon suppose, pour la facilit e, r epartie uniform ement sur
lann ee qui compte 250 jours douverture du magasin. Lapprovisionnement
aupr` es du grossiste se fait en 5 jours ouvrables. Le co ut de livraison dune
commande est de 10 euro. Lappareil est achet e 100 euro hors tva et revendu
125,84 euro tva de 21 % comprise. Le taux dopportunit e du distributeur
est particuli` erement faible (0,5 % lan). Pour le moment, le distributeur
commande 100 iPod lorsque son stock en magasin passe en dessous de 100
articles.
(a) Quelle est la politique de gestion de stock actuelle ? Donnez lappel-
lation courante de cette politique et la valeur de ses param` etres.
(b) Calculez le co ut de d etention en stock durant un an dun iPod sachant
que la soci et e ne paie pas la tva ` a son fournisseur.
(c) Calculez la demande durant le d elai dobtention.
(d) Tracez l evolution du stock au cours dune ann ee sachant quil y a 100
iPod en stock au premier janvier.
(e) En d eduire le co ut de gestion annuel.
(f) En gardant le m eme principe de gestion de stock, ` a savoir de com-
mander lorsque le stock passe en dessous dune quantit e donn ee, aidez
le distributeur ` a diminuer son co ut de gestion annuel du stock. Que
proposez-vous comme nouvelle quantit e ` a commander ?
(g) Que proposez-vous comme seuil d eclenchant la commande ?
(h) Quelle est laugmentation de prot du distributeur avec votre politique ?
4.2. Timbrage denvois multiples. Une entreprise envoyant r eguli` erement des
courriers publicitaires ` a ses clients fait appel ` a une soci et e ext erieure pour
le timbrage des enveloppes. Outre le prix du timbre (3 euro par enveloppe),
cette soci et e ext erieure demande 300 euro pour le travail quel que soit le
nombre denveloppes ` a timbrer. On suppose que le nombre denveloppes
` a envoyer sur lann ee (qui comporte 50 semaines) suit une loi normale de
moyenne de 30.000 et d ecart type 500. Si on tombe ` a court, on peut acheter
les enveloppes pr etimbr ees ` a la pi` ece ` a la poste ` a 3,5 euro lunit e. Le d elai
de r ealisation du timbrage est dune semaine. Le taux dint er et annuel est
de 6 %.
(a) Quel est la quantit e optimale denveloppes affranchies ` a commander
aupr` es de la soci et e sp ecialis ee en timbrage ?
70 Chapitre 4. La gestion par point de commande
(b) A partir de quel niveau de stock denveloppes affranchies faut-il repas-
ser commande ?
4.3. Ventes de tablettes. Un distributeur de salle de bain doit d ecider de la
commande de tablettes de 60 cm ` a faire aupr` es de son fournisseur. On
suppose que la demande annuelle de tablettes suit une loi normale de variance
192. Le distributeur vend en moyenne 2 400 tablettes par an ` a un prix de
d etail de 26 euro, lui-m eme les ach` ete aupr` es de son fournisseur 20 euro
pi` ece. Le d elai dobtention est dun mois. Le co ut de passation dune
commande est de 160 euro. Le taux dopportunit e annuel est de 24 %.
(a) Calculer la quantit e optimale ` a commander r eguli` erement.
(b) Quel doit etre le niveau de stock qui d eclenche la commande ?
(c) Quel est le nombre moyen de clients qui ne peuvent etre servis pendant
le d elai dun mois entre le lancement dune commande et sa livraison ?
(d) Quelle est lesp erance de la marge annuelle nette sur ce produit ? Les
ventes manqu ees sont perdues.
Partie II
Les d ecisions tactiques
71
Chapitre 5
La planication de la production
5.1 Introduction
La planication de la production consiste en la r egulation ` a moyen terme de la
production. Cest donc une d ecision tactique. Elle fait le lien entre les d ecisions
op erationnelles ` a court terme et les d ecisions strat egiques ` a long terme. La plani-
cation de la production sadresse uniquement au cas de la production en s erie.
Elle ne sapplique donc pas au cas de la production en s erie unitaire.
Il existe deux types dapproches en planication de la production :
la planication des besoins en composants qui vise ` a etablir une program-
mation pr evisionnelle des composants;
la planication juste ` a temps dont le principe fondamental est de produire la
quantit e strictement n ecessaire aux besoins imm ediats du client.
La planication des besoins en composants ou M.R.P. (Material Require-
ment Planning) cherche ` a etablir la programmation de la production sur base dun
syst` eme dinformation. Partant des donn ees physiques (stocks disponibles, li-
vraisons attendues, demandes pr evisionnelles, capacit es de production,. . . ) et des
donn ees comptables (co uts de production, dapprovisionnement, de rupture), on
etablit un plan de production qui d etermine pour chaque p eriode les quantit es
` a produire par produit, les quantit es fabriqu ees dans chaque centre productif, le
niveau de stock en produits semi-nis et nis et lutilisation des facteurs travail et
machines. Lutilisation des techniques doptimisation aboutit ` a une program-
mation pr evisionnelle : on utilisera la programmation dynamique lorsque lon a
une demande dynamique certaine ne portant que sur un seul article et la program-
mation lin eaire dans le cas statique portant sur plusieurs produits.
73
74 Chapitre 5. La planication de la production
5.2 La planication des besoins en composants
Illustrons le principe de la planication des besoins en composants sur un exemple
tir e de Giard [4] : il sagit de lassemblage de trois v ehicules ` a moteur. La plani-
cation des besoins en composants n ecessite lexistence des el ements suivants :
1. Une nomenclature compl` ete : cest-` a-dire une codication de tous les
composants qui permet d ecrire le sch ema arborescent du tableau 5.1. Dans
lexemple, pour faire un v ehicule (T27), il faut une bote de vitesse (E1001),
elle m eme constitu ee dun engrenage (E2010), lui-m eme constitu e de divers
el ements (E3047 et E3052). Le chiffre entre parenth` eses indique le nombre
de composants n ecessaires pour faire le sous-ensemble. Par exemple, il faut
deux E3047 et deux E3052 pour faire un sous-ensemble E2040.
Niveau 0 Niveau 1 Niveau 2
T27
_

_
-E1001 (1)
-E1010 (1)
. . .
E1001
_
-E2010 (1)
. . .
E2010
_

_
-E3047 (1)
-E3052 (1)
. . .
T28
_

_
-E1001 (1)
-E1020 (1)
. . .
E1004
_
-E2040 (1)
. . .
E2040
_

_
-E3047 (2)
-E3052 (2)
. . .
T29
_

_
-E1004 (1)
-E1020 (1)
. . .
. . . . . .
Tableau 5.1: D ecomposition en composants.
2. Un plan directeur de production : le plan directeur de production est le
plan de mise ` a disposition de produits naux. Il peut egalement comporter
le plan de mise ` a disposition de sous-ensembles ou de composants vendus
comme pi` eces d etach ees. Le plan directeur de production est donn e au
tableau 5.2. Il pr evoit, outre la mise ` a disposition des produits naux, les
besoins de sous-ensembles et de composants pour faire des r eparations.
3. Un syst` eme dinformation sur les stocks qui permet de connatre l etat
exact du stock de chaque composant en d ebut de chaque p eriode. Les stocks
de n de p eriode 15, not es SF
15
, sont donn es au tableau 5.3.
4. Un chier des livraisons attendues : cest-` a-dire donnant le nombre de
pi` eces r esultant de d ecisions de mise en production du pass e qui nont pas
Section 5.2. La planication des besoins en composants 75
P eriode 16 17 18 19 20 21 22 23 24
Demande T 27 7 11 6 15 8 11 12 7
Demande T 28 10 9 4 10 7 14 8 8
Demande T 29 4 8 3 5 12 2 8 7
Demande E1001 0 1 2 3 0 2 1 4 0
Demande E1004 0 0 1 4 0 5 2 2 0
Demande E1010 0 0 0 0 0 0 0 0 0
Demande E1020 0 0 0 0 0 0 0 0 0
Demande E2010 0 0 2 1 4 0 1 2 3
Demande E2040 0 2 0 2 1 4 1 2 3
Demande E3047 0 0 1 1 2 0 1 0 2
Demande E3052 0 2 0 2 3 1 1 2 1
Tableau 5.2: Plan directeur de production.

El ement SF
15
LA
16
LA
17
T27 0 0 0
T28 0 0 0
T29 0 0 0
E1001 17 0 30
E1004 4 0 11
E1010 0 0 0
E1020 0 0 0
E2010 10 20 0
E2040 1 0 17
E3047 15 0 0
E3052 0 15 0
Tableau 5.3: Stock initiaux et livraisons attendues.
76 Chapitre 5. La planication de la production
encore et e livr ees. Les livraisons attendues de d ebut de p eriode t, not ees
LA
t
, sont donn ees au tableau 5.3.
5. Un chier des d elais dobtention : le d elai dobtention etant la somme
des temps op eratoire, de lancement de production et dattente entre deux
productions. Les d elais dobtention sont donn es au tableau 5.4 o` u sont
egalement indiqu es les temps op eratoires unitaires (cest-` a-dire le temps
dassemblage ou dusinage dune unit e du composant).

El ement D elai dobtention Temps op eratoire


T 27 1 semaine 0,5 heure
T 28 1 semaine 1 heure
T 29 1 semaine 2 heures
E1001 1 semaine 0,5 heure
E1004 2 semaines 1 heure
E1010 1 semaine 3 heures
E1020 2 semaines 4 heures
E2010 1 semaine 1 heure
E2040 2 semaines 0,5 heure
E3047 1 semaine 0,5 heure
E3052 1 semaine 0,20 heure
Tableau 5.4: D elais dobtention et temps op eratoires.
6. Fichier des capacit es des centres de production pour chaque p eriode de
lhorizon de planication. Celui-ci est donn e au tableau 5.5.
P eriode 16 17 18 19 20 21 22 23
Assemblage de T 27, T28 et T29 50 50 60 65 55 50 50 50
Assemblage de E1001 et E1004 20 12 24 20 25 22 22 20
Assemblage de E1010 et E1020 20 20 20 20 20 20 20 20
Assemblage de E2010 et E2040 28 30 22 21 24 21 22 23
Assemblage de E3047 et E3052 32 30 32 33 31 31 32 31
Tableau 5.5: Capacit es de production.
7. Existence de r` egles de priorit e en cas de surcharge. Ici, on va utiliser
comme r` egle davancer les productions constituant le stock de valeur la plus
Section 5.2. La planication des besoins en composants 77
faible. Pour cela, on a besoin des donn ees de co uts de fabrication qui se
r eduisent ici ` a un co ut de mati` ere et un co ut de main duvre. Le co ut de
la mati` ere premi` ere de chaque composant est donn e au tableau 5.6. Il faut
comprendre ces donn ees de la mani` ere suivante : il sagit de la somme du
co ut de mati` ere ajout ee ` a l etape dassemblage du produit et du co ut des
composants (le calcul a d ej` a et e fait). Le co ut horaire de la main duvre

El ement Co ut de mati` ere


T 27 303 euro
T 28 363 euro
T 29 421 euro
E1001 58 euro
E1004 71 euro
E1010 30 euro
E1020 40 euro
E2010 25 euro
E2040 53 euro
E3047 1 euro
E3052 2 euro
Tableau 5.6: Co ut de la mati` ere et des composants.
d epend des ateliers. Ces co uts sont donn es au tableau 5.7. Remarquez que
E1001 et E1004, dune part, et E1010 et E1020, dautre part, sont assembl es
dans deux ateliers s epar es.
P eriode co ut horaire de latelier
Assemblage de T 27, T28 et T29 100 euro
Assemblage de E1001 et E1004 70 euro
Assemblage de E1010 et E1020 65 euro
Assemblage de E2010 et E2040 28 euro
Assemblage de E3047 et E3052 30 euro
Tableau 5.7: Co ut horaire de latelier.
La logique de calcul de la MRP consiste ` a lutilisation en cascade
de la d etermination des besoins nets dun composant;
de la mani` ere de couvrir ces besoins.
78 Chapitre 5. La planication de la production
5.3 D etermination des besoins nets dun composant
Illustrons ceci sur lexemple du composant de niveau un E1001. Pour ce compo-
sant, sa demande emane des demandes de T27 et T28 (voir nomenclature 5.1).
Au niveau 0, les lancements programm es sont d etermin es conform ement au
plan directeur de production du tableau 5.2. Le d elai dassemblage est dune
semaine pour les trois mod` eles (voir tableau 5.4). Au niveau z ero, il ny a pas de
stock initial ni de livraisons attendues (voir tableau 5.3). On fait donc du juste-
` a-temps, cest-` a-dire que lon met en production exactement la demande. Ceci
conduit aux lancements de productions de niveau z ero du tableau 5.8.
T 27, T 28, T29 16 17 18 19 20 21 22 23
Lancements T 27 7 11 6 15 8 11 12 7
Lancements T 28 10 9 4 10 7 14 8 8
Lancements T 29 4 8 3 5 12 2 8 7
Tableau 5.8: Lancements de production de niveau z ero.
On peut en d eduire les besoins bruts du composant E1001 puisquil est utilis e
` a raison de un par T27 et de un par T28. A ces besoins bruts pour assemble du T27
et du T28, il faut ajouter les besoins de E1001 comme pi` eces d etach es (donn es au
plan directeur de production 5.2). Les besoins bruts du composant E1001 sont
calcul es au tableau 5.9.
D enition 5.1 On appelle besoins nets dun composant les besoins non couverts
par le stock initial ou les livraisons attendues.
Ces besoins bruts ne correspondent pas ` a la production quil est n ecessaire de
mettre en route, compte tenu du stock initial disponible pour cette r ef erence et
des eventuelles livraisons attendues. Les livraisons attendues sont des quantit es
r esultant de pr ec edents ordres de lancement de production mais qui nont pas
encore et e livr ees. Le stock initial en p eriode 16 est le stock nal de p eriode 15.
Ces informations sont reprises au tableau 5.9.
En p eriode 16, on vide le stock pour satisfaire les 17 de besoins bruts de la
p eriode. En p eriode 17, on livre 30 alors que les besoins ne sont que de 21. Il
restera donc 9 en stock. A ces deux p eriodes, il ny a donc pas de besoins nets.
Par contre ` a la p eriode suivante, la p eriode 18, le besoin brut est de 12, on ne livre
rien et le stock disponible est de 9. Il manque 3 unit es qui constitue donc le besoin
Section 5.3. Determination des besoins nets dun composant 79
E1001 15 16 17 18 19 20 21 22 23 24
Besoins Bruts pour T27 7 11 6 15 8 11 12 7 -
Besoins Bruts pour T28 10 9 4 10 7 14 8 8 -
Besoins de E1001 0 1 2 3 0 2 1 4 -
Besoins Bruts totaux 17 21 12 28 15 27 21 19 -
Livraisons attendues 0 30 0 0 0 0 0 0 0
Stock nal 17 0 9 0 0 0 0 0 0 0
Besoins nets 0 0 3 28 15 27 21 19 -
Tableau 5.9: Besoins nets en composant E1001.
net de cette p eriode. A partir de la p eriode 19, comme le stock est vide et quil ny
a plus de livraisons, les besoins nets correspondent au besoins bruts.
Formalisons math ematiquement la d etermination des besoins nets. Deux cas
sont possibles :
Cas 1 : Le disponible (somme du stock de n de p eriode pr ec edente et des livrai-
sons de d ebut de p eriode) est sufsant pour couvrir les besoins bruts. Dans
ce cas, le besoin net, not e BN
t
, est nul et le stock nal de p eriode t, not e SF
t
,
se calcule comme le stock en n de p eriode pr ec edente, accru des livraisons
attendues de p eriode t, not ees LA
t
, et diminu e de la demande de la p eriode
(les besoins bruts, not es BB
t
) :
Si SF
t1
+LA
t
BB
t
, alors
_
BN
t
= 0
SF
t
= SF
t1
+LA
t
BB
t
Ce cas est illustr e par les p eriodes 16 et 17 pour le composant E1001.
Cas 2 : Le disponible (somme du stock de n de p eriode pr ec edente et des livrai-
sons de d ebut de p eriode) est in sufsant pour couvrir les besoins bruts.
Dans ce cas, on a des besoins nets ` a couvrir par de nouveaux ordres de fa-
brication. Les besoins nets de la p eriode t, not es BN
t
, se calculent comme
la diff erence entre les besoins bruts et le disponible (somme des livraisons
attendues et du niveau initial du stock de la p eriode) :
Si BB
t
SF
t1
+LA
t
, alors
_
BN
t
= BB
t
LA
t
SF
t1
SF
t
= 0
Ce cas est illustr e par les p eriodes 18 ` a 23 pour le composant E1001 (voir
tableau 5.9).
80 Chapitre 5. La planication de la production
5.3.1 D etermination de la couverture des besoins nets
En planication de la production, on suppose que les besoins nets sont connus
sufsamment ` a lavance pour eviter toute rupture. La d etermination de la quantit e
` a livrer pour satisfaire les besoins nets repose donc sur un arbitrage entre
les co uts de lancement de production;
les co uts de possession.
La programmation dynamique permet de faire cet arbitrage. A ce niveau-ci, nous
allons faire du lot par lot, ce qui conduit aux lancements de production du tableau
5.10.
E1001 16 17 18 19 20 21 22 23
Livraisons attendues 0 30 0 0 0 0 0 0
Besoins nets 0 0 3 28 15 27 21 19
Lancements de production 30 3 28 15 27 21 19 -
Tableau 5.10: Lancement de production en composant E1001.
Pour d eterminer les lancements de production, on a tenu compte du d elai
dobtention, suppos e ici de 1 semaine. Remarquez que le lancement de 30 en
p eriode 16 provient non pas dune livraison programm ee de p eriode 17 mais bien
dune livraison attendue de p eriode 17.
Nous pr esentons ` a la section suivante dautres techniques de d etermination des
lancements de production.
Remarquez egalement quici on a fait lhypoth` ese, pour d eterminer les lance-
ments de production, quil ny avait pas de probl` emes de capacit e. Sans quoi, il
faut proc eder ` a lajustement charge capacit e avant de passer aux calculs du niveau
suivant. Nous verrons ce point dans la derni` ere section de ce chapitre.
5.3.2 Utilisation en cascade de la logique de calcul
Maintenant que cet ech eancier de lancement de production est d etermin e pour le
composant de niveau un E1001, il va etre utilis e ` a un niveau sup erieur pour
calculer l ech eancier des demandes brutes des composants de niveau sup erieur.
Ainsi, le composant E1001 (par exemple, une bote de vitesse) utilise le composant
de niveau un E2010 (un engrenage).
On applique la d emarche de calcul que nous venons de voir en cascade :
Section 5.3. Determination des besoins nets dun composant 81
` a toutes les r ef erences de niveau 0 (produits naux);
puis ` a celles de niveau 1;
puis ` a celles de niveau 2, . . . etc.
Illustrons ceci sur lexemple. Au niveau 0, les lancements programm es (cfr
tableau 5.11) sont d etermin es conform ement au plan directeur de production.
T27, T28, T29 16 17 18 19 20 21 22 23 24
BB
t
de T27 - 7 11 6 15 8 11 12 7
LA
t
de T27 0 0 0 0 0 0 0 0
SF
t
de T27 0 0 0 0 0 0 0 0 0
BN
t
de T27 - 7 11 6 15 8 11 12 7
LP
t
de T27 7 11 6 15 8 11 12 7 -
BB
t
de T28 - 10 9 4 10 7 14 8 8
LA
t
de T28 0 0 0 0 0 0 0 0
SF
t
de T28 0 0 0 0 0 0 0 0 0
BN
t
de T28 - 10 9 4 10 7 14 8 8
LP
t
de T28 10 9 4 10 7 14 8 8 -
BB
t
de T29 - 4 8 3 5 12 2 8 7
LA
t
de T29 0 0 0 0 0 0 0 0
SF
t
de T29 0 0 0 0 0 0 0 0 0
BN
t
de T29 - 4 8 3 5 12 2 8 7
LP
t
de T29 4 8 3 5 12 2 8 7 -
Tableau 5.11: Lancements programm es de niveau z ero.
Au niveau 1, les lancements du composant E1001, de d elai de fabrication L=1,
sont d etermin es conform ement au tableau 5.12. Ce composant est utilis e ` a raison
dune unit e par produit T27 et dune unit e par produit T28.
Toujours au niveau 1, les lancements du composant E1004 (de d elai de fabri-
cation L=2) sont d etermin es conform ement au tableau 5.13. Ce composant est
utilis e ` a raison dune unit e par produit T29.
82 Chapitre 5. La planication de la production
E1001 15 16 17 18 19 20 21 22 23
BB
t
pour T27 7 11 6 15 8 11 12 7
BB
t
pour T28 10 9 4 10 7 14 8 8
BB
t
de E1001 0 1 2 3 0 2 1 4
BB
t
totaux 17 21 12 28 15 27 21 19
LA
t
0 30 0 0 0 0 0 0
SF
t
17 0 9 0 0 0 0 0 0
BN
t
0 0 3 28 15 27 21 19
LP
t
0 30 3 28 15 27 21 19 -
Tableau 5.12: Lancements en composant E1001.
E1004 15 16 17 18 19 20 21 22 23
BB
t
pour T29 4 8 3 5 12 2 8 7
BB
t
de E1004 0 0 1 4 0 5 2 2
BB
t
totaux 4 8 4 9 12 7 10 9
LA
t
0 11 0 0 0 0 0 0
SF
t
4 0 3 0 0 0 0 0 0
BN
t
0 0 1 9 12 7 10 9
LP
t
11 1 9 12 7 10 9 - -
Tableau 5.13: Lancements en composant E1004.
Section 5.3. Determination des besoins nets dun composant 83
Au niveau 2, les lancements du composant E2010 (de d elai de fabrication L=1)
sont d etermin es conform ement au tableau 5.14. Ce composant est utilis e ` a raison
E2010 15 16 17 18 19 20 21 22 23
BB
t
pour E1001 30 3 28 15 27 21 19 -
BB
t
de E2010 0 0 2 1 4 0 1 2
BB
t
totaux 30 3 30 16 31 21 20 -
LA
t
20 0 0 0 0 0 0 0
SF
t
10 0 0 0 0 0 0 0 -
BN
t
0 3 30 16 31 21 20 -
LP
t
20 3 30 16 31 21 20 - -
Tableau 5.14: Lancements en composant E2010.
dune unit e par composant de niveau 1 E1001.
Toujours au niveau 2, les lancements du composant E2040 (de d elai de fabri-
cation L=2) sont d etermin es conform ement au tableau 5.15. Ce composant est
E2040 15 16 17 18 19 20 21 22
BB
t
pour E1004 11 1 9 12 7 10 9 -
BB
t
de E2040 - 0 2 0 2 1 4 1
BB
t
totaux - 1 11 12 9 11 13 -
LA
t
0 17 0 0 0 0 0
SF
t
1 0 6 0 0 0 0 0
BN
t
6 9 11 13 -
LP
t
17 6 9 11 13 - - -
Tableau 5.15: Lancements en composant E2040.
utilis e ` a raison dune unit e par composant de niveau un E1004.
Au niveau 3, les lancements du composant E3047 (de d elai de fabrication L=1)
sont d etermin es conform ement au tableau 5.16. Ce composant est utilis e ` a raison
dune unit e par composant de niveau deux E2010 et de deux unit es par composant
de niveau deux E2040.
84 Chapitre 5. La planication de la production
E3047 15 16 17 18 19 20 21
BB
t
pour E2010 20 3 30 16 31 21 20
BB
t
pour E2040 34 12 18 22 26 - -
BB
t
de E3047 - 0 0 1 1 2 0
BB
t
Totaux - 15 48 39 58 - -
LA
t
0 0 0 0 0 0
SF
t
15 0 0 0 0 0 0
BN
t
0 48 39 58 - -
LP
t
48 39 58 - - -
Tableau 5.16: Lancements en composant E3047.
Toujours au niveau 3, les lancements du composant E3052 (de d elai de fabri-
cation L=1) sont d etermin es conform ement au tableau 5.17. Ce composant est
egalement utilis e ` a raison dune unit e par composant de niveau deux E2010 et de
deux unit es par composant de niveau deux E2040.
E3052 15 16 17 18 19 20 21
BB
t
pour E2010 20 3 30 16 31 21 20
BB
t
pour E2040 34 12 18 22 26 - -
BB
t
de E3052 - 0 2 0 2 3 1
BB
t
Totaux - 15 50 38 59 - -
LA
t
15 0 0 0 0 0
SF
t
0 0 0 0 0 0 0
BN
t
0 50 38 59 - -
LP
t
15 50 38 59 - - -
Tableau 5.17: Lancements en composant E3052.
Il faut maintenant voir si la capacit e est sufsante ` a chaque niveau pour assem-
bler les v ehicules. Il est ` a remarquer que lon a int er et ` a v erier si cette capacit e est
sufsante avant de passer au calcul du niveau sup erieur. En effet, si on proc` ede ` a un
ajustement des lancements de production, par exemple au niveau 1, cela remettra
en cause le calcul des besoins du niveau 2.
Mais avant cela, pr esentons quelques autres r` egles pour d eterminer les lance-
ments de production.
Section 5.4. Autres r`egles de calcul des lancements de production 85
5.4 Autres r` egles de calcul des lancements de production
Jusqu` a pr esent, nous avons adopt e la technique du lot par lot pour la d etermination
des lancements de production. Autrement dit, on lance en production exactement
les besoins nets en d ecalant pour tenir compte du d elai dobtention. Ce cas est
illustr e au tableau 5.18 pour lexemple du composant E1001.
P eriode 16 17 18 19 20 21 22 23
Livraisons attendues 0 30 0 0 0 0 0 0
Besoins nets 0 0 3 28 15 27 21 19
Lancements de production 30 3 28 15 27 21 19 -
Tableau 5.18: Lancement de production lot par lot.
Il peut y avoir des contraintes techniques ou economiques qui conduisent ` a
adopter des r` egles de gestion diff erentes :
R` egle de la quantit e xe. Parfois, pour des raisons techniques, on ne peut
produit quune quantit e xe (cuve enti` ere). Dans ce cas, on la quantit e
mise en uvre est toujours la m eme. Supposons ` a titre dexemple, une
quantit e xe de 30. Ce cas est illustr e au tableau 5.19. On remarquera que
le nombre de mise en route de production est moins elev e mais que le niveau
de possession du stock augmente fortement.
P eriode 16 17 18 19 20 21 22 23
Livraisons attendues 0 30 0 0 0 0 0 0
Besoins nets 0 0 3 28 15 27 21 19
Lancements de production 30 30 30 0 30 30 0 -
Stock n de p eriode 27 29 14 17 26 7
Tableau 5.19: Lancement de production par quantit e xe.
On peut egalement utiliser cette r` egle pour diminuer le nombre de mises en
route de production (raison economique et non technique). On d eterminera,
dans ce cas, la quantit e economique ` a mettre en uvre par la formule de
Wilson.
86 Chapitre 5. La planication de la production
R` egle de la quantit e multiple dun entier. Ce cas se produit dans lin-
dustrie automobile pour le coulage des moteurs. On utilise des moules de
10 moteurs. On ne peut donc produire que par multiples de 10. Ce cas est
illustr e au tableau 5.20.
P eriode 16 17 18 19 20 21 22 23
LA
t
0 30 0 0 0 0 0 0
BN
t
0 0 3 28 15 27 21 19
LP
t
30 10 30 10 30 20 20 -
SF
t
7 9 4 7 6 7
Tableau 5.20: Lancement de production par multiples de 10.
R` egle de la quantit e minimum. Ce cas se produit lorsquil y a un co ut xe
de mise en route de la production. Pour amortir ce co ut xe de lancement,
il faut produire au minimum 10. Mais on peut produire egalement 11, 12,
13 etc... Ce cas est illustr e au tableau 5.21.
P eriode 16 17 18 19 20 21 22 23
LA
t
0 30 0 0 0 0 0 0
BN
t
0 0 3 28 15 27 21 19
LP
t
30 10 21 15 27 21 19 -
SF
t
7 0 0 0 0 0
Tableau 5.21: Lancement de production par minimum de 10.
5.5 Ajustement charge-capacit e
Lorsque les lancements de production sont d etermin es, on peut calculer les charges
r esultantes pour les diff erents ateliers. Pour que ce plan de production soit r eali-
sable, il faut que la charge r esultante respecte les capacit es de production. Si ce
nest pas le cas, un ajustement charge-capacit e est effectu e.
Reprenons le m eme exemple. Au niveau 0, le tableau 5.22 reprend les lance-
ments de niveau 0.
Section 5.5. Ajustement charge-capacite 87
P eriode 16 17 18 19 20 21 22 23
LP
t
de T27 7 11 6 15 8 11 12 7
LP
t
de T28 10 9 4 10 7 14 8 8
LP
t
de T29 4 8 3 5 12 2 8 7
heures de T27 3,5 5,5 3 7,5 4 5,5 6 3,5
heures de T28 10 9 4 10 7 14 8 8
heures de T29 8 16 6 10 24 4 16 14
charge 21,5 30,5 13 27,5 35 23,5 30 25,5
capacit e 50 50 60 65 55 50 50 50
exc` es capacit e 28,5 19,5 47 37,5 20 26,5 20 24,5
Tableau 5.22: V erication de la charge au niveau z ero.
En multipliant ces lancements par les temps op eratoires unitaires donn es au ta-
bleau 5.4, on obtient le nombre dheures dassemblage pour chacun des v ehicules.
En les additionnant, on obtient la charge de latelier que lon peut comparer avec
la capacit e donn ee au tableau 5.5. On constate ici quil ny a aucun probl` eme de
capacit e au niveau 0.
Passons au niveau 1. Les lancements de production des sous-ensembles E1001
et E1004 assembl es dans le m eme atelier sont repris au tableau 5.23. En multipliant
ces lancements par les temps op eratoires unitaires donn es au tableau 5.4, on obtient
le nombre dheures dassemblage pour chacun des deux sous-ensembles de niveau
1. En les additionnant, on obtient la charge de latelier que lon peut comparer
avec la capacit e donn ee au tableau 5.5. On constate ici quil y a un probl` eme de
capacit e en p eriode 18. On reporte aux p eriodes pr ec edentes en commen cant par
utiliser lexc` es de capacit e de la p eriode 17, le reste etant produit en p eriode 16.
Il faut encore d eterminer sur quel produit cet ajustement va porter. La r` egle
adopt ee ici est de reporter les heures constituant le stock de valeur la plus faible.
Pour cela, calculons le co ut de revient dune unit e de E1001 et dune unit e de
E1004. Au co ut de la main duvre dassemblage, il faut ajouter le co ut de la
mati` ere premi` ere ajout ee ` a l etape dassemblage et le co ut des composants :
c
E1001
= 0, 5 70 + 58 = 93 euros,
c
E1004
= 1 70 + 71 = 141 euros.
Il faut se garder de conclure h ativement quil convient de stocker du E1001. En
88 Chapitre 5. La planication de la production
effet, comme son temps op eratoire unitaire est dune demi-heure, on en assemble
deux par heure tandis que pour le sous-ensemble E1004, son temps op eratoire
unitaire etant dune heure, on en assemble un par heure. On en d eduit le co ut de
production dune heure de chacun des sous-ensembles :
cph
E1001
= 93/0, 5 = 93 2 = 186 euros/h,
cph
E1004
= 141/1 = 141 1 = 141 euros/h.
En conclusion, il est plus int eressant de stocker du E1004 bien quil ait un co ut
de revient unitaire plus elev e ! Le temps op eratoire unitaire etant dune heure, les
2 heures d eplac ees correspondent ` a deux unit es de E1004 avanc ees aux p eriodes
16 et 17. On obtient lajustement de niveau 1 illustr e au tableau 5.23.
P eriode 16 17 18 19 20 21 22 23
LP
t
de E1001 30 3 28 15 27 21 19 -
LP
t
de E1004 1 9 12 7 10 9 - -
heures de E1001 15 1,5 14 7,5 13,5 10,5 9,5 -
heures de E1004 1 9 12 7 10 9 - -
charge 16 10,5 26 14,5 23,5 19,5 - -
capacit e 20 12 24 20 25 22 22 20
Exc` es de capacit e 4 1,5 0 5,5 1,5 2,5 0 0
Exc` es de charge 0 0 2 0 0 0 - -
Ajustement +0,5 +1,5 -2 0 0 0 - -
LP
t
de E1001 30 3 28 15 27 21 19 -
LP
t
de E1004 1,5 10,5 10 7 10 9 - -
Tableau 5.23: Ajustement charge-capacit e de niveau 1.
On proc edera alors de mani` ere semblable pour les niveaux sup erieurs en partant
des lancements modi es de niveau 1 donn es au tableau 5.23.
Section 5.6. Exercices 89
5.6 Exercices
5.1. D etermination des besoins nets. Une soci et e fabrique deux produits nis
PF1 et PF2 qui se composent de sous-ensembles (S) et de pi` eces achet ees (A).
Les nomenclatures des produits nis et des sous-ensembles sont pr esent ees
ci-dessous.
PF1 utilise
_

