Professional Documents
Culture Documents
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 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
On demande de formuler chacun des probl` emes suivants.
1.1. Un probl` eme de choix dinvestissements. Un epargnant veut investir
1000 euros. Il a le choix entre trois investissements possibles : A, B et
C. Les valeurs attendues et les valeurs minimales garanties apr` es un an sont
donn ees au tableau 1.4 par euro investi. L epargnant souhaite un int er et mi-
Type valeur valeur
dinvestissement attendue garantie
A 1, 4 0, 9
B 1, 2 1, 2
C 1, 6 0, 5
Tableau 1.4: Valeurs attendue et minimum garantie.
nimum garanti de 5% sur un an. Cependant, il a promis dinvestir au moins
600 euros sur B et C ensemble. Comment l epargnant pourrait-il r epartir
son investissement pour maximiser la valeur attendue globale apr` es un an ?
On suppose que linvestisseur utilise toute la somme disponible.
1.2. Un probl` eme de chargement dun haut fourneau. Une fonderie re coit
une commande de 1000 tonnes dacier. Cet acier doit r epondre aux ca-
ract eristiques suivantes : il doit contenir au moins 0,45 % de mangan` ese
(Mn) tandis que son pourcentage en silicium (Si) doit se situer entre 3,25
et 5,50. Pour couler cet acier, la fonderie dispose en quantit es illimit ees de
trois types de minerais : A, B et C. Leurs teneurs en Si et Mn sont reprises
au tableau 1.5. Le proc ed e de production est tel quune addition directe
Minerai A B C
Si 4 % 1 % 0,6 %
Mn 0,45 % 0,5 % 0,4 %
Tableau 1.5: Teneurs en Silicium et Mangan` ese des diff erents minerais.
de mangan` ese est envisageable. Ce mangan` ese est disponible au prix de 8
millions la tonne. Les minerais co utent respectivement 21 millions les mille
18 Chapitre 1. Introduction
tonnes pour le type A, 25 millions par mille tonnes pour B, et 15 millions par
mille tonnes pour C. Si la fonderie envisage de vendre lacier produit 450
millions les mille tonnes, quel doit etre son plan de production pour maxi-
miser son prot, sachant que le co ut de fonte de mille tonnes de minerai est
de 5 millions ? Le co ut de fonte ne sapplique pas au mangan` ese ajout e.
1.3. Un probl` eme de planication sur co ut variable. Un industriel cherche ` a
etablir son plan de production pour les quatre mois ` a venir, sachant que les
demandes sont d ej` a connues (voir tableau 1.6).
Mois 1 2 3 4
Demande 900 1100 1700 1300
Capacit e en heures normales 1200 1200 1200 1200
Capacit e en heures suppl ementaires 400 400 400 400
Tableau 1.6: Demande par mois
En r egime normal, la capacit e de production est de 1200 articles par mois.
A laide dheures suppl ementaires, ce niveau peut etre elev e jusqu` a 400
articles en plus, mais il faut compter, dans ce cas, un surco ut de 7 euros par
article. La situation est telle quil peut se permettre en r egime normal de
produire moins de 1200 articles par mois. Cela naura aucune incidence sur
les co uts de production, ceux-ci etant xes en r egime normal, mais leffet
sur les co uts de stockage peut etre b en eque. Les co uts de stockage sont
de 3 euros par article en stock en n de mois. Comment lindustriel doit-il
planier sa production pour minimiser les co uts variables, cest-` a-dire les
co uts occasionn es par les heures suppl ementaires et le stockage ?
1.4. Affectation davions ` a des lignes a eriennes. Une compagnie a erienne
r egionale d esire affecter sa otte davions aux4lignes quelle exploite (lignes
A, B, C et D). Le nombre de passagers d esirant effectuer chaque jour un
parcours sur chaque ligne est donn e au tableau 1.7. La compagnie dispose
de deux types davions : 8 petits avions de 40 places et 3 avions moyens
de 180 places. Les avions, quils soient du mod` ele petit ou moyen, peuvent
effectuer un trajet aller-retour par jour. Le co ut dexploitation journalier dun
avion d epend de sa taille et de la ligne ` a laquelle il est affect e. Ces co uts
sont donn es au au tableau 1.7. On d esire minimiser le co ut dexploitation
en satisfaisant la demande.
(a) Faites un choix de variables.
Section 1.5. Exercices 19
Ligne A B C D
Demande 100 200 150 300
Co ut dun petit avion 40 30 70 40
Co ut dun moyen avion 200 100 300 350
Tableau 1.7: Demande et co uts dexploitation des avions par ligne
(b) Donnez lexpression de lobjectif.
(c) Donnez lexpression des contraintes.
(d) Vos variables peuvent-elles prendre toutes les valeurs r eelles non n e-
gatives ?
1.5. Production de denr ees p erissables. Une compagnie produit 2 denr ees
p erissables, P et Q, qui sont achemin ees, chaque soir, chez le grossiste. Pour
le transport, la compagnie dispose dune camionnette dont la capacit e permet
dacheminer 2000 kg par jour. Lorsque la production quotidienne exc` ede
cette quantit e, la compagnie fait appel ` a un transporteur ind ependant. Le
co ut de transport est de 2 euros par kg avec la camionnette propre, tandis que
le transporteur ind ependant demande 3 euros par kg. La marge b en eciaire,
hors co ut de transport, est 42 euros par unit e de P et 48 euros lunit e de Q.
Les produits P et Q sont fabriqu es ` a partir de 2 composantes M et N selon
les proportions pr esent ees au tableau 1.8. Consid erons une journ ee o` u la
Produit Poids de M Poids de N Poids total
(kg par unit e de (kg par unit e de (kg par unit e de
produit ni) produit ni) produit ni)
P 4 3 7
Q 2 1 3
Tableau 1.8: Composition des produits
compagnie dispose de 3 200 kg de M et de 2 400 kg de N. Formuler le
probl` eme sachant que la compagnie cherche ` a maximiser son prot net.
1.6. Ajout dun nouveau produit ` a la gamme. Une soci et e envisage lajout
de deux nouveaux produits ` a sa gamme : le mod` ele standard et le mod` ele
de luxe. Le mod` ele standard peut se fabriquer dans nimporte lequel des 3
ateliers (A, B ou C) de la soci et e. Une unit e de mod` ele standard requiert en
20 Chapitre 1. Introduction
main duvre soit 5 heures dans latelier A, soit 4 heures dans latelier B,
soit 5 heures dans C. Quant au mod` ele de luxe, latelier A ne dispose pas
de l equipement n ecessaire et sa fabrication devra etre con ee aux ateliers
B et C. Une unit e du mod` ele de luxe requiert en main duvre 5 heures
dans latelier B, ou 8 heures dans C. Les capacit es disponibles sont de 2 000
heures pour latelier A, 8 000 heures pour B et 4 000 heures pour C. Le
salaire horaire vers e aux ouvriers est de 11,50 euros dans latelier A, de
13 euros dans B et de 12 euros dans C. Le co ut des mat eriaux est evalu e
` a 10 euros pour lunit e du mod` ele standard et ` a 15 euros pour le mod` ele
de luxe. Lentreprise se propose de vendre le mod` ele standard ` a 135 euros
lunit e et le mod` ele de luxe ` a 145 euros lunit e. Le service marketing estime
quon ne peut esp erer vendre plus de 2 500 unit es du mod` ele standard ni
plus de 1 000 unit es du mod` ele de luxe. On suppose que toutes les unit es
produites jusqu` a ces niveaux trouvent acheteur.
Formuler le probl` eme correspondant ` a la maximisation du prot d ecoulant
du lancement de ce produit.
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. B atiments - travaux publics. Une entreprise de B atiments et Travaux
Publics est sp ecialis ee dans la r ealisation douvrages dart en b eton arm e.
Pour effectuer ses travaux, elle dispose de deux corps de m etier, les coffreurs
et les ma cons. Cette entreprise doit faire les devis pour six r ealisations. Une
premi` ere analyse des travaux permet de d eterminer les temps suivants :
Fabrication No 25
Coffrage 2 jours
B eton 4 jours
Fabrication No 26
Coffrage 1 jour
B eton 3 jours
Fabrication No 27
Coffrage 5 jours
B eton 7 jours
Fabrication No 28
Coffrage 10 jours
B eton 8 jours
Fabrication No 29
Coffrage 5 jours
B eton 2 jours
Fabrication No 30
Coffrage 3 jours
B eton 6 jours
(a) Cherchant ` a optimiser lemploi de tous les corps de m etier, vous devez
proposer ` a cette soci et e lordre de prise en compte des travaux.
(b) Avec cet ordre, est le nombre de jours economis es par rapport ` a une
prise en compte des fabrications dans lordre de leur arriv ee ?
(c) Si on doit tenir compte dun temps inter-op eratoire xe de deux jours
entre la n du coffrage et le d ebut du b eton (1 jour imputable au coffrage
et lautre au b eton), que devient lordre que vous avez propos e ?
2.2. Usinage de pi` eces sur des machines. On veut organiser la production de
deux lots de pi` eces P
a
et P
b
qui doivent etre usin ees sur la machine M
1
puis
sur la machine M
2
. Avant dusiner chaque lot, il faut proc eder au r eglage de
chaque machine. Les dur ees des t aches de r eglage et dusinage de chacun
des lots sur les deux machines sont donn ees au tableau ci-dessous en heures.
Machine R eglage A Usinage A R eglage B Usinage B
M1 1 2 2 2
M2 1 3 6 1
On veut minimiser le temps total dex ecution des pi` eces.
(a) Expliquez pourquoi lalgorithme de Johnson ne sapplique pas.
(b) Faites une enum eration de tous les ordonnancements possibles.
(c) Tracez le diagramme de Gantt dans chacun des cas.
34 Chapitre 2. Ordonnancement en ateliers specialises
2.3. Gestion du temps pour la composition dun travail de groupe. Deux
etudiants ing enieurs disposent de 10 jours pour r ealiser un travail de groupe.
Ce travail se compose de 4 t aches ind ependantes entre elles (lordre na
pas importance). Chacune de ces t aches peut etre divis ee en une phase
danalyse, r ealis ee par le premier etudiant, et une phase de calculs, r ealis ee
par le second. Lanalyse doit pr ec eder les calculs. Les temps n ecessaires
(en jours) ` a la r ealisation des t aches sont donn es au tableau ci dessous.
T ache Phase danalyse ( etudiant 1) Phase de calculs ( etudiant 2)
A 2 2
B 0,8 1,5
C 1,5 0,5
D 2 1
(a) Quel est lordonnancement des t aches qui minimise le temps de r eali-
sation du travail ?
