UNIVERSITE DE LIEGE

Licence en sciences de gestion
et ing´ enieurs de gestion
Gestion de la Production
Daniel DE WOLF
Li` ege, Septembre 2005
Table des mati` eres
1 Introduction 9
1.1 Objectifs du cours . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 D´ efinition de la gestion de production . . . . . . . . . . . . . . . 10
1.3 Classification des syst` emes productifs . . . . . . . . . . . . . . . 12
1.3.1 Organisation de type s´ erie unitaire . . . . . . . . . . . . . 12
1.3.2 Organisation en ateliers sp´ ecialis´ es . . . . . . . . . . . . 13
1.3.3 Organisation en lignes de production . . . . . . . . . . . 13
1.3.4 Les industries de process . . . . . . . . . . . . . . . . . 14
1.4 Formulation en mod` eles math´ ematiques . . . . . . . . . . . . . . 14
1.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
I Les d´ ecisions op´ erationnelles 21
2 Ordonnancement en ateliers sp´ ecialis´ es 23
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Ordonnancement sur une machine . . . . . . . . . . . . . . . . . 24
2.2.1 Le diagramme de Gantt . . . . . . . . . . . . . . . . . . 24
2.2.2 La r` egle T.O.M. . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Ordonnancement avec deux centres de production . . . . . . . . . 26
2.3.1 Cas o` u toutes les tˆ aches sont ` a ex´ ecuter sur A puis B . . . 26
2.3.2 Cas de tˆ aches ne s’effectuant pas dans le mˆ eme ordre . . . 28
2.4 Ordonnancement sur trois machines . . . . . . . . . . . . . . . . 29
2.5 Ordonnancement de n tˆ aches sur m centres de production . . . . . 31
3
4 Table des mati`eres
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3 La gestion calendaire de stock 35
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Les politiques de gestion de stock . . . . . . . . . . . . . . . . . 36
3.3 Les coˆ uts associ´ es aux stocks . . . . . . . . . . . . . . . . . . . 37
3.3.1 Les coˆ uts de possession . . . . . . . . . . . . . . . . . . 37
3.3.2 Les coˆ uts de rupture . . . . . . . . . . . . . . . . . . . . 39
3.3.3 Les coˆ uts de commande . . . . . . . . . . . . . . . . . . 39
3.4 Gestion calendaire de stock ` a rotation nulle . . . . . . . . . . . . 40
3.5 Cas d’une loi de demande continue . . . . . . . . . . . . . . . . 46
3.6 Les cons´ equences ´ economiques de la solution optimale . . . . . . 48
3.7 Cas de stocks ` a rotation non nulle . . . . . . . . . . . . . . . . . 51
3.7.1 D´ etermination de la solution optimale . . . . . . . . . . . 54
3.7.2 Cas d’une loi de demande discr` ete . . . . . . . . . . . . . 56
3.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4 La gestion par point de commande 59
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 D´ etermination du point de commande en univers certain . . . . . 60
4.3 D´ etermination de la quantit´ e ´ economique de commande . . . . . . 61
4.4 Cas d’une demande al´ eatoire . . . . . . . . . . . . . . . . . . . . 64
4.4.1 D´ etermination de q et s . . . . . . . . . . . . . . . . . . 65
4.4.2 Cons´ equences ´ economiques du choix . . . . . . . . . . . 67
4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
II Les d´ ecisions tactiques 71
5 La planification de la production 73
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.2 La planification des besoins en composants . . . . . . . . . . . . 74
Table des mati`eres 5
5.3 D´ etermination des besoins nets d’un composant . . . . . . . . . . 78
5.3.1 D´ etermination de la couverture des besoins nets . . . . . . 80
5.3.2 Utilisation en cascade de la logique de calcul . . . . . . . 80
5.4 Ajustement charge-capacit´ e . . . . . . . . . . . . . . . . . . . . 84
5.5 Autres r` egles de calcul des lancements de production . . . . . . . 87
5.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6 Les techniques de juste ` a temps 91
6.1 Origine et principe du JAT . . . . . . . . . . . . . . . . . . . . . 91