_
2 S1
3 S2
4 A3
, PF2 utilise
_
2 S1
4 A3
,
S1 utilise
_
2 A1
2 A3
, S2 utilise
_
2 A2
2 A3
.
Les cycles de fabrication des sous-ensembles et des produits nis sont de
deux semaines. Le d elai dapprovisionnement des produits achet es est
egalement de deux semaines. On dispose dun stock initial de 150 S1, de
150 S2 et de 500 A3. Il ny a pas de livraisons attendues. Les produits nis
sont fabriqu es au lot par lot. Les sous-ensembles doivent etres fabriqu es par
lot minimum (et non n ecessairement multiple) de 100 unit es (on peut lancer
100, 101, 102 etc...). Les commandes enregistr ees pour les 16 semaines
` a venir pour ces produits sont indiqu ees au tableau ci-dessous. Un chiffre
absent signie quil ny a pas de commande.
Sem 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PF1 40 60 50 70
PF2 10 20 30 10 20 30 20 30
(a) Calculez les besoins nets et les lancements de production des deux
produits nis.
(b) Calculez les besoins nets et les lancements de production ainsi que le
stock nal des deux sous-ensembles.
(c) D eterminez les besoins nets du composant A3.
5.2. Importation de syst` emes Home Cin ema. Une soci et e vend des ensembles
Home Cin ema compos es dun t el eviseur plat, un lecteur DVD et un en-
semble acoustique. Lensemble acoustique peut egalement etre vendu seul.
La soci et e dispose au 31 octobre dun stock de 200 Home cin ema (incluant
lensemble acoustique) et de 600 ensembles acoustiques. La r eception de
500 ensembles acoustiques est pr evue pour le 1 d ecembre. Limportation de
lensemble Home Cin ema prend 1 mois et ninclut pas lensemble acous-
tique. Celui-ci est ` a commander en sus et est ajout e ` a lensemble Home
90 Chapitre 5. La planication de la production
Cin ema juste avant sa livraison au client nal. Limportation de lensemble
acoustique prend 2 mois. La valeur de lensemble Home Cin ema complet
est de 2500 euro, celle de lensemble acoustique est de 800 euro. Le tableau
suivant indique les pr evisions de la demande :
Demande Novembre D ecembre Janvier F evrier
Home Cinema 500 1200 900 400
Ensemble acoustique 200 400 300 200
Le co ut de stockage mensuel est de 2 % de la valeur des marchandises.
(a) Calculez les besoins nets pour lensemble Home Cin ema.
(b) Calculez les besoins nets pour lensemble acoustique.
(c) Planiez les lancements de commande des ensembles Home Cin ema.
(d) Planiez les lancements de commande des ensembles acoustiques sa-
chant que les commandes doivent etre multiples de 500 unit es.
(e) Calculez le co ut de stockage par mois et par produit.
5.3. D etermination des besoins et lancements de production de niveau 2. A
partir de lajustement charge-capacit e de niveau 1, d eduire les besoins nets
et les lancements de production de niveau 2 ` a capacit e innie.
5.4. Ajustement charge-capacit e de niveau 2. V erier si la charge r esultante
nexc` ede pas la capacit e de latelier. Si cest le cas, faire lajustement.
5.5. Production de robes de mari ees. Une petite entreprise de couture confec-
tionne des robes de mari ees en s erie. Lunique atelier de lentreprise r ealise
la confection des robes ` a un co ut horaire est de 100 euro. La fabrication
dune robe n ecessite 3 heures. Les tissus pour la robe co utent 400 euro.
Le plan directeur de production indique une demande constante de 10 robes
par semaine pour les semaines 1 ` a 5. En d ebut de semaine 1, lentreprise
dispose dun stock de 15 robes. Une production en sous-traitance (=livraison
attendue) de 5 robes est pr evue en semaine 4.
(a)

Etablir le tableau des besoins nets et des lancements de production pour
les semaines 1 ` a 5 en supposant un d elai dobtention n egligeable (on
peut produire pour satisfaire une demande de m eme p eriode).
(b) La capacit e de production etant de 30 les deux premi` eres semaines et
21, les trois suivantes, proc edez ` a lajustement charge-capacit e.
(c) Calculez le co ut de stockage total sur les 5 semaines pour les robes.
Le co ut de stockage des articles en stock en n de semaine est estim e
` a 1% par semaine du co ut de revient des articles.
Chapitre 6
Les techniques de juste ` a temps
6.1 Origine et principe du JAT
Comme le souligne Baglin et al [1], les techniques de juste ` a temps trouvent leur
origine dans les nouvelles exigences du march e :
La variabilit e de la demande : laugmentation du nombre de mod` eles et la
diminution de la dur ee de vie des produits n ecessitent une adaptation plus
rapide des produits.
Le d elai admissible par les clients est plus court : on ne peut donc plus
produire ` a la commande, cest-` a-dire lancer une commande sp eciale avec
des d elais longs.
La concurrence internationale impose de produire une bonne qualit e ` a un
prix tr` es bas.
Enconclusions, il faut produire ` alademande duclient, sans d elai et encomprimant
au maximum le co ut de fabrication. Il y a donc conit entre la gestion en grande
s erie (qui permet de r eduire les co uts de fabrication) et la gestion ` a la carte (qui est
beaucoup plus souple).
Lid ee du JAT est de chercher ` a concilier les avantages de la grande s erie (ux
rapides et importants) avec ceux de la petite s erie (grande adaptabilit e). La logique
fondamentale du JAT est la suivante :
Production = Demande.
Autrement dit, on produit la quantit e strictement n ecessaire aux besoins imm ediats
du client. Le principe est appliqu e de proche en proche jusquaux fournisseurs.
Ceci entrane la suppression des stocks interm ediaires : on parle de gestion en ux
91
92 Chapitre 6. Les techniques de juste ` a temps
tendus. La suppression des stocks apparat donc comme une cons equence de la
logique du JAT.
Ceci va ` a lencontre des politiques traditionnelles dorganisation de la produc-
tion. Le mode dorganisation traditionnel a pour objectif essentiel la recherche
de la plus grande productivit e du syst` eme. Ses cons equences sont :
1. Pour raison d economie d echelle, on a des unit es de fabrication de grande
taille organis ees en ateliers sp ecialis es. On a donc des ux importants et
discontinus entre ces unit es n ecessitant des stock interm ediaires.
2. Pour raison de co ut, on met en place des capacit es de production correspon-
dant ` a la demande moyenne qui sont satur ees en permanence : la variabilit e
de la demande n ecessite donc des stocks de produits nis.
3. On lance de grandes s eries pour amortir le co ut de lancement. Ce qui entrane
aussi des stocks importants.
4. Pour diminuer le co ut de manutention, on transporte en grande quantit e
(camions, containers complets). Ce qui occasionne egalement des stocks
elev es de mati` eres qui ne sont pas imm ediatement consomm ees.
5. Pour d ecoupler les probl` emes, on constitue des stocks interm ediaires.
6. A chaque stade du produit, on ajoute un d elai dobtention pour tenir compte
des arr ets fr equents (contr ole, maintenance,. . . ).
On en conclut que chacun ` a tendance ` a goner les stocks. Le JATdevant ce constat,
plut ot que dessayer de g erer ling erable propose de supprimer les stocks.
Le fonctionnement en JAT appelle cependant les remarques suivantes :
1. Souvent, les usines ne fonctionnent que partiellement en ux tendus : en
ux tendus au moment o` u lon personnalise le produit, avec des stocks
dapprovisionnement pour les pi` eces standards.
2. Les ux de production peuvent etre tir es non par des commandes clients
mais par le plan directeur de production.
3. Le JAT n ecessite tout de m eme l etablissement dun plan directeur de pro-
duction et le calcul des besoins.
Section 6.2. Les deux approches du JAT 93
6.2 Les deux approches du JAT
Le JAT a donc un double objectif :
augmenter la r eactivit e du syst` eme logistique : diminuer le d elai, diversier
la production,. . .
diminuer le co ut global de production : en eliminant les gaspillages inutiles.
6.2.1 Augmenter la r eactivit e du syst` eme logistique
Le but est ici de pouvoir r epondre rapidement aux variations quantitative et qua-
litative de la demande. Le moyen utilis e est le suivant : pour raccourcir le cycle
de fabrication, on r eduit les stocks.
Pour r eduire les stocks de mati` ere premi` ere, les fournisseurs doivent livrer
plus souvent.
Pour r eduire les stocks den-cours de production, on doit r eduire le temps
entre ateliers.
Pour r eduire les stocks de produits nis, on doit pouvoir changer souvent de
fabrication.
Remarquez que, pour r eduire les stocks, il faut sattaquer ` a leur cause : les pannes
machines, les temps de r eglage longs, etc. . .
6.2.2 La rationalisation de la production
Le but est ici dam eliorer la performance globale en eliminant les gaspillages. Le
principe fondamental est que les seuls temps utiles sont ceux pendant lesquels
le produit voit sa valeur saccrotre. Ainsi, les op erations suivantes sont non
productives : d eplacer, stocker, grouper, contr oler,. . . Pour pouvoir diminuer
ces op erations improductives, il faut sattaquer ` a leurs causes : les d efauts de
fabrication, les retards, les pannes, les lenteurs administratives,. . .
On peut ici citer limage de Taichi Ohno (de Toyota) qui dit que, pour traverser
une rivi` ere sans encombre, dans lapproche traditionnelle : on augmente le niveau
de leau et on passe au dessus des epaves, dans lapproche JAT : on drague le
euve, ce qui permet un niveau deau plus faible. En conclusions, en sattaquant
aux causes de dysfonctionnement, on am eliore la productivit e globale du syst` eme
et on am eliore la qualit e des produits.
94 Chapitre 6. Les techniques de juste ` a temps
6.3 Les facteurs cl es du JAT
La r eussite du passage dune organisation classique ` a une organisation JAT
n ecessite des m ethodes de gestion tr` es r eactives ainsi que la matrise des al eas.
6.3.1 Recherche dun plus grande r eactivit e
On atteindra une plus grande r eactivit e en augmentant la exibilit e de la produc-
tion. On peut d enir la exibilit e comme la capacit e du syst` eme de production ` a
sadapter en permanence ` a la demande. On distingue deux types de exibilit e :
La exibilit e quantitative est la capacit e de faire face ` a des pointes de
demande :
il faut surdimensionner la capacit e, par exemple, en gardant les an-
ciennes machines lors dun renouvellement.
il faut faire appel ` a la exibilit e de la main duvre : appel aux tem-
poraires, ` a la sous-traitance, aux heures suppl ementaires,. . .
La exibilit e qualitative est la capacit e de traiter une grande vari et e de
produits :
il faut pouvoir passer rapidement dun produit ` a lautre : on utilisera
des machines ` a commandes num eriques.
la polyvalence du personnel est egalement souhaitable.
6.3.2 Matrise des al eas
Il faut ici se pr emunir contre les causes des stocks que sont les pi` eces re cues
d efectueuses, les pannes machine, ainsi les retards de livraison. On visera ici le
z ero d efaut pour les pi` eces fabriqu ees. En effet, en labsence de stock, le d efaut
dune pi` ece livr ee interrompt la chane de montage. Le z ero d efaut sera recherch e
par la pr evention plut ot que par le contr ole ` a posteriori.
Il faut egalement assurer la abilit e des equipements. En effet, larr et dune
machine entrane larr et de toutes les machines en aval faute dapprovisionnement.
De m eme pour les machines en amont qui, autrement, constitueront des stocks. La
abilit e est obtenue par des proc edures de maintenance pr eventive.
Enn, il existe relation plus etroite entre le client et le fournisseur car le
fournisseur dune usine JAT est g en eralement plus conscient des cons equences de
lenvoi dune pi` ece d efectueuse pour le client.
Section 6.4. La methode Kanban 95
6.4 La m ethode Kanban
Lid ee de la m ethode est que la production soit tir ee par laval : chaque poste
ne travaille que pour satisfaire une demande du poste aval. Linformation sur la
demande du poste aval est transmise par un document appel e Kanban ( etiquette)
donnant :
la description de la pi` ece et de lop eration ` a effectuer;
le lieu dorigine et de destination de la pi` ece;
la quantit e par conteneur.
Cette technique utilise en effet des conteneurs standards pour la circulation entre
les postes.
L etiquette est donc un ordre de fabrication des pi` eces qui
descend le ux de pi` eces (lors de la fabrication);
remonte ce ux une fois les pi` eces consomm ees.
Le rythme de fabrication est donc egal ` a la vitesse de circulation des etiquettes
qui est, elle-m eme, d etermin ee par le rythme de consommation des pi` eces. Par
exemple, si la consommation vient ` a se tarir, les etiquettes ne remontent plus et la
fabrication sarr ete.
Pour un bon fonctionnement du syst` eme, il faut une capacit e sufsante des
postes amont pour r epondre ` a la demande : ceci n ecessite donc en g en eral de
pr evoir une surcapacit e.
6.4.1 Syst` eme Kanban ` a une boucle
Le fonctionnement du syst` eme Kanban ` a une boucle est le suivant (cfr gure 6.1) :
L etiquette est appos ee sur le conteneur de pi` eces qui viennent d etre fa-
briqu ees en amont (a);
Elle accompagne le conteneur au poste suivant et reste sur le conteneur en
attente (b);
Au moment o` u le conteneur est mis en fabrication sur le poste aval, le Kanban
est lib er e et retourne au poste amont (c);
96 Chapitre 6. Les techniques de juste ` a temps
POSTE
AMONT
Transport
entre postes
POSTE
AVAL
(a)
(d)
(c)
(b)
Conteneur avec tiquette Etiquette libre
Figure 6.1: Syst` eme Kanban ` a une boucle.
Il entre dans le planning du poste amont (d) do` u il sort au moment dune
nouvelle fabrication.
On peut faire les remarques suivantes sur le fonctionnement du syst` eme kan-
ban ` a une boucle :
1. Tout conteneur rempli poss` ede obligatoirement une etiquette (cest-` a-dire
son ordre de fabrication).
2. Une etiquette libre (cest-` a-dire non attach ee ` a un conteneur) repr esente un
ordre de fabrication pour une quantit e xe de pi` eces sur un poste de travail
d etermin e.
3. Le nombre d etiquettes en circulation entre deux postes xe les stocks den
cours de fabrication : en effet, le volume des en cours, cest-` a-dire le nombre
de conteneurs entre les postes, est inf erieur ou egal au nombre d etiquettes
en circulation.
4. En observant son planning d etiquettes en attente, le responsable du poste
amont peut choisir ses priorit es de fabrication dapr` es les besoins des agents
des diff erents postes aval quil fournit.
6.4.2 D etermination du nombre d etiquettes
Un probl` eme fondamental est la d etermination du nombre d etiquettes ` a mettre
en circulation. Ce nombre doit, en effet, r esulter dun compromis entre :
un nombre pas trop elev e : sinon on g en` ere des stocks interm ediaires;
un nombre pas trop faible : sinon le poste aval risque de tomber en rupture.
Section 6.4. La methode Kanban 97
Les donn ees du probl` eme sont les suivantes :
C
u
, la consommation du poste aval en unit es par minute;
Q
e
, la taille economique des lots fabriqu es en amont;
k, la capacit e dun conteneur;
T
r
, le d elai de r eaction du syst` eme lorsque le stock au poste aval atteint le
seuil de lancement dune production. Ce d elai de r eaction comprend
le retour du ticket dalerte vers lamont,
lattente au planning amont,
le r eglage de la machine amont,
la production du premier conteneur,
le transport du conteneur jusquau poste aval.
Le principe utilis e pour d eterminer le nombre d etiquettes est le suivant : le
nombre de conteneurs dans la boucle correspond au strict minimum pour que le
syst` eme fonctionne sans rupture pour le poste aval.
Illustrons ceci sur un exemple tir e de Baglin et al [1]. Soit D = 2000 pi` eces, la
demande moyenne du poste aval par journ ee de 8 heures de travail. On en d eduit
une consommation en unit es par minute de :
C
u
=
2000
8 60
= 4, 1667
Soit k = 100 pi` eces, la capacit e dun conteneur. Soit T
r
, temps de r eaction qui
r esulte dun temps de retour du ticket de 30 minutes (le ramassage des tickets
seffectue toutes les heures, donc un temps moyen dattente dune demi heure),
dune attente moyenne de 10 minutes au planning du poste amont, dun r eglage
de la machine de 10 minutes, dun temps de production de 0,1 minute par pi` ece
(donc 10 minutes pour 100 pi` eces), dun temps de transport de lamont vers laval
de 35 minutes :
T
r
= 30 + 10 + 10 + 10 + 35 = 95
Pendant le temps de r eaction, la consommation du poste aval est de :
T
r
C
u
= 95 4, 1667 = 395, 83
Il en r esultera quil faut au moins 4 etiquettes en permanence dans le syst` eme :
N
e

T
r
C
u
k
= 3, 96
98 Chapitre 6. Les techniques de juste ` a temps
Si lon veut prendre une marge de s ecurit e de = 10 % :
N
e

(1 +)T
r
C
u
k
=
1, 1 395, 83
100
= 4, 3541.
Il faudra donc au moins 5 etiquettes en permanence dans le syst` eme.
Supposons maintenant que, au poste amont, larbitrage entre le co ut de lance-
ment et le co ut de possession justie une production par lot de taille economique
optimale :
Q
e
= 600 pi` eces,
cest-` a-dire ` a 6 conteneurs (Q
e
/k). Il faudra donc attendre davoir six etiquettes
accroch ees au planning du poste amont avant de pouvoir lancer en fabrication de
quoi remplir le premier conteneur. Il faudra donc ajouter ces 6 conteneurs aux 5
pr ec edents.
Le nombre de conteneurs dans la boucle correspond donc en g en eral ` a la
somme :
du stock correspondant au seuil dalerte, cest-` a-dire au stock permettant de
faire fonctionner le poste aval durant T
r
, augment e dune marge de s ecurit e
:
(1 +)C
u
T
r
du lot economique Q
e
produit par le poste amont :
Q
e
le tout divis e par k, la capacit e dun conteneur :
N
e

(1 +)C
u
T
r
+Q
e
k
(6.1)
Le r esultat est arrondi ` a lentier sup erieur. Ce qui donne ici :
N
e

(1 +)C
u
T
r
+Q
e
k
=
435 + 600
100
= 10, 35
Ce qui correspond ` a 11 conteneurs de 100 pi` eces.
Section 6.5. Exercices 99
6.5 Exercices
6.1. Planication juste-` a-temps dune brasserie. Une brasserie produit une
bi` ere sp eciale. La fermentation se termine dans des cuves de haute fermen-
tation. L equipement dembouteillage est constitu e de deux lignes :
une ligne dembouteillage affect ee aux bouteilles de 25 cl, qui remplit
1600 bouteilles par heure,
une ligne dembouteillage affect ee aux bouteilles de 75 cl, qui remplit
800 bouteilles par heure.
La soci et e aimerait utiliser un syst` eme de kanban an de coordonner la
production entre le syst` eme amont (les cuves) et le syst` eme aval (lembou-
teillage). Les containers de transport entre lamont et laval ont une capacit e
de 300 litres. Le d elai de r eaction du syst` eme est de 3 heures.
(a) Calculez le nombre d etiquettes n ecessaires pour assurer le fonction-
nement en continu de lembouteillage sans tenir compte dune taille
economique minimale ` a lamont. Le gestionnaire d esire appliquer un
coefcient de s ecurit e de 10 %.
(b) Sachant que les cuves de fermentation ont une capacit e de 10.000
litres et sont vid ees en entier avant d etre ` a nouveau remplies, on peut
consid erer que la quantit e economique du poste amont est de 10.000
litres. Quel est alors le nombre d etiquettes ` a ajouter dans le syst` eme ?
6.2. Production de hamburgers en restauration rapide. Consid erons la ges-
tion de la cuisson dun type de hamburger dans un drive-in dun point de
restauration rapide. La commande aupr` es du pr epos e ` a la cuisson se fait par
lot de 6 hamburgers. Lorsquun lot de 6 hamburgers est fourni au comptoir
de vente, il est pr ec ed e dune plaque indiquant 6 hamburgers. D` es que
le pr epos e ` a la vente entame le lot de 6 hamburgers, il retourne la plaque
au manager qui toutes les dix minutes remonte en cuisine avec les plaques.
Consid erons une soir ee de semaine (hors mercredi o` u la demande est plus
forte). On suppose, ce qui est une approximation, que la demande de 500
hamburgers est r epartie uniform ement sur la tranche 18 h - 22 h. Le pr epos e
` a la cuisson fabrique, outre les hamburgers, trois autres produits qui peuvent
loccuper, parfois de mani` ere continue pendant 12 minutes avant quil ne
puisse entamer la cuisson des hamburgers. La cuisson dun lot de 6 hambur-
gers dure 6 minutes (3 minutes pour une face, 3 minutes pour lautre). En-
suite, lemballage et le garnissage prend 0,5 minute par hamburger. Lenvoi
du lot de 6 hamburgers vers le comptoir est instantan e (par bande porteuse).
100 Chapitre 6. Les techniques de juste ` a temps
(a) Calculer la consommation en unit es par minute faite par les clients du
drive-in pour ce hamburger.
(b) Calculer le temps de r eaction du syst` eme, ` a savoir le temps qui s ecoule
entre le moment o` u le pr epos e ` a la vente entame un lot de 6 hamburgers
et celui o` u le lot revient avec la plaque. Donner le d etail du calcul.
(c) Calculer la consommation de hamburgers des clients pendant le temps
de r eaction du syst` eme.
(d) En tenant compte du fait que la production de hamburgers nest lanc ee
que sil y a une commande de 12 pi` eces, calculez le nombre minimum
de plaques ` a mettre dans le syst` eme pour eviter la rupture dapprovi-
sionnement du comptoir vente.
(e) Comment faire pour tenir compte dans votre calcul des hamburgers
jet es car ayant d epass e leur dur ee de conservation (1 heure) ? Ceci
repr esente environ 10 % de la demande.
6.3. Transport de brames. La ligne ` a chaud de Chertal produit des bobines
dacier appel ees coils. Lamont de la ligne ` a chaud est compos e des hauts
fourneaux produisant de la fonte en fusion, dun convertisseur suivi de la
coul ee continue. Lors des diverses op erations amont, le m etal liquide est
transform e en plaques, appel ees brames. Chacune de ces pi` eces p` ese 500
kg. Elles sont alors transport ees par lots vers laval constitu e du laminoir
du site. Ce trajet, chargement et d echargement inclus, dure 6 heures. Les
transporteurs de brames (des trains priv es) ont une capacit e maximale utile
de 50 tonnes. Le laminoir aval doit fonctionner en permanence ` a un rythme
de 110 kg ` a la minute. Le gestionnaire du site de Chertal d esire utiliser un
syst` eme de Kanbans an de minimiser les lots de brames en cours entre la
production amont (les hauts fourneaux, le convertisseur et la coul ee) et le
syst` eme aval (le laminoir). Le temps de retour des transporteurs, munis des
etiquettes, est estim e ` a 120 minutes. On consid` ere que lon fait partir un
train uniquement sil est charg e au maximum.
(a) En consid erant un temps nul dattente au planning amont et un temps
de production ` a lamont n egligeable, calculez le nombre d etiquettes
n ecessaires pour assurer le fonctionnement en continu du laminoir aval.
(b) Avec ce nombre d etiquettes, quel est le coefcient de s ecurit e ?
(c) On consid` ere maintenant que les hauts- fourneaux d elivrent des lots
de 120 tonnes (= quantit e economique). Quel est alors le nombre
d etiquettes ` a mettre en service (avec un coefcient de s ecurit e nul) ?
(d) Quel est le rythme auquel les lots des hauts-fourneaux doivent etre
d elivr es pour que le syst` eme ne tombe pas en rupture ?
Partie III
Les d ecisions strat egiques
101
Chapitre 7
Lordonnancement de projets
7.1 Introduction
Lors de tout projet de grande envergure (construction dun bateau, dun avion, dun
b atiment,...), un probl` eme crucial qui se pose est celui du calendrier dex ecution
des t aches. Le probl` eme est de d eterminer dans quel ordre doivent senchaner les
diverses t aches de mani` ere ` a minimiser le temps total dex ecution du projet.
Prenons un exemple tir e de Giard [4].. On veut construire un nouveau b atiment
de mani` ere ` a pouvoir d em enager au plus t ot. Certaines t aches (voir tableau 7.1)
ne peuvent sex ecuter quapr` es que dautres soient termin ees. Par exemple, on
ne peut commencer les fondations que lorsque le terrassement est ni. On ne
peut monter les murs que lorsque les fondations sont termin ees. Dautres t aches
peuvent sex ecuter simultan ement. Par exemple, les travaux d electricit e et de
plomberie peuvent etre men es de pair. On doit tenir compte, dans les probl` emes
No t ache dur ee (jours) pr ealables
1 terrassement 5 -
2 fondations 4 1
3 colonnes porteuses 2 2
4 charpente toiture 2 3
5 couverture 3 4
6 ma connerie 5 3
7 plomberie, electricit e 3 2
8 coulage dalle b eton 3 7
9 chauffage 4 8 et 6
10 pl atre 10 9 et 5
11 nitions 5 10
Tableau 7.1: Construction dun b atiment.
dordonnancement, de divers types de contraintes.
103
Tache i i < j Tache j
i
j
d
i
Tache i
i <j
T ache j
i, d
i
j, d
j
104 Chapitre 7. Lordonnancement de projets
Les contraintes de localisation temporelle expriment la localisation dune
t ache dans le temps : une t ache ne peut commencer avant une telle date, ou
apr` es une telle date (par exemple, en raison des conditions climatiques).
Les contraintes de succession temporelle expriment les relations dant e-
riorit e entre les t aches : une t ache ne peut commencer avant la n dune autre
(par exemple, on ne coule pas les fondations avant la n du terrassement).
Les contraintes disjonctives expriment le fait que deux t aches ne peuvent
avoir lieu en m eme temps sans que lon puisse dire laquelle doit etre effectu ee
avant lautre (par exemple, une m eme grue est utilis ee sur deux chantiers).
Le probl` eme dordonnancement avec des contraintes de localisationtemporelle
et de succession temporelle seulement est appel e probl` eme central dordonnan-
cement. Il sagit de d eterminer le calendrier de d ebut de chacune des t aches de
mani` ere ` a terminer le chantier au plus vite en respectant les contraintes temporelles.
Nous allons voir que ce probl` eme utilise la notion de graphe, aussi bien pour
sa formulation que pour sa r esolution. Il existe deux m ethodes de r esolution pour
ce probl` eme, ` a savoir :
la m ethode du potentiel d evelopp ee en France en 1957 et qui associe ` a
chaque t ache un nud du r eseau, tandis que les relations dant eriorit e sont
repr esent ees par des arcs entre les t aches (voir gure 7.1);
Figure 7.1: Graphe de la m ethode des potentiels.
La m ethode PERT (pour Program Evaluation Review Technique) sest d e-
velopp ee, parall` element ` a la m ethode du potentiel, aux

Etats-Unis en 1958
pour la planication de la construction des sous-marins Polaris. Elle se
distingue de la m ethode du potentiel par le fait que les t aches ne sont plus
associ ees aux nuds mais bien aux arcs du r eseau (voir gure 7.2).
Figure 7.2: Graphe de la m ethode des potentiels.
Section 7.2. Formulation du probl`eme 105
7.2 Formulation du probl` eme
Fixons-nous les notations suivantes. Nous avons n t aches ` a ex ecuter, indic ees
i = 1, . . .n. Utilisons egalement la notation d
i
pour d esigner la dur ee dex ecution
de la t ache i (qui est ici une donn ee). D esignons par t
0
le temps de d ebut dex ecution
du chantier, suppos e egalement connu.
Les variables du probl` eme sont les suivantes : t
i
note le temps de d ebut
dex ecution de la t ache i, et t
f
(= t
n+1
) note le temps de n de chantier.
Formulons maintenant lobjectif : il sagit simplement de minimiser le temps
de r ealisation du chantier, autrement dit :
minz = t
f
t
0
qui consistera ` a minimiser t
f
si on se xe initialement t
0
= 0.
Formulons maintenant les contraintes du probl` eme central dordonnancement.
Elles sont de trois types :
Les contraintes de localisation temporelle expriment que la t ache i ne peut
commencer avant le d ebut de chantier :
t
i
t
0
, i sans pr ed ecesseur (7.1)
Les contraintes de succession temporelle expriment que la t ache j ne peut
d ebuter avant que toute t ache i pr ealable ` a j ne soit nie :
t
i
+d
i
t
j
, t ache i ant erieure ` a la t ache j (7.2)
Les contraintes de n de chantier expriment que toute t ache i doit etre nie
avant la n de chantier :
t
i
+d
i
t
f
, i sans successeur (7.3)
Remarquez que vu la pr esence des contraintes de succession temporelle (7.2),
il suft d ecrire (7.1) pour toute t ache nayant pas de pr ed ecesseur et (7.3) pout
toute t ache nayant pas de successeur.
7.3 Repr esentation graphique du probl` eme
On associe donc au probl` eme central dordonnancement un graphe dont les som-
mets repr esentent les diverses t aches du probl` eme. On ajoute un nud 0 qui
106 Chapitre 7. Lordonnancement de projets
correspond ` a la date de d ebut de chantier et un nud f = n + 1 qui correspond
` a la n de chantier. Les arcs du r eseau repr esentent les diverses contraintes qui
peuvent toutes se mettre sous la forme suivante
t
i
+d
i
t
j
en d enissant d
0
= 0. Le probl` eme central dordonnancement se formule donc
ainsi :
min t
f
(t
0
)
s.c.q. t
i
+d
i
t
j
, (i, j) A
(7.4)
o` u A note lensemble des arcs du r eseau.
0
12
5 4 3
2 1 0 11 10
9 8 7
6
5
4
4
3
2 2
2
4
5
3 3
5 10
Figure 7.3: graphe associ e.
Reprenons lexemple. On peut construire syst ematiquement le graphe associ e
au probl` eme dordonnancement de la mani` ere suivante (voir gure 7.3) :
1. On relie dabord toutes les t aches qui peuvent etre effectu ees sans pr ealable
au nud 0, d ebut de chantier par un arc de longueur nulle. Dans lexemple,
seule la t ache 1 est dans ce cas. Remarquez quil sagit de la repr esentation
des contraintes (7.1).
2. Ensuite, on prend une t ache d ej` a dans le graphe et on examine si elle pr ec` ede
dautres. Par exemple, la t ache 1 doit pr ec eder la t ache 2. On doit donc avoir
t
1
+d
1
t
2
.
On trace le nud 2 et on le relie au nud 1 par un arc de longueur d
1
. On
fait de m eme pour repr esenter toutes les contraintes de type (7.2).
3. Enn, quand toutes les t aches sont dans le graphe, pour les seules t aches qui
ne sont suivies daucune autre, on les relie au nud n + 1, n de chantier,
avec un arc de longueur egale ` a la dur ee de la t ache. Ici, seule la t ache nition
est dans ce cas, et il faut que cette t ache soit nie pour la n du chantier. Il
sagit ici de repr esenter les contraintes du type (7.3).
Section 7.3. Representation graphique du probl`eme 107
Disons un mot de la repr esentation des trois autres types de contraintes que
lon peut rencontrer dans les probl` emes dordonnancement de projets :
1. Contraintes de localisation temporelle du type min. Supposons dabord
que la t ache 3 ne puisse commencer avant 10 :
10 t
3
t
0
+ 10 t
3
.
Ceci se repr esente en joignant les nuds 0 et 3 par un arc de longueur 10.
2. Contrainte de localisation temporelle du type max. Ensuite, supposons
que la t ache 5 doive etre commenc ee avant 40 :
t
5
t
0
+ 40 t
5
40 t
0
.
Ceci se repr esente en joignant les nuds 5 et 0 par un arc de longueur -40.
3. Contrainte du type ecart maximum. Enn, supposons que la t ache 9 doive
commencer au plus tard 5 jours apr` es le d ebut de la t ache 8 :
t
9
t
8
+ 5 t
9
5 t
8
.
Ceci se repr esente en joignant les nuds 9 et 8 par une arc de longueur -5.
0
12
5 4 3
2 1 0 11 10
9 8 7
6
5
4
4
3
2 2
2
4
5
3
3
5 10
10
-40
-5
Figure 7.4: Trois autres types de contraintes.
Avant de voir lalgorithme qui permet de r esoudre le probl` eme dordonnan-
cement, nous allons dire un mot des conditions sous lesquelles ce probl` eme est
r ealisable. En effet, les contraintes temporelles peuvent venir de divers services et
etre incompatibles entres elles.
108 Chapitre 7. Lordonnancement de projets
7.4 Existence dune solution
Supposons que nous ayons la situation suivante.
T ache Dur ee pr ealable
1 d
1
3
2 d
2
1
3 d
3
2
Cette situation est repr esent ee ` a la gure 7.5.
3
2
1
d
1
d
2
d
3
Figure 7.5: Circuit de longueur positive.
On voit ici que le graphe contient un circuit (cycle avec tous les arcs dans
le m eme sens) dont la somme des longueurs des arcs est positive.