(b) Les deux ing enieurs aimeraient ajouter en annexe 3 autres parties :
E, F et G. Les deux premi` eres (E et F) ne n ecessitent pas danalyse
pr ealable tandis que la derni` ere (G) comporte seulement une phase
danalyse. Les temps sont donn es au tableau ci-dessous.
T ache Analyse ( etudiant 1) Calculs ( etudiant 2)
E - 2
F - 1,5
G 1,5 -
La r ealisation des ces annexes ne n ecessite pas que les t aches princi-
pales (A, B, C et D) soient nies. Avec ces donn ees suppl ementaires,
d eterminez, pour chacun des ing enieurs, lordre dex ecution des 7
t aches qui minimise le temps total de r ealisation du travail.
(c) Illustrez ` a laide dun diagramme de Gantt.
(d) Pourront-ils rendre le travail ` a temps ?
2.4. Ordonnancement avec 3ateliers. Cinqt aches doivent passer par les ateliers
de montage, nition et exp edition. Les temps op eratoires sont les suivants.
T aches 1 2 3 4 5
Montage 7 2 4 3 5
Finition 1 1 2 2 1
Exp edition 5 2 4 6 5
D eterminez lordonnancement qui minimise le temps de r ealisation des
t aches et calculez le temps total pour effectuer ces t aches.
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 3.1).
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 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 ou egale 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
) =
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
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
?
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
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
)
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. Achat de pi` eces de rechange. Ling enieur en chef dune usine passe la
commande dun mod` ele de pi` eces d etach ees dune machine pour laquelle
il craint un approvisionnement difcile. Les cons equences dun arr et de la
machine ` a cause dun retard de livraison de la pi` ece sont particuli` erement
on ereuses : le co ut dun arr et de la production pour manque de pi` ece est de
25.000 euros. En achetant cette pi` ece en m eme temps que la machine, le
co ut unitaire dapprovisionnement est de 1.000 euros. Lexp erience pass ee
de ling enieur lincite ` a estimer la distribution des pannes sur la dur ee de vie
du mat eriel, par une loi de Poisson de param` etre 1. La possession de pi` eces
au del` a de la dur ee de vie de la machine est sans valeur vu lobsolescence
technique rapide de la machine.
(a) Quelle est la politique optimale ` a suivre ?
(b) Quel est le co ut nancier de cette politique de commande de pi` eces de
rechange ?
3.2. Ventes dhebdomadaires. Un libraire commande r eguli` erement un hebdo-
madaire aupr` es de son grossiste. Son co ut dachat est de 12 euros et son prix
de vente 16 euros. On suppose que les ventes hebdomadaires suivent une
loi normale de moyenne 30 et d ecart type 5.
(a) Quel est le nombre dexemplaires ` a commander aupr` es de son grossiste
chaque semaine si le co ut de reprise est de 10 euros ?
(b) Quelle est sa marge nette moyenne ?
3.3. Ventes de calculatrices. Un etablissement sp ecialis e dans la distribution de
calculatrices electroniques a un produit vendu couramment tout au long de
lann ee. Il sagit dune calculatrice scientique qui est achet ee 45 euros et
revendue 55 euros. Le taux dopportunit e utilis e est de 20 %. La demande
hebdomadaire de ce mod` ele est denviron 5 calculatrices, et il y a tout lieu
de penser que le mod` ele de Poisson est utilisable. La soci et e est ouverte
52 semaines par an, les d elais dapprovisionnement sont n egligeables, les
demandes non satisfaites sont consid er ees comme perdues. La p eriode entre
deux r eapprovisionnements du stock est de deux semaines.
(a) On demande de calculer le niveau optimal de recompl` etement du stock.
(b) On calculera les cons equences de cette politique que sont le nombre
moyen de ventes manqu ees et le stock moyen poss ed e.
(c) On en d eduira la marge nette moyenne.
58 Chapitre 3. La gestion calendaire de stock
3.4. Ventes de r eveils electroniques. La soci et e commercialise egalement un
r eveil electronique qui connat une grande popularit e. La demande sur une
semaine suit approximativement une loi normale de moyenne 100 et d ecart-
type 30. La m eme politique de gestion calendaire est suivie. Les donn ees
de co ut sont les m emes que celles des calculatrices. La p eriode entre deux
r eapprovisionnements du stock est egalement de deux semaines.
(a) Calculez les param` etres de la loi de demande durant la p eriode com-
prise entre deux r eapprovisionnements du stock. Pour rappel, si on
additionne des variables al eatoires normales ind ependantes, on obtient
une variable normale dont la moyenne et la variance sont la somme
des moyennes et des variances.
(b) Calculez le niveau de recompl` etement optimal.
(c) Calculez les cons equences de cette politique que sont le nombre moyen
de ventes manqu ees et le stock moyen poss ed e.
(d) En d eduire la marge nette moyenne.
3.5. Ventes de sapin de No el. Un producteur de sapin de no el doit d ecider
de la quantit e ` a mettre en production chaque ann ee. Les ventes annuelles
concentr ees sur la premi` ere quinzaine de d ecembre suivent une loi normale
de moyenne 30.000 et d ecart type 200. Le co ut de production est de 10 euros
lunit e et le prix de vente de 24 euros. Le producteur travaille uniquement sur
commande de sorte quil ne coupe que les arbres demand es lann ee courante.
Quelle quantit e doit-il mettre en production chaque ann ee pour minimiser
son co ut de gestion ? On suppose un taux dopportunit e de 10 % lan.
3.6. Ventes de eurs. Un epicier va chercher deux fois par semaine des eurs
coup ees au march e en gros de sa ville. En effet, au del` a de trois jours, il
ne peut plus les revendre. Son co ut dachat dune botte de eurs est de 50
euros et son prix de vente 75 euros. On suppose que la demande de bottes de
eurs suit une loi de Poisson. En moyenne, 30 clients se pr esentent chaque
semaine pour ce produit.
(a) Quel est le nombre de bottes de eurs coup ees ` a aller chercher le lundi
matin et le jeudi matin ?
(b) Combien de clients en moyenne sortent de son magasin par semaine
sans eurs faute de stock sufsant ?
(c) Quel est le nombre moyen de bottes de eurs jet ees par semaine ?
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
= 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. Gestion de lapprovisionnement du stock de transistors. Une soci et e de
distribution de mat eriel et composants electroniques ayant comme client` ele
les artisans r eparateurs de mat eriel hi- grand public est en train de red enir
sa politique dapprovisionnement des stocks. On vous charge de laider dans
cette t ache. Le responsable des achats vous soumet, ` a titre dexemple, le cas
dun transistor dont le prix dachat est de 16 euros et dont la consommation
est de 15.000 unit es sur lann ee. La demande est uniform ement r epartie sur
toute lann ee qui comporte 50 semaines douverture. Le co ut de passation
dune commande est estim e ` a 24 euros. Par ailleurs, etant donn e l evolution
technique rapide et les risques dobsolescence associ es, on applique un taux
de d etention en stock tr` es elev e : 50 % par an. Pour le moment la technique
des deux casiers est appliqu ee : on dispose de deux casiers, de contenance de
500 transistors. D` es quun casier est vide, on entame le second et on passe
une commande de 500 transistors. Le d elai dobtention de la commande est
dune semaine.
(a) Calculez le co ut de la politique actuelle de gestion de stock. Pour cela,
d eterminez le stock moyen et le nombre de commandes par an.
(b) D eterminez la politique optimale de gestion du stock. Donnez le mon-
tant de la commande et le point de commande.
(c) Quelle est l economie annuelle de votre solution par rapport ` a la tech-
nique des deux casiers utilis ee aujourdhui ?
4.2. Vente de verre de cristal. Un grand magasin vend chaque semaine 150
cartons de six verres du mod` ele Elite. Le co ut dachat de 6 verres est de
8 euros, et le co ut associ e ` a une commande est evalu e ` a 30 euros. Le co ut
de possession utilis e ne fait intervenir quun co ut dopportunit e, lequel se
calcule ` a laide dun taux de 15 %. On suppose que la demande est certaine
et quil nest pas possible davoir de rupture de stock. La gestion de stock
est du type point de commande. Les ventes manqu ees sont perdues.
(a) Calculez la commande optimale.
(b) Le d elai de livraison etant egal ` a deux semaines, d eterminez le point
de commande (lann ee comporte 52 semaines).
(c) Calculez le co ut de gestion de stock correspondant ` a cette solution.
4.3. Vente de verre de cristal en univers al eatoire. La demande hebdomadaire
nest maintenant plus consid er ee comme certaine, mais comme al eatoire.
Elle suit une loi normale de moyenne 150 et d ecart-type 50. Le co ut de
70 Chapitre 4. La gestion par point de commande
rupture est estim e ` a 2 euros, parce que la demi-douzaine est vendue 10 euros
et que la direction estime que la rupture de stock de cet article nest pas
pr ejudiciable ` a son image de marque.
(a) Calculez la commande optimale.
(b) Calculez le nouveau point de commande.
(c) Calculez le nombre moyen annuel de demi-douzaines de verres que le
grand magasin na pas et e en mesure de vendre.
(d) Calculez le stock moyen poss ed e.
(e) En d eduire le co ut de gestion annuel.
4.4. Ventes de carafes ` a eau. Un supermarch e vend des carafes ` a eau 50 euros.
Il les ach` ete aupr` es de son fournisseur 35 euros. La demande hebdomadaire
suit une loi de Poisson de param` etre 5. On utilise un taux dopportunit e de
15 % lan. Le co ut de passation dune commande est de 30 euros. Le d elai
dapprovisionnement est de deux semaines.
(a) Quelle est la quantit e ` a commander ?
(b) Quel est le niveau de stock qui doit d eclencher la commande ?
(c) Quel est le nombre moyen de clients non satisfaits pendant le d elai de
deux semaines entre la passation de la commande et sa r eception ?
4.5. Vente par correspondance. Une soci et e sp ecialis ee dans le vente par cor-
respondance a un article peu vendu. Il sagit dun matelas orthop edique.
La demande mensuelle de cet article suit une loi de Poisson de moyenne 8.
Lacheteur responsable de lapprovisionnement h esite entre trois syst` emes :
(a) La gestion calendaire avec une p eriode de r evision calendaire de deux
mois. Le co ut de commande est estim e ` a 20 euros, le produit est achet e
200 euros et revendu 350 euros (y compris le co ut moyen de transport
vers le client de 50 euros). La r egularit e de lapprovisionnement permet
davoir un d elai dobtention insigniant. Une demande non satisfaite
est diff er ee avec un co ut de 10 euros (frais administratifs).
(b) Une gestion du type quantit e economique de commande - point de
commande avec les m emes co uts que pr ec edemment, mais avec cette
fois un d elai dobtention de 15 jours environ.