6.2 Les deux approches du JAT . . . . . . . . . . . . . . . . . . . . 93
6.2.1 Augmenter la r´ eactivit´ e du syst` eme logistique . . . . . . . 93
6.2.2 La rationalisation de la production . . . . . . . . . . . . . 93
6.3 Les facteurs cl´ es du JAT . . . . . . . . . . . . . . . . . . . . . . 94
6.3.1 Recherche d’un plus grande r´ eactivit´ e . . . . . . . . . . . 94
6.3.2 Maˆıtrise des al´ eas . . . . . . . . . . . . . . . . . . . . . 94
6.4 La m´ ethode Kanban . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4.1 Syst` eme Kanban ` a une boucle . . . . . . . . . . . . . . . 95
6.4.2 D´ etermination du nombre d’´ etiquettes . . . . . . . . . . . 96
6.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
III Les d´ ecisions strat´ egiques 101
7 L’ordonnancement de projets 103
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.2 Formulation du probl` eme . . . . . . . . . . . . . . . . . . . . . 105
7.3 Repr´ esentation graphique du probl` eme . . . . . . . . . . . . . . 105
7.4 Existence d’une solution . . . . . . . . . . . . . . . . . . . . . . 108
7.5 Calcul de l’ordonnancement au plus t ˆ ot . . . . . . . . . . . . . . 109
7.6 Ordonnancement au plus tard . . . . . . . . . . . . . . . . . . . 109
7.7 Chemin critique et calcul des marges . . . . . . . . . . . . . . . 111
7.8 L’ordonnancement par la m´ ethode PERT . . . . . . . . . . . . . 112
6 Table des mati`eres
7.9 La minimisation des coˆ uts . . . . . . . . . . . . . . . . . . . . . 115
7.10 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
8 Conception d’un centre de production 123
8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
8.2 Configuration d’un centre de production . . . . . . . . . . . . . . 124
8.2.1 Configuration en ateliers sp´ ecialis´ es . . . . . . . . . . . . 124
8.2.2 Configuration en ligne de production . . . . . . . . . . . 128
8.2.3 Configuration ` a poste fixe . . . . . . . . . . . . . . . . . 133
8.3 D´ ecisions de capacit´ e . . . . . . . . . . . . . . . . . . . . . . . 134
8.4 D´ ecisions de localisation . . . . . . . . . . . . . . . . . . . . . . 138
8.5 Utilisation de la programmation math´ ematique . . . . . . . . . . 141
8.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
IV Les techniques d’optimisation 149
9 La programmation dynamique. 151
9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
9.2 Le probl` eme du voyageur . . . . . . . . . . . . . . . . . . . . . 152
9.2.1 Formulation en un probl` eme dynamique . . . . . . . . . . 153
9.3 Proc´ edure de r´ esolution . . . . . . . . . . . . . . . . . . . . . . 154
9.4 Un probl` eme d’affectation de ressources rares . . . . . . . . . . . 156
9.4.1 Formulation comme un probl` eme dynamique . . . . . . . 156
9.4.2 R´ esolution par la programmation dynamique . . . . . . . 158
9.5 Application ` a la planification de la production. . . . . . . . . . . 159
9.5.1 Formulation en un probl` eme dynamique . . . . . . . . . . 159
9.5.2 R´ esolution par la programmation dynamique . . . . . . . 161
9.5.3 Algorithme en cas de coˆ ut convexe . . . . . . . . . . . . 163
9.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
10 La programmation lin´ eaire. 167
Table des mati`eres 7
10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
10.2 Un simple exemple . . . . . . . . . . . . . . . . . . . . . . . . . 167
10.3 R´ esolution graphique . . . . . . . . . . . . . . . . . . . . . . . 169
10.4 Le solveur d’Excel . . . . . . . . . . . . . . . . . . . . . . . . . 172
10.5 Les rapports du solveur . . . . . . . . . . . . . . . . . . . . . . 175
10.5.1 Le rapport des r´ eponses . . . . . . . . . . . . . . . . . . 176
10.5.2 Le rapport de sensibilit´ e . . . . . . . . . . . . . . . . . . 177
10.5.3 Le rapport des limites . . . . . . . . . . . . . . . . . . . 178
10.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
11 Analyse postoptimale. 183