Ecrivons les
contraintes correspondantes :
t
1
+d
1
t
2
t
2
+d
2
t
3
t
3
+d
3
t
1
En sommant et en simpliant, on obtient la condition suivante :
d
1
+d
2
+d
3
0
On peut alors montrer le r esultat suivant.
Lemme 7.1 Les contraintes temporelles sont compatibles entre elles si et seu-
lement si le graphe associ e ne comporte aucun circuit de longueur (somme des
longueurs des arcs le constituant) strictement positive.
Remarquez quun cycle avec une somme des longueurs n egative ne pose pas de
probl` eme. Par exemple, ` a la gure 7.4, la t ache 8 de longueur 3 doit etre nie avant
que ne commence la t ache 9 et la t ache 9 doit commencer end eans les 5 jours de
d ebut de la t ache 8 :
t
8
+ 3 t
9
t
9
5 t
8
Ceci se repr esente, comme vu ci-dessus, par une ` eche de 8 vers 9 de longueur 3
et une ` eche retour de longueur -5. Ceci ne pose pas de probl` eme, la somme des
longueurs etant n egative.
Section 7.5. Calcul de lordonnancement au plus t ot 109
7.5 Calcul de lordonnancement au plus t ot
Nous allons maintenant voir un algorithme de calcul de lordonnancement au plus
t ot. Lordonnancement au plus t ot d etermine les dates de d ebut au plus t ot des
diff erentes t aches, not ees t
i
, en partant du nud de d ebut de chantier.
Illustrons les choses sur lexemple. La t ache 1 peut commencer au plus t ot en
0 puisquelle est reli ee au au nud 0, d ebut de chantier, par un arc de longueur
nulle. La t ache 2 peut commencer d` es la n de la t ache 1, cest-` a-dire
t
2
= t
1
+d
1
= 5
et ainsi de suite, on marque t
3
= 9, t
4
= 11, t
5
= 13, ...
Lorsquun sommet (comme le sommet 9) a plus dun pr ed ecesseur (8 et 6), on
d etermine la date au plus t ot par un maximum :
t
9
= max {t
6
+d
6
, t
8
+d
8
} = 16.
Il faut, en effet, que les deux t aches pr ec edentes soient nies avant de pouvoir
d ebuter la t ache 9. On arrive ainsi ` a d eterminer la dur ee totale minimum qui est
ici de 35 jours.
Lordonnancement au plus t ot est illustr e ` a la gure 7.6 o` u le temps de d ebut
au plus t ot est indiqu e au dessus des nuds.
0
12
5 4 3
2 1 0 11 10
9 8 7
6
5
4
4
3
2 2
2
4
5
3
3
5 10
0 0 5
9
9
11
11
12
16
13
35 30 20
Figure 7.6: Ordonnancement au plus t ot.
7.6 Ordonnancement au plus tard
Certaines t aches sont telles que si on retarde leur date de d ebut, cela aura des
r epercussions sur la date de n de chantier. Par exemple, si on retarde la date
de d ebut de la t ache 11 (nition), cela va directement retarder la date de n de
110 Chapitre 7. Lordonnancement de projets
chantier. De m eme, si on retarde la t ache 10 (pl atre), cela va retarder la date de
d ebut de la t ache 11 (nition) qui elle-m eme retarde la date de n de chantier.
Par contre, si on retarde le d ebut de la t ache 5 (couverture), cela naura pas de
r epercussion, car ce nest pas ` a partir de ce nud que son successeur (10) a et e
marqu e mais bien ` a partir du nud 9. On voit donc que lon peut retarder la date
de d ebut de la t ache 5 sans cons equence sur la date de n de chantier jusqu` a un
certain point. En effet, t
5
= 13, t
10
= 20, et d
5
= 3. Autrement dit, la date de
d ebut de la t ache 5 peut etre retard ee jusqu` a la valeur :
t
10
d
5
= 20 3 = 17
sans retarder la date de d ebut de la t ache 10. On dit que 17 est la date de d ebut au
plus tard de la t ache 5. Cest-` a-dire que la t ache 5 peut etre commenc ee ` a cette
date au plus tard sans allonger la dur ee totale minimale des travaux.
On notera une date de d ebut au plus tard par t
i
. On peut calculer lordonnan-
cement au plus tard de la mani` ere suivante (voir gure 7.7). Partant du nud n,
pour lequel la date de d ebut au plus tard concide avec la date de d ebut au plus t ot
t
12
= t
12
= 35,
on retranche ` a la date au plus tard la dur ee de la derni` ere t ache. On d etermine ainsi
la date de d ebut au plus tard de la t ache 11 :
t
11
= t
12
d
11
= 35 5 = 30.
On marque ensuite ` a rebours les nuds 10, 5, ...
0
12
5 4 3
2 1 0 11 10
9 8 7
6
5
4
4
3
2 2
2
4
5
3 3
5 10
0
0 5
9
9
11
11
12 16
13
35 30 20
0
0
10
9 15
13 16
17
35 30
20
11
5
Figure 7.7: Ordonnancement au plus tard.
Lorsquun nud a plusieurs successeurs, on ne peut marquer ce sommet que
si tous ses successeurs directs sont marqu es. Prenons, ` a titre dillustration, le cas
du nud 3. Dans ce cas, il faut prendre le minimum :
t
3
= min{t
4
d
3
, t
6
d
3
} = min{15 2, 11 2} = 9,
sans quoi on retarderait la date de n de chantier.
Section 7.7. Chemin critique et calcul des marges 111
7.7 Chemin critique et calcul des marges
D enition 7.1 On d enit la marge dune t ache comme la diff erence entre son
temps de d ebut au plus tard et au plus t ot :
m
i
= t
i
t
i
(7.5)
On peut interpr eter la marge comme le nombre maximum de jours de retard dans
lex ecution de la t ache sans cons equence sur la date de n de projet.
On voit directement que lon a deux sortes de t aches.
Les t aches critiques qui ont une marge nulle. Ce sont donc les t aches ` a
surveiller en premier si lon veut respecter le d elai minimum de r ealisation
du projet. En effet, pour ces t aches, tout retard sur leur date de d ebut se
r epercutera sur la date de n de chantier.
Les t aches non critiques qui ont une marge strictement positive que lon
peut d eterminer par la formule (7.5). Les marges sont indiqu ees ` a la gure
7.8 entour ees dun carr e.
1
4
0
12
5 4 3
2 1 0 11 10
9 8 7
6
5
4
4
3
2 2
2
4
5
3 3
5 10
0
0
5
9
9
11
11
12
16
13
35 30
20
0 0
10
9
15
13 16
17
35
30
20
11
5
0
0
0
0
0
0 0
1
4
Figure 7.8: Calcul des marges.
Nous allons maintenant voir que si le projet dure 35 jours, cest ` a cause dune
suite de t aches formant ce que lon appelle un chemin critique de 35 jours.
D enition 7.2 On appelle chemin critique tout chemin liant le nud d ebut de
projet au nud n de projet tel que len faisant la somme des dur ees des t aches le
long de ce chemin critique on obtienne la dur ee minimale du projet.
Le chemin critique peut etre d etermin e ` a rebours, partant du nud n + 1, en
retenant les sommets qui ont permis de d eterminer les dates au plus t ot ` a partir du
nud 1. Il sagit, dans lexemple, des nuds 12,11,10,9,6,3,2,1 et 0. On dit que
le chemin critique est constitu e des t aches 1, 2, 3, 6, 9, 10 et 11.
112 Chapitre 7. Lordonnancement de projets
Remarquons, dune part, quil peut y avoir plusieurs chemins critiques. Re-
marquons, dautre part, quil ne suft pas de prendre une suite de t ache critiques
liant le nud d ebut du projet au nud n du projet pour avoir un chemin critique.
Il faut, en plus que la date de n au plus t ot du projet correspondent ` a la somme
des dur ees de t aches le long de ce chemin. Illustrons ces deux ph enom` enes sur
lexemple de la gure 7.9.
A
E
F
Fin
5
B D
C
Db
3
0
4
0
0
0
0
1
0
0
4
4
4
4
9
9
15
15
18
18
5
5
4
6
3
Figure 7.9: Cas de plusieurs chemins critiques.
Les t aches critiques sont : B, C, D, E et F. Les deux chemins critiques sont :
P
1
= (B, D, E, F) et P
2
= (B, C, E, F)
Il est ` a remarquer que le chemin suivant P
3
= (B, C, F) bien que constitu e uni-
quement de t aches critiques mais nest pas critique.
Si lon veut r eduire la dur ee du projet,
Principe 1 : il ne sert ` a rien de r eduire la dur ee de t aches non critiques. Cela ne
ferait quaugmenter leur marge.
Principe 2 : il faudra r eduire simultan ement la dur ee de tous les chemins critiques.
Il est aussi ` a remarquer que, d` es que lon a r eduit la dur ee du chemin critique,
dautres chemins critiques peuvent apparatre. Il faut donc proc eder pas ` a pas.
7.8 Lordonnancement par la m ethode PERT
Dans la m ethode PERT, chaque t ache est associ ee ` a un arc du graphe. La longueur
de larc correspondant ` a la dur ee de la t ache en question. Les sommets sont utilis es
pour traduire les relations de succession temporelle. Ainsi, si la t ache j doit suivre
la t ache i, lextr emit e terminale de larc repr esentant la t ache i concidera avec
lextr emit e initiale de larc repr esentant la t ache j.
Section 7.8. Lordonnancement par la methode PERT 113
Ceci permet de tracer le graphe pour lexemple d ej` a consid er e pour la m ethode
du potentiel. Ceci est fait ` a la gure 7.10 o` u lon a not e, ` a c ot e de chaque arc,
dune part, le num ero correspondant ` a la t ache, dautre part, la dur ee de la t ache.
6, 5
1, 5 2, 4
3, 2
7, 3
4, 2
8, 3
5, 3
9, 4
10, 10 11, 5
Figure 7.10: Graphe associ e pour la m ethode PERT.
Sur cet exemple, la construction du graphe PERT ne pose aucune difcult e.
Parfois, elle n ecessite parfois lajout dun arc ctif qui ne correspond ` a aucune
t ache. Illustrons ce probl` eme sur lexemple suivant :
T ache pr ealable
1
2 1
3 1, 4
4
On pourrait tracer le graphe de la gure 7.11. Mais ce graphe introduit une cont-
1
2
3
4
Figure 7.11: Introduction dun contrainte.
rainte suppl ementaire qui dit que la t ache 4 doit pr ec eder la t ache 2. Pour r esoudre
la difcult e, il faut ajouter un arc ctif de longueur nulle entre lextr emit e de la
t ache 1 et le d ebut de la t ache 3. Ceci est illustr e ` a la gure 7.12.
Lordonnancement se calcule ainsi. Dabord, on d etermine les dates de d ebut
au plus t ot des nuds, que nous noterons t
i
. Ceci est fait par marquage des nuds
` a partir de lorigine comme dans la m ethode du potentiel. On additionne au temps
du nud pr ec edent le temps de la t ache. En cas de plusieurs pr ed ecesseurs, on
prend le maximum. Ensuite, on d etermine les dates au plus tard des nuds,
114 Chapitre 7. Lordonnancement de projets
1
2
3 4
Figure 7.12: Arc ctif.
not ees

t
i
, par marquage ` a partir de la n, en soustrayant au temps du nud suivant
le temps de la t ache. En cas de plusieurs successeurs, on prend le minimum.
6, 5 1, 5 2, 4
3, 2
7, 3
4, 2
8, 3
5, 3
9, 4
10, 10 11, 5
0
5
9
11
13 16
13
35 30 20
0 5
9
0
0
0
0
11
4
17
4
1
1
12 16
0
0
0
35 30 20
Figure 7.13: Ordonnancement par la m ethode PERT.
Il est ` a souligner que ces dates au plus tard des nuds ne fournissent pas les
dates de d ebut au plus tard des t aches issues du nud. Par exemple, la t ache 4
est issue dun nud o` u la date au plus tard est de 11 (comme la date au plus t ot)
pourtant cette t ache a une marge de 4 jours. Il faut donc poursuivre les calculs
pour avoir la date de d ebut au plus tard des t aches.
On calcule la marge de la t ache (i, j) liant les nuds i et j comme :
m
ij
= t
j
(t
i
+d
ij
) (7.6)
Autrement dit, la marge est la diff erence entre :
la date de n au plus tard de la t ache t
j
et
sa date de n au plus t ot t
i
+d
ij
, qui, elle-m eme, se calcule comme sa date
de d ebut au plus t ot augment ee de sa dur ee.
Section 7.9. La minimisation des co uts 115
On calcule alors les dates de d ebut au plus tard des t aches en additionnant ` a la date
au plus t ot, la marge. Les r esultats sont indiqu es au tableau ci-dessous.
T ache 1 2 3 4 5 6 7 8 9 10 11
Date au plus t ot 0 5 9 11 13 11 9 12 16 20 30
Marge 0 0 0 4 4 0 1 1 0 0 0
Date au plus tard 0 5 9 15 17 11 10 13 16 20 30
7.9 La minimisation des co uts
Jusqu` a pr esent, on a consid er e la dur ee de chaque t ache comme donn ee. Or la
dur ee dune t ache particuli` ere i peut varier en fonction, par exemple, de lem-
bauche de personnel suppl ementaire, de lachat ou de la location de mat eriel
suppl ementaire. On voit donc que lon pourra, en g en eral, r eduire la dur ee de
chaque t ache moyennant un co ut suppl ementaire. Nous allons voir ici comment
arbitrer entre les deux crit` eres : diminution de la dur ee dex ecution des t aches et
donc du chantier et, dautre part, augmentation des co uts dex ecution des t aches.
Consid erons la t ache i. Sa dur ee dex ecution d
i
peut varier entre une dur ee
minimale (incompressible) d
i
et une dur ee maximumd
i
. Si lon admet que le co ut
c
i
d
i
d
i
d
i
m
i
Figure 7.14: Co ut dex ecution de la t ache i.
varie lin eairement en fonction de la dur ee, on obtient le graphique de la gure 7.14.
Notons par m
i
la pente. Pour une dur ee d
i
comprise entre les bornes inf erieure et
sup erieure, le co ut de la t ache i est alors calcul e par l equation suivante :
c
i
(d
i
) = c
i
(d
i
) +m
i
(d
i
d
i
)
116 Chapitre 7. Lordonnancement de projets
Si on r ep` ete la m eme op eration pour chacune des t aches, lobjectif de la minimi-
sation du co ut total dex ecution des t aches peut s ecrire:
minz =
n

i=1
[c
i
(d
i
) +m
i
(d
i
d
i
)] = K +
n

i=1
m
i
d
i
Le premier terme etant constant, il revient au m eme de minimiser le seul second
terme et on obtient lobjectif suivant :
minz

=
n

i=1
m
i
d
i
,
les d
i
etant, cette fois, des variables pour le probl` eme.
On peut donc formuler le probl` eme comme suit.
1. Choix des variables. Nous avons donc comme variables du probl` eme :
t
i
= le temps de d ebut de la t ache i;
d
i
= la dur ee dex ecution de la t ache i;
t
f
= le temps de n de chantier.
2. Expression de lobjectif. Il sagit de minimiser le co ut direct dex ecution
des t aches, qui d epend lin eairement de leur dur ee :
minz =
n

i=1
m
i
d
i
3. Expression des contraintes.
Les contraintes de localisation temporelle sexpriment comme :
t
i
t
0
, i sans pr ed ecesseur
Les contraintes de succession temporelle sexpriment comme :
t
i
+d
i
t
j
, i < j
Les contraintes de n de projet sexpriment comme :
t
i
+d
i
t
f
, i sans successeur
Les contraintes de bornes sur la dur ee sexpriment comme :
d
i
d
i
d
i
Section 7.9. La minimisation des co uts 117
On ajout une borne sur la date de n de chantier, nomm ee :
t
f

Le probl` eme de minimisation des co uts dex ecution des t aches se formule donc
comme suit :
c
D
() = minz

=
n

i=1
m
i
d
i
s.c.q
_

_
t
0
t
i
pour toute t ache i sans pr ealable,
t
i
+d
i
t
j
pour toute t ache i pr ec edent j,
t
i
+d
i
t
f
pour toute t ache i sans successeur,
t
f
(borne sur t
f
)
d
i
d
i
d
i
(bornes sur la dur ee)
P()
La borne sup erieure sur t
f
a du etre ajout ee car il est clair, au vu de la forme des
fonctions de co ut c
i
(d
i
) que sinon on aura tendance ` a prendre d
i
= d
i
pout toute
t ache et donc ` a augmenter au maximum la dur ee du chantier.
On peut alors r esoudre ce probl` eme en fonction du param` etre . En ajoutant
le terme constant que nous avions n eglig e, on obtient un graphique du genre de
celui repr esent e ` a la gure 7.15.
c
D
( )
d
i
=d
i
, i d
i
= d
i
, i
Figure 7.15: Forme de la fonction de co ut direct dex ecution des t aches
Ce graphique appelle plusieurs commentaires :
118 Chapitre 7. Lordonnancement de projets
1. Tout dabord, le param` etre doit etre sup erieur ` a une certaine valeur mi-
nimum qui correspond au temps dex ecution minimum lorsque toutes les
t aches sont ` a leur dur ee minimum d
i
.
2. Ensuite, remarquons que la fonctionc() est convexe, d ecroissante et lin eaire
par morceaux.
3. Enn, ` a partir dune certaine valeur de , on aura syst ematiquement
d
i
= d
i
et lobjectif devient constant. Cette valeur correspond au temps
dex ecution du projet lorsque toutes les t aches sont ` a leur dur ee maximum.
Comment va-t-on alors choisir le temps optimum? Avoir la forme de la courbe
c
D
() ` a la gure 7.16, il vaudrait mieux prendre = , le temps maximum. Mais
c
T
( )
c
D
( )
c
I
( )

c
T
( )
Figure 7.16: Co uts totaux.
ceci ne tient compte que des co uts directs dex ecution des t aches.
Il existe aussi des co uts indirects li es ` a la dur ee du chantier : les frais das-
surances, les salaires de lencadrement, les frais de location du mat eriel et les
p enalit es par jour de retard. Tous ces frais sont evidemment croissants avec , la
dur ee du chantier. On note c
I
() ces co uts indirects. Si on additionne les deux
courbes (co uts directs et co uts indirects), comme ` a la gure 7.16, on obtient la
courbe de co ut total dont on peut d eterminer le minimum :
c
T
() = c
D
() +c
I
()
On a donc arbitr e entre les deux objectifs de diminution des co uts et de diminution
du temps dex ecution.
Section 7.10. Exercices 119
7.10 Exercices
7.1. Lancement dun nouveau produit. On met ` a l etude le lancement dun
nouveau produit. Ce lancement n ecessite la r ealisation des 9 t aches suivantes
rep er ees par les lettres A ` a I. Le tableau suivant donne leur dur ee et leurs
pr ealables eventuels :
t ache dur ee (semaines) pr ealables
A 5 D
B 2 -
C 5 B
D 4 -
E 2 G,H
F 4 E,I
G 3 -
H 2 D
I 6 A
(a)

Etablissez le graphe de la m ethode des potentiels, d eterminer les dates
de d ebut au plus t ot, au plus tard. Utilisez des couleurs diff erentes pour
les deux quantit es et donnez la signication des couleurs utilis ees.
(b) Donnez le(s) chemin(s) critique(s).
(c) On doit maintenant tenir compte en plus du fait que la t ache G ne
peut commencer avant la semaine 10. Cela modie-t-il le temps de
r ealisation du projet ? Si oui, de combien ? Cela modie-t-il les
marges ? Si oui, de combien ? Cela modie-t-il votre r eponse ` a la
question b) ?
(d) On apprend maintenant que, en plus du c), la t ache D n ecessitera deux
semaines suppl ementaires. Cela modie-t-il le temps de r ealisation du
projet ? Si oui, de combien ?
7.2. Ordonnancement de projets. Un projet est constitu e des t aches 0, 1, 2, 3 et
4. La t ache 0 na pas de pr ed ecesseur et dure 2 semaines. La t ache 1 succ` ede
directement ` a la t ache 0 et dure 5 semaines. La t ache 2 succ` ede directement
` a la t ache 1 mais ne peut pas commencer avant la 10` eme semaine. Elle dure
5 semaines. La t ache 3 succ` ede directement ` a la t ache 2 et dure 3 semaines.
La t ache 4 succ` ede directement aux t aches 2 et 3 mais doit commencer au
plus tard 7 semaines apr` es le d ebut de la t ache 2. Elle dure 2 semaines.
(a) Dessinez le r eseau repr esentant le projet, en associant les t aches aux
sommets (nuds).
120 Chapitre 7. Lordonnancement de projets
(b) Ce projet est-il r ealisable ? Justiez bri` evement.
(c) Vous avez la possibilit e dallonger ou de r eduire la dur ee des t aches
1 et 2 de une ou deux semaines, ` a un co ut additionnel de 500 euro
la semaine. Et aussi dallonger ou de r eduire la dur ee des t aches 3
et 4 de une ou deux semaines, ` a un co ut additionnel de 1000 euro la
semaine. Quelle solution proposez-vous an de r ealiser le projet ` a un
co ut minimum ?
(d) Quelle est alors la dur ee totale du projet ?
(e) Quelle(s) activit e(s) nappartiennent pas au chemin critique ?
7.3. Planication dun projet de t el ecommunications. La soci et e PTV veut
moderniser son r eseau de t el edistribution de chanes priv ees. Le projet
sarticule selon les activit es cit ees au tableau ci-dessous.
Activit e Description Dur ee Ant ec edents
(mois)
A Etude de march e 5 -
B D eveloppement du mat eriel 6 A
C D eveloppement des logiciels 5 (*)
D Accr editation du mat eriel 3 B
E Mise en uvre du nouveau r eseau 10 C,D
F Arr et de lancien r eseau 2 (**)
G Fin du support pour lancien r eseau 1 E, F
(*) : le d eveloppement des logiciels (C) peut commencer 3 mois apr` es le
d ebut du d eveloppement du mat eriel.
(**) : Larr et de lancien r eseau peut avoir lieu 6 mois apr` es le d emarrage
de la mise en uvre du nouveau r eseau.
(a) Dessinez le r eseau (m ethode PERT), indiquez la date de d ebut au plus
t ot, de d ebut au plus tard et la marge pour chaque activit e.
(b) Quelle est la dur ee minimale du projet ?
(c) Quelles sont les activit es critiques ?
(d) Quel est le retard dex ecution que chaque activit e peut prendre sans
allonger la dur ee minimale du projet ?
(e) Ladministrateur d esire r eduire la dur ee du projet de 2 mois au moindre
co ut. Les t aches suivantes peuvent etre r eduites de 2 mois au maximum,
sachant que le co ut de r eduction dun mois est respectivement pour A :
350 euro ; C : 200 euro ; D : 100 euro ; F : 100 euro ; G : 400 euro.
Que proposez-vous et quel est le co ut de votre solution ?
Section 7.10. Exercices 121
7.4. Construction dune piscine. Une soci et e a re cu la matrise de la construc-
tion dune piscine olympique sur un campus universitaire. Les dur ees des
diff erentes t aches, evalu ees en jours sont reprises au tableau 7.2. Les travaux
d ebutent le premier avril. On suppose que chaque mois comporte 20 jours
ouvrables.
Code T ache Ant eriorit e Dur ee
A Excavation - 5
B Fondations A 2
C Pose canalisations B 4
D Essai en pression C,G 8
E

Etanch eit e D 9
F Mise en place de la station d epuration A 6
G Mise en place du chauffage F 5
H Raccordement electricit e G 4
I Sonorisation sous-marine H 5
J Dallage E,I 6
K Construction vestiaires J 8
L Construction du solarium J 2
M Mise en eau K, L 3
Tableau 7.2: Construction dune piscine.
(a) Linauguration peut-elle avoir lieu comme pr evu le 15 juin ?
(b) Au cours de la pose des canalisations, on apprend que par suite din-
cidents techniques, cette op eration durera 6 jours de plus que pr evu.
Sans recommencer le diagramme, d eterminez si cela inuencera le
d elai nal.
(c) La direction du campus, inqui` ete quant au respect des d elais, propose
de se passer de la sonorisation sous-marine. Quen pensez-vous ?
7.5. Planication dun projet de construction. Un entreprise de construction
doit planier la construction dune maison. Le projet sarticule selon les
122 Chapitre 7. Lordonnancement de projets
activit es cit ees au tableau ci-dessous.
Activit e Dur ee (mois) Ant ec edents
A 5 -
B 6 -
C 3 A
D 8 A
E 2 B,C
F 11 B,C
G 1 D
H 12 D,E
(a) Tracez le graphe de la m ethode PERT et d eterminez sur ce graphe la
date de n au plus t ot de la construction de la maison.
(b) Quelle est la dur ee minimale du projet ?
(c) Calculez les dates de d ebut au plus t ot, les marges, les dates de d ebut
au plus tard.
(d) Quel est le chemin critique ?
(e) Les t aches Eet Fn ecessitent toutes deux la pr esence dun bulldozer et la
soci et e nen poss` ede quun seul. Indiquez comment on peut respecter
cette nouvelle contrainte en augmentant au minimumla dur ee du projet.
Quelle est alors la dur ee du projet ?
Chapitre 8
Conception dun centre de production
8.1 Introduction
Les d ecisions dimplantation dun centre de production incluent
1. la d ecision de localisation du centre qui d epend de :
la localisation des clients;
la disponibilit e et le co ut de la main duvre;
la disponibilit e des mati` eres premi` eres;
les aides nationales et locales ` a linvestissement;
la volont e de p en etrer un march e local difcile;
la qualit e des h opitaux, la qualit e du cadre de vie,. . .
Atitre dexemple, on peut citer la localisation de la nouvelle usine TOYOTA
pr` es de Valenciennes, qui est situ ee au cur de lEurope et dans le pays
europ een le plus protectionniste en faveur de ses marques nationales.
2. le choix de la capacit e de production qui d epend :
de la pr evision de la demande ` a long terme;
de la volont e de lentreprise de dominer un march e;
de la possibilit e de r epondre rapidement ` a des variations de demande.
Vu lincertitude sur la demande, on implante souvent une nouvelle usine
par phases successives. Cest le cas de la nouvelle usine de Toyota pr` es de
Valenciennes.
3. la conguration du centre de production : il sagit de d eterminer comment
les diff erents equipements et postes de travail doivent etre dispos es. Nous
commencerons le chapitre en examinant ce point.
123
124 Chapitre 8. Conception dun centre de production
8.2 Conguration dun centre de production
Il sagit donc ici de d eterminer la mani` ere de disposer les equipements et les
postes de travail les uns par rapport aux autres . Il existe au moins trois types de
congurations possibles :
1. La conguration en ateliers sp ecialis es est utilis ee lorsquil y a une grande
vari et e darticles diff erents ` a produire. On peut alors regrouper dans un
atelier lensemble des machines assurant une fonction donn ee. Par exemple,
dans un garage, latelier de peinture, latelier carrosserie,. . .
2. La conguration en terme de produit est utilis ee lorsquil y a une demande
importante et continue de quelques produits. On organise la production soit
en ligne (cest le cas des lignes dassemblage dautomobiles) soit en industrie
de process (cest le cas des rafneries de p etrole).
3. On parle de conguration ` a poste xe lorsque lop erateur doit se d eplacer
entre deux op erations. On peut citer comme exemples :
un client qui se d eplace entre les diff erents rayons dun super march e;
un magasinier qui se d eplace entre les diff erents rayonnages dun ma-
gasin de stockage de carrelage.
8.2.1 Conguration en ateliers sp ecialis es
Illustrons cette conguration par lexemple tir e de Mac Clain [13] dune maternit e
qui regroupe les diff erents services concern es sur un m eme etage dun h opital :
accueil
salle dattente
consultation pr enatale
echographie
salle daccouchement
Une question cruciale pour une bonne organisation de ce type de conguration
est la localisation relative de ces diff erents services. On doit tenir compte de :
1. du volume de trac entre deux services de sorte que deux services avec un
ux important soient localis es proches lun de lautre;
Section 8.2. Conguration dun centre de production 125
2. du fait quil peut y avoir r epulsion entre deux services.
Une matrice de proximit e peut etre utilis ee pour indiquer la proximit e voulue
A : Absolument n ecessaire
S : Sp ecialement important
I : Important
G : G en eralement proche,
: sans importance
X : ` a eviter
La gure 8.1 illustre cette matrice dans le cas de la maternit e. On peut egalement,
ACCUEIL
SALLE D'ATTENTE
CONSULTATIONS
ECOGRAPHIE
SALLE ACCOUCHEMENT
G
I
S
A
X
Figure 8.1: Matrice de proximit e.
plut ot que de noter la proximit e, donner une matrice de ux entre les diff erents
services. On peut alors concevoir une localisation des diff erentes services qui
minimise la somme des ux entre services pond er ee par la distance entre ces
services.
Supposons que lon note lint er et d etre proche par la grille de poids suivante :
4 : Absolument n ecessaire
3 : Sp ecialement important
2 : Important
1 : G en eralement proche
0 : sans importance
-1 : ` a eviter
On peut alors d enir la matrice de poids w
ik
mesurant limportance pour le
service i d etre proche du service k donn ee au tableau 8.1. Remarquez que la
matrice est sym etrique.
Les cinq services sont ` a placer ` a une des cinq places disponibles sur le plateau
de lh opital repr esent e ` a la gure 8.2. On peut mesurer la distance d
jl
entre les
emplacements j et l. Elles sont reprises au tableau 8.2. On obtient egalement une
matrice sym etrique de distances.
126 Chapitre 8. Conception dun centre de production
w
ik
k = 1 k = 2 k = 3 k = 4 k = 5
i = 1 1 1
i = 2 1 2
i = 3 2 3
i = 4 3 4
i = 5 1 4
Tableau 8.1: Matrice de poids mesurant limportance d etre proches.
d
14
j = 1
j = 2
j = 3
j = 4 j = 5
Figure 8.2: Disposition relative des locaux ` a affecter.
d
jl
l = 1 l = 2 l = 3 l = 4 l = 5
j = 1 5 7 5 4
j = 2 5 4 2 3
j = 3 7 4 2 3
j = 4 5 2 2 1
j = 5 4 3 3 1
Tableau 8.2: Matrice des distances entre locaux.
Section 8.2. Conguration dun centre de production 127
Formulation du probl` eme de localisation
Nous allons maintenant formuler le probl` eme comme un probl` eme daffectation
quadratique. On a donc 5 services ` a localiser ` a une des 5 places possibles. On
choisit ici comme variables :
x
ij
= 1 si le service i est localis e en place j,
= 0 sinon.
Dans ce cas, lobjectif peut s ecrire de la mani` ere suivante :
min
n

i=1
n

k=1
n

j=1
n

l=1
w
ik
d
jl
x
ij
x
kl
avec d
jl
la distance entre les localisations j et l et w
ik
, le poids dans la matrice de
proximit e.
Expliquons la forme de cette fonction objectif : on ne retrouvera dans cet
objectif que les termes o` u x
ij
x
kl
= 1, cest-` a-dire o` u i est mis en place j et k
en place l. Lobjectif minimise la somme des distances entre les paires de lieux
(j, l), pond er ee par limportance dune localisation proche des paires de services
(i, k), pour autant que x
ij
et x
kl
soient egaux ` a un. An de minimiser ce produit,
on mettra donc comme coefcient des w
ik
les plus elev es, les d
jl
les plus faibles,
cest-` a-dire les plus proches lun de lautre ceux qui y ont le plus grand int er et.
Les contraintes sont de deux types :
Toute place j est occup ee :
n

i=1
x
ij
= 1, j = 1, . . .n
La contrainte indique que chaque place j est occup ee par un seul service i.
Tout service i est plac e :
n

j=1
x
ij
= 1, i = 1, . . .n
La contrainte indique que chaque service i est plac e ` a une place j.
Il faut bien s ur egalement imposer le caract` ere entier des variables :
x
ij
{0, 1}, i, j.
Nous ne verrons pas, dans le cadre de ce cours, de m ethode de r esolution de ce
probl` eme.
128 Chapitre 8. Conception dun centre de production
8.2.2 Conguration en ligne de production
Lorsquun produit est fabriqu e en grande quantit e, on peut gagner en efcacit e
en organisant la production en ligne. A titre dexemple, on peut citer les usines
dassemblage automobiles ou les tunnels de lavage de voitures (car-wash).
Le probl` eme principal r eside dans l equilibrage de la chane : il faut que les
diff erentes op erations prennent le m eme temps car la chane tourne ` a la vitesse de
lop erateur le plus lent. Une ligne dassemblage est dite parfaitement equilibr ee
si chaque poste de travail est occup e ` a 100 %.
Illustrons ceci sur lexemple suivant tir e de Mac Clain [13]. Un appareil
electrom enager est constitu e de 11 composants, not es B1 ` a B11, de 3 sous-
ensembles not es SA1 ` a SA3. Le tableau 8.3 fournit les t aches, leurs dur ees et
leurs pr ealables. La somme des temps des diff erentes t aches est de 100 minutes.
Label Temps Objet Pr ed ecesseurs
A 2 placer le chassis sur la chane -
B 7 attacher B4 sur chassis A
C 5 attacher B2 sur B1 -
D 2 attacher B3 sur B1 -
E 15 tester SA1 C,D
F 7 attacher SA1 sur chassis A,E
G 6 attacher B6 ` a B5 -
H 4 attacher SA2 au chassis B,G
I 9 attacher B7 au chassis A
J 10 attacher B9 ` a B8 -
K 4 attacher B10 ` a B8 -
L 8 attacher B11 ` a B8 J,K
M 6 attacher SA3 au chassis A,L
N 15 tester lappareil tous
Total 100
Tableau 8.3:

Equilibrage dune chane.
On peut tracer un graphe de pr es eance qui nest rien dautre que le graphe
de la m ethode du potentiel (sans nud de d epart ni darriv e). On a repr esent e ce
graphe ` a la gure 8.3 o` u chaque t ache est repr esent ee par son label et sa dur ee.
La gure 8.3 pr esente egalement une affectation possible des t aches ` a cinq
Section 8.2. Conguration dun centre de production 129
C,5
D,2
A,2
G,6
J,10
K,4
E,15
F,7
B,7
H,4
I,9
L,8
M,6
N,15
Poste 4
Poste 1
Poste 2
oprateur 1 oprateur 2 oprateur 3 oprateur 4 oprateur 5
A,B,C,D E,F G,H,I J,K,L M,N
16 min 22 min 19 min 22 min 21 min
Poste 3
Poste 5
Figure 8.3: Une affectation possible.
130 Chapitre 8. Conception dun centre de production
op erateurs. Le temps total de montage pour ce choix est de :
5 op erateurs 22 minutes par cycle = 110 homme-minutes.
Il y a donc un temps mort de 10 minutes, ce qui correspond ` a un pourcentage de
temps mort de :
10
110
= 9, 1%
Une mesure de la qualit e de la solution est pr ecis ement ce rapport du temps
mort sur le temps total de montage. Ce rapport est appel e retard d equilibre et se
calcule par la formule suivante :
RE =
nc T
nc
avec n = nombre de postes de travail,
c = temps dun cycle
T = somme des temps individuels.
Remarquons quici on na pas atteint lobjectif dun equilibrage parfait qui
impliquerait de construire 3 articles par heure avec un temps de cycle de 20 minutes.
Remarquons quil nest pas toujours possible datteindre l equilibre parfait de la
chane puisque les t aches ne sont pas divisibles ` a linni.
R esolution du probl` eme d equilibre de la chane
Voyons maintenant comment r esoudre le probl` eme. Trouver laffectation qui
minimise le retard d equilibre est un probl` eme en nombres entiers particuli` erement
difcile ` a r esoudre. Une heuristique qui permet de trouver rapidement une solution
(sans garantie quelle soit optimale) est la suivante. On se xe une dur ee maximum
pour chaque poste de travail. Ici xons nous une dur ee maximum de 19 minutes.
On va alors remplir ces postes de la mani` ere suivante :
Pas1. Attribuer un score ` a chaque t ache et classer les t aches par score d ecroissant.
Ici, on utilise comme score 1 la dur e de la t ache. On obtient :
E, N, J, I, L, B, F, G, M, C, H, K, A, D
Pas 2. Mettre ` a jour lensemble des t aches disponibles (cest-` a-dire les t aches dont
tous les pr ed ecesseurs imm ediats sont affect es). Au d ebut, ce sont celles sans
pr ed ecesseur :
S = {J, G, C, K, A, D}
Section 8.2. Conguration dun centre de production 131
Pas 3. Affecter la t ache avec le score le plus elev e dans le premier poste o` u la
capacit e et les contraintes de pr es eance ne sont pas viol ees :
J au poste 1.
Aller en au Pas 2.
On remplit alors progressivement le tableau suivant.
Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Poste 6 Poste 7
J,10 10 C,5 5 I,9 9 M,6 6 E,15 15 F,7 7 N ,15 15
G,6 16 K,4 9 B,7 16 H,4 10
A,2 18 L,8 17
D,2 19
18 19 16 10 15 7 15
Le d etail des it erations est repris ci-dessous :
S = {J, G, C, K, A, D} : J en 1; S = {B, M, D} : B en 3;
S = {G, C, K, A, D} : G en 1; S = {M, H, D} : M en 4;
S = {C, K, A, D} : C en 2; S = {H, D} : H en 4;
S = {K, A, D} : K en 2; S = {D} : D en 2;
S = {L, A, D} : L en 2; S = {E} : E en 5;
S = {A, D} : A en 1; S = {F} : F en 6;
S = {I, B, M, D} : I en 3; S = {N} : N en 7
On peut alors calculer le retard d equilibre de cette solution :
RE =
nc T
nc
=
7 19 100
7 19
= 24, 81%
On voit que la solution nest pas dune tr` es grande qualit e. On peut utiliser
plut ot un second score qui consiste ` a additionner ` a la dur ee de la t ache, celles de
toutes les t aches qui la suivent. Ainsi, ` a la dur ee de la t ache A, on ajoute le temps
des t aches F, B, I, M, H et N. Le calcul du second score (voir gure 8.4) donne les
r esultats suivants :
A B C D E F G H I J K L M N
50 26 42 39 37 22 25 19 24 39 33 29 21 15
Le classement des t aches suivant ce second score est le suivant :
A, C, D, J, E, K, L, B, G, I, F, M, H, N
132 Chapitre 8. Conception dun centre de production
C,5
D,2
A,2
G,6
J,10
K,4
E,15
F,7
B,7 H,4
I,9
L,8
M,6
N,15
Figure 8.4: Graphe des pr ealables
On remplit le tableau comme suit
Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Poste 6
A,2 2 E,15 15 L,8 8 G,6 6 F,7 7 N,15 15
C,5 7 K,4 19 B,7 15 I,9 15 M,6 13
D,2 9 H,4 19
J,10 19
19 19 15 19 13 15
Le d etail des it erations est donn e ci-dessous.
S = {A, C, D, J, K, G} : A en 1; S = {B, G, I, F, M} : B en 3;
S = {C, D, J, K, B, G, I} : C en 1; S = {G, I, F, M} : G en 4;
S = {D, J, K, B, G, I} : D en 1; S = {I, F, M, H} : I en 4;
S = {J, E, K, B, G, I} : J en 1; S = {F, M, H} : F en 5;
S = {E, K, B, G, I} : E en 2; S = {M, H} : M en 5;
S = {K, B, G, I, F} : K en 2; S = {H} : H en 4
S = {L, B, G, I, F} : L en 3; S = {N} : N en 6.
On peut alors calculer le retard d equilibre de cette solution :
RE =
19 6 100
19 6
= 12, 3%
Onvoit que la solutionest meilleure sans etre optimale puisque la solutionpr esent ee
` a la gure 8.3 est meilleure avec un retard d equilibre de 9,1 %. On peut egalement
agir sur la dur ee maximum de 19 qui est un param` etre de lheuristique.
Section 8.2. Conguration dun centre de production 133
8.2.3 Conguration ` a poste xe
Lorsque lop erateur voyage entre les diff erentes op erations, on parle de conception
` a poste xe. Comme exemples, on peut citer :
les magasins en self-service o` u le client se d eplace de rayon en rayon;
les entrep ots de stockage de carrelages, de tapis-pleins, etc. . .
une inrmi` ere qui se d eplace dune chambre ` a lautre dans un h opital,. . .
Le probl` eme principal r eside dans la localisation des aires de stockage de
mani` ere ` a minimiser soit
le co ut total de manipulation en mettant les produits les plus utilis es aux
endroits les plus accessibles;
le temps maximum dacc` es dans le cas, par exemple, de la localisation de
centres dintervention durgence.
Cas dun entrep ot :
Illustrons ce cas par lexemple de la soci et e Sommer qui produit en grandes s eries
ses diff erentes r ef erences de tapis pleins qui sont vendues en quelques unit es ` a ses
clients qui sont les centres de bricolage et les surfaces sp ecialis ees en rev etement
de sol. On approvisionne le stock en grandes quantit es (de lordre de 200 rou-
leaux dun m eme type). On d estocke, ` a la demande, en petites quantit es (un ou
deux rouleaux). Le stockage est rendu n ecessaire par la diff erence entre la taille
economique dun lot ` a la production et la taille moyenne dun lot demand e.
Pour le placement optimal des rouleaux, on a int er et ` a placer les articles
ayant le plus fort taux de rotation de stock aux emplacements les plus accessibles.
Il y a deux mani` ere de stocker :
Stocker ` a des places d edi ees : une r ef erence donn ee sera toujours ` a la m eme
place. Ce qui facilite le contr ole et linformation. Linconv enient est que
lon perd beaucoup de place car chaque emplacement est rempli ` a 50 % en
moyenne.
Stocker ` a la premi` ere place disponible : ceci n ecessite un syst` eme infor-
matique de localisation : chaque lot est localis e par le num ero de lall ee, la
distance dans lall ee, et la hauteur dans le rayon.
134 Chapitre 8. Conception dun centre de production
La solution adopt ee chez Sommer est le d edicacement par zone : on place le
produit dans la premi` ere place disponible dans une zone (assez large) correspondant
` a son taux de rotation. Ceci est donc un compromis entre une capacit e de stockage
r eduite et la rapidit e dacc` es aux produits ` a forte rotation de stock.
Cas des centres dintervention durgence :
Dans ce second cas, lobjectif est de minimiser le temps dacc` es au client le plus
eloign e. Par exemple, dans un service hospitalier, on veut localiser le local des
inrmi` eres de mani` ere ` a avoir un temps de r eaction aupr` es de chaque patient aussi
court que possible. La solution, dans ce cas, est de construire un etage circulaire
avec le local des inrmi` eres au centre.
Remarquez quici souvent la solution impliquera des localisations multiples
an de bien couvrir une zone : par exemple, dans le cas des pompiers, on
aura diverses antennes d elocalis ees permettant datteindre rapidement des villages
d ecentr es.
8.3 D ecisions de capacit e
Nous allons illustrer les d ecisions de choix dune capacit e sur lexemple tir e de
Mac Clain [13] dune boulangerie industrielle qui fournit les supermarch es de sa
r egion et qui sattend ` a une croissance de la demande.
Les donn ees num eriques sont les suivantes :
1. Mod elisation de la demande : il y a incertitude sur la demande future du
produit. Si le succ` es du produit est important, une capacit e suppl ementaire
de 5 000 unit es par semaine sera n ecessaire pour un prot de 40 000 $
par semaine hors frais damortissement du capital. Si le succ` es du produit
est mitig e, une capacit e de 2 000 unit es par semaine sera sufsante et la
compagnie fera un prot de 16 000 $ par semaine. La demande est connue
au bout dun an. On suppose que les b en eces sont comptabilis es en n
dann ee. Une ann ee comporte 52 semaines douverture du magasin.
2. Donn ees de co ut dinvestissement. Une capacit e de 2 000 unit es par semaine
peut etre construite pour 800 000 $. Une capacit e de 5 000 unit es par semaine
peut etre construite pour 1,5 millions de $. Une capacit e de 2 000 peut etre
etendue ` a une capacit e de 5 000 pour 1 million de $. Les surcapacit es sont
sans valeur.
3. La dur ee de vie des equipements est de 20 ans.
Section 8.3. Decisions de capacite 135
4. Le facteur dactualisation, n ecessaire car les prots sont r epartis dans le
futur, est de 25 % lan.
5. La probabilit e de succ` es du lancement du produit est estim ee ` a 20 % sur
base dexp eriences dintroduction dautres produits.
Les diff erents choix possibles peuvent etre utilement illustr es sur un arbre de
d ecision tel que celui de la gure 8.5. Un carr e repr esente une d ecision. Un cercle
construire 2000
haute demande
faible demande
h
a
u
t
e
d
e
m
a
n
d
e
faible demande
+3000
rester 2000
c
o
n
s
t
r
u
i
r
e

5
0
0
0
n
e

r
i
e
n

c
o
n
s
t
r
u
i
r
e
Investiss.
1,500,000
1,500,000
800,000
800,000
800,000
0
Profit.
40,000
16,000
16,000
16,000
+24,000
16,000
0
+1,000,000
Figure 8.5: Arbre de d ecision
repr esente un etat du monde.
Pour le choix dune capacit e, on va s electionner la capacit e desp erance de
prot la plus elev ee.
D enition 8.1 On appelle valeur nette pr esente, la somme actualis ee des prots
futurs moins linvestissement initial.
Nous aurons besoin, dans le calcul de la VAN, de la formule suivante pour le
calcul dannuit es :
n

t=1
_
1
1 +i
_
t
=
_
1 (1 +i)
n
i
_
(8.1)
Consid erons la construction initiale de 5 000 en cas de demande forte. Ce cas
136 Chapitre 8. Conception dun centre de production
FN
t
0 1 2 3 . . . 20
40.000 52
-1.500.000
t
Figure 8.6: Construction de 5 000 en cas de demande forte.
est illustr e ` a la gure 8.6. La VAN se calcule donc comme suit :
V AN =
20

t=1
(40 000 52)
1, 25
t
1 500 000
= (40 000 52)
20

t=1
_
1
1, 25
_
t
1 500 000
Appliquons la formule (8.1) ` a notre exemple :
20

t=1
_
1
1, 25
_
t
=
_
1 (1, 25)
20
0, 25
_
= 3, 953883
Do` u la valeur nette au bout dun an de :
V AN = 40 000 52 3, 953883 1 500 000 = 6 724 077.
Consid erons maintenant la construction initiale de 5 000 en cas de demande
faible. La VAN se calcule comme suit :
V AN = (16 000 52)
20

t=1
_
1
1, 25
_
t
1 500 000 = 1 789 631.
Consid erons maintenant la construction de 2000 en cas de demande haute et
sans investissement suppl ementaire. La VAN se calcule comme suit :
V AN = (16 000 52)
20

t=1
_
1
1, 25
_
t
800 000 = 2 489 631.
Section 8.3. Decisions de capacite 137
FN
t
0 1 2 3 . . . 20
40.000 52
-1.000.000
t
-800.000
16.000 52
Figure 8.7: Construction de 2 000 (+3000) en cas de demande forte.
Consid erons la construction initiale de 2 000 augment ee de 3 000, en cas de
demande forte. Linvestissement initial de 2 000 rapporte 16 000 $ durant 20 ans
et linvestissement de d ebut de 2` eme ann ee rapporte un suppl ement de prot de
24 000 durant 19 ans. Ce cas est illustr e ` a la gure 8.7. La VAN au temps 1 de
linvestissement suppl ementaire se calcule comme suit :
V AN
1
= (24 000 52)
19

t=1
_
1
1, 25
_
t
1 000 000.
Appliquons la formule (8.1) ` a la somme des facteurs dactualisation :
19

t=1
_
1
1, 25
_
t
=
_
1 (1, 25)
19
0, 25
_
= 3, 942
On obtient une valeur nette au bout dun an de linvestissement suppl ementaire :
V AN
1
= 24 000 52 3, 942 1 000 000 = 3 920 058.
On en conclut que lon a int er et ` a faire linvestissement puisque la VANest positive.
Pour obtenir la VAN de ce cas, il faut ajouter la VAN de linvestissement initial de
2 000 qui rapporte 16 000 durant 20 ans :
V AN
0
= 3 920 058
1
1, 25
+ (16 000 52)
20

t=1
_
1
1, 25
_
t
800 000
= 3 920 058
1
1, 25
+ 2 489 631 = 5 625 677.
Enn, le cas dune demande faible avec un investissement initial de 2 000 est
identique au cas de la construction initiale de 2 000 et dune demande forte lorsque
lon reste ` a 2 000. Il a d ej` a et e calcul e plus haut.
138 Chapitre 8. Conception dun centre de production
D ecision demande VAN
construire 5 000 forte 6 724 077
construire 5 000 faible 1 789 631
construire 2 000 + 3 000 forte 5 625 677
construire 2 000 faible 2 489 631
construire 0 forte 0
construire 0 faible 0
Tableau 8.4: Calcul de la VAN
Les r esultats dans les diff erents cas sont r esum es au tableau 8.4. On peut alors
calculer les prots esp er es dans chacun des deux cas dinvestissement initial :
Construire 5 000 :
E(V AN) = 0, 2 6 724 077 + 0, 8 1 789 631 = 2 776 520 $.
Construire 2 000 :
E(V AN) = 0, 2 5 625 677 + 0, 8 2 489 631 = 3 116 840 $.
En conclusion, il vaut mieux construire une petite capacit e et etendre apr` es un
an si n ecessaire. Remarquons que le r esultat d epend crucialement de la probabilit e
de succ` es du produit (voir exercice ci-dessous).
8.4 D ecisions de localisation
La d ecision de localisation dun centre de production doit etre analys ee en tenant
compte de plusieurs crit` eres :
1. la facilit e dacc` es, les co uts de transport;
2. la disponibilit e, qualication et le co ut de la main duvre;
3. le co ut de construction, les taxes locales;
4. lattraction des clients;
Section 8.4. Decisions de localisation 139
5. la disponibilit e des mati` eres premi` eres;
6. les attitudes des autorit es locales et nationales.
Limportance relative de ces crit` eres d epend du type dactivit e ` a localiser :
localiser un super-march e : les co uts de transport et lattraction des clients
sont pr epond erants;
localiser une usine : le co ut de la main duvre et la disponibilit e des
mati` eres premi` eres sont pr epond erants.
Les mod` eles de localisation optimale consid` erent g en eralement un seul crit` e-
re. Deux techniques sont appliqu ees suivant lobjectif poursuivi : la technique de
gravit e si on veut minimiser les co uts totaux de transport ou celle de discr etisation
si on veut minimiser le temps dacc` es au client le plus eloign e.
Disons un mot de ces deux techniques qui correspondent chacune ` a un choix
dobjectif :
La technique du centre de gravit e. Si lon veut minimiser le nombre de
tonnes-kilom` etres de produit transport e du fournisseur le plus eloign e ou au
client le plus eloign e, on a int er et ` a se situer au centre de gravit e des clients
et fournisseurs. Par exemple, dans la localisation dune usine de production
de b eton, on a int er et ` a se situer au centre de gravit e des carri` eres et des gros
clients.
Cl
1
Cl
2
Cl
n
MP
1
MP
2
MP
m
x
y
(x
1
, y
1
)
(x
2
, y
2
)
(x

1
, y

1
)
(x

2
, y

2
)
(x

, y

)
(x
m
, y
m
)
(x

n
, y

n
)
Figure 8.8: Centre de gravit e
140 Chapitre 8. Conception dun centre de production
Fixons-nous la notation suivante:
MP
i
= tonnes de mati` ere premi` ere venant de i;
(x
i
, y
i
) = coordonn ees du fournisseur i;
Cl
j
= tonnes vers le client j;
(x

i
, y

i
) = coordonn ees du client i;
Le centre de gravit e se calcule ainsi :
x

CG
=
m

i=1
x
i
MP
i
+
m

j=1
x

j
Cl
j

m
i=1
MP
i
+

m
j=1
Cl
j
y

CG
=
m

i=1
y
i
MP
i
+
m

j=1
y

j
Cl
j

m
i=1
MP
i
+

m
j=1
Cl
j
La m ethode de discr etisation. Lorsque le crit` ere temps dacc` es est le plus
important, on aura recours le plus souvent ` a des emplacements multiples an
davoir un bon acc` es ` a tous. Par exemple, lors de la localisation dun centre
dintervention de pompiers, on veut minimiser le temps dacc` es au client le
plus eloign e. Ce qui conduit ` a implanter des antennes d ecentralis ees.
Illustrons la diff erence entre ces deux objectifs sur un exemple simple illustr e ` a
la gure 8.9 o` u deux villes sont situ ees ` a 9 kilom` etres de distance lune de lautre.
1 2 3 4 5 6 7 8 9
1.000 2.000
0
x

CG
x

MD
Figure 8.9: Calcul du centre de gravit e
La formule du centre de gravit e nous donne ici (avec x
i
la coordonn ee de la
ville i et P
i
, sa population) :
x

CG
=

i
x
i
P
i

i
P
i
=
0 1.000 + 9 2.000
3.000
= 6
Pour minimiser le nombre de kilom` etres ` a parcourir pour desservir les deux villes,
un repr esentant de commerce a int er et ` a se localiser ` a 6 km de la premi` ere et 3
kilom` etre de la seconde ville.
Par contre, pour un centre dintervention durgence, a int er et ` a se localiser au
centre des deux villes (` a 4,5 kilom` etre de chaque ville).
x

MD
= 4, 5
Section 8.5. Utilisation de la programmation mathematique 141
8.5 Utilisation de la programmation math ematique
Pour terminer ce chapitre, nous allons illustrer lutilit e de la programmation math e-
matique dans les d ecisions de localisation et de choix de capacit es sur un exemple
egalement tir e de tir e de Mac Clain [13].
Les diff erentes donn ees du probl` eme sont reprises aux tableaux 8.5 et 8.6. Les
co uts de transport entre les diff erentes usines et les diff erents clients sont donn es
au tableau 8.5 en $ par kg. Les demandes des clients sont donn ees au tableau 8.5
en millions de kg par jour. Les co uts de production sont donn es au tableau 8.6 en
$ par kg. Les capacit es de production sont donn ees au tableau 8.6 en millions de
kg par jour.
Vers le Co ut de lusine ($/kg) Demande du client
le client A B C (10
6
kg/jour)
1 0,021 0,039 0,035 0,5
2 0,024 0,029 0,034 0,8
3 0,019 0,040 0,029 0,5
4 0,048 0,027 0,026 0,9
5 0,037 0,024 0,032 0,9
6 0,029 0,023 0,041 0,8
7 0,020 0,041 0,032 0,6
8 0,041 0,034 0,019 0,6
9 0,050 0,034 0,018 0,8
10 0,047 0,035 0,018 0,7
Tableau 8.5: Co uts de transport et demandes.
Usine A B C
Co ut de production ($/kg) 0,347 0,326 0,351
Capacit e de production (10
6
kg/jour) 1,8 4 1,6
Tableau 8.6: Co uts et capacit es de production.
On veut d eterminer le plan de distribution qui minimise la somme des co uts de
production et des co uts de transport.
142 Chapitre 8. Conception dun centre de production
Nous allons formuler le probl` eme comme un probl` eme de programmation
math ematique :
Choix des variables. Notons x
ij
, le nombre de millions de kg produits ` a
lusine i et livr es au client j.
Expression de lobjectif.
Il sexprime simplement par :
minz =
C

i=A
10

j=1
c
ij
x
ij
avec c
ij
, le co ut de fourniture dun million dunit e de lusine i vers le client
j. Ce co ut est la somme du co ut de production et du co ut de transport.
Expression des contraintes.
Elles sont de deux types :
Respecter la capacit e de lusine i :
10

j=1
x
ij
CAP
i
, i = A, B, C
o` u CAP
i
note la capacit e de lusine i.
Satisfaire la demande du client j :
C

i=A
x
ij
= DEM
j
, j = 1, 2, ...10
o` u DEM
j
note la demande du client j.
La solution optimale peut etre trouv ee par lalgorithme du Simplexe puisquil
sagit dun probl` eme purement lin eaire. Examinons maintenant le probl` eme de la
localisation dune nouvelle usine. Supposons que lusine Cdoive etre remplac ee.
Les alternatives possibles sont :
1. Accrotre lusine B ` a 6 millions de kg par jour.
2. Construire une nouvelle C de 2 millions de kg/jour.
3. Construire une nouvelle C de 4 millions de kg/jour.
Section 8.5. Utilisation de la programmation mathematique 143
Les alternatives co ut xe co ut de production
6 millions B 18 millions de $ 0,326
2 millions C 18 millions de $ 0,335
4 millions C 34 millions de $ 0,320
Tableau 8.7: Donn ees de co ut des alternatives.
Les alternatives co ut journalier co ut xe
(LP1) situation actuelle 2 561 600
(LP2) 6 millions B 2 547 300 18 millions
(LP3) 2 millions C 2 533 100 18 millions
(LP4) 4 millions C 2 469 700 34 millions
Tableau 8.8: Donn ees de co ut des alternatives.
Leurs co uts respectifs sont donn es au tableau 8.7.
Effectuons une comparaison des 3 alternatives et de la situation actuelle. Il
sagit de r esoudre successivement quatre probl` emes lin eaires not es (LP1) ` a (LP4)
au tableau 8.8. Dans la colonne co ut journalier, on donne la somme du co ut de
production et du co ut de transport, hors frais xes dinvestissement.
Une premi` ere conclusion qui peut etre tir ee de ce tableau est que (LP2) peut
etre elimin e car ayant un co ut xe identique ` a celui de (LP3), une alternative qui
a un co ut journalier inf erieur. Calculons l economie de (LP3) sur 300 jours de
production par rapport ` a la situation actuelle :
(2 561 600 2 533 100) 300 = 8 555 000
Soit une economie de 8,555 millions par an pour un investissement initial de 18
millions de $. Cet investissement est certainement rentable, quel que soit le facteur
dactualisation.
Calculons maintenant l economie additionnelle de (LP4) par rapport ` a (LP3) :
(2 533 100 2 469 700) 300 = 19 020 000
Soit un economie additionnelle de 19,020 millions par an pour un investissement
additionnel de 16 millions de $. A nouveau, cet investissement est hautement
protable. On choisira donc la solution (LP4) : construire la nouvelle usine C ` a 4
millions de kg par jour.
144 Chapitre 8. Conception dun centre de production
Remarquons que, dans la solution de (LP4), lusine A nest plus utilis ee du
tout et peut etre ferm ee.
Enn, terminons ce chapitre en illustrant limportance de lutilisation de va-
riable binaires dans les d ecisions de choix de capacit e. Prenons lexemple de lou-
verture eventuelle dune nouvelle usine D de 2 millions de capacit e. La d ecision
douverture de la nouvelle usine peut etre mod elis e par la variable binaire :
y
D
{0, 1}
avec y
D
valant 1 si lusine D est ouverte et z ero sinon.
Cette variable binaire interviendra dans la contrainte de capacit e de la nouvelle
usine comme suit :
10

j=1
x
Dj
2y
D
En effet, si lusine D est ferm ee, le membre de droite est nul et rien ne peut sortir
de lusine.
Cette variable interviendra aussi dans la fonction objectif. En effet, ` a la somme
des co uts de transport, on peut ajouter le co ut xe du nouvel investissement. Ceci
conduit ` a lexpression suivante pour lobjectif :
minz =
D

i=A
10

j=1
c
ij
x
ij
+
D

i=B
K
i
y
i
o` u K
i
est le co ut xe douverture de lusine i.
Remarquez aussi que les variable binaires peuvent etre utilis ees pour d ecider
du niveau de la capacit e dune nouvelle usine parmi un nombre discret de valeurs
possibles. Ainsi, si lusine D peut avoir comme capacit e 2 millions ou 5 millions
dunit es, on peut ecrire :
10

j=1
x
Dj
2y
D
+ 5y

D
avec la contrainte suppl ementaire que
y
D
+y

D
= 1,
ce qui va assurer quune seule des deux capacit es est s electionn ee.
Remarquez enn que lutilisation de variables binaire conduit ` a un probl` eme en
nombres entiers. Il sagit dun probl` eme plus difcile ` a r esoudre que les probl` emes
lin eaires (LP1) ` a (LP4). Il peut etre r esolu par application de la m ethode de branch
and bound.
Section 8.6. Exercices 145
8.6 Exercices
8.1. Assemblage de magn etoscopes. Unatelier de fabricationde magn etoscopes
doit etre r eorganis e en ligne de production. Les op erations n ecessaires ` a la
fabrication dun magn etoscope ont et e divis ees en 14 t aches indivisibles.
Les temps op eratoires (en minutes) ainsi que les relations dant eriorit e sont
d ecrites dans le tableau ci-dessous.
T ache A B C D E F G H I J K L M N
Dur ee 2 4 10 5 5 4 5 6 8 10 12 9 6 4
Pr ealables - A A E B C H J J D,F I K L G,M
Vous etes responsable de la production et d esirez produire 30 magn etoscopes
par jour de travail (un jour comporte deux pauses de 7,5 heures de travail).
On vous demande :
(a) Est-il possible de r ealiser la production de 30 magn etoscopes par jour si
la chane de production nest constitu ee que dun seul poste de travail ?
(b) D eterminez le temps de cycle requis pour respecter la contrainte de 30
unit es par p eriode. Autrement dit, un magn etoscope doit sortir toute
les c minutes : que vaut c ?
(c) Repr esentez les relations dant eriorit e sur un graphique de r eseau.
(d) D eterminez au moyen de lheuristique de score 1 une affectation des
op erations aux postes de travail an de respecter la contrainte de 30
unit es par p eriode. Repr esentez sur le graphique la solution obtenue.
(e) Calculez le retard d equilibre de votre solution.
8.2. D eveloppement de complexes cin ematographiques. Un groupe de dist-
ribution cin ematographique envisage daccrotre sa capacit e de distribution
en r egion Li egeoise. Deux projets sont ` a l etude, un seul sera r ealis e :
la r enovation dun ancien complexe de 4 salles de cin ema au centre
ville dune capacit e totale apr` es r enovation de 2.000 si` eges.
la construction dun nouveau complexe de 15 salles de cin ema en
p eriph erie dune capacit e totale 10.000 si` eges.
Le co ut des travaux est de 3 millions deuro pour le projet de r enovation
et de 15 millions deuro pour le projet de construction. La dur ee de vie
des installations est de 20 ans.

Etant donn e le planning des s eances et les
diff erents publics attendus, le prot annuel moyen par si` ege est estim e
146 Chapitre 8. Conception dun centre de production
` a 2000 euro au centre ville et ` a 1000 euro en p eriph erie en cas de forte
fr equentation,
` a 1500 euro au centre ville et ` a 300 euro en p eriph erie en cas de
fr equentation faible.
Le facteur dactualisation est de 20 % lan.
(a) On demande de dessiner larbre de d ecision complet, mentionnant les
montants des investissements et des prots.
(b) Pour chacun des cas, calculez la valeur nette actualis ee au d ebut du
projet, sur toute sa dur ee de vie.
(c) La probabilit e de succ` es est difcilement estimable. Quel serait la
d ecision dinvestissement la plus rentable,
si la probabilit e de fr equentation forte est de 45 % :
si la probabilit e de fr equentation forte est de 55 % :
8.3. Probl` eme de localisationde centre de distributionde pneus. Unimportant
groupe de fabrication de pneus envisage de restructurer son r eseau europ een.
Pour le moment, il dispose dun centre de production par pays qui lui co ute,
sur base annuelle, les frais xes suivants :
Pays Frais xes Capacit e Demande
(10
6
euros)
Belgique 1,2 500.000 pneus 400.000 pneus
Espagne 4 3.000.000 pneus 2.000.000 pneus
France 6 10.000.000 pneus 6.000.000 pneus
Portugal 2 1.500.000 pneus 1.000.00 pneus
On envisage de desservir les m emes march es quactuellement avec un nom-
bre moins important de centres de production ouverts. La demande domes-
tique sur base annuelle est donn ee ci dessus. Les frais de transport dun pneu
du pays i au pays j sont connus et not es ct
ij
.
(a) Repr esentez le probl` eme par un graphique de r eseau. Indiquez sur
celui-ci les donn ees du probl` eme.
(b) Formuler math ematiquement le probl` eme du choix des usines ` a conser-
ver ouvertes ` a lavenir dans le groupe en supposant que la demande
demeure stable. On veut minimiser la somme des co uts xes et des
co uts de transport des pneus.
Partie IV
Les techniques doptimisation
147
Chapitre 9
La programmation dynamique.
9.1 Introduction
La programmation dynamique a pour but de traiter les mod` eles o` u une s equence
optimale de d ecisions doit etre prise. Elle est largement utilis ee en planication de
la production pour d eterminer les lancements de production en cas de co uts xes
de lancement de production.
Les mod` eles dynamiques r epondent aux caract eristiques suivantes :
Ils comportent une certain nombre de p eriode de temps qui seront not ees :
t = 1, 2, ...n
Achaque etape, une d ecision doit etre prise. On note par x
t
la d ecision prise
` a la p eriode t.
Chaque etape est caract eris ee par un certain nombre d etats initiaux pos-
sibles. On note par s
t
l etat initial de la p eriode t.
Par exemple, en planication de la production :
les etapes sont les diff erentes p eriodes de planication,
la d ecision x
t
prise ` a la p eriode t est le niveau de production de la p eriode,
la variable d etat s
t
indique le niveau initial du stock de la p eriode t.
Lid ee g en erale des proc edures de r esolutionenprogrammationdynamique
est la suivante. On part dun sous probl` eme, celui de derni` ere etape, dont la
r esolution est triviale. Ensuite, et en proc edant ` a rebours, on etend progressivement
le probl` eme en incluant les etapes pr ec edentes et en calculant la politique optimale
` a chaque etape en se basant sur la politique optimale de l etape suivante.
149
150 Chapitre 9. La programmation dynamique.
9.2 Le probl` eme du voyageur
Un exemple purement ctif, tir e de Hillier et Lieberman [7], va nous permettre
dintroduire la terminologie employ ee en programmation dynamique. Il sagit du
probl` eme du voyageur devant traverser louest am ericain il y a plus dun si` ecle.
Son point de d epart et sa destination sont connus. Il effectue son voyage en quatre
etapes. A chaque etape, il a le choix de se diriger vers plusieurs etats. A la
gure 9.1, on a repr esent e chaque etat par un cercle. Son etat de d epart est l etat
1 et son etat darriv ee est l etat 10.
1
2
3
4
5
6
7
8
9
10
1
2
4
3
7
6
4
4
4
3
2
5
1
4
6
3
3
3
3
4
Figure 9.1: Probl` eme du voyageur.
Le voyageur souscrit ` a chaque etape une police dassurance dont le co ut re` ete
le degr e dins ecurit e du voyage. Ceux-ci sont indiqu es au dessus des arcs ` a la
gure 9.1. Il va donc d eterminer son itin eraire de mani` ere ` a choisir la route la plus
s ure en minimisant la somme des polices dassurance pour le passage d etat en
etat.
Remarquez dabord que lapproche tr` es simple qui consiste ` a choisir ` a chaque
etape la police la moins ch` ere ne conduit pas ` a une solution globalement la moins
ch` ere. En effet, en suivant cette strat egie, on choisirait le chemin 1 2 6
9 10 avec un co ut total dassurance de 13. Cependant en sacriant un peu ` a
la premi` ere etape, on peut gagner aux etapes ult erieures. En effet, par exemple la
route 1 4 6 9 10 permet un co ut total de 11.
Une autre m ethode serait d evaluer toutes les routes possibles. Cependant sur
ce petit exemple, elles sont d ej` a au nombre de 3 3 2 = 18 et lorsque le nombre
d etapes et/ou le nombre d etats crot, cela devient vite un travail prohibitif.
Cest ici quintervient la programmation dynamique qui permet de calculer
la solution optimale sans faire de l enum eration explicite.
Section 9.2. Le probl`eme du voyageur 151
9.2.1 Formulation en un probl` eme dynamique
La formulation dun probl` eme dynamique comporte cinq etapes :
1. La d enition des etapes. Ici les etapes sont les quatre etapes du voyage.
Elles sont not ees :
t = 1, 2, ...4
2. Le choix des variables d etat. Dans notre exemple, s
t
note l etat de d epart
de l etape t. On peut ici donner les valeurs possibles de s
t
` a chaque etape :
s
1
= 1
s
2
{2, 3, 4}
s
3
{5, 6, 7}
s
4
{8, 9}
3. Le choix des variables de d ecision. Dans notre exemple, x
t
note la desti-
nation de l etape t. On peut donner les valeurs possibles de x
t
` a chaque
etape :
x
1
{2, 3, 4}
x
2
{5, 6, 7}
x
3
{8, 9}
x
4
= 10.
4. Lexpression des relations entre les variables. Ici, les contraintes expriment
que la destination dune etape (x
t
) est le point de d epart de la suivante (s
t+1
) :
s
1
= 1
s
2
= x
1
s
3
= x
2
s
4
= x
3
x
4
= 10
5. Lexpression de lobjectif. Lobjectif est ici de minimiser le co ut total du
voyage. Il peut s ecrire :
minz =
4

t=1
c
t
(s
t
, x
t
)
o` u c
t
(s
t
, x
t
) est le co ut ` a l etape t daller de s
t
vers x
t
.
152 Chapitre 9. La programmation dynamique.
9.3 Proc edure de r esolution
La programmation dynamique commence avec une petite portion du probl` eme
original, trouve la solution optimale pour cette portion du probl` eme. Ensuite on
elargit progressivement le probl` eme, en d eterminant la nouvelle solution optimale ` a
partir de la pr ec edente. Pour le probl` eme du voyageur, on consid` ere le probl` eme de
n de voyage, lorsquil ny a plus quune etape ` a faire. Pour ce probl` eme la solution
optimale est evidente : le voyageur doit aller directement ` a sa destination, l etat
10. A lit eration suivante, on elargit dune unit e le nombre d etapes ` a effectuer.
On peut ensuite d eduire la strat egie optimale pour la troisi` eme etape en fonction
de la strat egie optimale pour la derni` ere etape.
Fixons-nous deux notations utiles pour la proc edure de r esolution.
D enition 9.1 On note par x

t
(s
t
) la meilleure strat egie ` a l etape t, si on est dans
l etat s
t
` a l etape t.
D enition 9.2 On note par f

t
(s
t
) le co ut de la meilleure strat egie ` a l etape t, si
on est dans l etat s
t
` a l etape t.
La programmation dynamique va d eterminer successivement f

4
(s
4
), f

3
(s
3
),
f

2
(s
2
) et enn f

1
(s
1
) pour chaque etat possible s
t
` a l etape t et utiliser par exemple
f

2
(s
2
) pour calculer f

1
(s
1
).
Pour t = 4, cest-` a-dire lorsque le voyageur na plus quune etape ` a effectuer, sa
destination nale est connue : x
4
= 10. Le tableau 9.1 reprend les co uts minimaux
de la derni` ere etape ainsi que la d ecision optimale en fonction de s
4
,l etat de d epart.
s
4
x

4
f

4
(s
4
)
8 10 3
9 10 4
Tableau 9.1: Co uts minimaux de la derni` ere etape
Consid erons le cas t = 3, cest-` a-dire lorsque le voyageur a encore deux etapes
` a effectuer. Si le voyageur est dans l etat 5 (s
3
= 5), il peut aller vers 8 ou 9 ` a des
co uts respectifs de c
5,8
= 1 ou c
5,9
= 4 auxquels il faut ajouter le co ut additionnel
de l etape 4 donn e dans la table 9.1. Il sagit de f

4
(8) = 3 sil va vers 8 et de
f

4
(9) = 4 sil va vers 9. Le co ut total minimum de 1 + 3 = 4 est obtenu sil va
Section 9.3. Procedure de resolution 153
s
3
x
3
= 8 x
3
= 9 x

3
f

3
(s
3
)
5 1 + 3 = 4 4 + 4 = 8 8 4
6 6 + 3 = 9 3 + 4 = 7 9 7
7 3 + 3 = 6 3 + 4 = 7 8 6
Tableau 9.2: Co uts minimaux de la troisi` eme etape.
vers 8, donc x

3
= 8 et f

3
(5) = 4. On proc` ede de m eme pour s
3
= 6 et s
3
= 7 et
on obtient les valeurs donn ees dans la table 9.2.
La solution pour le probl` eme o` u il reste trois etapes (t = 2) est obtenue de
mani` ere similaire. Elle est illustr ee ` a la table 9.3. Les etats destination sont cette
fois au nombre de trois : il sagit de x
2
= 5, x
2
= 6 ou x
2
= 7 tandis que les etats
de d epart possibles sont s
2
= 2, s
2
= 3 ou s
2
= 4. Pour les etats de d epart 2 ou 4,
la destination optimale peut etre au choix 5 ou 6 puisque le co ut total est le m eme.
s
2
x
2
= 5 x
2
= 6 x
2
= 7 x