(c) Servir dinterm ediaire en r epercutant au fournisseur la commande, ce
qui permet ` a lentreprise de percevoir une commission de 50 euros.
Lentreprise estime que la rentabilit e marginale de son capital est de 24 %.
Apr` es etude du b en ece net dans les trois cas, que pr econisez-vous ?
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).
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
116 Chapitre 7. Lordonnancement de projets
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
On ajout une borne sur la date de n de chantier, nomm ee :
t
f
Section 7.9. La minimisation des co uts 117
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 7.13.
c
D
( )
d
i
=d
i
, i d
i
= d
i
, i
Figure 7.13: Forme de la fonction de co ut direct dex ecution des t aches
Ce graphique appelle plusieurs commentaires :
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
.
118 Chapitre 7. Lordonnancement de projets
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 7.14, il vaudrait mieux prendre = , le temps maximum. Mais
c
T
( )
c
D
( )
c
I
( )
c
T
( )
Figure 7.14: 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 dassurances,
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 7.14, 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.
Equipement dun ensemble minier. L equipement dun ensemble minier
comporte les t aches suivantes dont la dur ee est exprim ee en trimestres.
No t ache dur ee pr ealables
1 Commande dune piste 6 -
2 Construction dun port provisoire 3 -
3 Commande de mat eriel portuaire 2 -
4 Pose dune voie ferr ee 4 2
5 Construction dune cit e administrative 7 2
6 Construction du port d enitif 2 2
7 Construction de linstallation mini` ere 4 1 et 4
8 Equipement portuaire d enitif 3 3 et 6
(a) Construire le graphe relatif ` a la m ethode du potentiel.
(b) Calculer les dates de d ebut au plus t ot, les dates de d ebut au plus tard.
D eterminer le chemin critique.
(c) Comment modier le graphe si, on veut que la t ache 7 ne commence
pas avant 8 trimestres ? Recalculer les dates de d ebut au plus t ot, les
dates de d ebut au plus tard.
(d) Comment modier le graphe si on veut en plus que la t ache 8 ne
commence pas apr` es 4 trimestres ? Dites si le probl` eme reste soluble.
7.2. Construction dun b atiment. Consid erons les diff erentes t aches ` a effectuer
pour construire un b atiment. Elles sont reprises ci-dessous.
No t ache dur ee pr ealables
1 fondations 6 -
2 murs 10 1
3 plomberie int erieure 5 2
4 electricit e 7 2
5 toit 6 2
6 plomberie ext erieure 4 5
7 menuiserie 8 3 et 4
8 sols 4 7
9 peinture int erieure 5 7
10 nitions int erieures 6 8 et 9
11 peinture ext erieure 9 6
12 nitions ext erieures 2 11
120 Chapitre 7. Lordonnancement de projets
(a) Tracez le graphe relatif ` a la m ethode du potentiel.
(b) Calculez les dates de d ebut au plus t ot, les marges et d eterminez le(s)
chemin(s) critique(s).
(c) Les t aches 9 (peinture int erieure) et 11 (peinture ext erieure) doivent etre
disjointes car effectu ees par les m emes ouvriers. Comment r esoudre
cette disjonction ? La date de n des travaux est-elle affect ee ?
7.3. La m ethode PERT. Une entreprise d ecide de commercialiser un nouveau
produit. La planication de ce lancement fait apparatre les t aches reprises
au tableau 7.2 avec leur dur ee (en semaines) et leurs pr ealables.
(a) Tracer le graphe correspondant ` a la m ethode PERT.
(b) Calculez les dates de d ebut au plus t ot, au plus tard, les marges et le
chemin critique.
(c) Lentreprise voudrait r eduire la dur ee totale dex ecution des travaux.
Pour cela, il est possible de r eduire la dur ee des t aches 5 et 11 de
une ou deux semaines au prix dun co ut suppl ementaire de 100 000
euros par semaine de r eduction pour la t ache 5 et de 200 000 euros par
semaine pour la t ache 11. De combien peut-on r eduire la dur ee totale
des travaux et ` a quel co ut ?
No t ache dur ee pr ealables
1 S election des equipements 1 -
2 Choix de la m ethode de production 2 1
3 Proc edures de contr ole de qualit e 2 2
4 Choix des mati` eres premi` eres 2 1
5 R eception des equipements 7 1
6 Commande des mati` eres premi` eres 1 4
7 R eception des mati` eres premi` eres 3 6
8 Essais de production 2 5,3 et 7
9 Premi` ere fourniture aux magasins 6 8 et 11
10 Conception du conditionnement 4 1
11 Production du conditionnement 5 10
12 R eunion des vendeurs 1 11
13 Formation des vendeurs 1 12
Tableau 7.2: Lancement dun nouveau produit.
Section 7.10. Exercices 121
7.4. Minimisation des co uts. On consid` ere un chantier de construction qui fait
intervenir cinq t aches dont les dur ees, les t aches pr ealables et les frais directs
(main duvre, heures machine) sont donn ees au tableau 7.3.
T ache dur ee t aches frais directs
(jours) pr ealables (euros)
1 4 - 30 000
2 6 - 40 000
3 5 1 50 000
4 8 2 et 3 50 000
5 7 4 10 000
Tableau 7.3: Minimisation des co uts.
(a) Tracer le graphe correspondant ` a la m ethode du potentiel.
(b) D eterminer les dates de d ebut au plus t ot au plus tard et le chemin
critique.
(c) Les dur ees des t aches 3 et 5 peuvent etre r eduites jusqu` a 3 et 5 jours
au prix daccroissements de co uts de 20 000 et 10 000 euros par jour.
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 C,5 I,9 M,6 E,15 F,7 N,15
G,6 K,4 B,7 H,4
A,2 L,8
D,2
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 E,15 L,8 G,6 F,7 N,15
C,5 K,4 B,7 I,9 M,6
D,2 H,4
J,10
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 total de
tonnes-kilom` etres de produit transport 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.
Fixons-nous la notation suivante:
MP
i
= tonnes de mati` ere premi` ere venant de i;
Cl
j
= tonnes vers le client j;
r
i
= co ut unitaire de transport venant de i;
R
j
= co ut unitaire de transport vers j.
Le centre de gravit e se calcule ainsi :
x
=
m
i=1
r
i
x
i
MP
i
+
m
j=1
R
j
x
j
Cl
j
m
i=1
r
i
MP
i
+
m
j=1
R
j
Cl
j
y
=
m
i=1
r
i
y
i
MP
i
+
m
j=1
R
j
y
j
Cl
j
m
i=1
r
i
MP
i
+
m
j=1
R
j
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
140 Chapitre 8. Conception dun centre de production
Cl
1
Cl
2
Cl
n
MP
1
MP
2
MP
m
Figure 8.8: Centre de gravit e
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
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).
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 :
min
3
i=1
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
o` u CAP
i
note la capacit e de lusine i.
Satisfaire la demande du client j :
3
i=1
x
ij
= DEM
j
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 marginal
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.
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.
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.
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
4j
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 =
4
i=1
10
j=1
c
ij
x
ij
+
4
i=2
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
4j
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.
Equilibrage dune chane. Pour lexemple de la section 8.2.2,
(a) au moyen dun heuristique au choix, d eterminer une r epartition entre
7 op erateurs de temps de cycle maximum de 18 minutes.
(b) calculer le retard d equilibre de la chane ainsi obtenue.
8.2. Montage en chane dune lampe. Le montage dune lampe de bureau
n ecessite la r ealisation de 7 t aches (not ees A ` a G) dont les temps el ementaires
de montage et les pr ealables sont donn es au tableau 8.9. Lobjectif de pro-
duction est de 9 000 lampes par mois de 20 jours (un jour = 8 heures).
T ache Temps (secondes) Pr ealables
A 22 -
B 14 A
C 27 -
D 40 B,C
E 9 -
F 41 D,E
G 12 F
Tableau 8.9: Montage de lampes ` a la chane.
(a) D eterminez le temps maximum de cycle de la chane dassemblage
pour respecter cet objectif. Autrement dit, une lampe doit sortir de la
chane toute les c secondes pour respecter cet objectif. Que vaut c ?
(b) Repr esentez sur un graphique de r eseau les relations dant eriorit e.
(c) Calculez le score 2 pour chacune des t aches de montage.
(d) En utilisant lheuristique de score 2, d eterminez une affectation des 7
t aches aux postes de travail successifs de la chane.
(e) Calculez le retard d equilibre de votre solution.
8.3. Choix dune capacit e. Pour les donn ees dinvestissement de la section 8.3
mais avec une probabilit e de succ` es du produit de 50 %,
(a) recalculer les valeurs pr esentes nettes des trois investissements;
(b) expliquer pourquoi la d ecision optimale change;
(c) d eterminer la probabilit e de succ` es du produit pour laquelle la d ecision
optimale change.
146 Chapitre 8. Conception dun centre de production
8.4. Ouverture dun restaurant. Un ind ependant envisage douvrir un restau-
rant dans le centre de Bruxelles. Il doit d ecider sil ouvre un restaurant
de 250 personnes (co ut de linvestissement : 500 milliers deuros),
de 500 personnes (co ut de linvestissement : 1000 milliers deuros),
En cas de succ` es (demande forte) le restaurant de 500 couverts est pleinement
utilis e et rapporte un b en ece annuel de 200 (milliers deuros). En cas de
demande faible, une capacit e de 250 couverts est sufsante et rapporte un
b en ece annuel de 100 (milliers deuros). Le succ` es est connu au bout de la
premi` ere ann ee. Les b en eces annuels sont comptabilis es en n dann ee.
Au bout dun an,
si linstallation comporte 500 couverts, lind ependant peut diminuer la
capacit e en revendant une partie des installations pour 200.000 euros.
si linstallation comporte 250 couverts, lind ependant peut agrandir son
restaurant ` a 500 couverts avec un co ut additionnel de 700.000 euros.
Lind ependant va exploiter le restaurant durant 20 ans. On n eglige la valeur
de linstallation au bout de 20 ans. Le facteur dactualisation est de 10%.
(a) On demande de dessiner larbre de d ecision relatif ` a ce probl` eme.
(b) On demande de compl eter le tableau suivant :
Cas D ecision Demande VPN
1 Restaurant 500 couverts Forte
2 Restaurant 500 250 couverts Faible
3 Restaurant 250 couverts Faible
4 Restaurant 250 + 250 couverts Forte
Donner le d etail de vos calculs.