11.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
11.2 Variation par rapport au second membre . . . . . . . . . . . . . . 184
11.2.1 Calcul des prix cach´ es . . . . . . . . . . . . . . . . . . . 184
11.2.2 Analyse de sensibilit´ e au membre de droite . . . . . . . . 186
11.3 Variation des coefficients objectifs . . . . . . . . . . . . . . . . . 187
11.3.1 Analyse de sensibilit´ e aux coefficients objectif . . . . . . 188
11.4 Coˆ ut r´ eduit des variables hors base . . . . . . . . . . . . . . . . . 190
11.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
12 La programmation en nombres entiers. 193
12.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
12.2 Formulation des probl` emes mixtes . . . . . . . . . . . . . . . . . 194
12.2.1 Probl` emes avec coˆ uts fixes . . . . . . . . . . . . . . . . . 194
12.2.2 Probl` emes avec contrainte logique . . . . . . . . . . . . . 197
12.2.3 M´ elange avec nombre limit´ e d’ingr´ edients . . . . . . . . 198
12.2.4 Choix parmi un nombre discret de valeurs . . . . . . . . . 199
12.3 Principe de la m´ ethode de branch and bound . . . . . . . . . . . . 199
12.4 Application ` a l’exemple . . . . . . . . . . . . . . . . . . . . . . 201
12.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
A Formulaire pour la gestion de production 211
8 Table des mati`eres
A.1 La gestion calendaire de stock . . . . . . . . . . . . . . . . . . . 211
A.2 La gestion par point de commande . . . . . . . . . . . . . . . . . 212
A.3 Les techniques de juste ` a temps . . . . . . . . . . . . . . . . . . 214
A.4
´
Equilibrage d’une chaˆıne de production . . . . . . . . . . . . . . 214
A.5 Calcul d’annuit´ es . . . . . . . . . . . . . . . . . . . . . . . . . 214
B Tables pour la gestion de stocks 215
B.1 Table de la loi Poisson(λ) . . . . . . . . . . . . . . . . . . . . . 215
B.2 Table de la loi normale Z ∼ N(0, 1) . . . . . . . . . . . . . . . . 220
B.3 Table pour le calcul de I
r
(S) . . . . . . . . . . . . . . . . . . . . 221
A Solutions finales des exercices 223
A.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
A.2 Ordonnancement en ateliers sp´ ecialis´ es . . . . . . . . . . . . . . 225
A.3 Gestion calendaire de stock . . . . . . . . . . . . . . . . . . . . 226
A.4 Gestion de stock par point de commande . . . . . . . . . . . . . 228
A.5 La planification de la production . . . . . . . . . . . . . . . . . . 229
A.6 Les techniques de juste ` a temps . . . . . . . . . . . . . . . . . . 230
A.7 L’ordonancement de projets . . . . . . . . . . . . . . . . . . . . 231
A.8 Conception d’un centre de production . . . . . . . . . . . . . . . 233
A.9 La programmation dynamique . . . . . . . . . . . . . . . . . . . 235
A.10 La programmation lin´ eaire . . . . . . . . . . . . . . . . . . . . . 237
A.11 Analyse postoptimale . . . . . . . . . . . . . . . . . . . . . . . 238
A.12 La programmation en nombres entiers . . . . . . . . . . . . . . . 240
Chapitre 1
Introduction
1.1 Objectifs du cours
L’objectif ducours est de donner une formation de base ` a l’approche quantitative
des probl` emes de gestion de l’entreprise tels que :
• la planification de la production;
• l’ordonnancement de projets;
• la gestion des stocks;
• la gestion de la capacit´ e,. . .
Pour cela, on essayer de d´ evelopper une double comp´ etence :
• La capacit´ e de formuler ces probl` emes en des mod` eles math´ ematiques :
c’est-` a-dire, partant de probl` emes ´ enonc´ es de mani` ere litt´ eraire, de les tra-
duire sous formes d’´ equations math´ ematiques (cfr section 1.4 ` a la fin de ce
chapitre).
• La connaissance d’outils de r´ esolution de ces probl` emes : en effet, une
fois le probl` eme formul´ e, souvent on tombe sur un probl` eme classique (tel
celui de la gestion de stock), pour lequel il existe des m´ ethodes de r´ esolution
adapt´ ees (voir chapitres 3 et 4).