2
f

2
(s
2
)
2 7 + 4 = 11 4 + 7 = 11 6 + 6 = 12 5 ou 6 11
3 3 + 4 = 7 2 + 7 = 9 4 + 6 = 10 5 7
4 4 + 4 = 8 1 + 7 = 8 5 + 6 = 11 5 ou 6 8
Tableau 9.3: Co ut minimaux de la deuxi` eme etape.
Enn, pour le probl` eme de premi` ere etape (t = 1), le co ut minimum de la
police optimale est ` a nouveau donn e en fonction de l etat destination de l etape
comme la somme du co ut de premi` ere etape plus le co ut minimum des etapes
ult erieures. On obtient les r esultats de la table 9.4.
s
1
x
1
= 2 x
1
= 3 x
1
= 4 x

1
f

1
(s
1
)
1 2 + 11 = 13 4 + 7 = 11 3 + 8 = 11 3 ou 4 11
Tableau 9.4: Co ut minimaux de la premi` ere etape.
On faut maintenant identier une politique optimale. Pour t = 1, le voyageur
doit donc se diriger initialement vers l etat 3 ou 4. Supposons quil choisisse
x

1
= 3. Pour t = 2, la strat egie optimale pour s
2
= 3 est x

2
= 5 (voir tableau
9.3), ce qui dans l etape t = 3 conduit ` a l etat s
3
= 5. La strat egie optimale pour
s
3
= 5 consiste ` a choisir x

3
= 8 (voir tableau 9.2). On se retrouve en s
4
= 8 et on
154 Chapitre 9. La programmation dynamique.
choisit x

4
= 10 ` a l etape 4 (voir tableau 9.1). Une des routes optimales est donc
le parcours suivant :
1 3 5 8 10
et donnant un co ut total de :
f

1
(1) = 11
Cette solution est illustr ee au tableau 9.5.
t 1 2 3 4
s
t
1 3 5 8
x

t
3 5 8 10
Tableau 9.5: Solution optimale pour le probl` eme du voyageur.
9.4 Un probl` eme daffectation de ressources rares
Nous illustrons le fait que le champs dapplication de la m ethode de r esolution
est tr` es large sur un deuxi` eme exemple egalement tir e de Hillier et Lieberman
[7] : il sagit du probl` eme de lorganisation mondiale de la sant e. On suppose
que lOMS dispose de 5 equipes m edicales ` a affecter ` a 3 pays pour mener ` a
bien une campagne de vaccination. LOMS doit d eterminer combien d equipes
envoyer dans chacun des trois pays de mani` ere ` a maximiser lefcacit e g en erale
de laffectation. La mesure de lefcacit e est donn ee en terme dann ees-homme
de vie suppl ementaire. Ces donn ees sont reprises au tableau 9.6. On suppose que
chaque pays doit b en ecier dau moins une equipe.
Nombre d equipes Pays 1 Pays 2 Pays 3
1 45 20 50
2 70 45 70
3 90 75 80
Tableau 9.6: Milliers dann ees-homme suppl ementaires.
9.4.1 Formulation comme un probl` eme dynamique
1. D enition des etapes. Bien quil ny ait pas de succession temporelle, on
peut imaginer que les trois etapes dun processus dynamique consistent en
laffectation successive aux trois pays puisque lorsquune equipe est affect ee
Section 9.4. Un probl`eme daectation de ressources rares 155
` a un pays, elle nest plus disponible pour les autres pays. On a donc identi e
les etapes.
2. Choix des variables d etat. Comment identier les etats ? Autrement dit,
quelle est linformation n ecessaire ` a une etape pour pouvoir d eterminer la
politique optimale ? Il sagit simplement du nombre d equipes m edicales
qui restent disponibles. Notons s
t
le nombre d equipes encore disponibles
au d ebut de l etape t. On peut donner les valeurs possibles de s
t
:
s
1
= 5
s
2
{2, 3, 4}
s
3
{1, 2, 3}
3. Choix des variables de d ecision. Notons x
t
le nombre d equipes m edicales
affect ees au pays t. On peut donner les valeurs possibles de x
t
:
x
1
{1, 2, 3}
x
2
{1, 2, 3}
x
3
{1, 2, 3}
4. Relations entre les variables. Les relations de r ecurrence entre les variables
s ecrivent ici :
s
1
= 5
s
2
= s
1
x
1
s
3
= s
2
x
2
En g en eral, on peut ecrire la relation suivante :
s
t+1
= s
t
x
t
.
Il faut egalement ajouter la condition quau moins une equipe soit envoy ee
dans chaque pays :
x
t
1, t = 1, 2, 3
5. Lexpression de lobjectif. Lobjectif est ici de maximiser lefcacit e de
lallocation. Il peut s ecrire :
maxz =
3

t=1
B
t
(x
t
)
o` u B
t
(x
t
) mesure le b en ece de lallocation de x
t
equipes m edicales au pays
t.
156 Chapitre 9. La programmation dynamique.
9.4.2 R esolution par la programmation dynamique
A l etape t = 3, les etats possibles vont de 1 (il faut au moins une equipe pour le
pays 3) jusqu` a 3 (on a au moins affect e une equipe au pays 1 et une equipe au pays
2). A la derni` ere etape, on a int er et ` a affecter toutes les equipes encore disponibles
(voir tableau 9.7).
s
3
x

3
f

3
(s
3
)
1 1 50
2 2 70
3 3 80
Tableau 9.7: Calculs de l etape 3.
A l etape 2, les etats possibles vont de 2 (il faut au moins une equipe pour le
pays 2 et une equipe pour le pays 3) ` a 4 (on a au moins attribu e une equipe au pays
1). A la deuxi` eme etape, au gain de l etape, il faut ajouter le gain r esultant pour
l etape 3 avec s
3
= s
2
x
2
. Le d etail des calculs est donn e au tableau 9.8.
s
2
x
2
= 1 x
2
= 2 x
2
= 3 x

2
f

2
(s
2
)
2 20 + 50 = 70 1 70
3 20 + 70 = 90 45 + 50 = 95 2 95
4 20 + 80 = 100 45 + 70 = 115 = 75 + 50 = 125 3 125
Tableau 9.8: Calculs de l etape 2.
De m eme ` a l etape 1, au gain de l etape, il faut ajouter ceux des etapes suivantes
avec s
2
= s
1
x
1
. Le d etail des calculs est donn e au tableau 9.9.
s
1
x
1
= 1 x
1
= 2 x
1
= 3 x

1
f

1
(s
1
)
5 45 + 125 = 170 70 + 95 = 165 90 + 70 = 160 1 170
Tableau 9.9: Calculs de l etape 1.
La solution optimale est calcul ee ci-dessous.
t 1 2 3
s
t
5 4 1
x

t
1 3 1
Elle donne un gain de 170 000 hommes-ann ees.
Section 9.5. Application ` a la planication de la production. 157
9.5 Application ` a la planication de la production.
Nous allons maintenant voir comment la programmation dynamique permet de
r esoudre des probl` emes de planication de la production en pr esence de co uts de
production non convexes. Illustrons ceci sur un exemple.
La demande pr evisionnelle de n de mois dun composant est donn ee au ta-
bleau 9.10. La fabrication de ce composant n ecessite un certain nombre de r eglages
ind ependants du nombre dunit es fabriqu ees. Le co ut de lancement est de 150. Le
co ut direct d epend de la main duvre disponible. Le co ut est de 200 en heures
normales, de 250 en heures suppl ementaires. Le tableau 9.10 donne la production
maximale en heures normales et heures suppl ementaires. On une capacit e de sto-
P eriode t 1 2 3 4 5
Capacit e de production ` a 200 2 2 3 3 3
Capacit e de production ` a 250 3 3 3 3 3
Demande pr evisionnelle n t 2 1 4 2 4
Tableau 9.10: Demande pr evisionnelle et capacit e de production.
ckage limit ee ` a 2 unit es. Le co ut de stockage est de 10 par unit e stock ee par mois.
Une unit e fabriqu ee le mois t peut etre utilis ee pour satisfaire la demande de n
de mois. On sinterdit toute rupture de stock.
9.5.1 Formulation en un probl` eme dynamique
Nous allons tout dabord formuler le probl` eme en un probl` eme de programmation
dynamique. Pour cela, d enissons la variable d etat de la p eriode t suivante :
s
t
= stock au d ebut de la p eriode t.
D enissons aussi la variable de d ecision de la p eriode t suivante :
x
t
= production ` a la p eriode t.
On d enit la fonction
f
t
(s
t
, x
t
)
comme etant le co ut de la meilleure planication pour les p eriodes restantes si on
est dans l etat s
t
au d ebut de la p eriode t et que lon d ecide de produire x
t
` a la
p eriode t. Ce co ut est la somme du co ut de production de l etape t, dun co ut de
possession du stock pendant le mois t ainsi que du co ut des etapes ult erieures :
f
t
(s
t
, x
t
) = cp
t
(x
t
) +c
s
s
t
+f

t+1
(s
t
+x
t
d
t
)
158 Chapitre 9. La programmation dynamique.
o` u d
t
note la demande pr evisionnelle qui est donn ee au tableau 9.10. La fonction
cp
t
(x
t
) d enote le co ut de production ` a l etape t. Ce dernier est la somme dun co ut
xe de lancement de 150, ` a payer pour autant quil y ait production, et dun co ut
direct de main duvre qui est de 200 par unit e produite en heures normales, de
250 par unit e produite en heures suppl ementaires. Remarquez quen pr esence de
co ut de lancement le co ut de production nest pas convexe. Ceci peut etre v eri e
` a la gure 9.2 qui illustre la fonction de co ut pour t = 5.
cp
5
(x
5
)
x5 1 2 3 4 5 6
1500
1250
1000
750
550
350
350
200
250
Figure 9.2: Co ut non convexe.
La capacit e de stockage est limit ee ` a 2 unit es :
s
t
2, t.
Ce qui limitera ` a trois les etats du monde possibles ` a chaque etape. La relation
liant les variables d etat et de d ecision est la suivante :
s
t+1
= s
t
+x
t
d
t
On sinterdit toute rupture. Ce qui se traduit par un stock nal non n egatif :
x
t
0, t.
Section 9.5. Application ` a la planication de la production. 159
9.5.2 R esolution par la programmation dynamique
Nous allons maintenant r esoudre le probl` eme par la programmation dynamique.
A l etape 5, on a d
5
= 4. Ce qui explique quil faut au moins produire 4 unit es si
s
5
= 0 mais pas plus de 6 sinon le stock nal sera sup erieur ` a deux unit es. On doit
aussi respecter la capacit e de production de 6 unit es. Si le stock initial s
5
= 1, on
peut se contenter de produire 3. On peut egalement produire 4 ou 5 mais pas plus
vu la capacit e de stockage limit ee ` a 2 unit es. On obtient les co uts suivants :
s
5
x
5
= 2 x
5
= 3 x
5
= 4 x
5
= 5 x
5
= 6 x

5
f

5
(s
5
)
0 1.000 1.250 1.500 4 1.000
1 760 1.010 1.260 3 760
2 570 770 1.020 2 570
Par exemple le co ut de 1.000 si s
5
= 0 et x
5
= 4 r esulte du seul co ut de production
qui se calcule comme suit :
150 + 3 200 + 250 = 1000.
Le co ut de 760 si s
5
= 1 et x
5
= 3 r esulte de la somme du co ut de stockage dune
unit e pendant un mois et du co ut de production des trois unit es :
1 10 + 150 + 3 200 = 760.
A l etape 4, on a d
4
= 2. On ajoute au co ut de production de l etape, le co ut
des etapes ult erieures. Ainsi, dans le cas o` u s
4
= 0 et x
4
= 2, le co ut correspond
` a lapplication de la formule :
f
4
(s
4
, x
4
) = cp
4
(x
4
) +f

5
(s
4
+x
4
d
4
)
= (150 + 400) + 1.000
= 1.550
On obtient le tableau de co uts suivant :
s
4
x
4
= 0 x
4
= 1 x
4
= 2 x
4
= 3 x
4
= 4 x

4
f

4
(s
4
)
0 1.550 1.510 1.570 3 1.510
1 1.360 1.320 1.330 2 1.320
2 1.020 1.130 1.140 0 1.020
160 Chapitre 9. La programmation dynamique.
A l etape 3, on a d
3
= 4. On d etermine semblablement le tableau de co uts
suivant :
s
3
x
3
= 2 x
3
= 3 x
3
= 4 x
3
= 5 x
3
= 6 x

3
f

3
(s
3
)
0 2.510 2.570 2.520 4 2.510
1 2.270 2.330 2.280 3 2.270
2 2.080 2.090 2.040 4 2.040
A l etape 2, on a d
2
= 1. On a une capacit e de production ` a 200 limit ee ` a deux
unit es. On obtient le tableau de co uts suivant :
s
2
x
2
= 0 x
2
= 1 x
2
= 2 x
2
= 3 x

2
f

2
(s
2
)
0 2.860 2.820 2.840 2 2.820
1 2.520 2.630 2.600 0 2.520
2 2.290 2.410 0 2.290
A l etape 1, la demande est de 2 et on a le tableau de co uts suivant :
s
1
x
1
= 2 x
1
= 3 x
1
= 4 x

1
f

1
(s
1
)
0 3.370 3.320 3.340 3 3.320
On d etermine ensuite la politique optimale. Partant de s
1
= 0, il est optimal
de produire 3. La demande etant de 2, on se retrouve avec s
2
= 1. La strat egie
optimale pour la deuxi` eme p eriode est de ne produire rien du tout. On se retrouve
avec un stock s
3
= 0. La strat egie optimale est de produire x
3
= 4. On se retrouve
avec un stock s
4
= 0. La strat egie optimale est de produire x
4
= 3, soit une unit e
de plus que la demande. On se retrouve avec un stock s
5
= 1 et on produit x
5
= 3 :
t = 1 2 3 4 5
d
t
2 1 4 2 4
s
t
0 1 0 0 1
x

t
3 0 4 3 3
Remarquez quen p eriode 2, on a pr ef er e ne pas produire la seule unit e de-
mand ee car une unit e en premi` ere etape m eme en heures suppl ementaires et avec
un co ut de stockage revient mois cher (260) quune seule unit e en heure normale
` a la p eriode 2 (350). Remarquez aussi quen p eriode 4, on produit une unit e de
plus que la demande pour eviter de produire ` a 250 en p eriode 5 la quatri` eme unit e
demand ee cette p eriode. Il y a, en effet, une unit e disponible ` a 200 (+ 10 de co ut
de stockage) au mois pr ec edent.
Section 9.5. Application ` a la planication de la production. 161
9.5.3 Algorithme en cas de co ut convexe
Signalons quil existe un algorithme plus efcace dans le le cas o` u il ny a pas de
co ut xe et que les co uts marginaux sont croissants. En effet, dans ce cas, le
co ut de production devient convexe et une proc edure plus efcace consiste ` a
1. satisfaire la demande de p eriode 1 en utilisant les moyens de production les
plus avantageux de la p eriode, et calculer les capacit es r esiduelles;
2. satisfaire la demande de p eriode 2 en utilisant les moyens de production les
plus avantageux des deux premi` eres p eriodes, puis modier en cons equence
les capacit es de production r esiduelles;
3. satisfaire la demande de p eriode 3 en utilisant les moyens de production les
plus avantageux de la p eriode 3 ou des p eriodes pr ec edentes, puis modier
en cons equence les capacit es de production r esiduelles; etc. . .
Appliquons cette proc edure au m eme exemple en supposant quil ny a pas de co ut
xe de lancement de production. En p eriode 1, la demande est satisfaite par :
-une production en p eriode 1 ` a 200 (2 unit es).
Les demandes et capacit es r esiduelles sont donn ees par :
P eriode t 1 2 3 4 5
Capacit e r esiduelle ` a 200 0 2 3 3 3
Capacit e r esiduelle ` a 250 3 3 3 3 3
Demande r esiduelle 0 1 4 2 4
En p eriode 2, la demande est de 1. Elle est satisfaite par :
-une production en p eriode 2 ` a 200 (1 unit e).
Les demandes et capacit es r esiduelles sont donn ees par :
P eriode t 1 2 3 4 5
Capacit e r esiduelle ` a 200 0 1 3 3 3
Capacit e r esiduelle ` a 250 3 3 3 3 3
Demande r esiduelle 0 0 4 2 4
En p eriode 3, la demande est de 4. Elle est satisfaite par :
-une production en p eriode 3 ` a 200 (3 unit es);
-une production ` a 200 en p eriode 2 (1 unit e).
162 Chapitre 9. La programmation dynamique.
Les demandes et capacit es r esiduelles sont donn ees par :
P eriode t 1 2 3 4 5
Capacit e r esiduelle ` a 200 0 0 0 3 3
Capacit e r esiduelle ` a 250 3 3 3 3 3
Demande r esiduelle 0 0 0 2 4
En p eriode 4, la demande est de 2. Elle est satisfaite par :
-une production en p eriode 4 ` a 200 (2 unit es).
Les demandes et capacit es r esiduelles sont donn ees par :
P eriode t 1 2 3 4 5
Capacit e r esiduelle ` a 200 0 0 0 1 3
Capacit e r esiduelle ` a 250 3 3 3 3 3
Demande r esiduelle 0 0 0 0 4
En p eriode 5, la demande est de 4. Elle est satisfaite par :
-une production en p eriode 5 ` a 200 (3 unit es);
-une production ` a 200 en p eriode 4 (1 unit e).
Les demandes et capacit es r esiduelles sont donn ees par :
P eriode t 1 2 3 4 5
Capacit e r esiduelle ` a 200 0 0 0 0 0
Capacit e r esiduelle ` a 250 3 3 3 3 3
Demande r esiduelle 0 0 0 0 0
Par diff erence avec les capacit es initiales, on obtient les capacit es utilis ees ` a chaque
etape et donc le plan optimal de production et stockage (s
t
est le stock de d ebut t)
suivant :
P eriode t 1 2 3 4 5
d
t
2 1 4 2 4
s
t
0 0 1 0 1
x

t
2 2 3 3 3
Remarquez que, par rapport au cas avec co ut de lancement, on a encore avanc e
des productions (une unit e de demande de p eriode 3 produite ` a la p eriode 2, et une
unit e de demande de p eriode 5 produite ` a la p eriode 4) pour b en ecier des capacit es
encore disponibles en heures normales qui co utent moins cher que la production en
heures suppl ementaires. Mais la deuxi` eme cause danticipation de production, ` a
savoir eviter de mettre en route une production pour une faible quantit e, a disparu.
Section 9.6. Exercices 163
9.6 Exercices
9.1. D etermination du chemin critique par la programmation dynamique.
Consid erons un projet dont le graphe de la m ethode PERT est repris ci-
dessous. Consid erons le probl` eme de la d etermination du chemin critique.
G,4
L,7
J,5
B,3
H,6
A,5
C,4
D,2
9
E,3
I,2
F,1
4
1
3
6
5
7
2
8
9
K,4
Figure 9.3: Graphe de la m ethode PERT.
On peut d eterminer ce chemin critique en cherchant le plus long chemin liant
le d ebut du projet (nud 1) ` a la n du projet (nud 9).
(a) Formuler ce probl` eme comme un probl` eme dynamique.
Quelles sont les etapes ?
Quels sont les etats du monde ` a chaque etape ?
Quels sont les d ecisions ` a chaque etape ?
Quel est le lien entre les variables ?
Quel est lobjectif du probl` eme ?
(b) Utilisez la programmation dynamique pour r esoudre ce probl` eme.
(c) D eterminer tous les chemins critiques.
9.2. R epartition du budget publicitaire. Une compagnie planie sa strat egie
publicitaire pour le lancement de trois nouveaux produits. Elle a un total de
6 millions de dollars ` a sa disposition pour lann ee prochaine pour lancer les
trois nouveaux produits. On suppose que la soci et e investit par million entier
sur chaque produit en publicit e avec au minimum un million sur chaque
produit. Le tableau 9.11 donne les estimations daugmentation de ventes
pour les produits en fonction du budget publicitaire investi.
(a) Formulez le probl` eme comme un probl` eme de programmation dyna-
mique. Pour ce faire,
d enissez les etapes,
d enissez les variables d etat,
164 Chapitre 9. La programmation dynamique.
Budget Produit 1 Produit 2 Produit 3
1 million +7 +4 +6
2 millions +10 +8 +9
3 millions +14 +11 +13
4 millions +17 +14 +15
Tableau 9.11: Augmentation des ventes
d enissez les variables de d ecision,
donnez la relation de r ecurrence entre les variables d etat de deux
etapes successives.
(b) Utilisez la programmation dynamique pour r esoudre ce probl` eme.
9.3. Planication de la production. Un entreprise cherche ` a etablir son plan
de mise en production pour les trois prochaines semaines dun composant
intervenant dans lassemblage des trois machines A, Bet C. Le plan directeur
de production pr evoit la mise ` a disposition les six prochaines semaines des
quantit es suivantes pour les trois types de machines :
Semaine 1 2 3 4 5 6
A - - 5 1 7 4
B - - 0 5 5 7
C - - 12 5 1 0
Pour les trois machines, le d elai de fabrication est de deux semaines et le
composant doit etre disponible au d ebut de lassemblage.
(a) D eterminer les besoins nets de composants pour les quatre prochaines
semaines sachant que le stock initial est de deux unit es et que lon
pr evoit une livraison en d ebut de premi` ere semaine de 15 composants.
(b) D eterminer la mani` ere optimale de couvrir ces besoins par des lance-
ments de production de ce composant. On tiendra compte, pour se
faire, du d elai de fabrication de ce composant qui est dune semaine
et des informations de co ut suivantes. En r egime normal, la capacit e
de production est de 12 composants par semaine, ` a un prix de 50 euro
lunit e. A laide dheures suppl ementaires, ce niveau peut etre elev e
jusqu` a 4 composants en plus, moyennant un co ut additionnel de 10
euro par unit e. Le co ut de stockage est estim e ` a 3 euro par unit e et par
semaine. La capacit e de stockage est limit ee ` a deux composants. Il
ny a pas de co ut xe de mise en route de la production.
Chapitre 10
La programmation lin eaire.
10.1 Introduction
On parle de programme lin eaire lorsque lon veut minimiser ou maximiser une
fonction objectif lin eaire sous des contraintes purement lin eaires.
Lorsquil ny a que deux variables de d ecision, un probl` eme lin eaire peut etre
r esolu de mani` ere purement graphique. Lorsquil y a un plus grand nombre de
variables, un algorithme mis en uvre sous la forme dun programme informatique
sav` ere n ecessaire. Il sagit de lalgorithme du Simplexe.
Lorsque les variables doivent prendre des valeurs enti` eres, on parle de probl` e-
mes en nombres entiers. On devrait ` a proprement parler de probl` emes lin eaires en
nombres entiers car on impose, en plus, aux contraintes et ` a la fonction objectif
d etre lin eaires. Nous verrons au chapitre 12 une technique de r esolution de ces
probl` emes : il sagit de la m ethode de branch and bound.
Lorsque les contraintes et/ou la fonction objectif sont non lin eaires, on parle
de probl` emes non lin eaires. Nous ne verrons pas dalgorithme de r esolution de
ces probl` emes dans le cadre de ce cours.
Il est ` a remarquer que ces m ethodes de r esolutions etant mises enuvre dans des
logiciels commerciaux, il ne viendrait plus ` a lid ee de les programmer soi-m eme.
La derni` ere partie de ce chapitre sera consacr ee ` a la pr esentation du solveur dExcel
qui dispose dune impl ementation de ces algorithmes.
10.2 Un simple exemple
Nous prenons un exemple tir e de Hillier et Lieberman [7]. Il sagit dune entreprise
de fabrication de chassis qui envisage la production de deux nouveaux mod` eles
au moyen des capacit es r esiduelles de ses trois ateliers. Il sagit respectivement
dun chassis en aluminium et dun chassis en bois. Le premier produit n ecessite
165
166 Chapitre 10. La programmation lineaire.
le passage dans le premier atelier pour fabriquer le cadre en aluminium et dans le
troisi` eme atelier o` u le verre est mont e sur le chassis. Tandis que le second produit
n ecessite le passage dans le deuxi` eme atelier pour fabriquer le cadre en bois et dans
le troisi` eme atelier o` u le verre est mont e sur le chassis. Les marges unitaires, les
temps de fabrication de chacun des produits dans chacun des ateliers ainsi que les
capacit es hebdomadaires r esiduelles de ces ateliers sont donn es au tableau 10.1.
Produit 1 Produit 2 Capacit e disponible
(heures/produit) (heures/produit) (heures/semaine)
Atelier 1 1 0 4
Atelier 2 0 2 12
Atelier 3 3 2 18
Marge 3$ 5$
Tableau 10.1: Marges, temps dusinage et capacit es.
La question qui se pose est la suivante : Combien faut-il produire de chassis
de chaque type par semaine pour maximiser le prot net ?
Si on choisit comme variables x
1
et x
2
les quantit es de chaque bien ` a produire
par semaine, lobjectif du probl` eme s ecrit simplement :
maxz = 3x
1
+ 5x
2
.
Tandis que les contraintes du probl` emes proviennent de la capacit e limit ee des
trois ateliers :
x
1
4
2x
2
12
3x
1
+ 2x
2
18
Le probl` eme se formule donc comme suit :
maxz = 3 x
1
+ 5 x
2
s.c.q.
_

_
x
1
4
2x
2
12
3x
1
+ 2x
2
18
x
1
0
x
2
0
(10.1)
Section 10.3. Resolution graphique 167
10.3 R esolution graphique
Dans le cas dun probl` eme lin eaire ` a deux variables de d ecision, le probl` eme peut
etre r esolu de mani` ere graphique en suivant le processus suivant en trois etapes.
La premi` ere etape consiste ` a repr esenter graphiquement la r egion r ealisable.
D enition 10.1 On appelle r egion r ealisable, lensemble des valeurs de variables
de d ecision qui satisfont toutes les contraintes.
Dans le cas de lexemple, cest lensemble des points (x
1
, x
2
) satisfaisant les
in egalit es de (10.1) :
_

_
x
1
4 (1)
2x
2
12 (2)
3x
1
+ 2x
2
18 (3)
x
1
0 (4)
x
2
0 (5)
Graphiquement une in egalit e telle que 3x
1
+2x
2
18 correspond ` a un demi-plan
limit e par la droite obtenue en prenant lin equation ` a l egalit e (ici 3x
1
+2x
2
= 18).
Lorsque lon fait lintersection des cinq demi-plans correspondant aux cinq in ega-
lit es, on obtient le polygone hachur e ` a la gure 10.1.
10
8
6
4
2
0 2 4 6 8 x
1
x
2
(1)
(2)
(3)
(4)
(5)
Figure 10.1: Ensemble de production.
On voit ici clairement que le syst` eme est sous-d etermin e. On va devoir choisir
entre ces diff erents plans de production. Pour ce faire, et cest la deuxi` eme etape
168 Chapitre 10. La programmation lineaire.
de la r esolution, on va repr esenter graphiquement des lignes disovaleur de la
fonction objectif :
z = 3x
1
+ 5x
2
.
En effet, on remarquera que lexpression de la fonction objectif fait intervenir trois
variables et ne peut donc etre repr esent ee que dans lespace. Pour se ramener dans
le plan, on va consid erer des valeurs successives de lobjectif :
z = 3x
1
+ 5x
2
= k.
Ce qui correspond graphiquement ` a des droites parall` eles. Les points dune de ces
droites sont donc le lieu de tous les points donnant la m eme valeur du prot (do` u
le nom de droite disovaleur de la fonction objectif). Ceci est fait ` a la gure 10.2
o` u lon a repr esent e z = 15, 30 et 36.
9
6
4
2
0 2 6 x
1
x
2
z = 36
z = 30
z = 15
(2, 6)
5 10
Figure 10.2: Droites disoprot.
Enn, et cest la troisi` eme etape de la r esolution, loptimum sera d etermin e
graphiquement comme le plan de production situ e sur la droite disoprot la plus
elev ee, cest-` a-dire celle qui donne le prot le plus elev e. On voit ` a la gure 10.2
quil sagit du point
x

= (2, 6).
Justions ce choix. Comme on maximise le prot on a int er et ` a prendre la droite
disovaleur la plus elev ee possible. Bien s ur, il faut que le plan de production soit
encore r ealisable : autrement dit, il faut se restreindre ` a la r egion r ealisable. On a
alors la tr` es important remarque suivante :
Observation 1 :
Pour maximiser lobjectif, il faut prendre la droite disovaleur de lobjectif qui
touche encore la r egion r ealisable et qui donne la plus grande valeur ` a lobjectif.
Sur base de cet exemple, on tire une deuxi` eme observation :
Section 10.3. Resolution graphique 169
Observation 2 :
On constate que la solution optimale est ` a un sommet de la r egion r ealisable.
On peut alors se demander si la solution optimale sera toujours ` a un sommet de
la r egion r ealisable. En fait, lorsque la ligne diso-marge est parall` ele ` a un c ot e du
polygone, on a que tout le c ot e du polygone est optimal. Par exemple, si lobjectif
avait et e z = 3x
1
+ 2x
2
, tout le segment entre (2,6) et (4,3) aurait et e optimum.
Observation 3 :
M eme si tout un c ot e du polygone est optimal, on peut toujours choisir une solution
optimale correspondant ` a un sommet.
En conclusion, on peut voir quil suft d evaluer la valeur de lobjectif en
chacun des sommets pour d eterminer loptimum dun probl` eme lin eaire. An de
limiter le nombre de sommets ` a examiner, lalgorithme du Simplexe proc` ede de la
mani` ere suivante :
i) Choisir comme point de d epart un sommet x

de la r egion r ealisable.
ii) D eterminer les c ot es passant par ce sommet x

. Trouver un c ot e le long
duquel z crot. Sil ny en na pas, STOP : le x

courant est optimal.


iii) D eterminer le sommet y

` a lautre bout du c ot e et poser x

= y

. Retour
en ii).
Lalgorithme du Simplexe appliqu e ` a notre exemple fonctionne ainsi : partant
de (0,0), on se dirige vers le point (0,6) puis vers le point (2,6), loptimum du
probl` eme (voir gure 10.3).
10
8
4
2
2 8
3x1 + 2x2 = 18
x
1
= 4
x
1
= 0
2x
2
= 12
x
2
= 0
(0, 9)
(0, 6)
(2, 6)
(4, 3)
(4, 0)
(0 , 0)
(6 , 0)
(4 , 6)
Figure 10.3: Sommets de la r egion r ealisable
170 Chapitre 10. La programmation lineaire.
10.4 Le solveur dExcel
Le solveur dEXCELest un r esolveur d equation ainsi quun optimiseur exploitant
les techniques de la programmation lin eaire, de la programmation en nombres
entiers et de la programmation non lin eaire.
Illustrons ceci sur lexemple de lentreprise de fabrication de chassis tir e de
Hillier et Lieberman [7] introduit au d ebut du chapitre. Rappelons la formulation
de ce probl` eme. En posant x
1
, le nombre de chassis en aluminium fabriqu es par
semaine et x
2
, le nombre de chassis en bois fabriqu es par semaine, on obtient la
formulation suivante :
max = 3x
1
+ 5x
2
s.c.q.
_

_
x
1
4
2x
2
12
3x
1
+ 2x
2
18
x
1
0
x
2
0
Nous allons maintenant r esoudre le probl` eme au moyen du solveur dExcel.
La premi` ere chose ` a faire est de rentrer les donn ees num eriques du probl` eme et
les formules de calcul de la fonction objectif ainsi que du membre de gauche des
contraintes. Pour la clart e du mod` ele, il est indispensable de mettre egalement des
commentaires. Comme le probl` eme est lin eaire, on peut rentrer les coefcients
num eriques sous forme dune matrice. On remarquera au tableau 10.2 que les
A B C D E
1 en alu en bois b
2 Production de chassis
3 Prot 3 5 =B3*$B$2+C3*$C$2
4 Capacit e de latelier 1 1 0 =B4*$B$2+C4*$C$2 4
5 Capacit e de lAtelier 2 0 2 =B5*$B$2+C5*$C$2 12
6 Capacit e de latelier 3 3 2 =B6*$B$2+C6*$C$2 18
Tableau 10.2: Exemple de probl` eme lin eaire.
coefcients dune m eme equation ainsi que sa formule de calcul ont et e rang es dans
une m eme ligne qui contient comme commentaire le nom de l equation (Atelier
1, Atelier 2, . . . ). De m eme, les coefcients se rapportant ` a une m eme variable
ont et e rang e en colonne sous le nom de la variable (x
1
, x
2
). Remarquez ici, pour
Section 10.4. Le solveur dExcel 171
comprendre les formules, que lon a choisi de placer la valeur de x
1
en cellule
$B$2$, tandis que celle de x
2
est plac ee en cellule $C$2.
Il reste maintenant ` a indiquer ` a Excel, o` u se trouvent les variables, la fonction
objectif, le membre de gauche, de droite et le sens des contraintes. Ceci peut etre
mis en uvre en Excel (voir la copie d ecran 10.4) de la mani` ere suivante :
Figure 10.4: Param` etres du solveur.
1. Dans le menu Outils, choisir le sous-menu Solveur.
2. Dans la zone Cellule ` a d enir, mettre la r ef erence de la cellule de calcul
de lobjectif (ici $D$3).
3. Dans la zone

Egale ` a, choisir Max ou Min (ici Max).