(c) Sachant que la probabilit e de succ` es (demande forte) a et e estim ee ` a
55% sur base dune etude marketing, on demande de calculer
la VPN esp er ee si la premi` ere d ecision consiste ` a ouvrir un res-
taurant de 500 couverts
la VPN esp er ee si la premi` ere d ecision consiste ` a ouvrir un res-
taurant de 250 couverts
(d) Etant donn e les r esultats ci-dessus, quelle d ecision initiale dinvestis-
sement prendra linvestisseur ?
Section 8.6. Exercices 147
8.5. Ouverture de d ep ots. Une rme travaille uniquement pour 4 gros clients
situ es ` a Bruxelles, Charleroi, Namur et Ostende, respectivement. Elle veut
r eorganiser sa distribution et a la possibilit e de satisfaire la demande de ses
clients ` a partir de 3 d ep ots diff erents, ` a Anvers, Li` ege et Mons, respec-
tivement. Si un d ep ot est ouvert une ann ee, cela repr esente un co ut xe
(administration, gardiennage, etc. . . ) de 25 pour Anvers, 15 pour Li` ege et
15 pour Mons. Les capacit es annuelles de ces d ep ots, si ils sont ouverts,
sont de 40, 25 et 25 respectivement.
Le directeur des ventes de cette rme consulte ses ches de commandes des
derni` eres ann ees et estime que, pour lann ee prochaine, il devra livrer 20, 12,
9 et 14 unit es du produit ` a ses quatre clients. Les co uts de transport dune
unit e de produit entre les usines et les villes sont donn es au tableau 8.10.
Co ut de transport Bruxelles Charleroi Namur Ostende
Anvers 100 150 180 90
Li` ege 120 170 80 210
Mons 70 30 90 140
Tableau 8.10: Co uts unitaires de transport.
Sachant que lapprovisionnement dunclient peut se faire ` a partir de plusieurs
d ep ots, on veut d eterminer :
quels d ep ots la rme doit-elle ouvrir lann ee prochaine ?
comment organiser le transport entre les d ep ots et clients?
pour minimiser la somme des co uts xes douverture et des co uts variables
de transport. Les co uts de production sont identiques dans les trois usines et
nentrent donc pas en consid eration. Formuler le probl` eme.
8.6. 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,
148 Chapitre 8. Conception dun centre de production
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
149
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.
151
152 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 153
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
.
154 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 155
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
156 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 157
` 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.
158 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. 159
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
)
160 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. 161
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
162 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. 163
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).
164 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 165
9.6 Exercices
9.1. Ventes de livres. Un editeur de livres educatifs doit d ecider du nombre de
vendeurs quil envoie dans chacune des r egions du pays pour maximiser le
nombre de ventes. Le tableau qui suit donne laugmentation du nombre de
ventes dans chaque r egion en fonction du nombre de vendeurs envoy es.
Nombre de vendeurs R egion 1 R egion 2 R egion 3
1 4 3 5
2 6 6 7
3 9 8 12
4 11 10 12
Il y a 6 vendeurs mais il est d ecid e den envoyer au mois un dans chaque
r egion. Formuler et r esoudre par la programmation dynamique.
9.2. Plan de production hebdomadaire optimal. Une soci et e de construction
automobile doit planier la production du moteur M200. Au d ebut de la
douzi` eme semaine, les commandes ` a honorer pour le d ebut des p eriodes 13
` a 16, sont les suivantes :
P eriode 13 14 15 16
Besoins totaux 4 5 2 3
La fabricationdumoteur M200demande une semaine et le co ut de lancement
dans latelier moteurs est estim e ` a 500 euros. Le co ut variable unitaire est de
300 euros pour les trois premi` eres unit es produites au cours dune semaine
et de 400 euros pour les unit es suivantes. La capacit e de stockage est limit ee
` a deux moteurs et le co ut unitaire hebdomadaire de stockage est de 50 euros.
(a) Formuler le probl` eme de planication comme un probl` eme dynamique.
(b) Sachant quau d ebut de semaine 12, il ne reste aucun M200 en stock,
d eterminer le plan de production optimal du moteur M200 pour les
semaines 12 ` a 15.
(c) Donner le plan optimal de production et de stockage.
9.3. Fabrication en heures suppl ementaires et au moyen dint erimaires. Une
soci et e dispose dune certaine capacit e de production en heures normales
(co ut direct de 1.000 euros) et heures suppl ementaires (co ut direct de 1.400
euros). Elle peut aussi faire appel ` a des int erimaires (co ut de 1.800 euros).
Les capacit es de production ainsi que les demandes pr evisionnelles sont
166 Chapitre 9. La programmation dynamique.
donn ees au tableau suivant pour les cinq prochains mois :
P eriode t 1 2 3 4 5
Production ` a 1.000 euros 15 12 10 15 15
Production ` a 1.400 euros 2 2 1 3 3
Production ` a 1.800 euros 5 5 5 5 5
Demande 12 17 13 21 18
Le co ut de stockage se r eduit au seul co ut dimmobilisation du capital.
Le taux annuel de possession du capital utilis e est de 24 %. En clair, un
produit fabriqu e ` a 1.000 euros et stock e pendant un mois, repr esente un co ut
dimmobilisation du capital de
2%1.000 = 20 euros.
Un calcul semblable est fait pour les produits fabriqu ees ` a 1.400 euros ou
1.800 euros.
Donnez la politique optimale de production et de stockage.
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
167
168 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 169
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
170 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 171
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
= 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
172 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$2
4 Atelier 1 : 1 0 =B4*$B$2+C4*$C$2 4
5 Atelier 2 : 0 2 =B5*$B$2+C5*$C$2 12
6 Atelier 3 : 3 2 =B6*$B$2+C6*$C$2 18
7 x1 positif : 1 0 =B7*$B$2+C7*$C$2 0
8 x2 positif : 0 1 =B8*$B$2+C8*$C$2 0
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
Section 10.4. Le solveur dExcel 173
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
comprendre les formules, que lon a choisi de placer la valeur de x
1
en cellule
$B$2$, soit juste en dessous du commentaire x1 tandis que celle de x
2
est plac ee
en cellule $C$2, soit juste en dessous du commentaire x2.
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
1
= 2
x
2
= 6
z
= 36
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 illustr ee ` a la gure 10.5 apparat.
Elle laisse le choix entre garder dans les cellules variables la solution obtenue
par le solveur soit r etablir la solution initiale (g en eralement z ero partout). Cette
bote permet egalement de g en erer trois types de rapport :
176 Chapitre 10. La programmation lineaire.
Figure 10.5: Rapports possibles du solveur.
le rapport des r eponses,
le rapport de sensibilit e,
le rapport des limites.
10.5.1 Le rapport des r eponses
Le rapport des r eponses (voir gure 10.6) fournit :
Figure 10.6: Rapports des r eponses.
les informations sur lobjectif : la r ef erence de la cellule, le nom, la valeur
originale et nale de la cellule cible (` a Maximiser);
Section 10.5. Les rapports du solveur 177
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).
Remarquez que pour d eterminer le nom, Excel fait, dans chaque cas, la conca-
t enation du premier commentaire rencontr e dans la m eme ligne que la cellule et
du premier commentaire rencontr e dans la m eme colonne que la cellule. Ceci
est particuli` erement utile si lon a des variables ` a deux indices comme dans un
probl` eme de transport. En effet, les variables seront stock ees dans un tableau o` u les
lignes correspondront, par exemple, aux origines et les colonnes, aux destinations.
Il sufra de mettre de i ` a gauche de la ligne et vers j en haut de la colonne pour
que le nomde la variable ` a lintersection de la ligne et la colonne se voit attribuer le
nom de i vers j par le rapport dExcel. On a egalement utiliser cette facilit e pour
notre exemple, en mettant en A2 le commentaire Production de chassis, en
B1 le commentaire en alu et en C1, le commentaire en bois.
10.5.2 Le rapport de sensibilit e
Le rapport de sensibilit e (voir gure 10.7) fournit :
Figure 10.7: Rapport de sensibilit e.
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
178 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 laccroissement de
lobjectif par unit e daccroissement de la variable. Pour un produit non fabriqu e,
le co ut r eduit sinterpr` ete donc comme la perte de prot si on fabrique un unit e du
produit.
De m eme, nous verrons au chapitre 11 que le prix cach e mesure laccroisse-
ment de lobjectif 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 10.8) fournit pour chaque variable :
Figure 10.8: 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 179
10.6 Exercices
10.1. La minimisation des co uts. Une entreprise peut fabriquer un m eme produit
dans deux usines diff erentes. Les capacit es de production de ces deux usines,
exprim ees en quantit e de produit par jour, sont de 7 pour la premi` ere usine et
de 10 pour la seconde. Dautre part, on suppose que le nombre dheures de
main duvre que lon peut affecter globalement ` a cette production est de 60
par jour. Or chaque unit e produite n ecessite 10 heures de main duvre dans
la premi` ere usine alors quelle nen n ecessite que 5 dans la seconde. Enn,
la production totale doit permettre de satisfaire au moins une demande de 8
unit es par jour. Sachant que les co uts variables unitaires sont de 2 pour la
premi` ere usine et de 3 pour la seconde, lentreprise d esire produire ` a co ut
minimum.
(a)
Ecrire le programme lin eaire correspondant.
(b) R esoudre graphiquement.
10.2. Recyclage du papier. Une soci et e de tri de d echets et recyclage de pa-
pier peut se fournir en d echets aupr` es de deux villes. Son r ole consiste ` a
s eparer les listes dordinateur et les journaux. La r epartition entre m enages
et soci et es est diff erente dune ville ` a lautre expliquant un pourcentage
diff erent de listes dordinateur et de journaux dans les d echets. Ces pour-
centages ainsi que la quantit e maximum de d echets que peuvent fournir par
an ces deux villes sont reprises au tableau suivant :
Ville Listes Journaux Offre
% % tonnes par an
Ville 1 5 20 10.000
Ville 2 15 30 20.000
La soci et e offre aux villes un prix de 35 euros par tonne de d echet. Elle
doit d ecider du montant optimal de d echets ` a acheter ` a chaque ville pour
minimiser son co ut dachat. Pour couvrir ses frais xes, la soci et e doit au
moins collecter 1.500 tonnes de listing dordinateur par an. Au del` a de 6.000
tonnes de journaux mis sur le march e par an, le prix que la soci et e re coit
pour la vente de journaux chute et donc la compagnie ne d esire pas vendre
plus que cette quantit e. Combien la soci et e doit-elle acheter de d echets par
an ` a chacune des villes ?
(a) Formuler math ematiquement le probl` eme (choix des variables, expres-
sion des contraintes et de lobjectif);
180 Chapitre 10. La programmation lineaire.
(b) D eterminer graphiquement le plan dachat optimal et en d eduire le co ut
dachat minimum.