Comme r´ ef´ erences, nous utiliserons les livres de Giard [4] et Baglin et al [1]
pour tous les mod` eles classiques de gestion de la production. Pour ce qui est de
la formulation en mod` eles math´ ematiques, une tr` es bonne r´ ef´ erence est le livre de
Williams [17].
9
10 Chapitre 1. Introduction
1.2 D´ efinition de la gestion de production
Comme l’indique Vincent Giard [4] dans son ouvrage, pour pouvoir donner une
d´ efinition de la gestion de production, il faut d’abord d´ efinir ce que l’on entend
par la production. La production consiste en une transformation de ressources
(humaines ou mat´ erielles) en vue de la cr´ eation de biens ou services :
• La production d’un bien s’effectue par une succession d’op´ erations consom-
mant des ressources et transformant les caract´ eristiques de la mati` ere. Un
exemple classique est la production de voitures.
• La production d’un service s’effectue par une succession d’op´ erations con-
sommant des ressources sans qu’il n’y ait n´ ecessairement transformation
de mati` ere. Des exemples classiques sont la mise ` a disposition de produits
aux consommateurs (la vente), le traitement de dossier (par un notaire), la
maintenance d’´ equipements.
On peut alors d´ efinir la gestion de production comme suit.
D´ efinition 1.1 La gestion de la production consiste en la recherche d’une orga-
nisation efficace de la production des biens et services.
La gestion de production consiste donc ` a l’obtention d’un produit donn´ e dont les
caract´ eristiques sont connues en mettant en œuvre un minimum de ressources.
En gestion de production, on consid´ erera, g´ en´ eralement, comme donn´ ees les ca-
ract´ eristiques du produit que sont :
• la d´ efinition du produit;
• le processus de fabrication;
• la demande ` a satisfaire.
Ces trois caract´ eristiques du produit rel` event des sciences de l’ing´ enieur et de la
gestion commerciale. Nous verrons cependant au chapitre 7 la gestion de projets
qui est souvent utilis´ ee pour optimiser le processus de conception d’un nouveau
produit. Nous verrons aussi au chapitre 8 comment optimiser le processus de
fabrication.
Les outils de la gestion de la production sont un ensemble de techniques
d’analyse et de r´ esolution des probl` emes de mani` ere ` a produire au moindre coˆ ut.
Nous verrons dans ce cours un certain nombre de probl` emes types rencontr´ es en
gestion de production. Pour situer ces diff´ erents probl` emes entre eux, on classifie
souvent les d´ ecisions de gestion en trois classes :
Section 1.2. D´efinition de la gestion de production 11
1. Les d´ ecisions strat´ egiques : il s’agit de la formulation de la politique ` a
long terme pour l’entreprise (c’est-` a-dire ` a un horizon de plus de deux ans).
Entrent dans ces d´ ecisions :
• la d´ efinition du portefeuille d’activit´ es;
• la d´ efinitiondes ressources stables : aussi bienhumaines (engagements,
licenciements, pr´ eretraites, . . . ) que mat´ erielles (d´ ecisions d’investis-
sement, de cession, de fermeture, . . . ).
2. Les d´ ecisions tactiques : il s’agit des d´ ecisions ` a moyen terme parmi les-
quelles on trouve la planification de la production ` a 18 mois. Il s’agit de
produire au moindre coˆ ut pour satisfaire la demande pr´ evisible en s’inscri-
vant dans le cadre fix´ e le plan strat´ egique de l’entreprise (donc ` a ressources
mat´ erielles et humaines connues).
3. les d´ ecisions op´ erationnelles : il s’agit des d´ ecisions de gestion quotidienne
pour faire face ` a la demande au jour le jour, dans le respect des d´ ecisions
tactiques. Parmi ces d´ ecisions, on trouve :
• la gestion de stocks;
• la gestion de la main d’œuvre;
• la gestion des ´ equipements.
Ces trois classes de d´ ecisions de gestion de production se diff´ erencient par au
moins trois ´ el´ ements :
1. par l’horizon de temps consid´ er´ e :
• les d´ ecisions op´ erationnelles se prennent au jour le jour;
• les d´ ecisions tactiques concernent la planification ` a 18 mois;
• les d´ ecisions strat´ egiques concernent la planification ` a long terme.