4. Dans la zone Cellules variables, mettre les r ef erences des cellules conte-
nant les variables (ici $B$2:$C$2) .
5. Dans la zone Contraintes, choisir ajouter une contrainte. Le menu
suivant apparat :
Cellule : Relation : Contrainte :
Pour chaque contrainte :
Dans la zone Cellule, mettre la r ef erence de la cellule contenant la
formule de calcul du membre de gauche (pour latelier 1 : $D$4). Il
faut donc pr ealablement avoir calcul e ce membre de gauche.
172 Chapitre 10. La programmation lineaire.
Dans la zone Relation, mettre le sens de la contrainte (par exemple,
pour latelier 1 : <=).
Dans la zone Contrainte, mettre la r ef erence de la cellule contenant
le membre de droite (pour latelier 1 : $E$4). On peut egalement
directement entrer une valeur. Mais cela nest pas ` a conseiller sauf sil
sagit de la valeur 0 qui nest pas susceptible de varier.
6. Dans Option (voir la copie d ecran 10.5), choisir Mod` ele suppos e li-
Figure 10.5: Options du solveur.
n eaire. On doit egalement choisir loption Suppos e non n egatif qui
correspond aux contraintes de positivit e des variables.
7. Lancer la commande R esoudre.
Le tableau 10.3 pr esente la solution du solveur. Il est ` a remarquer quil
indique directement dans les cases des variables la valeur de ces variables. On
obtient bien la solution d etermin ee graphiquement (2,6) ` a laquelle correspond une
valeur maximum de lobjectif (36).
Plusieurs remarques sur les particularit es du solveur dExcel simposent
ici :
1. On a rentr e les trois contraintes en un bloc. On peut rentrer par groupe les
contraintes ayant m eme sens. Ainsi, dans lexemple, on a rentr e les trois
contraintes de capacit es en bloc par la commande suivante :
$D$4 : $D$6 <= $E$4 : $E$6
Section 10.4. Le solveur dExcel 173
A B C D E
1 en alu en bois b
2 Production de chassis 2 6
3 Prot 3 5 36
4 Capacit e de latelier 1 1 0 2 4
5 Capacit e de latelier 2 0 2 12 12
6 Capacit e de latelier 3 3 2 18 18
Tableau 10.3: Solution du solveur
2. Excel d etermine le nomdune variable ou le nomdune contrainte en prenant
le premier commentaire situ e ` a gauche de la cellule et le premier commentaire
situ e au dessus de la cellule de calcul de la variable ou de la contrainte. Ainsi
les noms des variables x
1
et x
2
seront respectivement production de chassis
en alu et production de chassis en bois.
3. Les contraintes de positivit e des variables doivent etre entr ees explicitement,
ceci contrairement ` a la convention de certains optimiseurs qui consid` erent
par d efaut des variables non n egatives. On a rentr e ces contraintes, comme
indiqu e plus haut, en s electionnant loption suppos e non n egatif.
4. Seules les variables non calcul ees (les variables ind ependantes du mod` ele)
doivent etre rentr ees dans la section variables. Ainsi, si lon avait cal-
cul e dans une cellule le nombre dheures pass ees dans latelier 1, cette cel-
lule contiendrait une variable (au sens math ematique du terme) mais ne
devrait pas etre rentr ee dans les cellules variables pour Excel, sans quoi
Excel consid ererait quil sagit dune variable ind ependante et effacerait sa
formule de calcul pour y mettre une valeur num erique.
5. Si le mod` ele est lin eaire (contraintes lin eaires et fonction objectif lin eaire),
on a tout int er et ` a s electionner loption Mod` ele suppos e lin eaire, ce qui
d eclenchera lalgorithme du Simplexe plut ot quun algorithme g en eral de
programmation non lin eaire.
6. Remarquez enn que pour modier le mod` ele on peut utiliser :
la commande supprimer la contrainte;
la commande modier la contrainte.
La solution du solveur correspond bien ` a celle d etermin ee pr ec edemment.
174 Chapitre 10. La programmation lineaire.
10.5 Les rapports du solveur
Lorsque le solveur a termin e, soit quil ait trouv e la solution optimale, soit quil
ne parvienne pas ` a en trouver (probl` eme non r ealisable ou non convergence de
lalgorithme de r esolution), la bote de dialogue de la gure 10.6 apparat. Elle
Figure 10.6: Rapports possibles du solveur.
permet de g en erer trois types de rapport : le rapport des r eponses, le rapport de
sensibilit e et le rapport des limites.
10.5.1 Le rapport des r eponses
Le rapport des r eponses (voir gure 10.7) fournit :
les informations sur lobjectif : la r ef erence de la cellule, le nom, la valeur
originale et nale de la cellule cible (` a Maximiser);
les informations sur les variables : la r ef erence de la cellule, le nom, la
valeur originale et nale des cellules variables;
les informations sur les contraintes : la r ef erence de la cellule, le nom, la
valeur nale du membre de gauche, la formule de calcul, son status (active
ou non ` a la solution nale), ainsi que la marge (valeur de l ecart entre les
deux membres de lin egalit e).
10.5.2 Le rapport de sensibilit e
Le rapport de sensibilit e (voir gure 10.8) fournit :
les informations sur les variables : la r ef erence de la cellule, le nom et la
valeur nale de la variable, le co ut r eduit, le coefcient dans la fonction
Section 10.5. Les rapports du solveur 175
Figure 10.7: Rapports des r eponses.
Figure 10.8: Rapport de sensibilit e.
176 Chapitre 10. La programmation lineaire.
objectif, laccroissement et la diminution maximale de ce coefcient avant
quune variable ne change de valeur.
les informations sur les contraintes : la r ef erence de la cellule, le nom et la
valeur nale du membre de gauche de la contrainte, le prix cach e, la valeur du
membre de droite, laugmentation et la diminution maximum de ce membre
de droite telle que le prix cach e reste le m eme.
Nous verrons au chapitre 11 que le co ut r eduit mesure leffet sur lobjectif
de forcer ` a un une variable nulle. Pour un produit non fabriqu e, le co ut r eduit
sinterpr` ete donc comme la perte de prot si on en fabrique un unit e.
De m eme, nous verrons que le prix cach e mesure laccroissement de lob-
jectif par unit e daccroissement du membre de droite de la contrainte. Ce prix
cach e sinterpr` ete donc comme laugmentation de prot si on dispose dune heure
suppl ementaire dans latelier. Cest donc le prix maximum que lon est pr et ` a
payer pour cette heure.
10.5.3 Le rapport des limites
Le rapport des limites (voir gure 10.9) fournit pour chaque variable :
Figure 10.9: Rapport des limites.
sa limite inf erieure, cest-` a-dire la plus petite valeur de la variable qui satisfait
les contraintes en maintenant les autres variables x ees ` a leur valeur;
la limite sup erieure, cest-` a-dire plus grande valeur de la variable qui satisfait
les contraintes en maintenant les autres variables x ees ` a leur valeur.
Section 10.6. Exercices 177
10.6 Exercices
10.1. Optimisationdune fonderie. Une petite fonderie au Qu ebec est sp ecialis ee
dans la fonte de mat eriaux de r ecup eration an de produire deux types de
produits : des tuyaux agricoles dadduction et d evacuation deau ainsi que
des contrepoids pour tracteurs. La fonderie est en pleine planication des
op erations de la semaine prochaine. Les commandes enregistr ees s el` eve
` a 34 tonnes pour les tuyaux et 14 tonnes pour les contrepoids. Cependant
la fonderie ne sest pas engag ee ` a livrer lensemble de ces commandes la
semaine prochaine. On livrera ce que les capacit es de production permettent.
Il ny a pas de p enalit e ` a ne pas livrer les commandes la semaine prochaine.
La semaine prochaine, la main duvre disponible sera de 160 heures dans
latelier de polissage et de 120 heures dans latelier peinture. Il faut compter
8 heures la tonne pour polir les tuyauteries et 4 heures la tonne pour les
contrepoids. La peinture requiert 4 heures pour une tonne de tuyaux, 6
heures pour une tonne de contrepoids. La marge sur une tonne de tuyaux
est de 1 000 $, sur une tonne de contrepoids de 1 200 $. Quelles sont les
commandes ` a honorer la semaine prochaine pour maximiser le prot ?
(a) Formuler le probl` eme lin eaire de la maximisation du prot (choix des
variables, expression des contraintes et de lobjectif).
(b) R esoudre graphiquement. Donnez la solution optimale
10.2. Ventes de dentifrices. Une compagnie fabrique deux types de dentifrices.
La formule X procure un b en ece net de 50 euro par mille tubes vendus.
On ne pr evoit pas de vendre plus de 50 000 tubes de X par mois. La
formule Y procure un b en ece net de 60 euro par mille tubes vendus et
ses ventes mensuelles sont au maximum de 10 000 tubes. Il y a 100 000
unit es dun ingr edient disponibles par mois. Chaque tube de la formule X
n ecessite 2 unit es de cet ingr edient, la formule Y en n ecessite 4 unit es. Il y a
actuellement des contrats pour 40 000 tubes de formule Xpar mois. Pour des
raisons commerciales, la rme ne veut pas que la formule Y repr esente plus
dun quart de sa production totale (X et Y) au del` a des 40 000 unit es de X
contract ees (cest-` a-dire plus dun quart de X+ Y- 40 000). Les productions
non multiples de 1 000 sont admises. Lentreprise cherche ` a maximiser sa
marge totale.
(a) Formuler le probl` eme lin eaire correspondant (choix des variables, ex-
pression de lobjectif, expression des contraintes.)
(b) R esoudre graphiquement. Donner la solution optimale obtenue et le
prot optimal.
178 Chapitre 10. La programmation lineaire.
10.3. Planication de la production. Une soci et e dispose dune certaine capacit e
de production par mois (co ut unitaire unitaire de production de 10 euros).
Elle peut aussi faire appel au stockage (co ut unitaire dun article en stock
en n de mois dun euro). La capacit e de stockage est limit ee ` a 10 unit es.
Les capacit es de production ainsi que les demandes pr evisionnelles pour les
cinq prochains mois sont donn ees au tableau suivant :
P eriode t 1 2 3 4 5
Capacit e de production 18 15 15 18 15
Demande 12 17 13 21 18
D eterminer la politique optimale de production et de stockage sachant que
le stock en n de p eriode 0 est de 6 unit es.
(a) Formuler le probl` eme de transport comme un probl` eme lin eaire :
Choix des variables de d ecision,
Expression de lobjectif,
Expression des contraintes
(b) Mettre sous la forme dun mod` ele de calcul en Excel.
(c) Donner la solution obtenue par Excel.
Chapitre 11
Analyse postoptimale.
11.1 Introduction
Dans ce chapitre, nous voir comment va varier la valeur optimale de lobjectif
dun programme lin eaire lorsque lon modie certains coefcients du probl` eme
(coefcients objectif ou du membre de droite). En effet, g en eralement la solution
num erique dun probl` eme lin eaire est moins signicative que de savoir comment
lobjectif va bouger si lon modie certaines donn ees du probl` eme. Cest lobjet
de ce que lon appelle lanalyse postoptimale.
Pour voir leffet de tels changements de donn ees, une solution nave consiste ` a
appliquer le Simplexe au nouveau probl` eme et bien s ur on peut en d eduire leffet
sur lobjectif. Mais nous allons voir dans ce chapitre que, si le sommet optimal du
probl` eme original reste optimal pour le nouveau mod` ele, on peut pr edire sans
r esoudre le nouveau probl` eme leffet de variation des donn ees sur la valeur de
la fonction objectif.
Nous allons dabord envisager le cas de la variation des coefcients du
membre de droite des contraintes. Nous allons voir que la variation de la va-
leur optimale de lobjectif dun programme lin eaire en fonction des coefcients du
membre de droite est donn ee par la valeur des prix cach es. Nous verrons com-
ment les d eterminer graphiquement pour un exemple ` a deux variables et comment
d eterminer le domaine de validit e de ces prix cach es.
Nous verrons ensuite, le cas de la variation des coefcients de la fonction
objectif. Ici, nous verrons que le taux de variation de lobjectif est donn e par la
valeur des variables ` a loptimum. Nous verrons quil y a aussi un domaine de
validit e pour ces valeurs optimales des variables.
Enn, nous terminerons en donnant linterpr etation dune autre information
que lon peut tirer de la solution optimale dun probl` eme lin eaire, ` a savoir la valeur
des co uts r eduits des variables.
179
180 Chapitre 11. Analyse postoptimale.
11.2 Variation par rapport au second membre
La question qui se pose est ici la suivante : Si on augmente la capacit e disponible
dune ressource, quel est limpact sur la valeur optimale de la fonction objectif ?
Pour des variations de membre de droite sufsamment faibles pour que le m eme
sommet reste optimal, on peut r epondre ` a cette question de la mani` ere suivante :
Le prix cach e (not e y

i
) mesure laugmentation de la fonction objectif si lon
accrot dune unit e la capacit e disponible (b
i
).
11.2.1 Calcul des prix cach es
Nous allons illustrer ceci sur sur lexemple introductif du chapitre 10 dont l enonc e
est rappel e ci-dessous.
maxz = 3 x
1
+ 5 x
2
s.c.q.
_

_
x
1
4
2x
2
12
3x
1
+ 2x
2
18
x
1
0
x
2
0
Consid erons tout dabord une augmentation de capacit e du premier atelier de
b
1
= 4 ` a b

1
= 5. On peut voir ` a la gure 11.1 que le nouveau point optimal reste
le m eme
x

= x

= (2, 6).
En cons equence de quoi, la valeur optimale de lobjectif ne change pas :
z

= z

= 36
Do` u une variation nulle de lobjectif, ce qui se traduit par une valeur nulle du
premier prix cach e :
z = z

= 0 = y

1
.
Une augmentation de capacit e du deuxi` eme atelier de b
2
= 12 ` a b

2
= 13 donne
un d eplacement du point optimal vers (voir gure 11.1) :
x

= (5/3, 13/2).
En cons equence de quoi, la nouvelle valeur de lobjectif est donn ee par :
z

= 37, 5
Section 11.2. Variation par rapport au second membre 181
9
8
4
2
3x1 + 2x2 = 18
x
1
= 4
2x
2
= 12
0
,
x
1
= 5
2x
2
= 13
(5/3, 13/2)
z = 3x
1
+ 5x
2
2 8
x
2
x
1
6
6 4 0
Figure 11.1: Analyse postoptimale.
Do` u un accroissement de lobjectif qui d etermine la valeur du deuxi` eme prix
cach e :
z = z

=
3
2
= y

2
.
Enn, consid erons une augmentation de capacit e du troisi` eme atelier de b
3
=
18 ` a b

3
= 19. Comme on peut le voir ` a la gure 11.2, cela donne un d eplacement
du point optimal vers :
x

= (7/3, 6).
En cons equence de quoi, la nouvelle valeur de lobjectif vaut :
z

= 37
Do` u une augmentation dobjectif qui d etermine la valeur du troisi` eme prix cach e :
z = z

= 1 = y

3
.
Le r esultat peut aussi etre interpr et e dans lautre sens : y

3
est la perte de prot
si on diminue dune unit e la capacit e du troisi` eme atelier.
Remarquer que dans la pratique, si onutilise la forme alg ebrique de lalgorithme
du Simplexe, ces prix cach es sont calcul es automatiquement par lalgorithme.
Cest ainsi que tout bonne impl ementation de lalgorithme du Simplexe fournit
cette information (voir le rapport de sensibilit e dExcel pr esent e au chapitre 10).
182 Chapitre 11. Analyse postoptimale.
10
8
4
2
2 8
3x1 + 2x2 = 18
x
1
= 4
x
2
2x
2
= 12
x
1
3x + x = 19 1 2 2
(7/3, 6)
z = 3x
1
+ 5x
2
6
6 4 0
Figure 11.2: Variation de capacit e de latelier 3.
11.2.2 Analyse de sensibilit e au membre de droite
Remarquons, et ceci est lobjet de lanalyse de sensibilit e quil y a une limite de
validit e de chaque prix cach e. En effet, dans le cas de la premi` ere ressource, si
leffet dune augmentation de b
1
sera nul sur la valeur optimum de lobjectif quel
que soit b
1
4, il nen va pas de m eme dune diminution. En effet, en dessous
de b
1
= 2, la solution optimale va changer. On a donc d etermin e le domaine de
validit e de y

1
= 0 : il sagit de lintervalle :
b
1
[2, +].
Pour le deuxi` eme atelier, au del` a de b
2
= 18, la solution optimale reste en (0,9).
Le sommet optimum nest plus ` a lintersection des contraintes (2) et (3) mais bien
` a lintersection des contraintes (3) et (5). Au del` a de ce point, y

2
change :
y

2
= 0.
De m eme, une diminution en dessous de b
2
= 6 va changer le sommet optimal :
en effet, il sera ` a lintersection des contraintes (1) et (2) et non plus ` a lintersection
des contraintes (2) et (3). On en d eduit le domaine de validit e de y

2
= 3/2 :
b
2
[6, 18].
Pour le troisi` eme atelier, au del` a de b
3
= 24, la solution optimale reste en (4,6).
Le sommet optimal et y

3
changent :
y

3
= 0.
Section 11.3. Variation des coecients objectifs 183
De m eme, une diminution en dessous de b
3
= 12 va changer le sommet optimal.
On en d eduit le domaine de validit e de y

3
= 1 : il sagit de lintervalle :
b
3
[12, 24].
Ces informations sont donn ees dans le rapport de sensibilit e dusolveur dExcel.
Ces informations sont fournies sous la forme dune augmentation admissible et
dune diminution admissible. Elle sont reprises ci-dessous :
Contrainte augmentation admissible diminution admissible
Atelier 1 + 2
Atelier 2 6 6
Atelier 3 6 6
Remarquons nalement que lon a toujours une valeur nulle du prix cach e
pour une contrainte non liante. Une contrainte non liante est une contrainte o` u
la variable d ecart est non nulle. Par exemple, la premi` ere contrainte
x
1
4
a un prix cach e nul. Ceci a une interpr etation economique. La ressource nest
pas enti` erement utilis ee : il ne sert donc ` a rien daugmenter son stock disponible.
11.3 Variation des coefcients objectifs
La question qui se pose ici est la suivante :Si on augmente le prix de vente unitaire
ou si lon diminue le co ut de production unitaire, quel est limpact sur la valeur de
lobjectif ?
A nouveau, on peut pr edire cette variation de lobjectif pour autant que le
sommet optimal ne change pas. En effet, tant que le sommet optimal ne change
pas, la solution optimale x

= (x

1
, x

2
, . . .x

n
) reste la m eme. Seul le prot optimal
change. Le nouveau prot vaut donc :
z

=
n

j=1
(c
j
+ c
j
)x

j
On en conclut que pour une variation unitaire du coefcient c
j
, laugmentation de
z

est exactement la valeur optimale de la variable x

j
.
184 Chapitre 11. Analyse postoptimale.
La valeur de la j` eme variable ` a loptimum (not ee x

j
) mesure laugmenta-
tion de la fonction objectif si lon accrot dune unit e la marge unitaire c
j
.
Nous allons ` a nouveau lillustrer sur le m eme exemple introductif. Dapr` es
le r esultat enonc e ci-dessus, les augmentations de prot pour une augmentation
unitaire de la marge des produits valent respectivement :
_

_
x

1
= 2,
x

2
= 6.
Supposons que la marge sur le premier produit augmente dune unit e. Autre-
ment dit, lobjectif devient :
maxz = 4x
1
+ 5x
2
On constate ` a la gure 11.3 que la pente de lobjectif ne varie pas sufsamment
pour changer le sommet optimum qui reste en :
x

1
= 2
x

2
= 6
On en d eduit la nouvelle valeur de lobjectif :
z

= 4 2 + 5 6 = 38
Laugmentation de lobjectif correspond bien ` a la valeur de x

1
:
z

= 38 36 = 2 = x

1
11.3.1 Analyse de sensibilit e aux coefcients objectif
Consid erons maintenant la questionlanalyse de sensibilit e. Onveut, par exemple,
d eterminer lintervalle de variation maximum de c
1
autour de 3 tel que le sommet
optimal ne change pas.
Ala gure 11.3, on constate que le coefcient c
1
peut descendre jusqu` a ce que
lobjectif z = c
1
x
1
+ 5x
2
soit parall` ele au segment
2x
2
= 12,
cest-` a-dire lorsque c
1
= 0. Le coefcient c
1
peut augmenter jusqu` a ce que lob-
jectif z = c
1
x
1
+ 5x
2
soit parall` ele au segment
3x
1
+ 2x
2
= 18.
Section 11.3. Variation des coecients objectifs 185
10
8
6
4
2
0 2 6 8
x
1
x
2
(2, 6)
z = 3x1 +5x2 = 36
z = 4x1 +5x2 = 38
10 12 4
Figure 11.3: Analyse de sensibilit e de c
1
.
Ceci se produit lorsquil y a egalit e des pentes :
c
1
5
=
3
2
,
cest-` a-dire lorsque c
1
= 15/2. On en conclut que tant que
c
1
[0, 15/2],
on a le m eme sommet optimal et donc la m eme solution optimale.
Effectuons lanalyse de sensibilit e pour le second coefcient objectif. Celui-ci
peut d ecrotre jusqu` a ce que lobjectif z = 3x
1
+c
2
x
2
soit parall` ele au segment
3x
1
+ 2x
2
= 18.
Ceci se produit lorsquil y a egalit e des pentes :
3
c
2
=
3
2
,
cest-` a-dire lorsque c
2
= 2. Dans lautre sens, c
2
peut augmenter jusqu` a ce que
lobjectif z = 3x
1
+c
2
x
2
soit parall` ele au segment
2x
2
= 12.
Ceci ne se produit jamais. On en conclut que tant que :
c
2
[2, +[,
on a le m eme sommet optimal et donc la m eme solution optimale.
Ces intervalles de sensibilit e sont donn es dans le rapport de sensibilit e du
solveur dExcel (voir chapitre 10).
186 Chapitre 11. Analyse postoptimale.
11.4 Co ut r eduit des variables hors base
On appelle variables hors base celles dont la valeur est ` a z ero ` a loptimum.
Le co ut r eduit de la variable hors base x
j
, not e d
j
, mesure laugmentation
de la fonction objectif si lon accrot dune unit e la valeur de la variable x
j
.
Nous illustrerons cette notion sur l exemple de planication de la production
de chassis auquel on adjoint un troisi` eme chassis mixte aluminiumbois, pour lequel
la marge unitaire est de 4 et les temps unitaires de fabrication dans les trois ateliers
sont respectivement de 1, 2 et 3 heures. La formulation de ce probl` eme est donc :
maxz = 3x
1
+5x
2
+4x
3
s.c.q. x
1
+x
3
4
2x
2
+2x
3
12
3x
1
+2x
2
+3x
3
18
x
1
, x
2
, x
3
0
La solution optimale de ce probl` eme est d etermin ee par le solveur dExcel :
(x

1
, x

2
, x

3
) = (2, 6, 0) et z

= 36
On constate que seuls sont rentables les chassis 1 et 2. En effet, le chassis
3, bien quayant une marge unitaire sup erieure au chassis 1, consomme plus de
ressources. Si on produit une unit e de x
3
, on va faire un b en ece de 4 mais on va
retirer en capacit e respectivement 1, 2 et 3 heures pour les deux autres productions.
Ce qui revient ` a diminuer les membres de droites des contraintes qui deviennent :
_

_
x
1
4 x
3
= 3 (1)
2x
2
12 2x
3
= 10 (2)
3x
1
+2x
2
18 3x
3
= 15 (3)
De (2), on en tire que x

2
5. On perd une unit e de x
2
. Supposons que x

2
= 5.
De (3) on tire que x

1
5/3. On perd 1/3 de x
1
. Leffet sur z

de la production
dune unit e du produit 3 vaut donc :
z

= 1/3 3 1 5 + 1 4 = 2 = d
3
Le co ut r eduit, not e d
3
, est n egatif, traduisant le fait que si la productionde ce chassis
etait positive, elle diminuerait le prot dautant. Pour quil devienne int eressant de
produire le chassis, il faut donc augmenter sa marge dau moins deux unit es. Ici,
le co ut r eduit sinterpr` ete comme loppos e de laugmentation minimale de prix
pour que la production devienne int eressante. A nouveau, le solveur dExcel
fournit cette information (voir chapitre 10).
Section 11.5. Exercices 187
11.5 Exercices
11.1. Plan de production. Une soci et e produit deux articles Aet B. La production
est limit ee par les disponibilit es en mati` eres premi` eres : la mati` ere premi` ere
P1 est limit ee ` a 21 unit es par semaine et P2 ` a 30 unit es par semaine. La
production est egalement limit ee par la main duvre disponible : on dispose
dau maximum 5 ouvriers par semaine. Par ailleurs, on doit employer au
moins 3 ouvriers par semaine. La production dune unit e de A n ecessite
un ouvrier pendant une semaine, 9 unit es de P1 et 10 unit es de P2. La
production dune unit e de B n ecessite un ouvrier pendant une semaine, 3
unit es de P1 et 4 unit es de P2. Le prot (en milliers dEuro) associ e ` a la
vente dune unit e de A est de 6, il est de 3 pour une unit e de B.
(a)

Ecrire le programme lin eaire correspondant.
(b) R esoudre graphiquement.
(c) D eterminer lintervalle de variationmaximumde la marge sur le produit
B qui pr eserve la solution optimale d etermin ee ci-dessus.
11.2. Production de peintures. Une soci et e de m elange de peinture produit ` a
la fois des peintures int erieures et des peintures ext erieures en m elangeant
deux mat eriaux de base, not es M1 et M2. Le tableau ci-dessous fournit les
donn ees de base du probl` eme.
Peinture Peinture Disponible
int erieure ext erieure par jour
Mat eriau M1 requis 6 4 24
Mat eriau M2 requis 1 2 6
Marge (1000 $ par tonne) 5 4
Une etude de march e indique que la demande journali` ere de peinture ext e-
rieure ne peut exc eder celle de la peinture int erieure de plus dune tonne.
Dautre part, le maximum de la demande journali` ere de peinture ext erieure
est de 2 tonnes. On se demande comment d eterminer la meilleure combi-
naison de production de peintures int erieure et ext erieure an de maximiser
le prot journalier.
(a) Formuler le probl` eme : choix des variables (avec leurs unit es), expres-
sion de lobjectif (avec son unit e de compte) et des contraintes.
(b) R esoudre graphiquement le probl` eme.
188 Chapitre 11. Analyse postoptimale.
(c) Il y a incertitude sur le prix de vente de la peinture ext erieure. Dans
quel domaine de variation doit se trouver la marge du second produit
an de conserver la solution optimale d etermin ee ci-dessus ?
(d) En d eduire leffet sur le prot dune augmentation de la marge du
second produit de 4 ` a 6.
11.3. R epartition du budget publicitaire. Une soci et e envisage un plan de pu-
blicit es pour augmenter ses ventes. Le tableau ci-dessous fournit laugmen-
tation des ventes pr evues en fonction du type de campagne envisag ee. On
envisage trois types de publicit es : les spots ` a la t el evision, les annonces
dans les magazines, les annonces dans les journaux.
Type de publicit e Spots TV annonces annonces Montant
magazines journaux max
Augmentation de vente 130 60 50
par campagne
Co ut dune campagne 300 000 150 000 100 000 4 millions
Co ut de conception 90 000 30 000 40 000 1 million
Nombre max de campagnes 1 0 0 5
Outre le co ut demand e par le m edia qui va difuser la publicit e (ligne co ut
dune campagne) pour lequel il existe un budget maximum de 4 millions
deuros, il faut payer lagence de publicit e pour la conception de la publicit e
(ligne co ut de conception). Le budge total de conception est dun million
deuros. Il y a aussi un nombre maximum de 5 spots tv autoris es dans la
p eriode consid er ee.
On demande de d eterminer le nombre de campagnes de publicit e ` a effectuer
dans chaque m edia pour maximiser les nouvelles ventes tout en respectant
les contraintes de budget publicitaire, de co ut de conception et du nombre
maximum de spots tv par p eriode.
(a) Formuler le probl` eme de r epartition du budget publicitaire (choix des
variables de d ecisions, expression de lobjectif, expression des cont-
raintes.)
(b) Mettre sous la forme dun mod` ele de calcul en Excel.
(c) Donner la solution obtenue par Excel.
(d) Quel serait leffet de lancer un spot tv suppl ementaire ?
Chapitre 12
La programmation en nombres entiers.
12.1 Introduction
La programmation en nombres entiers permet de mod eliser et, gr ace ` a la m ethode
que nous pr esenterons dans ce chapitre, de r esoudre :
des probl` emes avec co ut xe de mise en route (voir chapitre 5 sur la plani-
cation de production);
des probl` emes avec des conditions logiques, par exemple des disjonctions
en gestion de projet (voir chapitre 7);
des probl` emes de choix parmi un nombre limit e de valeurs, par exemple
des choix de capacit e (voir chapitre 8);
des probl` emes de m elange avec nombre limit e dingr edients,. . . etc.
D enition 12.1 On appelle probl` eme en nombres entiers la maximisation dune
fonction lin eaire sous des contraintes lin eaires lorsquen plus toutes les variables
doivent etre enti` eres.
D enition 12.2 On appelle probl` emes mixtes entiers (MIPen anglais pour Mixed
Integer Programming) les probl` emes comportant un certain nombre de variables
positives et un certain nombre de variables enti` eres.
Lalgorithme du Simplexe fournit une m ethode de r esolution g en erale pour tous
les probl` emes lin eaires, quelle que soit leur forme. Au contraire, en programmation
en nombres entiers, on ne dispose pas dun algorithme g en eral qui permette de
r esoudre efcacement tous les probl` emes en nombres entiers. Cependant, il existe
une m ethode g en erale connue sous le nom de m ethode de branch and bound qui
permet de r esoudre bon nombre de probl` emes en nombres entiers.
189
190 Chapitre 12. La programmation en nombres entiers.
12.2 Formulation des probl` emes mixtes
Nous allons voir quelques probl` emes classiques n ecessitant le recours ` a la pro-
grammation mixte enti` ere.
12.2.1 Probl` emes avec co uts xes
Exemple 12.1 Probl` emes avec co ut xe de mise en route de la production.
On veut repr esenter un co ut de production qui est nul en labsence de production
et qui, dans le cas contraire, vaut la somme dune constante K, le co ut xe de
production, ainsi que dun co ut proportionnel, le taux marginal etant m.
On veut donc pouvoir exprimer la fonction de co ut suivante :
Si x = 0, c(x) = 0;
Si x > 0, c(x) = K +mx.
(12.1)
o` u x d enote le niveau de production.
Cette fonction est repr esent ee ` a la gure 12.1.
K
c(x)
x
m
Figure 12.1: Repr esentation dun co ut xe.
La repr esentation math ematique de ce co ut xe n ecessite :
1. lajout dune variable indicatrice dune production positive :
y =
_
1 si x > 0
0 si x = 0
2. la modication de la fonction objectif en :
c(x, y) = Ky +mx
qui devient donc purement lin eaire;
Section 12.2. Formulation des probl`emes mixtes 191
3. lajout des contraintes suivantes :
x My, et y {0, 1} (12.2)
avec M une borne sup erieure sur la quantit e produite (x).
Remarquons que si x > 0, par les relations (12.2), on a que y = 1 et on tient
compte du co ut xe de mise en route de production. Par contre, lorsque x = 0,
les relations (12.2) permettent les choix y = 0 ou y = 1. Cependant, comme on
minimise, loptimiseur va automatiquement choisir y

= 0, la solution qui evite le


co ut xe !
Il y a de nombreuses applications de cette mod elisation des co uts xes par la
programmation mixte enti` ere. Un exemple de mise en application de ces co uts
xes est fournit par lexemple localisation simple qui suit.
Exemple 12.2 Le probl` eme de localisation simple. Il y a n clients pour un
certain produit. La demande annuelle de ces clients, not ee d
j
pour le client j, peut
etre satisfaite ` a partir de m d ep ots. Le co ut de transport unitaire entre le d ep ot i
et le client j est donn e par c
ij
alors que lutilisation du d ep ot i implique un co ut
xe annuel douverture du d ep ot de f
i
. La capacit e du d ep ot i est not ee s
i
.
Par exemple, on peut imaginer le probl` eme de lapprovisionnement des stations
services dune compagnie p etroli` ere. Elle dispose, pour ce faire, de plusieurs
emplacements possibles pour ses d ep ots. Le co ut xe revient ici ` a louverture du
d ep ot. Le co ut de transport entre un d ep ot et une station dessence repr esente le
co ut du transport routier par camion citerne.
Choix des variables :
Le choix le plus evident est de consid erer x
ij
comme etant la partie de demande
du client j satisfaite ` a partir de lentrep ot i (voir gure 12.2). Une seconde s erie
de variables y
i
, astreintes ` a etre binaires, repr esente louverture du d ep ot :
y
i
=
_
_
_
1 si le d ep ot i est ouvert,
0 sinon
Expression des contraintes :
Il faut dabord exprimer que la demande de chaque client est satisfaite. Ceci peut
s ecrire de la mani` ere suivante :
m

i=1
x
ij
= d
j
, j = 1, . . ., n
192 Chapitre 12. La programmation en nombres entiers.
m
2
1
n
1
2
s
i
d
j
i j
x
ij
Figure 12.2: Probl` eme de localisation simple.
En effet, si lon fait la somme sur tous les entrep ots des parties de la demande du
client j satisfaites ` a partir de ces entrep ots, on doit obtenir exactement la demande
du client.
La seconde s erie de contraintes exprime la liaison entre lutilisation dun ent-
rep ot et son ouverture. Elles peuvent s ecrire de la mani` ere suivante :
n

j=1
x
ij
s
i
y
i
et y
i
{0, 1} (12.3)
Expression de lobjectif :
Lobjectif est simplement la minimisation des co uts totaux et sexprime donc
comme :
minz =
m

i=1
n

j=1
c
ij
x
ij
+
m

i=1
f
i
y
i
On peut maintenant d emontrer que y
i
est bien une indicatrice douverture du
d ep ot i. En effet, soit il ny a aucun pr el` evement au d ep ot (

n
j=1
x
ij
= 0) et
y
i
= 0 ou y
i
= 1 sont admissibles pour (12.3). Cependant, comme ouvrir le d ep ot
(cest-` a-dire prendre y
i
= 1) implique un co ut xe douverture, lalgorithme de
minimisation des co uts choisira y

i
= 0 comme solution. Dautre part, sil y a
pr el` evement au d ep ot (

n
j=1
x
ij
> 0), dans ce cas seul y
i
= 1 est admissible et
la premi` ere contrainte de (12.3) impose de respecter la capacit e du d ep ot. Ceci
est une fa con tr` es classique dexprimer des co uts xes douverture via lutilisation
dune variable binaire.
Section 12.2. Formulation des probl`emes mixtes 193
12.2.2 Probl` emes avec contrainte logique
Parfois des probl` emes de gestion de production comportent une condition logique.
Un exemple typique est celui des probl` emes de gestion de projets avec contrainte
disjonctive. Pour rappel, dans ces probl` emes, on doit d eterminer lenchanement
des t aches du projet de mani` ere ` a le r ealiser dans le meilleur d elai. Il se peut que
deux t aches doivent etre effectu ees par la m eme equipe douvriers, soit mettent
en uvre la m eme machine. Les deux t aches ne peuvent donc avoir lieu simul-
tan ement, sans que lon puisse dire laquelle doit etre effectu ee en premier lieu.
Math ematiquement, on peut ecrire ceci par la condition suivante :
soit
_
t
i
+d
i
t
j
si i est r ealis ee avant j
t
j
+d
j
t
i
si j est r ealis ee avant i
(12.4)
o` u t
i
est la variable indiquant le temps de d ebut de la t ache i et d
i
, sa dur ee, est
donn ee.
Cette disjonction peut etre r esolue par la programmation mixte 0/1. En
effet, d enissons la variable binaire y
ij
, dont la valeur est 1 si la tache i est r ealis ee
avant la t ache j et 0 dans le cas contraire :
y
ij
=
_
_
_
1 si la t ache i est effectu ee avant j,
0 sinon
On remplace alors la condition de disjonction (12.4) par les contraintes sui-
vantes :
_