10.3. Planication de production sur co ut variable. Une entreprise fabrique
deux produits P
1
et P
2
. Chaque produit doit passer dans deux ateliers (usi-
nage et nition). Le mois dernier, 500 unit es de P
1
ont et e produites gr ace
` a 750 heures de travail dans latelier usinage et 250 heures dans latelier
nition. De m eme, 700 unit es de P
2
ont et e produites, n ecessitant 700
heures dans latelier usinage et 350 heures dans latelier nition. Lentre-
prise dispose egalement dune section administration. Une partie du co ut de
production est ind ependante du nombre dheures pass ees ` a la production (les
frais xes), une partie est directement proportionnelle au nombre dheures
pass ees ` a la production (les frais variables). Le mois pass e, on a observ e la
r epartition suivantes entre frais xes et frais variables :
Section frais xes frais variables
Administration 50.000 0
Usinage 60.000 11.600
Finition 40.000 6.000
Il y a egalement un co ut de conditionnement du produit qui est de 8 euros
par unit e du produit P
1
et de 6 euros par unit e du produit P
2
. Les prix de
vente unitaires sont de 55 euros et 43 euros respectivement.
(a) Calculer les marges sur co uts variables (diff erence entre prix de vente
et co ut variable de production) par unit e de chacun des deux produits.
Indication: calculer dabord le prix de lheure dans chacun des ateliers
et le temps n ecessaire dans chacun des ateliers par produit.
(b) Les capacit es de production sont de 1.200 heures par mois pour latelier
dusinage et de 500 heures par mois pour latelier de nition. Formuler
le programme lin eaire correspondant ` a la maximisation de la marge sur
co uts variables (choix des variables, expression des contraintes et de
lobjectif).
(c) D eterminer graphiquement les productions qui maximise la marge sur
co ut variable.
10.4. Fabrication et transport de produits frais. La production dune compa-
gnie se r eduit ` a 2 produits frais, P et Q quun grossiste lui ach` ete. La marge
unitaire de la compagnie est de 42 euros pour P et 48 euros pour Q. Chaque
soir, les produits frais sont achemin es chez le grossiste par un transporteur
qui facture ` a la compagnie 2 euros par kg transport e. Ce co ut de transport
Section 10.6. Exercices 181
vient en d eduction de la marge. La capacit e de transport est de 2.100 kg par
jour. Les produits P et Q s elaborent ` a partir de 2 mat eriaux M et N selon
les recettes pr esent ees au tableau suivant. Consid erons une journ ee o` u la
Produit Poids (en kg) Poids (en kg) Poids total
du composant M du composant N (en kg)
P 4 3 7
Q 2 1 3
compagnie dispose de 1.600 kg de M et de 1.200 kg de N.
(a) Formuler le probl` eme de la maximisation du revenu net de la compa-
gnie.
Choix des variables;
Expression de lobjectif (Conseil : Calculez dabord la marge nette
de frais de transport de chaque produit);
Expression des contraintes.
(b) D eterminer graphiquement la solution optimale.
10.5. Organisation de la distribution deau. Une agence pour leau est charg ee
du captage de leau et de la fourniture des agglom erations situ ees dans son
district. Le captage est possible aupr` es de 3sources doffre maximumdonn ee
(le captage est limit e pour ne pas diminuer trop le niveau des nappes souter-
raines). Le tableau ci-dessous donne en derni` ere colonne loffre de chaque
source.
Co ut de Destination Offre
fourniture Ville Ville Ville Ville de la
venant de 1 2 3 4 source
Source 1 16 13 22 17 50
Source 2 14 13 19 15 60
Source 3 19 20 23 - 50
Besoin minimum 30 70 0 10
Demande maximum 50 70 30 60
Il y a quatre villes ` a servir dans ce district. Le probl` eme est la r epartition
de leau disponible entre ces quatre villes durant la saison s` eche. Chaque
ville, a des besoins vitaux en eau qui sont repris en avant derni` ere ligne du
tableau ci-dessus. La compagnie de transport deau est oblig ee de fournir
ces quantit es au minimum. Chaque ville, a une demande effective, qui peut
182 Chapitre 10. La programmation lineaire.
etre plus elev ee (elle est donn ee en derni` ere ligne du tableau ci-dessus). On
ne livrera jamais plus que cette demande effective. Chacune des villes peut
etre aliment ee par nimporte quelle source, sauf la ville 4 qui ne peut etre
aliment ee ` a partir de la source 3. Cependant, vu l eloignement g eographique,
le co ut unitaire de fourniture d epend ` a la fois du lieu de production et du lieu
de consommation de leau (voir le tableau ci-dessus pour les donn ees.)
On se demande comment organiser le transport de toute leau disponible
de sorte ` a assurer ` a toutes les villes leurs besoins minimaux en ne d epassant
pas la demande maximum tout en minimisant les co uts totaux de fourniture
de leau pour le district.
(a) Formuler le probl` eme de transport comme un probl` eme lin eaire.
(b) R esoudre au moyen du solveur dEXCEL.
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.
183
184 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 185
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).
186 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 187
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
j
.
188 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 189
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).
190 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 191
11.5 Exercices
11.1. Sensibilit e du membre de droite. Pour le probl` eme lin eaire formul e ` a
lexercice 3 du chapitre 10,
(a) D eterminer la valeur des prix cach es ` a loptimum.
(b) Si lunit e de capacit e suppl ementaire co ute le m eme prix pour les deux
ateliers, a-t-on int er et a augmenter la capacit e du premier ou du second
atelier ?
(c) Jusqu` a quel niveau est-il int eressant daugmenter cette capacit e ?
11.2. Sensibilit e aux coefcients objectif. Soit le probl` eme lin eaire suivant :
Min z = 0x
1
+ x
2
s.c.q. 3x
1
+ 4x
2
9, (1)
5x
1
+ 2x
2
8, (2)
3x
1
x
2
0, (3)
x
1
, x
2
0.
(a) D eterminer graphiquement la solution optimale.
(b) D eterminer lintervalle maximum de variation de c
1
autour de z ero qui
pr eserve la solution optimale (x
1
, x
2
) d etermin ee en a).
11.3. Interpr etation de la solution. Une rme fabrique et met sur le march e
2 produits A et B. Le prix de vente unitaire et les ressources n ecessaires
pour fabriquer une unit e sont donn ees au tableau 11.1. Chaque semaine,
Produit A Produit B
Prix de vente 60 $ 41 $
Mat eriau requis 2 unit es 1 unit e
Main-duvre 0,75 heure 0,5 heure
Usinage 1,5 heure 0,8 heure
Tableau 11.1: Prix unitaires et quantit es de facteurs.
la soci et e peut se procurer 400 unit es du mat eriau requis au co ut de 4,75 $
lunit e. Au service de la soci et e se trouvent 4 employ es qui travaillent chacun
40 heures semaine et dont les salaires sont xes (ind ependant du volume de
production). Les heures suppl ementaires sont pay ees 15 $ de lheure. Mais
la direction a promis de ne jamais exiger plus de 35 heures suppl ementaires
par semaine. Lusinage se fait sur deux machines, disponibles chacune ` a
192 Chapitre 11. Analyse postoptimale.
raison de 160 heures par semaine. La demande de base du produit est au
maximum de 50 unit es par semaine pour A et de 60 unit es pour B. On peut
ins erer des publicit es dans la presse locale. On estime que chaque $ de
publicit e investi pour Aaugmente sa demande de 8 unit es et chaque $ investi
pour B augmente sa demande de 4 unit es. Le budget publicit e maximum est
de 65 $ par semaine.
(a) Formuler le probl` eme de la maximisation du revenu net (choix des
variables, expression de lobjectif et des contraintes).
(b) Un logiciel doptimisation vous fournit le listing suivant :
Section contraintes :
No Nom Valeur Prix Membre Valeur Valeur
finale cach e de droite minimum maximum
L1 matprem 0 24,375 0 -80 5,3333
L2 maxmatp 400 19,625 400 320 405,333
L3 mainoeuv 160 15 160 155 190
L4 maxhsupp 30 0 35 30 1,0E+30
L5 usinage 316 0 320 316 1,0E+30
L6 demandeA 40 0 50 40 1,0E+30
L7 demandeB 60 9,125 60 40 100
L8 maxpub 65 35,5 65 60 75
Section variables :
No Nom Valeur Co^ ut Coefficient Valeur Valeur
finale r eduit objectif minimum maximum
C1 produitA 40 0 60 20,75 67,75
C2 produitB 320 0 41 32,125 1,0E+30
C3 heuresup 30 0 -15 -67,33 0
C4 matierep 400 0 -4,75 -24,375 1,0E+30
C5 pubpourA 0 -36,5 -1 -1,E+30 35,5
C6 pubpourB 65 0 -1 -36,5 1,0E+30
Les ouvriers souhaiteraient que lon ne fasse plus appel aux heures
suppl ementaires. Ils estiment que le prix de 15 $ nest pas une compen-
sation nanci` ere sufsante. Ils exigent une augmentation de 10 $ par
heure. Faut-il mieux pour lentreprise ne plus recourir aux heures
suppl ementaires ou acc eder ` a la demande ?
(c) Quel serait le revenu net que tirerait la soci et e de 10 $ de d epenses
suppl ementaires en publicit e chaque semaine ?
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.
193
194 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 195
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
i=1
x
ij
= d
j
, j = 1, . . ., n
196 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 197
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.
198 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 199
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.
200 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
?
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 201
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
202 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 203
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
1
= 6
x
2
= 4
auquel correspond une valeur optimale de lobjectif de z
Emetteur 1 1 1 25
Emetteur 2 1 1 30
Emetteur 3 1 1 15
Emetteur 4 1 1 35
Emetteur 5 1 1 1 90
Tableau 12.2: Accessibilit e des villes ` a partir des emetteurs.
Le nombre de passagers d esirant effectuer chaque jour un parcours sur la
ligne OMpar cette nouvelle compagnie est 500, et de 200 sur la ligne OT. Le
co ut marginal (frais variables tels que le carburant, les taxes datterrissage,
etc. . . ) dun voyage sur la ligne OM est de 4 et de 3 sur la ligne OT. On
d esire minimiser le co ut dexploitation en satisfaisant la demande.
(a) Formuler math ematiquement le probl` eme de la meilleure affectation
de la otte de cette compagnie.
(b) R esoudre par la m ethode de branch and bound en r esolvant chaque fois
la relaxation lin eaire de mani` ere purement graphique.