_
t
i
+d
i
t
j
+M(1 y
ij
)
t
j
+d
j
t
i
+My
ij
y
ij
{0, 1}
(12.5)
o` u M note une borne sup erieure sur la date de n des travaux.
D emontrons l equivalence. Deux cas sont possibles pour la variable binaire :
1. Cas o` u y
ij
= 1 : dans ce cas, le syst` eme (12.5) devient :
_
t
i
+d
i
t
j
t
j
+d
j
t
i
+M
La premi` ere contrainte exprime donc que la t ache i doit etre nie avant que ne
commence la t ache j. La seconde contrainte est automatiquement satisfaite.
2. Cas y
ij
= 0 : dans ce cas, le syst` eme (12.5) devient :
_
t
i
+d
i
t
j
+M
t
j
+d
j
t
i
La premi` ere contrainte est automatiquement satisfaite. La seconde contrainte
exprime que la t ache j doit etre nie avant que ne commence la t ache i.
194 Chapitre 12. La programmation en nombres entiers.
12.2.3 M elange avec nombre limit e dingr edients
Il sagit egalement dun probl` eme g en erique conduisant ` a une formulation mixte
enti` ere, les variables binaires indiquant la pr esence duningr edient dans le m elange.
Cest le cas, par exemple, dun probl` eme de m elange dhuiles o` u cinq huiles
sont disponibles mais o` udes contraintes techniques impliquent que seulement trois
huiles diff erentes peuvent etre pr esentes dans le m elange. Un autre exemple, est
celui du chargement de hauts fourneaux o` u le nombre de charbons disponibles
est souvent nettement sup erieur au nombre de charbons qui peuvent etre charg es
simultan ement. Ce nombre etant limit e par le nombre de portes de chargement du
haut fourneau.
Ce probl` eme peut etre r esolu par la programmation mixte z ero/un. Si x
i
note la quantit e dingr edient i dans le m elange, d enissons la variable binaire y
i
indiquant la pr esence de lingr edient i dans le m elange. Autrement dit :
y
i
=
_
1 si x
i
> 0
0 si x
i
= 0
On introduit alors les contraintes suivantes :
m
i
y
i
x
i
M
i
y
i
et y
i
{0, 1} (12.6)
o` u m
i
est une borne inf erieure sur la teneur de x
i
dans le m elange et M
i
est une
borne sup erieure sur la teneur de x
i
dans le m elange.
La conditiondunombre maximumdingr edients dans le m elange sexprime
alors simplement par :
n

i=1
y
i
k, (12.7)
avec k, le nombre maximum dingr edients dans le m elange.
D emontrons l equivalence. Deux cas sont possibles pour la variable x
i
:
1. Soit x
i
> 0. Alors, par les contraintes (12.6), la variable y
i
doit valoir 1 et
exprime bien que lingr edient i est dans le m elange.
2. Soit x
i
= 0. Alors, par la contrainte (12.6), la variable y
i
doit valoir 0. La
condition (12.7) exprimera donc bien que au plus k ingr edients seront pris
dans le m elange.
On a donc bien que y
i
est une indicatrice de pr esence de lingr edient i dans le
m elange.
Section 12.3. Principe de la methode de branch and bound 195
12.2.4 Choix parmi un nombre discret de valeurs
Dans beaucoup de probl` emes industriels, lors du dimensionnement dun appareil-
lage, on doit choisir sa capacit e parmi les valeurs commerciales existant sur le
march e. Par exemple, lors du dimensionnement dune canalisation de transport
deau, on doit choisir parmi les valeurs suivantes pour le diam` etre :
12 cm, 17 cm, 24 cm ou 47 cm.
On peut ` a nouveau mod eliser ce choix par lutilisation de variables binaires. En
effet, d enissons la variable x comme etant le diam` etre choisi et d enissons y
i
une
indicatrice du fait que le diam` etre num ero i a et e choisi :
y
i
=
_
1 si x = d
i
0 si sinon.
On peut alors ecrire la relation suivante pour le choix du diam` etre :
x = 12y
1
+ 17y
2
+ 24y
3
+ 47y
4
avec la contrainte quun seul diam` etre doit etre choisi :
y
1
+y
2
+y
3
+y
4
= 1 (12.8)
et bien s ur en imposant le caract` ere binaire de chaque indicatrice :
y
i
{0, 1}, i = 1, 2. . .4
La contrainte (12.8) fera en effet quune seule indicatrice vaudra un.
12.3 Principe de la m ethode de branch and bound
La m ethode de branch and bound ou encore appel ee m ethode de s eparation et
evaluation que nous allons maintenant d ecrire est destin ee ` a r esoudre les probl` emes
en nombres entiers du type suivant :
z

= max c
T
x
s.c.q.
_
Ax b,
x 0 et entiers.
Cette m ethode peut egalement etre appliqu ee aux probl` emes avec variables binaires
(z ero-un). Elle peut egalement etre appliqu ee aux probl` emes mixtes (MIP), cest-
` a-dire aux probl` emes comportant un certain nombre de variables enti` eres et un
certain nombre de variables continues.
196 Chapitre 12. La programmation en nombres entiers.
Nous illustrons la m ethode sur lexemple suivant tir e de Norbert et al [15] dont
on a l eg` erement modi e la fonction objectif :
z

= maxz = 15x
1
+ 50x
2
s.c.q.
_

_
x
1
+ 2x
2
5,
x
1
+ 2x
2
14,
x
1
8,
x
1
, x
2
0 et entiers
(12.9)
La r egion r ealisable est repr esent ee ` a la gure 12.3.
x1
x
2
0 1 2 3 4 5 6 7 8
5
4
3
2
1
0
P
0
P
1
P
2
P
3
9 10
z = 150
(1)
(2)
(3)
Figure 12.3: Repr esentation de la r egion r ealisable.
Remarquons quune fa con de r esoudre le probl` eme serait de construire une
borne sup erieure sur z

et une borne inf erieure sur z

et ensuite de rafner ces


bornes jusqu` a les egaliser.
Question 1 : comment construire une borne inf erieure sur z

?
La r eponse ` a cette question est ` a la fois simple et difcile. En effet, pour
trouver une borne inf erieure, il suft de donner une solution r ealisable pour (12.9).
Comme lobjectif est de maximiser, loptimum du probl` eme ne pourra qu etre
sup erieur ` a la valeur de z en ce point. Par exemple, le point (4,4) appartient ` a la
r egion r ealisable :
z(4, 4) = 15 4 + 50 4 = 260 z

PNE
Section 12.4. Application ` a lexemple 197
Cependant trouver en g en eral une solution r ealisable pour un probl` eme en nombres
entiers nest pas une mince affaire.
Question 2 : comment construire une borne sup erieure sur z

?
Une fa con de r epondre ` a cette question est de r esoudre le probl` eme lin eaire que
lon obtient ` a partir de (12.9) en laissant tomber les contraintes dint egralit e des
variables. Comme on maximise sur un ensemble r ealisable plus large, loptimum
ainsi obtenu ne pourra qu etre sup erieur ` a loptimum du probl` eme en nombres
entiers. Cest aussi le premier pas de la m ethode de branch and bound que nous
allons maintenant d ecrire sur lexemple.
12.4 Application ` a lexemple
Pas 0. R esoudre la relaxation lin eaire.
Pour cet exemple, on obtient comme solution de la relaxation lin eaire le point not e
P
0
` a la gure 12.3 :
x
1
= 4, 5
x
2
= 4, 75
z
0
= 305.
Cette solution est inacceptable car les variables ne sont pas enti` eres. Cependant,
elle fournit une premi` ere borne sup erieure sur z

:
z

305.
Pas 1. Brancher sur une variable non enti` ere.
La seconde id ee de la m ethode de branch and bound est (comme le nom lindique)
dop erer une s eparation : la r egion r ealisable va etre s epar ee en deux sous-r egions
dont aucune ne peut contenir la solution optimale non enti` ere P
0
. Cette s eparation
n ecessite le choix dune variable de s eparation. Le choix de cette variable est
heuristique. Diff erents choixsont possibles et de ce choixpeut d ependre lefcacit e
de la m ethode de r esolution. Une fa con simple de choisir cette variable est de
prendre la variable la plus distante dun entier. Une alternative, parfois utilis ee,
est de prendre la variable la plus proche dun entier.
Le crit` ere de choix de la variable de branchement adopt e ici est de prendre
la variable la plus distante dun entier.
Dans notre exemple, il sagit de la variable x
1
. On va effectuer un branchement
sur cette variable. Comme x
1
ne peut prendre que des valeurs enti` eres, il ny a
198 Chapitre 12. La programmation en nombres entiers.
aucune perte de g en eralit e dimposer que
soit x
1
4 soit x
1
5
Cependant imposer cette condition va eliminer la solution courante P
0
de la relaxa-
tion lin eaire. En g en eral si la variable choisie x
k
a la valeur fractionnaire N + ,
on imposera :
soit x
k
N soit x
k
N + 1
En imposant s epar ement lune et lautre conditions, on obtient deux sous-
mod` eles, un mod` ele ls et un mod` ele lle. Ce que lon repr esente par une dia-
gramme du type de celui de la gure 12.4. Chaque nud de cette gure correspond
z
0
= 305
x
1
= 4, 50
x ,
2
= 4 75
x
1
4
x
1
5
z
1
= 285
x
1
= 4
x
2
= 4, 5
z
2
= 300
x
1
= 5
x
2
= 4, 5
x
2
4 x
2
5
z
3
= 290
x
1
= 6
x
2
= 4
z
4
=
Probl` eme
non r ealisable
Figure 12.4: Arbre de branch and bound.
` a un probl` eme lin eaire. Le nud 0 au mod` ele original. Le nud 1 est le mod` ele
original avec en plus la restriction x
1
4, tandis que le nud 2 correspond au
mod` ele original avec en plus la restriction x
1
5. On a ici num erot e les nuds
dans lordre o` u ils ont et e g en er es.
On peut maintenant r esoudre les relaxations lin eaires correspondant aux pro-
bl` emes ls et lle. Dans notre exemple, on obtient les deux solutions suivantes :
Noeud 1 : x
1
= 4, x
2
= 4, 5, z
1
= 285.
Noeud 2 : x
1
= 5, x
2
= 4, 5 z
2
= 300.
Remarquez que les valeurs atteintes par la fonction objectif sont moins elev ees
que dans la relaxation lin eaire pr ec edente. Ceci nest pas etonnant : on a, en
Section 12.4. Application ` a lexemple 199
effet, ajout e des contraintes et donc restreint lespace des solutions r ealisables.
Comme les deux sous-r egions forment une repr esentation contenant lensemble
des solution enti` eres, on peut en conclure que la borne sup erieure sur z

est :
z

max(z
1
, z
2
) = 300.
Pas 2. Diviser ` a nouveau un nud ls ou lle en deux.
Ici, aucune des deux solutions nest acceptable car toutes les deux comportent des
parties fractionnaires. On va donc continuer en choisissant un des deux nuds
pour le diviser ` a nouveau. Le choix du nud ` a diviser est ` a nouveau heuristique
et peut ` a nouveau avoir une grande inuence sur le temps total mis pour r esoudre
le probl` eme. Pour lillustration de la m ethode, nous adoptons la r` egle de choix
heuristique suivante :
Le crit` ere de choix du nud ` a diviser adopt e ici est de prendre la la re-
laxation lin eaire fournit la meilleure (cest-` a-dire la plus grande en cas de
maximisation) valeur de la fonction objectif.
Pour cet exemple, on choisit donc le nud 2 et on r ep` ete le Pas 1.
Pas 1. Choisir une variable pour brancher.
Ici seule la variable x
2
est non enti` ere. On la choisit donc pour op erer le branche-
ment suivant :
soit x
2
4 soit x
2
5
On ajoute s epar ement chacune de ces contraintes aux contraintes du probl` eme 2
et on g en` ere ainsi les nuds 3 et 4. Ceci est illustr e ` a la gure 12.4. On r esout
graphiquement les relaxations lin eaires (voir gure 12.3) et on obtient les solutions
suivantes :
Noeud 3 : x
1
= 6, x
2
= 4, z
3
= 290.
Noeud 4 : non r ealisable
Noter que, au nud 3, on a obtenu une solution enti` ere dont la valeur correspon-
dante de la fonction objectif est 290. On a une premi` ere borne inf erieure sur la
valeur optimale de la fonction objectif et on a donc que :
290 z

Il est clair egalement quil ny a aucune raison de continuer ` a diviser le nud 3


pour lequel la solution optimale du probl` eme en nombres entiers a et e obtenue.
On dit que le nud 3 est coup e.
Remarquons aussi que le nud 4 a conduit ` a un probl` eme non r ealisable. Ce
nest pas etonnant vu que lon rajoute de plus en plus de contraintes. A nouveau,
200 Chapitre 12. La programmation en nombres entiers.
dans ce cas, il ne sert ` a rien de continuer ` a diviser ce nud. On peut donc couper
le nud 4.
Remarquons, pour terminer, que lon peut egalement couper la branche du
nud 1. En effet, la valeur de z
1
= 285 est inf erieure ` a la borne inf erieure de 290
qui vient d etre trouv ee. On na donc aucun espoir de trouver en poursuivant les
calculs ` a la branche 1 de trouver une solution enti` ere meilleure que 290. Dans le
cas contraire, on aurait du diviser la branche 1.
La m ethode est termin ee puisquil nexiste plus de nud ` a diviser. On d eter-
mine la solution optimale comme etant la meilleure solution enti` ere trouv ee. Il
sagit du point P
3
suivant :
x

1
= 6
x

2
= 4
auquel correspond une valeur optimale de lobjectif de z

= 290. On a ainsi, pour


notre exemple, trouv e et aussi prouv e que la solution du nud 3 etait la solution
optimale du probl` eme en nombres entiers.
En conclusions, il y a trois raisons de couper une branche dans larbre :
1. lorsque la relaxation lin eaire obtenue est non r ealisable (cas du nud 4),
2. lorsque la relaxation lin eaire obtenue fournit une solution enti` ere (cas du
nud 3),
3. lorsque la valeur de la borne sup erieure est inf erieure ` a la valeur de la meil-
leure solution enti` ere obtenue (cas du nud 1).
Enn terminons par les remarques g en erales suivantes.
Si la r egion r ealisable de la relaxation lin eaire nest pas born ee, il ny a pas
de garantie de convergence de la m ethode de branch and bound. Pour eviter ce
probl` eme, certaines impl ementations demandent une borne inf erieure et sup erieure
sur chaque variable. On est ainsi garanti dun nombre ni de branches dans larbre.
Signalons, pour terminer, quil existe une seconde m ethode g en erale pour r e-
soudre les probl` emes en nombres entiers. Il sagit de la m ethode dite des plans cou-
pants. Eneffet, elle g en` ere des plans qui coupent les solutions fractionnaires. Re-
marquons cependant que, dun point de vue algorithmique, cette m ethode sav` ere
moins performante (sauf ` a exploiter la structure particuli` ere du probl` eme) que la
m ethode de branch and bound et nest donc pas celle qui est impl ement ee dans
les logiciels commerciaux de programmation mixte.
Section 12.5. Exercices 201
12.5 Exercices
12.1. Mutation des ofciers. Larm ee a une politique de mutation r eguli` ere de
ses ofciers. Tous les trois ans, ces ofciers sont mut es ` a un autre poste pour
assurer la polyvalence du commandement et eviter que trop de fraternit e ne
sinstalle entre les ofciers et la troupe. Larm ee, pour etablir son plan de
mutation, tient compte du d esagr ement d etre mut e loin de sa base dorigine.
Et il est clair que, par exemple dans le cas dun ofcier mari e dont la femme
travaille dans le civil, le d esagr ement sera dautant plus grand que la nouvelle
affectation sera eloign ee. Pour les 5 ofciers ` a muter cette ann ee, on a etabli
le co ut de les affecter ` a chacun des 4 autres postes occup es par les coll` egues.
Cette information est reprise dans au tableau 12.1. Formuler le probl` eme de
Co ut pour d etre mut e au poste
lofcier a b c d e
A - 12 15 11 17
B 6 - 14 12 16
C 8 17 - 21 17
D 7 16 9 - 12
E 7 13 8 12 -
Tableau 12.1: D esagr ement de la mutation
la minimisation du d esagr ement total.
12.2. Planication de la production de moteurs davions. Une entreprise de
fabrication de moteurs davions produit, pour plusieurs compagnies clientes
des moteurs en travaillant uniquement sur commandes. Elle d esire planier
sa production pour les quatre prochains mois. Le tableau 12.2 fournit le
nombre de moteurs ` a fournir en n de chaque mois pour les quatre premiers
mois de lann ee. En fonction des op erations de maintenance, la capacit e de
production est diff erente de mois en mois. Elle est donn ee au tableau 12.2.
Le co ut unitaire de production varie egalement de mois en mois. Au vu des
donn ees, il est clair quil faudra recourir au stockage. Une unit e en stock
en n de mois a un co ut unitaire de stockage donn e au tableau 12.2. On
se demande comment organiser la production du moteur pour minimiser les
co uts de production et de stockage.
(a) En utilisant les symboles d enis en deuxi` eme ligne du tableau 12.2
plut ot que les donn ees num eriques particuli` eres, formulez le probl` eme
de la minimisation du co ut total de production et de stockage des mo-
teurs :
202 Chapitre 12. La programmation en nombres entiers.
Mois Commandes Capacit e Co ut de production Co ut de stockage
(t) (COM
t
) (CAP
t
) (CP
t
) (CS
t
)
Janvier 10 25 1,08 0,015
F evrier 15 35 1,11 0,015
Mars 25 30 1,10 0,015
Avril 20 10 1,13 0,015
Tableau 12.2: Production de moteurs davions.
Choix des variables.
Expression de lobjectif.
Expression des contraintes.
(b) Si maintenant, il y a en plus un co ut xe de mise en route de la produc-
tion de 2,5 ` a chaque mois o` u lon produit, modiez votre formulation
pour tenir compte de ce co ut de mise en route :
Ajout de nouvelles variables.
Ajout dans lexpression de lobjectif.
Ajout et modication dans lexpression des contraintes.
12.3. M ethode de branch and bound. Consid erons le probl` eme en nombres
entiers suivant :
z

PNE
= maxz = 5x
1
+ 4x
2
s.c.q.
_

_
x
1
+x
2
5, (1)
10x
1
+6x
2
45, (2)
x
1
, x
2
0 et entiers
On demande de r esoudre le probl` eme par la m ethode de branch and bound
en r esolvant les relaxations lin eaires de mani` ere purement graphique.
(a) R esoudre graphiquement la relaxation lin eaire initiale. Remarque :
nhachurez pas la r egion r ealisable. Entourez-la dune couleur an de
pouvoir encore utiliser le graphique pour la suite de lexercice. Donnez
la solution optimale du probl` eme lin eaire ainsi que la valeur optimale
de lobjectif de ce probl` eme.
(b) Repr esenter par un arbre la suite de vos calculs de la m ethode de branch
and bound. Comme crit` ere de choix de la variable de branchement,
prendre la premi` ere non enti` ere. Justiez bri` evement les diff erents pas
de la m ethode.
(c) Quelle est la solution optimale du probl` eme en nombres entiers ?
Bibliographie
[1] BAGLIN G erard, Olivier BRUEL, Alain GARREAU, Michel GREIF et
Christian VAN DELFT, Management Industriel et Logistique, 3` eme Edition,
Economica, Paris, 2001.
[2] BROOKE Anthony, David KENDRICK et Alexander MEERAUS, GAMS
Users guide Release 2.25, The Scientic Press, San Francisco, 1992.
[3] EXCEL, Guide de lutilisateur, Microsoft, 1992.
[4] GIARD Vincent, Gestion de la production et des ux, 3` eme Edition, Econo-
mica, Paris, 2003.
[5] GUERET Christelle, Christian PRINS et Marc SEVAUX, Applications of
optimization with XPRESS-MP, Eyrolles, Paris, 2000.
[6] HEIZEZ Jay, Barry RENDER, Operations Management, 8` eme edition, Pear-
son Education, Upper Saddle River, 2006.
[7] F.S. HILLIER et G.S. LIEBERMAN, Introduction to Operations Research,
6` eme edition, Mac Graw-Hill International Editions, Singapour, 1995.
[8] F.S. HILLIER, M.S. HILLIER et G.S. LIEBERMAN, Introduction to Mana-
gement Sciences, 1` ere edition, Mac Graw-Hill International Editions, Boston,
2000.
[9] G. JAVEL, Organisation et gestion de la production, MASSON, 1997.
[10] Lee KRAJEWSKI, Manoj MALHOTRA et Larry RITZMAN, Operations
Management, 8` eme edition, Pearson Education, Upper Saddle River, 2007.
[11] LACAZE Dominique, Optimisation appliqu ee ` a la gestion et ` a l economie,
Economica, 1990.
[12] D. G. LUENBERGER, Linear and Nonlinear Programming, Addison Wes-
ley, 1984.
203
204 Bibliographie
[13] J.O. MAC CLAIN, L.J. THOMAS et J.B. MAZZOLA, Operations Manage-
ment: Production of Goods and Services, Prentice Hall, 1992.
[14] NEMHAUSER, G.L. et L.A. WOLSEY, Integer and Combinatorial Optimi-
zation, Wiley, New York, 1988.
[15] Y. NORBERT, R. OUELLET et R. PARENT, La recherche op erationnelle,
Ga etan Morin Editeur, Montr eal-Paris, 1995.
[16] Hamdy TAHA, Operations Resaerch: an Introduction, 8` eme edition, Pearson
Education, Upper Saddle River, 2007.
[17] M.P. WILLIAMS, Model building in Mathematical Programming, John Wi-
ley, 1990.
[18] M.P. WILLIAMS, Model solving in Mathematical Programming, John Wiley,
1992.
Annexe A
Formulaire pour la gestion de production
A.1 La gestion calendaire de stock
Co ut de gestion :
C(S) = c
p
I
p
(S) +c
r
I
r
(S) (+c
c
1)
avec I
p
(S) = stock moyen poss ed e :
I
p
(S) = S

X +I
r
(S) (cas de stock ` a rotation nulle)
I
p
(S) = S

X
2
+
I
r
(S)
2
(cas de stock ` a rotation non nulle)
et I
r
(S) = nombre moyen de demandes non satisfaites :
I
r
(S) = P(X > S 1) SP(X > S) si X Poisson()
I
r
(s) = g(t
S
) avec : t
S
=
S

X

si X N(, )
Politique optimale en stock ` a rotation nulle :
S

tel que P(X > S

)
c
p
c
p
+c
r
P(X > S

1) si X Poisson()
S

tel que P(X > S

) =
c
p
c
r
+c
p
si X N(, )
Politique optimale en stock ` a rotation non nulle :
S

tel que P(X > S

)
c
p
c
r
+
c
p
2
P(X > S

1) si X Poisson()
S

tel que P(X > S

) =
c
p
c
r
+
c
p
2
si X N(, )
205
206 Annexe A. Formulaire pour la gestion de production
Cons equences economiques du choix :
co ut de gestion :
C(S) = c
r
I
r
(S) +c
p
I
p
(S) (+c
c
1)
marge nette moyenne :
B(S) = m
u

X C(S)
avec m
u
, la marge unitaire.
A.2 La gestion par point de commande
Niveau optimal de commande optimal :
q

2c
c
D
c
p
avec c
p
= co ut unitaire de possession durant un an en stock;
D = demande annuelle.
Point de commande optimal :
s

= DL
avec L = d elai dapprovisionnement, exprim e en ann ee.
Calcul du stock moyen poss ed e et du nombre moyen de commandes :
I
p
(q

) =
q

2
et I
c
(q

) =
D
q

Co ut de gestion en univers certain :


C(q

) = c
c
I
c
(q

) +c
p
I
p
(q

) = c
c
D
q

+c
p
q

2
avec I
c
(q) = nombre moyen de commandes par an;
I
p
(q) = stock moyen poss ed e;
D = demande annuelle;
q

= quantit e optimale command ee.


Section A.2. La gestion par point de commande 207
Co ut de gestion en cas de demande al eatoire :
C(s, q) = c
c
I
c
(q) +c
p
I
p
(s, q) +c
r
I
r
(s, q)
La quantit e economique q est d etermin ee par :
q

2c
c
D
c
p
avec D =

X
Le point de commande s est d etermin e en utilisant la gestion calendaire pendant
le d elai dobtention L (cas de la rotation non nulle) :
P(X
L
> s

) =
c

p
c
r
+c

p
/2
avec c

p
, le co ut unitaire de possession entre deux commandes :
c

p
= c
p
q

D
.
La demande X
L
durant L suit une loi Normale de moyenne :
L
= L et de
variance :
2
L
= L
2
.
Dans le cas de la loi Poisson, le point de commande s est d etermin e par (cas
de la rotation non nulle) :
s

tel queP(X
L
> s

)
c

p
c
r
+
c

p
2
P(X
L
> s

1)
Cons equences economique du choix :
Le stock de s ecurit e est la diff erence entre le point de commande et la de-
mande moyenne durant L :
s

DL
Le nombre de commandes par an est d etermin e par :
I
c
(q) =
D
q
Le nombre moyen de ruptures par commande, not e I
c
r
, se calcule par la
formule de la gestion calendaire :
I
c
r
(s) = P(X
L
> s 1) sP(X
L
> s) si X
L
Poisson()
I
c
r
(s) =
L
g(t
S
) avec t
S
=
s

X
L

L
si X
L
N(
L
,
L
)
208 Annexe A. Formulaire pour la gestion de production
Le nombre moyen de ventes manqu ees par an s el` eve donc ` a :
I
r
(s, q) = I
c
(q) I
c
r
(s)
Le stock moyen poss ed e en cas de ventes manqu ees perdues :
I
p
(s, q) =
q
2
+ (s DL) +
I
c
r
(s)
2
,
Le stock moyen poss ed e en cas de ventes manqu ees diff er ees :
I
p
(s, q) =
q
2
+ (s DL) +
DL
2q
I
c
r
(S).
A.3 Les techniques de juste ` a temps
D etermination du nombre d etiquettes :
N
e

(1 +)C
u
T
r
+Q
e
k
avec C
u
= consommation du poste aval en unit es par minute;
Q
e
= taille economique des lots fabriqu es en amont;
k = la capacit e dun conteneur;
T
r
= temps de r eaction du syst` eme;
= marge de s ecurit e.
A.4

Equilibrage dune chane de production
RE =
nc T
nc
avec n = nombre de postes de travail,
c = temps dun cycle,
T = temps total requis par un article.
A.5 Calcul dannuit es
n

t=1
_
1
1 +i
_
t
=
_
1 (1 +i)
n
i
_
avec n = nombre dann ees,
i = taux dactualisation annuel.
Annexe B
Tables pour la gestion de stocks
B.1 Table de la loi Poisson()

x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
0 0,0488 0,0952 0,1393 0,1813 0,2212 0,2592 0,2953 0,3297 0,3624 0,3935
1 0,0012 0,0047 0,0102 0,0175 0,0265 0,0369 0,0487 0,0616 0,0754 0,0902
2 0,0000 0,0002 0,0005 0,0011 0,0022 0,0036 0,0055 0,0079 0,0109 0,0144
3 0,0000 0,0000 0,0000 0,0001 0,0001 0,0003 0,0005 0,0008 0,0012 0,0018
4 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0002
5 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Donne la probabilit e P[Poisson() > x]
209
210 Annexe B. Tables pour la gestion de stocks

x 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 1 1,5


0 0,4231 0,4512 0,4780 0,5034 0,5276 0,5507 0,5726 0,5934 0,6321 0,7769
1 0,1057 0,1219 0,1386 0,1558 0,1734 0,1912 0,2093 0,2275 0,2642 0,4422
2 0,0185 0,0231 0,0283 0,0341 0,0405 0,0474 0,0549 0,0629 0,0803 0,1912
3 0,0025 0,0034 0,0044 0,0058 0,0073 0,0091 0,0111 0,0135 0,0190 0,0656
4 0,0003 0,0004 0,0006 0,0008 0,0011 0,0014 0,0018 0,0023 0,0037 0,0186
5 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0003 0,0003 0,0006 0,0045
6 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0009
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Donne la probabilit e P[Poisson() > x]
Section B.1. Table de la loi Poisson() 211

x 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5


0 0,8647 0,9179 0,9502 0,9698 0,9817 0,9889 0,9933 0,9959 0,9975 0,9985
1 0,5940 0,7127 0,8009 0,8641 0,9084 0,9389 0,9596 0,9734 0,9826 0,9887
2 0,3233 0,4562 0,5768 0,6792 0,7619 0,8264 0,8753 0,9116 0,9380 0,9570
3 0,1429 0,2424 0,3528 0,4634 0,5665 0,6577 0,7350 0,7983 0,8488 0,8882
4 0,0527 0,1088 0,1847 0,2746 0,3712 0,4679 0,5595 0,6425 0,7149 0,7763
5 0,0166 0,0420 0,0839 0,1424 0,2149 0,2971 0,3840 0,4711 0,5543 0,6310
6 0,0045 0,0142 0,0335 0,0653 0,1107 0,1689 0,2378 0,3140 0,3937 0,4735
7 0,0011 0,0042 0,0119 0,0267 0,0511 0,0866 0,1334 0,1905 0,2560 0,3272
8 0,0002 0,0011 0,0038 0,0099 0,0214 0,0403 0,0681 0,1056 0,1528 0,2084
9 0,0000 0,0003 0,0011 0,0033 0,0081 0,0171 0,0318 0,0538 0,0839 0,1226
10 0,0000 0,0001 0,0003 0,0010 0,0028 0,0067 0,0137 0,0253 0,0426 0,0668
11 0,0000 0,0000 0,0001 0,0003 0,0009 0,0024 0,0055 0,0110 0,0201 0,0339
12 0,0000 0,0000 0,0000 0,0001 0,0003 0,0008 0,0020 0,0045 0,0088 0,0160
13 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0007 0,0017 0,0036 0,0071
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0006 0,0014 0,0030
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0005 0,0012
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0004
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
19 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Donne la probabilit e P[Poisson() > x]
212 Annexe B. Tables pour la gestion de stocks

x 7 7,5 8 8,5 9 9,5 10 11 12 13


0 0,9991 0,9994 0,9997 0,9998 0,9999 0,9999 1,0000 1,0000 1,0000 1,0000
1 0,9927 0,9953 0,9970 0,9981 0,9988 0,9992 0,9995 0,9998 0,9999 1,0000
2 0,9704 0,9797 0,9862 0,9907 0,9938 0,9958 0,9972 0,9988 0,9995 0,9998
3 0,9182 0,9409 0,9576 0,9699 0,9788 0,9851 0,9897 0,9951 0,9977 0,9989
4 0,8270 0,8679 0,9004 0,9256 0,9450 0,9597 0,9707 0,9849 0,9924 0,9963
5 0,6993 0,7586 0,8088 0,8504 0,8843 0,9115 0,9329 0,9625 0,9797 0,9893
6 0,5503 0,6218 0,6866 0,7438 0,7932 0,8351 0,8699 0,9214 0,9542 0,9741
7 0,4013 0,4754 0,5470 0,6144 0,6761 0,7313 0,7798 0,8568 0,9105 0,9460
8 0,2709 0,3380 0,4075 0,4769 0,5443 0,6082 0,6672 0,7680 0,8450 0,9002
9 0,1695 0,2236 0,2834 0,3470 0,4126 0,4782 0,5421 0,6595 0,7576 0,8342
10 0,0985 0,1378 0,1841 0,2366 0,2940 0,3547 0,4170 0,5401 0,6528 0,7483
11 0,0533 0,0792 0,1119 0,1513 0,1970 0,2480 0,3032 0,4207 0,5384 0,6468
12 0,0270 0,0427 0,0638 0,0909 0,1242 0,1636 0,2084 0,3113 0,4240 0,5369
13 0,0128 0,0216 0,0342 0,0514 0,0739 0,1019 0,1355 0,2187 0,3185 0,4270
14 0,0057 0,0103 0,0173 0,0274 0,0415 0,0600 0,0835 0,1460 0,2280 0,3249
15 0,0024 0,0046 0,0082 0,0138 0,0220 0,0335 0,0487 0,0926 0,1556 0,2364
16 0,0010 0,0020 0,0037 0,0066 0,0111 0,0177 0,0270 0,0559 0,1013 0,1645
17 0,0004 0,0008 0,0016 0,0030 0,0053 0,0089 0,0143 0,0322 0,0630 0,1095
18 0,0001 0,0003 0,0007 0,0013 0,0024 0,0043 0,0072 0,0177 0,0374 0,0698
19 0,0000 0,0001 0,0003 0,0005 0,0011 0,0020 0,0035 0,0093 0,0213 0,0427
20 0,0000 0,0000 0,0001 0,0002 0,0004 0,0009 0,0016 0,0047 0,0116 0,0250
21 0,0000 0,0000 0,0000 0,0001 0,0002 0,0004 0,0007 0,0023 0,0061 0,0141
22 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0003 0,0010 0,0030 0,0076
23 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0005 0,0015 0,0040
24 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0007 0,0020
25 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010
26 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005
27 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002
28 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
29 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Donne la probabilit e P[Poisson() > x]
Section B.1. Table de la loi Poisson() 213

x 14 15 16 17 18
0 1,0000 1,0000 1,0000 1,0000 1,0000
1 1,0000 1,0000 1,0000 1,0000 1,0000
2 0,9999 1,0000 1,0000 1,0000 1,0000
3 0,9995 0,9998 0,9999 1,0000 1,0000
4 0,9982 0,9991 0,9996 0,9998 0,9999
5 0,9945 0,9972 0,9986 0,9993 0,9997
6 0,9858 0,9924 0,9960 0,9979 0,9990
7 0,9684 0,9820 0,9900 0,9946 0,9971
8 0,9379 0,9626 0,9780 0,9874 0,9929
9 0,8906 0,9301 0,9567 0,9739 0,9846
10 0,8243 0,8815 0,9226 0,9509 0,9696
11 0,7400 0,8152 0,8730 0,9153 0,9451
12 0,6415 0,7324 0,8069 0,8650 0,9083
13 0,5356 0,6368 0,7255 0,7991 0,8574
14 0,4296 0,5343 0,6325 0,7192 0,7919
15 0,3306 0,4319 0,5333 0,6285 0,7133
16 0,2441 0,3359 0,4340 0,5323 0,6249
17 0,1728 0,2511 0,3407 0,4360 0,5314
18 0,1174 0,1805 0,2577 0,3450 0,4378
19 0,0765 0,1248 0,1878 0,2637 0,3491
20 0,0479 0,0830 0,1318 0,1945 0,2693
21 0,0288 0,0531 0,0892 0,1385 0,2009
22 0,0167 0,0327 0,0582 0,0953 0,1449
23 0,0093 0,0195 0,0367 0,0633 0,1011
24 0,0050 0,0112 0,0223 0,0406 0,0683
25 0,0026 0,0062 0,0131 0,0252 0,0446
26 0,0013 0,0033 0,0075 0,0152 0,0282
27 0,0006 0,0017 0,0041 0,0088 0,0173
28 0,0003 0,0009 0,0022 0,0050 0,0103
29 0,0001 0,0004 0,0011 0,0027 0,0059
30 0,0001 0,0002 0,0006 0,0014 0,0033
31 0,0000 0,0001 0,0003 0,0007 0,0018
32 0,0000 0,0000 0,0001 0,0004 0,0010
33 0,0000 0,0000 0,0001 0,0002 0,0005
34 0,0000 0,0000 0,0000 0,0001 0,0002
35 0,0000 0,0000 0,0000 0,0000 0,0001
36 0,0000 0,0000 0,0000 0,0000 0,0001
37 0,0000 0,0000 0,0000 0,0000 0,0000
214 Annexe B. Tables pour la gestion de stocks
B.2 Table de la loi normale Z N(0, 1)
P z
j
z
i
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
Donne la probabilit e P(Z > z
i
+z
j
)
Section B.3. Table pour le calcul de I
r
(S) 215
B.3 Table pour le calcul de I
r
(S)
g(t
S
) t
j
t
i
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-3 3,0005 3,0104 3,0202 3,0304 3,0403 3,0505 3,0603 3,0702 3,0804 3,0903
-2,9 2,9004 2,9105 2,9204 2,9305 2,9406 2,9504 2,9606 2,9704 2,9805 2,9904
-2,8 2,8006 2,8107 2,8207 2,8308 2,8405 2,8506 2,8607 2,8705 2,8805 2,8906
-2,7 2,7010 2,7109 2,7209 2,7309 2,7409 2,7508 2,7608 2,7708 2,7809 2,7909
-2,6 2,6014 2,6115 2,6214 2,6312 2,6414 2,6513 2,6612 2,6711 2,6811 2,6910
-2,5 2,5020 2,5120 2,5218 2,5318 2,5419 2,5517 2,5617 2,5716 2,5817 2,5915
-2,4 2,4027 2,4126 2,4225 2,4326 2,4425 2,4524 2,4624 2,4721 2,4821 2,4920
-2,3 2,3037 2,3137 2,3234 2,3334 2,3434 2,3531 2,3632 2,3730 2,3828 2,3929
-2,2 2,2049 2,2146 2,2246 2,2344 2,2445 2,2543 2,2641 2,2740 2,2839 2,2938
-2,1 2,1064 2,1164 2,1261 2,1359 2,1457 2,1556 2,1654 2,1753 2,1852 2,1949
-2 2,0084 2,0183 2,0280 2,0378 2,0476 2,0574 2,0672 2,0771 2,0868 2,0967
-1,9 1,9111 1,9207 1,9305 1,9402 1,9499 1,9597 1,9694 1,9792 1,9889 1,9987
-1,8 1,8143 1,8240 1,8335 1,8433 1,8529 1,8625 1,8723 1,8820 1,8916 1,9013
-1,7 1,7182 1,7279 1,7374 1,7470 1,7566 1,7661 1,7758 1,7853 1,7951 1,8047
-1,6 1,6232 1,6327 1,6422 1,6516 1,6611 1,6706 1,6801 1,6896 1,6992 1,7088
-1,5 1,5293 1,5387 1,5479 1,5574 1,5667 1,5761 1,5855 1,5949 1,6043 1,6138
-1,4 1,4366 1,4458 1,4551 1,4643 1,4736 1,4829 1,4922 1,5013 1,5107 1,5200
-1,3 1,3455 1,3546 1,3636 1,3726 1,3818 1,3909 1,4000 1,4092 1,4183 1,4274
-1,2 1,2561 1,2650 1,2739 1,2828 1,2916 1,3006 1,3096 1,3186 1,3275 1,3365
-1,1 1,1686 1,1773 1,1859 1,1947 1,2034 1,2121 1,2209 1,2296 1,2384 1,2473
-1 1,0833 1,0918 1,1002 1,1087 1,1171 1,1256 1,1342 1,1428 1,1513 1,1599
-0,9 1,0004 1,0086 1,0168 1,0250 1,0333 1,0415 1,0499 1,0582 1,0666 1,0749
-0,8 0,9202 0,9281 0,9360 0,9440 0,9519 0,9599 0,9680 0,9760 0,9842 0,9923
-0,7 0,8429 0,8504 0,8581 0,8658 0,8735 0,8812 0,8889 0,8967 0,9045 0,9123
-0,6 0,7686 0,7760 0,7833 0,7906 0,7980 0,8054 0,8128 0,8203 0,8277 0,8353
-0,5 0,6978 0,7047 0,7117 0,7187 0,7257 0,7328 0,7399 0,7471 0,7542 0,7614
-0,4 0,6304 0,6370 0,6436 0,6503 0,6569 0,6636 0,6704 0,6772 0,6840 0,6909
-0,3 0,5668 0,5730 0,5792 0,5855 0,5918 0,5981 0,6045 0,6109 0,6174 0,6239
-0,2 0,5069 0,5127 0,5186 0,5245 0,5304 0,5363 0,5424 0,5484 0,5545 0,5606
-0,1 0,4509 0,4564 0,4618 0,4673 0,4728 0,4784 0,4840 0,4897 0,4954 0,5011
0 0,3989 0,4040 0,4090 0,4141 0,4193 0,4244 0,4297 0,4349 0,4402 0,4456
216 Annexe B. Tables pour la gestion de stocks
g(t
S
) t
j
t
i
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,3989 0,3940 0,3890 0,3841 0,3793 0,3744 0,3697 0,3649 0,3602 0,3556
0,1 0,3509 0,3464 0,3418 0,3373 0,3328 0,3284 0,3240 0,3197 0,3154 0,3111
0,2 0,3069 0,3027 0,2986 0,2945 0,2904 0,2863 0,2824 0,2784 0,2745 0,2706
0,3 0,2668 0,2630 0,2592 0,2555 0,2518 0,2481 0,2445 0,2409 0,2374 0,2339
0,4 0,2304 0,2270 0,2236 0,2203 0,2169 0,2136 0,2104 0,2072 0,2040 0,2009
0,5 0,1978 0,1947 0,1917 0,1887 0,1857 0,1828 0,1799 0,1771 0,1742 0,1714
0,6 0,1686 0,1660 0,1633 0,1606 0,1580 0,1554 0,1528 0,1503 0,1477 0,1453
0,7 0,1429 0,1404 0,1381 0,1358 0,1335 0,1312 0,1289 0,1267 0,1245 0,1223
0,8 0,1202 0,1181 0,1160 0,1140 0,1119 0,1099 0,1080 0,1060 0,1042 0,1023
0,9 0,1004 0,0986 0,0968 0,0950 0,0933 0,0915 0,0899 0,0882 0,0866 0,0849
1 0,0833 0,0818 0,0802 0,0787 0,0771 0,0756 0,0742 0,0728 0,0713 0,0699
1,1 0,0686 0,0673 0,0659 0,0647 0,0634 0,0621 0,0609 0,0596 0,0584 0,0573
1,2 0,0561 0,0550 0,0539 0,0528 0,0516 0,0506 0,0496 0,0486 0,0475 0,0465
1,3 0,0455 0,0446 0,0436 0,0426 0,0418 0,0409 0,0400 0,0392 0,0383 0,0374
1,4 0,0366 0,0358 0,0351 0,0343 0,0336 0,0329 0,0322 0,0313 0,0307 0,0300
1,5 0,0293 0,0287 0,0279 0,0274 0,0267 0,0261 0,0255 0,0249 0,0243 0,0238
1,6 0,0232 0,0227 0,0222 0,0216 0,0211 0,0206 0,0201 0,0196 0,0192 0,0188
1,7 0,0182 0,0179 0,0174 0,0170 0,0166 0,0161 0,0158 0,0153 0,0151 0,0147
1,8 0,0143 0,0140 0,0135 0,0133 0,0129 0,0125 0,0123 0,0120 0,0116 0,0113
1,9 0,0111 0,0107 0,0105 0,0102 0,0099 0,0097 0,0094 0,0092 0,0089 0,0087
2 0,0084 0,0083 0,0080 0,0078 0,0076 0,0074 0,0072 0,0071 0,0068 0,0067
2,1 0,0064 0,0064 0,0061 0,0059 0,0057 0,0056 0,0054 0,0053 0,0052 0,0049
2,2 0,0049 0,0046 0,0046 0,0044 0,0045 0,0043 0,0041 0,0040 0,0039 0,0038
2,3 0,0037 0,0037 0,0034 0,0034 0,0034 0,0031 0,0032 0,0030 0,0028 0,0029
2,4 0,0027 0,0026 0,0025 0,0026 0,0025 0,0024 0,0024 0,0021 0,0021 0,0020
2,5 0,0020 0,0020 0,0018 0,0018 0,0019 0,0017 0,0017 0,0016 0,0017 0,0015
2,6 0,0014 0,0015 0,0014 0,0012 0,0014 0,0013 0,0012 0,0011 0,0011 0,0010
2,7 0,0010 0,0009 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0009 0,0009
2,8 0,0006 0,0007 0,0007 0,0008 0,0005 0,0006 0,0007 0,0005 0,0005 0,0006
2,9 0,0004 0,0005 0,0004 0,0005 0,0006 0,0004 0,0006 0,0004 0,0005 0,0004
3 0,0005 0,0004 0,0002 0,0004 0,0003 0,0005 0,0003 0,0002 0,0004 0,0003
Donne g(t
S
) = [f(t
S
) t
S
P(t > t
S
)]
Annexe C
Solutions nales des exercices
C.1 Introduction
1.1 Un probl` eme de transport
a) Choix des variables : les quantit es transport ees de lusine vers le march e.
b) Expression de lobjectif : minimisation de la somme des co uts de
transport.
c) Expression des contraintes :
Respect de la capacit e de lusine,
Satisfaction de la demande du march e,
Positivit e.
1.2 Optimisation du plan directeur de production.
a) Choix des variables ind ependantes : les embauches et licenciements de
d ebut de p eriode.
Choix des variables d ependantes : les effectifs, la production et le
stock de n de p eriode.
b) Expression de lobjectif : minimisation de la somme des co uts dem-
bauche, de licenciement et de stockage.
c) Expression des contraintes :
Bilan sur les effectifs pr esent chaque p eriode,
Calcul de la production ` a chaque p eriode,
Bilan sur les stocks ` a chaque n de p eriode,
Stock minimum de n de p eriode,
Positivit e.
1.3 Location de surfaces dentreposage.
217
218 Annexe C. Solutions nales des exercices
a) Choix des variables : les surfaces lou ees de d ebut de mois i ` a la n du
mois j.
b) Expression de lobjectif : minimisation de la somme des co uts de loca-
tion.
c) Expression des contraintes :
Satisfaction du besoin de surface ` a chaque p eriode,
Positivit e.
1.4

Equilibrage du chargement dun navire.
a) Choix des variables : nombre de tonnes du lot i charg ees dans la soute
j et nombre total de tonnes charg ees dans la soute j.
b) Expression de lobjectif : maximisation de la somme des tarifs re cus fois
le tonnage des lots.
c) Expression des contraintes :
Respect de la capacit e des soutes,
Rapport entre la soute A et la soute D,
Rapport entre les soutes B, C et A,
Rapport entre les soutes B, C et D,
Rapport entre les soutes B,C et A,D,
Positivit e.
C.2 Ordonnancement en ateliers sp ecialis es
2.1 Pose de carrelages.
a) Ordre pour r ealiser les 5 chantiers en un minimum de temps :
C4 C1 C2 C3 C5
b) Repr esentation au moyen dun diagramme de Gantt : voir cours.
c) Nombre de jours n ecessaires au total : 32 jours.
2.2 Ordonnancement de lots de jouets.
a) Ordonnancement optimal des t aches passant sur A puis B :
J3 J5 J6
Section C.2. Ordonnancement en ateliers specialises 219
b) Ordonnancement optimal des t aches passant sur B puis A:
J1 J7
c) Ordonnancement des t aches pour la d ecoupe (A) : J2
d) Ordonnancement des t aches pour le montage (B) : J4
e) Ordonnancement optimal pour les deux op erations:
A J3 J5 J6 J2 J1 J7
B J1 J7 J4 J3 J5 J6
f) Diagramme de Gantt : le temps de n sur la machine B est de 105.
2.3 Planication de m t aches sur n centres de production.
a) Utilisez la m ethode heuristique bas ee sur lalgorithme de Johnson pour
trouver une solution proche de la solution optimale :
Probl` eme 1 : utiliser lalgorithme de Johnson pour le probl` eme cons-
titu e de la premi` ere et de la derni` ere machine :
Place 1 2 3 4 5 6
T ache 2 3 4 5 6 1
Diagramme de Gantt : t
f
= 44.
Probl` eme 2 : utiliser lalgorithme de Johnson pour le probl` eme cons-
titu e des deux premi` eres et des deux derni` eres machines :
Place 1 2 3 4 5 6
T ache 2 3 4 5 1 6
Diagramme de Gantt : t
f
= 43.
b) Ordonnancement propos e :
Lot 2 3 4 5 1 6
c) Dur ee de la production (en heures et minutes): t
f
= 430 minutes soit
7 heures et 10 minutes.
220 Annexe C. Solutions nales des exercices
C.3 Gestion calendaire de stock
3.1 Vente de eurs.
a) Calcul de la moyenne de la demande :

X =
n

i=1
D
i
P(D = D
i
) = 12
b) Nombre optimal de d ecorations orales ` a commander : S

= 13 .
c) Nombre moyen de clients qui sortent de sa boutique chaque n de week-
end sans avoir pu acheter une d ecoration orale ? I
r
(S) = 0,9475 .
d) Nombre moyen de d ecorations orales que le euriste ambulant lui
rach` ete ? I
p
(S) = 1,9475 .
e) B en ece net en un week-end sur ce produit ? B(S) = 119,00 euro .
3.2 Gestion dune exploitation foresti` ere.
a) Quantit e ` a mettre en production pour minimiser le co ut de gestion ?
S

= 10.166 .
b) Quantit e moyenne quil ne peut livrer par an faute de stock ?
I
r
(S

) = 2,01 unit es .
3.3 Gestion du stock de pi` eces de rechange.
a) Type de gestion de stock : Gestion calendaire de stock ` a rotation non
nulle. En effet, on reconstitue le stock tous les 4 ans et les pi` eces non
utilis ees pour une machine le seront pour la suivante.
b) Nombre optimal de pi` eces ` a commander : S

= 14 .
c) Nombre moyen darr ets de la machine : I
r
(S) = 0,0314 .
d) Stock moyen poss ed e de pi` eces d etach ees : I
p
(S) = 10,0157 .
e) Co ut de cette politique : C(S) = 2.317,14 .
Section C.4. Gestion de stock par point de commande 221
C.4 Gestion de stock par point de commande
4.1 Stock de distribution.
a) Politique actuelle de gestion de stock ? Valeur de ses param` etres ?
Il sagit dune politique de gestion de stock par point de commande ` a
deux casiers avec : q = 100 et s = 100.
b) Calculez le co ut de d etention en stock durant un an dun Ipod :
c
p
= 0, 5 euros par an
c) Calculez la demande durant le d elai dobtention :
s = 20
d) Tracez l evolution du stock au cours dune ann ee : le niveau du stock
oscille entre 80 et 180.
e) En d eduire le co ut de gestion annuel :
C(s, q) = 165
f) Que proposez-vous comme nouvelle quantit e ` a commander ?
q

= 200
g) Que proposez-vous comme seuil d eclenchant la commande ?
s

= 20
h) Quelle est laugmentation de prot du distributeur avec votre politique ?
165 100 = 65
4.2 Timbrage denvois multiples.
a) Quel est la quantit e optimale denveloppes affranchies ` a commander
aupr` es de la soci et e sp ecialis ee en timbrage ? q

= 10.000 .
b) Apartir de quel niveau de stock denveloppes affranchies faut-il repasser
commande ? s

= 686 .
4.3 Ventes de tablettes.
a) Le niveau de commande : q

= 400 .
b) Le point de commande : s

= 205 .
c) Nombre moyen de ruptures par commande : I
r
(s) = 0,2024 .
d) Marge annuelle moyenne nette de : B(S) = 12.448,23 .
222 Annexe C. Solutions nales des exercices
C.5 La planication de la production
5.1 D etermination des besoins nets.
a) Besoins nets et lancements de production des produits nis :
PF1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
BB
t
40 60 50 70
LP
t
40 60 50 70
PF2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
BB
t
10 20 30 10 20 30 20 30
LP
t
10 20 30 10 20 30 20 30
Besoins nets, Lancements de Production et Stock Final des sous-ensembles :
S1 1 2 3 4 5 6 7 8 9 10 11 12 13 14
BN
t
0 0 0 0 50 120 20 40 0 160 0 40 0 200
LP
t
100 100 0 100 0 100 0 100 0 130
SF
t
150 50 10 10 50 30 10 70 70 10 10 70 70 0
S2 1 2 3 4 5 6 7 8 9 10 11 12 13 14
BN
t
0 0 0 0 150 0 0 0 150 0 0 0 210
LP
t
0 150 0 0 0 150 0 0 0 210
SF
t
150 30 30 30 30 0 0 0 0 0 0 0 0 0
c) Besoins nets du composant A3 :
A3 1 2 3 4 5 6 7 8 9 10 11 12 13 14
BN
t
0 0 0 480 120 440 40 580 0 520 0 760
5.2 Importation de syst` emes Home Cin ema.
a) Besoins nets pour lensemble Home Cin ema :
H.C. Octobre Novembre D ecembre Janvier F evrier
BN
t
300 1200 900 400
Section C.5. La planication de la production 223
b) Besoins nets pour lensemble acoustique :
E.A. Octobre Novembre D ecembre Janvier F evrier
BN
t
0 1000 1200 600
c) Lancements de commande pour les ensembles Home Cin ema :
H.C. Octobre Novembre D ecembre Janvier F evrier
LC
t
300 1200 900 400
d) Lancements de commande pour les ensembles acoustiques, les com-
mandes etant multiples de 500 :
E.A. Octobre Novembre D ecembre Janvier F evrier
LC
t
1500 1500 500 -
SF
t
600 100 0 300 200
e)Co uts de stockage par mois et par produit :
CS
t
Octobre Novembre D ecembre Janvier F evrier
H.C. 10.000
E.A. 9.600 1.600 4.800 3.200
5.3 Production de robes de mari ees.
a) Tableau des besoins nets et lancements de production :
Robes Sem 0 Sem 1 Sem 2 Sem 3 Sem 4 Sem 5
BN
t
0 5 10 5 10
LP
t
0 5 10 5 10
b) Ajustement charge-capacit e :
Sem 1 Sem 2 Sem 3 Sem 4 Sem 5
Ajustement +12 -9 +6 -9
LP
t
0 9 7 7 7
c) Calcul du co ut de stockage des robes sur les cinq semaines :
7 (5 + 4 + 1 + 3) = 91 euros .
224 Annexe C. Solutions nales des exercices
C.6 Les techniques de juste ` a temps
6.1 Planication juste-` a-temps dune brasserie.
a) Nombre d etiquettes pour assurer le fonctionnement en continu de lem-
bouteillage sans tenir compte dune taille economique minimale :
N
e
= 11
b) Sachant que la quantit e economique du poste amont est de 10.000 litres,
nombre d etiquettes ` a ajouter dans le syst` eme ?
+N
e
= + 34.
6.2 Production de hamburgers en restauration rapide.
a) Consommation en unit es par minute pour ce hamburger :
C
u
= 2, 083 unit es par minute.
b) Le temps de r eaction du syst` eme : T
r
= 26 minutes .
c) Consommation pendant le temps de r eaction du syst` eme :
C
u
T
r
= 54,166 hamburgers
d) Nombre minimum de plaques ` a mettre dans le syst` eme pour eviter la
rupture dapprovisionnement du comptoir vente :
N
e
= 12 plaques.
e) Tenir compte des hamburgers jet es ? Il suft dajouter 10 % ` a la demande
ou de prendre = 10 % :
Ne = 12 plaques.
6.3 Transport de brames.
a) Nombre d etiquettes n ecessaires pour assurer le fonctionnement en
continu du laminoir aval :
N
e
= 2
b) Coefcient de s ecurit e atteint ?
= 89 %
c) Nombre d etiquettes tenant compte de Q
e
= 120 tonnes ?
N
e
= 4
d) Rythme auquel les lots des hauts-fourneaux doivent etre d elivr es pour
que le syst` eme ne tombe pas en rupture ? 18 heures 11 minutes.
Section C.7. Lordonnancement de projets 225
C.7 Lordonnancement de projets
7.1 Lancement dun nouveau produit.
a) Graphe de la m ethode des potentiels, dates de d ebut au plus t ot, au plus
tard : la date de n est 19 semaines.
b) Chemin critique : D A I F.
c) La t ache Gne peut commencer avant la semaine 10 : Cela ne modie pas
le temps de r ealisation du projet car la date de d emarrage au plus tard
de la t ache Gest de 10. Cela modie certaines marges (celles de Get E
deviennent nulles). Un second chemin critique apparat : GE F.
d) En plus du c), la t ache D n ecessitera deux semaines suppl ementaires.
Cela modie-t-il le temps de r ealisation du projet ? Si oui, de combien ?
Cela retarde la n du projet ` a 21 jours car la t ache est critique.
7.2 Ordonnancement de projets.
a) Graphe de la m ethode des potentiels : il y a ` a la fois un arc entre 2 et 4
(+5) et entre 4 et 2 (-7).
b) Projet r ealisable ? Le projet est non r ealisable car il contient un cycle
de somme des longueurs positive : 2 - 3 - 4 -2 avec une somme des
longueurs :
5 + 3 7 = +1 > 0
c) Rendre le projet r ealisable ` a co ut minimum ? Il faut r eduire la t ache 2
dune semaine pour eliminer le cycle.
d) Dur ee totale du projet ? t
f
= 19 jours.
e) Activit es nappartenant pas au chemin critique ? Les t aches 0 et 1
nappartiennent pas au chemin critique.
7.3 Planication dun projet de t el ecommunications.
a) Graphe de la m ethode PERT, calcul des date de d ebut au plus t ot, de
d ebut au plus tard et de la marge pour chaque activit e : pensez ` a
d ecomposer B en deux p eriodes de 3 mois. M eme astuce pour E.
b) Dur ee minimale du projet : 25 mois.
c) Activit es critiques : A, B, D, E et G.
d) Retard dex ecution de chaque t ache sans allonger le projet :
T ache A B C D E F G
Marge 0 0 1 0 0 2 0
226 Annexe C. Solutions nales des exercices
e) R eduire la dur ee du projet de 2 mois au moindre co ut :
Dabord, r eduire D de 1 jour au surco ut de 100 euro.
Dans ce cas, C devient critique.
Ensuite, r eduire C + D de 1 jour au surco ut de 300 euro.
Le temps nal devient 23.
7.4 Construction dune piscine.
a) Linauguration peut-elle avoir lieu le 15 juin ?
Le temps total disponible est de 50 jours ouvrables correspondant ` a :
20 jours (avril) + 20 jours (mai) + 10 jours (juin).
La dur ee minimum de r ealisation est aussi de 50 jours ouvrables : on
peut donc respecter le d elai.
b) La pose des canalisations dure 6 jours de plus que pr evu :
La r epercussion sur la dur ee des travaux est de passer ` a 51 jours car la
t ache na quune marge de 5 jours et non 6. On aura donc un jour de
retard.
c) Se passer de la sonorisation sous-marine :
Cela ne sert ` a rien car la t ache est non critique.
7.5 Planication dun projet de construction.
a) Graphe de la m ethode PERT : on a un arc ctif entre la n de D et le
d ebut de H.
b) Dur ee minimale du projet ? t
f
= 25 mois.
c) Dates de d ebut au + t ot, les marges, les dates de d ebut au + tard :
T ache A B C D E F G H
Date au plus t ot 0 0 5 5 8 8 13 13
Marge 0 5 3 0 3 6 11 0
Date au plus tard 0 5 8 5 11 14 24 13
d) Chemin critique ?
A D H
e) Les t aches E et F n ecessitent toutes deux la pr esence dun bulldozer :
On repousse le d ebut de F en 10, soit apr` es la n de E. Il ny a alors
plus de recouvrement entre E et F.
Quelle est alors la dur ee du projet ?
Comme la date au plus tard de F est 14, il ny a aucune cons equence
sur la date de n de projet.
Section C.8. Conception dun centre de production 227
C.8 Conception dun centre de production
8.1 Assemblage de magn etoscopes.
a) Peut-on produire 30 unit es par jour de 15 heures de travail avec un
poste ?
N

i=A
t
i
= 90 minutes
Il faut donc, avec un seul poste, 1,5 heure pour faire un magn etoscope.
Il faut donc 45 heures pour en produire 30 par jour. R eponse : non.
b) D etermination du temps de cycle : on veut 30 unit es par jour. Or un jour
repr esente : 7, 5 2 60 = 900 minutes. Donc un magn etoscope doit
sortir de la chane toutes les
900
30
= 30 minutes.
c) graphe de pr es eances : voir cours.
d) Utilisation de lheuristique :
Poste 1 Poste 2 Poste 3
A,2 J,10 L,9
C,10 I,8 H,6
B,4 K,12 M,6
E,5 G, 5
D,5 N,4
F,4
30 30 30
e) Retard d equilibre :
RE =
3 30 90
3 30
= 0%
8.2 D eveloppement de complexes cin ematographiques.
a) Arbre de d ecision complet : voir cours.
b) Calcul des valeurs nettes actualis ees dans chacun des cas : notations :
RC = R enover
NC = Nouveau Complexe
D = Demande forte
d = Demande faible
228 Annexe C. Solutions nales des exercices
Calcul des VAN :
V AN(RC|D) = 16.478.319
V AN(RC|d) = 11.608.739
V AN(NC|D) = 33.695.797
V AN(NC|D) = 391.261
c) E(V AN) de RC si la probabilit e de demande forte est de 45 % :
E(V AN) = 13.800.050
E(V AN) du NC si la probabilit e de demande forte est de 45 % :
E(V AN) = 14.947.915
D ecision optimale ? ouvrir le nouveau complexe.
E(V AN) de RC si la probabilit e de demande forte est de 55 % :
E(V AN) = 14.287.008
E(V AN)du NC si la probabilit e de demande forte est de 55 % :
E(V AN) = 18.356.621
D ecision optimale ? ouvrir le nouveau complexe.
8.3 Probl` eme de localisation de centre de distribution de pneus.
a) Repr esentation par un graphique de r eseau : voir cours.
b) Formulation du probl` eme :
Variables : quantit e de pneus transport ees du d ep ot i vers le pays
j et indicatrice de louverture du d ep ot i lann ee prochaine.
Contraintes :
Capacit e de production,
Satisfaction de la demande,
Non n egativit e et caract` ere binaire.
Objectif : somme des co uts de transports et des frais xes dou-
verture des d ep ots.
Section C.9. La programmation dynamique 229
C.9 La programmation dynamique
9.1 D etermination du chemin critique par la programmation dynamique.
a) Formuler ce probl` eme comme un probl` eme dynamique.
Etapes : t = 1,2, 3 et 4 sont les etapes dans le chemin.
Etats du monde ` a chaque etape : s
t
= nud de d epart de l etape t.
D ecision ` a chaque etape : x
t
= nud darriv ee de l etape t.
Lien entre les variables :
s
t+1
= x
t
et x
t
1
Objectif du probl` eme : maximiser la somme des longueurs des arcs du
chemin.
b) R esoudre par la programmation dynamique : voir cours (exemple de
lO.MS.)
c) Chemin(s) critique(s) :
1 2 4 7 9
1 2 5 7 9
9.2 R epartition du budget publicitaire.
a) Formulation en un probl` eme de programmation dynamique :
Choix des etapes :
t = 1, 2, 3 les produits.
Choix des variables d etat :
x
t
= nombre de millions investis dans le produit t;
Choix des variables de d ecision :
s
t
= nombre de millions encore disponibles au d ebut de l etape t.
Relation de r ecurrence entre les variables d etat de deux etapes
sucessives :
s
t+1
= s
t
x
t
b) Utilisez la programmation dynamique pour r esoudre ce probl` eme : voir
cours (algorithme en cas de co ut convexe).
Affectations optimales :
Produit t 1 2 3
s
t
6 5 3
x

t
1 2 3
ou
Produit t 1 2 3
s
t
6 3 1
x

t
3 2 1
230 Annexe C. Solutions nales des exercices
9.3 Planication de production.
a) D etermination des besoins de C :
P eriode 1 2 3 4
Besoins nets 0 11 13 11
b) D eterminer le plan optimal de production et de stockage : Utiliser
lalgorithme en cas de co ut convexe. Solution :
Mois 1 2 3
Production 12 12 11
Stock nal 1 0 0
C.10 La programmation lin eaire.
10.1 Optimisation dune fonderie.
a) Formulation du probl` eme :
Choix des variables :
x
1
= nombre de tonnes de tuyaux produites/ semaine
x
2
= nombre de tonnes de contrepoids produites/s.
Expression de lobjectif :
maxz = 1 000x
1
+ 1 200x
2
.
Expression des contraintes :
Capacit e des ateliers,
Limite de commandes,
Non n egativit e.
b) R esolution graphique : voir cours. Solution optimale :
x

1
= 15 x

2
= 10 z

= 27 000
10.2 Ventes de dentifrice.
a) Formulation du probl` eme lin eaire :
Choix des variables :
x = ventes de la formule X (en milliers);
y = ventes de la formule Y (en milliers).
Section C.10. La programmation lineaire. 231
Expression de lobjectif :
maxz = 50x + 60y
Expressions des contraintes :
Limites de vente des produits,
Limite dingr edient,
Contrainte commerciale,
Satisfaire les contrats sur la formule X,
Positivit e.
b) R esolution graphique : voir cours. Solution optimale :
x

= 50 y

= 0 z

= 2 500
10.3 Planication de la production.
a) Formulation du probl` eme :
Choix des variables :
x
t
= production de p eriode t
s
t
= stock n de p eriode t
Expression de lobjectif :
maxz =
5

t=1
10x
t
+
5

t=1
1s
t
Expression des contraintes :
Calcul de s
t
,
Limite de production,
Limite de stock en n de mois,
Caract` ere non n egatif.
b) Mettre sous la forme dun mod` ele de calcul en Excel : voir cours.
c) Co ut total de production et stockage : z

= 769.
P eriode 1 2 3 4 5
Production en 12 15 15 18 15
Stock n de 6 4 6 3 0
232 Annexe C. Solutions nales des exercices
C.11 Analyse postoptimale
11.1 Plan de production.
a) Formulation du probl` eme :
Variables :
x
A
= production hebdomadaire de produit A,
x
B
= production hebdomadaire de produit B.
Objectif : maxz = 6x
A
+ 3x
B
.
Contraintes :
Limite de mati` ere premi` ere P1 et P2,
Nombre minimum et maximum douvriers,
Non n egativit e.
b) R esoudre graphiquement : voir cours.
Solution optimale :
x

1
= 1, x

2
= 4, z

= 18
c) Intervalle de variationmaximumde lamarge sur le produit Bqui pr eserve
la solution optimale :
2 c
B
6
11.2 Production de peintures.
Formuler le probl` eme :
Choix des variables (avec leurs unit es) :
x
1
= production journali` ere de peintures int erieures (tonnes/jour)
x
2
= production journali` ere de peintures ext erieures (tonnes/jour).
Expression de lobjectif (avec son unit e de compte):
maxz = 5x
1
+ 4x
2
(milliers $ par jour)
Expression des contraintes :
Disponible de M1 et M2,
Relation entre les deux productions,
Production maximale de peinture ext erieure ,
Positivit e.
b) R esoudre graphiquement le probl` eme: voir cours.
Solution optimale obtenue : x

1
= 3 x

2
= 1, 5 z

= 21.000$ .
Section C.12. La programmation en nombres entiers 233
c) Domaine de variation maximum de la la marge du second produit ?
m
2
[3, 33; 10]
d) Effet sur le prot dune augmentation de m
2
de 4 ` a 6 :
z

= m
2
x

2
= +2 1, 5 = +3 milliers de $
11.3 R epartition du budget publicitaire.
a) Formulation du probl` eme :
Choix des variables :
TV = nombre de campagnes tv
M = nombre de campagnes dans les magazines
J = nombre de campagnes dans les journaux
Expression de lobjectif : maximiser laugmentation des ventes.
Expression des contraintes :
R epartition du budget,
Budget de conception,
Limite de spots tv,
Caract` ere non n egatif.
b) Mettre sous la forme dun mod` ele de calcul en Excel : voir cours.
c) Augmentation des ventes = 1.700
TV

= 0, M

= 20 J

= 10
d) Effet de lancer un spot tv suppl ementaire ? Une diminution des ventes
de 5, donn ee par le co ut r eduit de la variable.
C.12 La programmation en nombres entiers
12.1 Mutation des ofciers.
a) Formulation du probl` eme :
Choix des variables : indicatrice du fait que lofcier i est mut e
au poste j.
Expression de lobjectif : minimiser la somme des co uts de muta-
tion.
Expression des contraintes :
234 Annexe C. Solutions nales des exercices
Chaque poste est pourvu,
Chaque ofcier est affect e,
Chaque ofcier doit changer de place,
Caract` ere binaire.
12.2 Planication de la production de moteurs.
a) Formulation du probl` eme :
Choix des variables :
P
t
= production ` a la p eriode t;
S
t
= stock de n de p eriode t.
Expression de lobjectif : minimisation de la somme des co uts de
production et de stockage.
Expression des contraintes :
Satisfaire la demande de p eriode t,
Respecter la capacit e de production de p eriode t,
Positivit e.
b) Ajout dun co ut xe de mise en route :
Ajout dun nouvelle variable :
y
t
= indicatrice de production en t.
Modication de lobjectif :
+
4

t=1
2, 5y
t
Modication des contraintes :
Modication de la contrainte de capacit e :
P
t
CAP
t
y
t
Ajout du caract` ere entier :
y
t
{0, 1}
12.3 M ethode de branch and bound.
a) R esoudre la relaxation lin eaire initiale: voir cours.
La solution optimale du probl` eme lin eaire vaut :
x

1
=
15
4
= 3, 75 x

2
=
5
4
= 1, 25 z

PL
= 23, 75
b) Arbre de branch and bound : voir cours.
c) Solution optimale du probl` eme en nombres entiers :
x

1
= 3, x

2
= 2, z

PNE
= 23

You might also like