12.4. M ethode de branch and bound. Soit le probl` eme en nombres entiers
suivant :
z
= max x
1
+ x
2
s.c.q. x
1
+ x
2
1,
3x
1
x
2
3,
x
1
4x
2
14,
4x
1
+ x
2
20,
2x
1
x
2
7,
x
1
, x
2
0 et entiers
R esoudre par la m ethode de branch and bound en r esolvant les relaxations
lin eaires de mani` ere purement graphique.
12.5. Tourn ees de v ehicules. Consid erons le probl` eme dorganisation des tour-
n ees de v ehicules pour la collecte des d echets. La collectivit e locale dispose
de 12 v ehicules de collecte r epartis comme suit : 4 dans la ville 1, 3 dans la
ville 2, 1 dans la ville 3 et 4 dans la ville 4. Les temps de trajets entre ces
Section 12.5. Exercices 207
villes et lincin erateur sont les suivants :
Vers ville 1 ville 2 ville 3 ville 4 incin erateur
De la ville 1 0 10 45
De la ville 2 10 0 5
De la ville 3 5 0 5 20
De la ville 4 5 0
De lincin erateur 45 20 0
(a) Repr esenter sous forme dun graphique le r eseau de transport.
(b) Formuler le probl` eme de minimisation du temps total pour aller ` a lin-
cin erateur comme un probl` eme en nombres entiers sur r eseau.
(c) R esoudre au moyen du solveur dExcel.
12.6. D ecoupe de bobines m` eres. Les papetiers fabriquent des rouleaux de papier
dont la largeur est x ee par les caract eristiques des machines de production.
Leur clients peuvent leur r eclamer des rouleaux de diverses largeurs et de
diverses longueurs. Comme il est fr equent que ni la largeur ni la longueur
des bobines m` eres ne soient des multiples de celles de rouleaux command es,
il y a des pertes connues sous le nomde chutes. La largeur des bobines m` eres
est de 215 cm et leur longueur de 250 m. Les commandes accept ees par le
papetier sont reprises au tableau 12.3. Comme la longueur des rouleaux
Largeur (en cm) longueur (en m) nombre de rouleaux
64 250 360
60 250 180
35 250 180
Tableau 12.3: Commandes accept ees.
command es est identique ` a celle des bobines m` eres, il suft dassurer la
coupe transversale dun certain nombre de bobines m` eres. Pour satisfaire
les commandes accept ees, le papetier peut, par exemple, combiner trois
coupes de largeur 64 cm dans la m eme bobine, mais aussi, par exemple,
deux de largeur 64 et deux de largeur 35. Toutes les possibilit es sont reprises
au tableau 12.4. On veut d eterminer comment satisfaire les commandes
accept ees avec le minimum de bobines m` eres.
(a) Formuler le probl` eme comme un probl` eme en nombres entiers.
(b) R esoudre au moyen du solveur dExcel.
208 Chapitre 12. La programmation en nombres entiers.
Largeur 1 2 3 4 5 6 7 8 9 10
64 3 2 2 1 1 1 0 0 0 0
60 0 1 0 2 1 0 3 2 1 0
35 0 0 2 0 2 4 1 2 4 6
Chute 23 27 17 31 21 11 0 25 15 5
Tableau 12.4: Modes de coupe.
12.7. Optimisationduplandirecteur de productionUne 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 12.5. On suppose quun ouvrier
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 12.5: Optimisation du plan directeur de production.
peut produire 150 unit es par jour ouvrable. Le nombre de jours ouvrables est
egalement repris au tableau 12.5. Il y a un effectif initial de 32 ouvriers et un
stock initial de 0. Le co ut dembauche dun ouvrier est de 20 000 euros. Le
co ut de licenciement est de 50 000 euros. Le co ut de stockage dune unit e
pendant un trimestre est de 10 euros. 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. Ceci an de faire face
aux demandes du d ebut du trimestre suivant. Ce niveau minimum est donn e
au tableau 12.5. 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).
(a) Formuler le probl` eme comme un probl` eme lin eaire.
(b) R esoudre au moyen du solveur dExcel. On fera attention ` a bien
distinguer les variables ind ependantes des variables d ependantes.
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.
209
210 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
)
c
p
c
p
+c
r
P(X > S
1) si X Poisson()
S
) =
c
p
c
r
+c
p
si X N(, )
Politique optimale en stock ` a rotation non nulle :
S
)
c
p
c
r
+
c
p
2
P(X > S
1) si X Poisson()
S
) =
c
p
c
r
+
c
p
2
si X N(, )
211
212 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
) = 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
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
)
214 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]
215
216 Annexe B. Tables pour la gestion de stocks
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
220 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) 221
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
222 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 A
Solutions nales des exercices
A.1 Introduction
1.1 Un probl` eme de choix dinvestissement
a) Choix des variables : les quantit es investies en euros dans A, B et C.
b) Expression de lobjectif : maximisation de la somme esp er ee apr` es un
an.
c) Expression des contraintes :
Respect de la quantit e totale disponible,
Quantit e minimum investie sur B et C ensemble,
Int er et minimum garanti de 5 % sur la somme disponible,
Positivit e.
1.2 Probl` eme de chargement de haut fourneau.
a) Choix des variables :
-nombres de milliers de tonnes de minerais A, B et C
-nombre de milliers de tonnes de mangan` ese ajout e dans le m elange.
b) Expression de lobjectif : maximisation de la marge qui est la diff erence
entre le chiffre daffaire et les co uts dachat et de fonte des minerais
ainsi que le co ut dachat du mangan` ese ajout e.
c) Expression des contraintes :
Bilan sur la quantit e ` a produire (une tonne),
Teneur minimum en magan` ese,
Teneur minimum et maximum en silicium,
Positivit e.
223
224 Annexe A. Solutions nales des exercices
1.3 Probl` eme de planication sur co ut variable.
a) Choix des variables :
-production en r egime normal par mois,
-production en heures suppl ementaires par mois,
-stock ` a la n de chaque mois.
b) Expression de lobjectif : minimisation de la somme des co uts de pro-
duction en heures suppl ementaires et de stockage.
c) Expression des contraintes :
Satisfaction de la demande,
Capacit es de production en heures normales,
Capacit es de production en heures suppl ementaires,
Positivit e.
1.4 Affectation ` a des lignes a eriennes.
a) Choix des variables : nombre davions de type i affect es ` a la ligne j.
b) Expression de lobjectif : minimisation de la somme des co uts dexploi-
tation des lignes en fonction du type dappareil.
c) Expression des contraintes :
Contrainte sur le nombre dappareils disponibles de chacun des
types,
Satisfaction de la demande par ligne,
Caract` ere entier des variables,
Positivit e.
1.5 Production de denr ees p erissables.
a) Choix des variables :
-nombre dunit es fabriqu ees par jour des produits P et Q,
-nombre de kilos transport es par camionnette par jour,
-nombre de kilos transport es par transporteur ind ependant par jour.
b) Expression de lobjectif : maximisation du prot net de co ut de transport.
c) Expression des contraintes :
Bilan sur les quantit es transport ees,
Capacit e de la camionnette,
Limite des ingr edients disponible,
Positivit e.
Section A.2. Ordonnancement en ateliers specialises 225
1.6 Ajout dun produit ` a la gamme.
a) Choix des variables :
-production de produits standard dans latelier A, B et C,
-Production de produits de luxe dans latelier B et C.
b) Expression de lobjectif : maximiser la marge qui est la diff erence entre le
chiffre daffaire, les co uts de main doeuvre et les co uts des mat eriaux.
c) Expression des contraintes :
Capacit e des ateliers,
Limite de vente des produits,
Positivit e.
A.2 Ordonnancement en ateliers sp ecialis es
2.1 B atiments - travaux publics.
a) Ordre de prise en compte des travaux :
26 25 30 27 28 29
b) Gain en nombre de jours par rapport ` a lordre darriv ee : 3 jours.
c) Ordre sil y a un temps interm ediaire de 2 jours : m eme ordre.
2.2 Usinage de pi` eces sur des machines.
a) Pourquoi lalgorithme de Johnson ne sapplique pas ?
Lalgorithme de Johnson ne sapplique pas car les t aches qui doivent
etre effectu ees sur une m eme machine ne sont pas ind ependantes : il
faut dabord r egler la machine avant dusiner les pi` eces.
b) Enum eration de tous les cas possibles :
Cas 1 : a<b sur les deux machines,
Cas 2 : a<b sur M1 et b<a sur M2,
Cas 3 : b<A sur M1 et a<b sur M2,
Cas 4 : b<a sur les deux machines.
c) Diagrammes de Gantt :
Cas 1 : a<b sur les deux machines : t
f
= 13 heures.
Cas 2 : a<b sur M1 et b<a sur M2 : t
f
= 12 heures.
226 Annexe A. Solutions nales des exercices
Cas 3 : b<A sur M1 et a<b sur M2 : t
f
= 17 heures.
Cas 4 : b<a sur les deux machines : t
f
= 11 heures.
2.3 Gestion du temps pour la composition dun travail de groupe.
a) Ordonnancement qui minimise le temps de r ealisation du travail ?
B A D C
b) Ordonnancement qui minimise le temps de r ealisation des 7 t aches ?
Pour l etudiant 1 :
{A, B}, {A}, {B, A}
B A D C G
Pour l etudiant 2 :
{B, A}, {B}, {A, B}
F E B A D C
c) Illustrer ` a laide dun diagramme de Gantt : t
f
= 8,5 jours.
d) Pourront-ils rendre le travail ` a temps ? oui car l etudiant le plus lent
met 8,5 jours < 10 jours.
2.4 Ordonnancement avec trois ateliers.
a) Calcul de lordonnancement :
Place 1 2 3 4 5
T ache 2 4 3 5 1
b) Diagramme de Gantt : t
f
= 27.
A.3 Gestion calendaire de stock
3.1 Achat de pi` eces de rechange.
a) Nombre optimal de pi` eces ` a commander : S
= 3.
Section A.3. Gestion calendaire de stock 227
b) Calcul du nombre moyen de ruptures : I
r
(S)= 0,0233
Calcul du stock moyen poss ed e : I
p
(S) = 2,0233
Calcul du co ut de gestion du stock : C(S) = 2.605,80
3.2 Ventes dhebdomadaires.
a) Gestion calendaire avec stock ` a rotation nulle (cas Normale) : S
=
32, 15
b) Calcul du nombre moyen de ruptures : I
r
(S) = 1,152
Calcul du stock moyen poss ed e : I
p
(S) = 3,152
Calcul du co ut de gestion du stock : C(S) = 10,91 euros
Calcul du b en ece net : B(S) =109,09 euros
3.3 Vente de calculatrices.
a) Gestion calendaire de stock ` a rotation non nulle (cas Poisson) : S
= 16.
b) Calcul du nombre moyen de rupture : I
r
(S) = 0,055
Calcul du stock moyen poss ed e : I
p
(S) = 11,0275
c) Calcul du b en ece net : B(S) = 95,63 euros.
3.4 Vente de r eveils electroniques.
a) Gestion calendaire de stock ` a rotation non nulle (cas Normale) : S =
277.
b) Calcul du nombre moyen de ruptures : I
r
(s) = 0,5834
Calcul du stock moyen poss ed e : I
p
(S) = 177,2917
c) Calcul du b en ece net : B(S) = 1 932,82
3.5 Vente de sapins de No el.
Gestion calendaire de stock ` a rotation non nulle : S
30.296
3.6 Ventes de eurs.
a) Nombre de bottes de eurs ` a acheter : S
= 13.
b) Nombre moyen de ruptures par semaine : I
r
(S) = 2, 7076. Soit 5,41
clients par semaine.
c) Nombre dinvendus : I
p
(S) == 0, 7076. Soit 1,4152 bottes par semaine.
228 Annexe A. Solutions nales des exercices
A.4 Gestion de stock par point de commande
4.1 Gestion de lapprovisionnement du stock de transitors.
a) Calcul du co ut de gestion actuel : C(500, 500) = 4.320 euros.
b) Politique optimale : q
= 300 et s
= 300.
Co ut de la politique optimale : C(300, 300) = 2.400 euros.
c) Le gain est de : 1.920 euros.
4.2 Vente de verre de cristal.
a) Niveau de la commande optimale : q
= 624.
b) Point de commande : s = 300.
c) Co ut de gestion : C(q) = 749,40 euros.
4.3 Vente de verre de cristal en univers al eatoire.
a) Niveau de commande : q
= 624.
b) Point de commande : s
= 418.
c) nombre moyen de refus de vente par commande : I
c
r
(s) = 1,3859.
d) Stock moyen poss ed e : I
p
(s, q) = 430,693
e) Co ut de gestion correspondant : C(s, q) = 926,48
4.4 Ventes de carafes ` a eau.
a) Niveau de commande : q
= 55.
b) Point de commande : s
= 15.
c) Nombre de ruptures ` a chaque commande : I
r
(s) = 0,1045
4.5 Vente par correspondance.
a) Gestion calendaire : S
= 9 et s
= 110.
b) Plan de production et de stockage :
t 1 2 3 4 5 6 7 8
P
t
110 0 110 0 0 110 0 0
S
t
80 35 85 45 10 90 55 5
c) Co ut de lancement de production et de stockage : C = 855. Alors que le
co ut de la politique du lot par lot est de : C = 1 200. Le gain est donc
de : 1 200 855 = 345.
5.3 D etermination des besoins et lancements de production de niveau 2.
a) Lancements du composant E2010 :
P eriode 15 16 17 18 19 20 21 22
BN
t
0 3 30 16 31 21 20
LP
t
20 3 30 16 31 21 20 -
b) Lancements du composant E2040 :
P eriode 15 16 17 18 19 20 21 22
BN
t
0,5 0 5,5 9 11 13 -
LP
t
17 5,5 9 11 13 - - -
230 Annexe A. Solutions nales des exercices
5.4 Ajustement charge-capacit e de niveau 2.
P eriode 16 17 18 19
ajustement +20,5 -4,5 +0,5 -16,5
LP
t
de E2010 23,5 25,5 16,5 14,5
LP
t
de E2040 5,5 9 11 13
5.5 Planication des besoins en composants.
a) D eterminer les besoins nets et lancements en composant E :
P eriode 0 1 2 3 4 5
BN
t
de E 0 0 100 250 250
LP
t
de E 250 250 250 0
SF
t
de E 300 200 50 150 150 150
b) D eterminer les besoins nets et lancements de production de P1 :
P eriode 0 1 2 3 4 5
BN
t
de P1 0 0 0 170 -
LP
t
de P1 0 0 500 - - -
SF
t
de P1 640 370 105 330 -
c) D eterminer les besoins nets et lancements de production de P2 :
P eriode 0 1 2 3 4 5
BN
t
de P2 0 0 475 525 -
LP
t
de P2 300 0 600 600 - -
SF
t
de P2 570 50 125 200 -
A.6 Les techniques de juste ` a temps
6.1 Flux tendus.
a) Calcul du nombre de tickets ` a mettre en circulation : N
e
= 6 conteneurs.
b) V erication de l equilibre charge capacit e : Le temps de fabrication
amont de 6,7 heures par jour. Alors quon en dispose de 8.
c) R eduire lataille des s eries de fabricationde 500 ` a250: il faut absolument
r eduire le temps de lancement sinon on utilise 8 heures par jour rien
quau lancement. Il ne reste plus rien pour la production.
Section A.7. Lordonancement de projets 231
6.2 Calcul du nombre d etiquettes.
a) Flux journalier de production de D : 50 D/jour.
b) Nombre de r eglages pour D :3 r eglages par jour.
c) Capacit e dun container : 10 pi` eces.
d) Nombre de Kanbans : N
e
= 5
6.3 Conditionnement de surgel es.
a) Temps de r eaction du poste pr eparation : T
r
= 60 minutes.
b) V erier l equilibre entre la charge et la capacit e : temps de fabrication
= 6,67 heures < 8 heures : on a donc assez de capacit e.
c) Nombre d etiquettes : N
e
= 5.
A.7 Lordonancement de projets
7.1 Equipement dun ensemble minier.
a) Graphe de la m ethode des potentiels : voir cours. t
f
= 11.
b) Dates de d ebut au plus t ot, les dates de d ebut au plus tard :
T ache 1 2 3 4 5 6 7 8
Date plus t ot 0 0 0 3 3 3 7 5
Date au plus tard 1 0 6 3 4 6 7 8
T aches critiques : 2,4,7.
c) La t ache 7 ne commence pas avant 8 trimestres : t
f
= 12.
d) La t ache 8 ne commence pas apr` es 4 trimestres : probl` eme impossible.
7.2 Construction dun b atiment.
a) Graphe de la m ethode des potentiels : voir cours.
b) Dates au plus t ot, au plus tard et marges :
T ache 1 2 3 4 5 6 7 8 9 10 11 12
d eb +t ot 0 6 16 16 16 22 23 31 31 36 26 35
marge 0 0 2 0 5 5 0 1 0 0 5 5
d eb +tard 0 6 18 16 21 27 23 32 31 36 31 40
Chemin critique : 1, 2, 4, 7, 9 et 10.
c) R esolution de la disjontion : Si on fait 9 avant 11 :t
f
= 47. Si on fait 11
avant 9 : t
f
= 46. Donc 11 avant 9.
232 Annexe A. Solutions nales des exercices
7.3 La m ethode PERT.
a) Graphe de la m ethode PERT : il est n ecessaire dajouter une t ache ctive
entre les t aches 11 et 9.
b) Dates au plus t ot, au plus tard et marges :
T ache 1 2 3 4 5 6 7 8 9 10 11 12 13
Date + t ot 0 1 3 1 1 3 4 8 10 1 5 10 11
Marge 0 3 3 1 0 1 1 0 0 0 0 4 4
Date + tard 0 4 6 2 1 4 5 8 10 1 5 14 15
Chemins critiques : 1, 5, 8, 9 et 1, 10, 11, 9.
c) R eduction de la dur ee : Il faut r eduire les t aches 5 et 11 pour r eduire la
dur ee totale (les deux sont critiques). Mais une r eduction au del` a de 1
unit e est inutile. Le surco ut total est donc de 300 000 euros.
7.4 Minimisation des co uts.
a) Graphe de la m ethode des potentiels : voir cours.
b) Ordonnancement:
T ache 1 2 3 4 5
Date plus t ot 0 0 4 9 17
Date au plus tard 0 3 4 9 17
Chemin critique : 1, 3, 4 et 5.
c) Formulation du probl` eme de minimisation des co uts :
Les variables : t
1
, . . .t
5
, les dates de d ebuts au plus t ot, d
3
, d
5
, les
dur ees des troisi` eme et cinqui` eme t aches.
Lobjectif : C(D) = 350 20d
3
10d
5
Les contraintes :
t
3
t
1
4 t
4
t
3
d
3
t
4
t
2
6
t
5
t
4
8 t
f
t
5
d
5
3 d
3
5
5 d
5
7 t
i
0, i = 1, . . .5
d) Forme de la fonction C
D
en fonction de t
f
:
e) L evolution des co uts direct et indirect :
t
f
20 21 22 23 24
C
D
240 220 200 190 180
C
I
110 115 120 135 150
C
T
350 335 320 325 330
Ce qui donne un temps optimal de n de projet de t
f
= 22.
Section A.8. Conception dun centre de production 233
7.5 Lancement dun nouveau produit.
a) Graphe de la m ethode des potentiels : voir cours.
b) Pourquoi le probl` eme est soluble : le graphe ne contient aucun circuit.
c) Calcul des dates de d ebut au plus t ot, au plus tard et des marges :
T ache A B C D E F G H I J
Date plus t ot 17 5 14 0 3 12 0 0 5 8
Date au plus tard 17 5 14 2 6 12 1 0 5 8
d) Les chemins critiques : C-A, H-B-J-F-A et H-I-F-A.
e) Raccourcir la dur ee dune semaine : r eduire dune semaine la dur ee des
t aches C, B et I.
A.8 Conception dun centre de production
8.1 Equilibrage dune chane.
a) Chane ` a un temps de cycle de 18 minutes au plus :
Score 1 :
Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Poste 6 Poste 7
J,10 C,5 I,9 M,6 E,15 F,7 N,15
G,6 K,4 B,7 H,4
A,2 L,8 D,2
18 17 18 10 15 7 15
Score 2 :
Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Poste 6 Poste 7
A,2 J,10 E,15 B,7 I,9 M,6 N,15
C,5 L,8 G,6 F,7
D,2 H,4
K,4
13 18 15 17 16 6 15
b) Calcul du retard d equilibre : RE = 20,3 %.
8.2 Montage en chane dune lampe de bureau.
a) D etermination du temps de cycle : c = 64 secondes.
234 Annexe A. Solutions nales des exercices
b) Graphe de pr es eances : voir cours.
c) Calcul du score 2 :
A : 129, B: 107, C : 120, D : 93, E : 62, F : 53, G : 12
d) Utilisation de lheuristique de score 2:
Poste 1 Poste 2 Poste 3
A,22 D,40 F,41
C,27 E,9 G,12
B,14
63 49 53
e) Calcul du retard d equilibre : RE = 12,7 %.
8.3 Choix dune capacit e.
a) Calcul des prots esp er es dans chacun deux cas :
Construire 5 000 : E(V AN) = 4 256 854.
Construire 2 000 : E(V AN) = 4 057 654.
Il vaut mieux construire d` es le d ebut une capacit e de 5 000.
b) Pourquoi la d ecision optimale change ? Comme il y a une plus grande
chance de succ` es du produit, il vaut mieux se lancer directement dans
la production dune grande capacit e.
c) Probabilit e de succ` es de basculement de strat egie : = 38, 92%.
8.4 Ouverture dun restaurant.
a) Arbre de d ecision relatif ` a ce probl` eme : voir cours.
b) Calcul des VAN :
Cas 1 2 3 4
VAN (Keuros) 702,71 33,17 351,36 475,44
c) E(V AN) si la 1` ere d ecision est douvrir un restaurant de 500 : 401,42.
E(V AN) si la 1` ere d ecision est douvrir un restaurant de 250 : 419,61.
d) D ecision ? Ouvrir 250 et rajouter 250 apr` es un an si n ecessaire.
8.5 Ouverture de d ep ots.
a) Variables :
millions de tonnes transport ees du d ep ot i vers le client j.
indicatrice de louverture du d ep ot i lann ee prochaine.
Section A.9. La programmation dynamique 235
b) Contraintes :
-satisfaction de la demande;
-capacit e de production;
-non n egativit e;
caract` ere binaire des indicatrices.
c) Objectif : minimiser la somme des co uts de tranport et des co uts dou-
verture des d ep ots :
8.6 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 :
millions de pneus transport ees du d ep ot i vers le pays j.
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 : minimiser la somme des co uts de transport et des frais
xes douverture des d ep ot.
A.9 La programmation dynamique
9.1 Ventes de livres.
a) Formulation en un probl` eme dynamique :
Choix des variables d etat : s
t
= nombre de vendeurs restant.
Choix des variables de d ecisions : x
t
= nombre de vendeurs att-
ribu es ` a la r egion t.
Objectif : maxz =
3
t=1
B
t
(x
t
).
Contraintes :
Relation de r ecurrence entre les variables : s
t+1
= s
t
x
t
.
Positivit e du stock : s
t
0.
Au moins un vendeur : x
t
1.
236 Annexe A. Solutions nales des exercices
b) R esolution par la programmation dynamique :
R egion t 1 2 3
s
t
6 5 3
x
t
1 2 3
9.2 Plan de production hebdomadaire optimal.
a) Formulation en un probl` eme dynamique :
Choix des variables d etat : s
t
= stock de moteurs M200 au d ebut
de la p eriode t.
Choix des variables de d ecision : x
t
= fabrications de moteur
M200 ` a la p eriode t.
Expression de lobjectif : minz =
15
t=12
CSs
t
+CP(x
t
) avec
CP(x
t
) =
_
_
0 si x
t
= 0
500 + 300x
t
si x
t
= 1, 2, 3
500 + 900 + 400(x
t
3) si x
t
4
Contraintes :
Relation de r ecurrence entre les variables : s
t+1
= s
t
+x
t
d
t+1
.
Limite du stock : s
t
2.
positivit e : x
t
, s
t
0.
b) R esolution par la programmation dynamique : voir cours.
c) Plan optimal de livraison et de stockage :
t 12 13 14 15
x
t
4 7 0 3
s
t
0 0 2 0
9.3 Fabrication en heures suppl ementaires et au moyen dint erimaires.
P eriode t 1 2 3 4 5
x
t
17 14 11 21 18
s
t
0 5 2 0 0
Section A.10. La programmation lineaire 237
A.10 La programmation lin eaire
10.1 La minimisation des co uts.
a) Formulation du probl` eme lin eaire :
Variables : quantit es fabriqu ees par jour par usine .
Objectif : minimisation des co uts de production.
Contraintes :
Capacit e journali` ere des usines,
Limite de main doeuvre,
Satisfaction de la demande,
Positivit e.
b) R esolution graphique : solution optimale :
x
1
= 4 x
2
= 4 z
= 20
10.2 Recyclage du papier.
a) Formulation du probl` eme lin eaire :
Variables : quantit es de d echets achet ees par an par ville.
Objectif : minimisation des co uts dachat.
Contraintes :
Limite dachat dans les deux villes;
Au moins 1 500 tonnes de listings;
Pas plus de 6 000 tonnes de journaux;
Positivit e.
b) R esolution graphique : solution optimale :
x
1
= 0 x
2
= 10 000 z
= 350 000
10.3 Planication de production sur co ut variable.
a) Marges sur co ut variable : m
1
=30 et m
2
=24.
b) Formulation du probl` eme lin eaire :
Variables : les productions mensuelles des deux produits
Objectif : maximiser la marge totale.
Contraintes : Respect de la capacit e des ateliers et positivit e des
variables.
238 Annexe A. Solutions nales des exercices
c) R esolution graphique : solution optimale :
x
1
= 400 x
2
= 600 z
= 26.400
10.4 Fabrication et transport de produits frais.
a) Formulation du probl` eme :
Variables : nombre dunit es fabriqu ees par jour par produit.
Objectif : maximiser la marge nette de co ut de transport.
Contraintes :
Capacit e de transport,
Limitation dingr edient M,
Limite dingr edient N,
Non n egativit e .
b) R esolution graphique : solution optimale :
x
1
= 0 x
2
= 700 z
= 29.400
10.5 Organisation de la distribution deau.
a) Formulation du probl` eme en nombres entiers :
Variables : quantit e deau allant la source i ` a la ville j.
Objectif : minimisation des co uts de distribution.
Contraintes :
Respect du besoin minimum de chaque ville;
Demande maximum de chaque ville;
Utiliser toute loffre disponible de chaque source;
Positivit e.
b) Solution dEXCEL :
z
= 2.460
x
12
= 50 x
22
= 20 x
24
= 40 x
31
= 50
A.11 Analyse postoptimale
11.1 Sensibilit e du membre de droite.
a) Valeurs des prix cach es :
y
1
= 12 y
2
= 24.
Section A.11. Analyse postoptimale 239
b) De quel atelier augmenter la capacit e ? Du second atelier car laug-
mentation de prot pour une heure en plus est plus grande.
c) Jusqu` a quel point ? Augmentation utile jusque b
2
= 600.
11.2 Sensibilit e aux coefcients objectif.
a) Solution graphique :
x
1
= 3/5 x
2
= 9/5 z
= 9/5.
b) Intervalle autour de c
1
= 0 qui pr eserve x
:
3 c
1
0, 75
11.3 Interpr etation de la solution.
a) Formulation du probl` eme de la maximisation du revenu net :
choix des variables :
-productions hebdomadaires de A et B;
-quantit e hebdomadaire de mati` eres premi` eres;
-heures suppl ementaires par semaine;
-publicit e pour A, pour B.
expression de lobjectif : maximiser le chiffre daffaire moins le
co ut de mati` ere premi` ere moins le co ut des heures suppl ementaires
moins le budget publicitaire.
expression des contraintes:
Calcul de la quantit e de mati` ere premi` ere;
Limite de mati` ere premi` ere;
Calcul du nombre dheures suppl ementaires;
Limite du nombre dheures suppl ementaires;
Limite dusinage;
Demande maximum de A, de B;
Limite du budget publicitaire.
b) Augmentation des heures suppl ementaires de 15 $ ` a 25 $ par heure.
Actuellement, on utilise 30 heures suppl ementaires. Si le coefcient
objectif des heures suppl ementaires passe de -15 ` a -25, la solution ne
change pas car on peut descendre juqu` a -67,33. A 25 $, on recourre
aux heures suppl ementaires.
c) Revenu net de 10 $ suppl ementaires en publicit e ?
Dans la contrainte de maximum de publicit e, le prix cach e est de 35,5
et son domaine de validit e indique que lon peut augmenter de 10 le
membre de droite. Donc le b en ece net serait de 10 35,5 = 355 $.
240 Annexe A. Solutions nales des exercices
A.12 La programmation en nombres entiers
12.1 M elange de maximum 4 charbons.
a) Variables :
teneur du m elange en charbon i;
binaire indicatrice de la pr esence du charbon i.
b) Objectif : minimiser le co ut dachat des charbons.
c) Contraintes :
produire une tonne;
respecter la teneur minimum dans le m elange;
respecter le nombre maximum de charbons;
respecter la teneur maximum en Si;
positivit e et caract` ere entier.
12.2 Localisation d emetteurs de t el evision.
a) Variables : binaire indicatrice de la construction de lemetteur i.
b) Objectif : minimiser la somme des co uts xes de construction.
c) Contraintes : Atteindre chaque ville
12.3 Probl` eme daffectation de lignes a eriennes :
a) Formulation du probl` eme :
Choix des variables :
-nombre davions affect es sur la ligne OM;
-nombre davions affect es sur la ligne OT.
Expression des contraintes :
satisfaire la demande;
respecter le nombre davions;
caract` ere entier des variables.
Objectif : minimiser les co uts dexploitation des lignes.
b) Solution optimale: (x
1
, x
2
) = (4, 2) , z
= 22.
12.4 M ethode de branch and bound. Solution optimale :
z
= 8 x
1
= 4 x
2
= 4
12.5 Tourn ees de v ehicules.
Section A.12. La programmation en nombres entiers 241
a) Formulation du probl` eme en nombres entiers :
Choix des variables : nombre de camions allant de la ville i ` a la
ville j.
Expression des contraintes : Conservation du nombre de camions
en chaque noeud du r eseau.
Expression de lobjectif : minimiser le temps total pass e sur le
r eseau.
b) Mettre sous la forme dun mod` ele de calcul en EXCEL : voir cours.
c) Solution dEXCEL :
z
= 335
x
12
= 4 x
23
= 7 x
43
= 4 x
3I
= 12
12.6 D ecoupe de bobines-m` eres.
a) Formulation du probl` eme en nombres entiers :
Choix des variables : nombre de bobines-m` eres d ecoup ees suivant
le mode i.
Expression des contraintes :
Satisfaction de la demande.
Caract` ere entier des variables.
Expression de lobjectif : minimiser la somme des bobines-m` eres
d ecoup ees.
b) Solution dEXCEL : 200 bobines-m` eres sont n ecessaires. Les solutions
optimales sont multiples.
12.7 Optimisation du plan directeur de production.
a) Formulation :
Variables :
lembauche au d ebut de p eriode t;
le licenciement au d ebut de t;
les effectifs au d ebut de la p eriode t;
le stock en n de p eriode t.
Objectif : minimiser la somme des co uts dembauche, de licen-
ciement et de stockage.
Les contraintes :
Bilan des effectifs;
242 Annexe A. Solutions nales des exercices
Bilan des stocks;
Contrainte de stock minimum;
Non n egativit e.
b) Solution dExcel :
z