2. par le niveau d’agr´ egation :
• les d´ ecisions op´ erationnelles se prennent au niveau d’un atelier;
• les d´ ecisions tactiques se prennent au niveau d’une usine;
• les d´ ecisions strat´ egiques se prennent au niveau de l’ensemble de l’en-
treprise.
3. par le niveau de responsabilit´ e :
• les d´ ecisions op´ erationnelles sont prises par les agents de maˆıtrise;
• les d´ ecisions tactiques sont prises par les cadres;
• les d´ ecisions strat´ egiques sont prises par la direction g´ en´ erale.
12 Chapitre 1. Introduction
1.3 Classification des syst` emes productifs
On peut classer les modes d’organisation de la production en quatre grandes
classes :
• l’organisation en s´ erie unitaire;
• l’organisation en ateliers sp´ ecialis´ es;
• l’organisation en ligne de production;
• l’organisation en industries de process.
Nous examinerons, dans chaque cas, le type de ressources ` a mettre en œuvre
et le probl` eme principal de leur utilisation.
1.3.1 Organisation de type s´ erie unitaire
D´ efinition 1.2 La production de type “s´ erie unitaire” est une production mobili-
sant sur une p´ eriode assez longue l’essentiel des ressources d’une entreprise pour
r´ ealiser un nombre tr` es limit´ e de projets.
Comme exemples, on peut citer la construction de navires de grande taille (qui
se font, le plus souvent, en quelques exemplaires), les grands travaux publics (tel
que le creusement du tunnel sous la manche ou la construction d’un pont suspendu).
En ce qui concerne les ressources mobilis´ ees, on fait le plus souvent appel ` a
un personnel hautement qualifi´ e vu le caract` ere non r´ ep´ etitif des tˆ aches.
En ce qui concerne le probl` eme d’ordonnancement, le probl` eme majeur est
l’arbitrage entre la recherche d’un coˆ ut comp´ etitif et le respect des d´ elais. En effet,
d’une part, les commandes seront rapidement honor´ ees si beaucoup de ressources
sont mises en œuvre. Mais, d’autre part, le coˆ ut des ressources est g´ en´ eralement
croissant avec leur niveau d’utilisation : la location de machines suppl´ ementaires
et l’engagement d’int´ erimaires coˆ utent g´ en´ eralement plus cher que l’utilisation des
ressources propres de l’entreprise (cfr le chapitre 7 consacr´ e ` a l’ordonnancement
de projets).
Dans les deux cas, l’ordonnancement des tˆ aches, c’est-` a-dire la d´ etermination
de l’ordre d’ex´ ecution des tˆ aches) est essentiel. En effet, non seulement l’ordre
d’ex´ ecution des tˆ aches d´ etermine la date de livraison, mais, comme nous le verrons
au chapitre 7, il influence les coˆ uts dans la mesure o` u une mauvaise coordination
s’accompagne souvent de chˆ omage technique pour certaines ressources et du paie-
ment de p´ enalit´ es pour non respect des d´ elais.
Section 1.3. Classification des syst`emes productifs 13
1.3.2 Organisation en ateliers sp´ ecialis´ es
D´ efinition 1.3 On parle d’organisation en ateliers sp´ ecialis´ es lorsque tous les
´ equipements assurant une fonction sp´ ecialis´ ee sont r´ eunis en un mˆ eme lieu.
Comme exemple, on peut citer un atelier d’emboutissage des t ˆ oles de voitures ou
un atelier de peinture dans une usine d’assemblage automobile.
En ce qui concerne les ressources mobilis´ ees, la main d’œuvre est plut ˆ ot
qualifi´ ee et les ´ equipements sont polyvalents.
En ce qui concerne le probl` eme de l’organisation efficace des ressources,
deux probl` emes principaux sont ` a consid´ erer :
• Lors de la conception de l’atelier, le probl` eme principal est la gestion des
coˆ uts de manutention entre les diff´ erents postes de travail. Afin de diminuer
ces coˆ uts on d´ etermine la meilleure localisation des machines les unes par
rapport aux autres dans l’atelier. Ceci fait appel aux m´ ethodes d’agencement
dans l’espace (cfr chapitre 8 consacr´ e ` a la configuration d’un centre de
production).
• Lors de la gestion quotidienne de l’atelier, le probl` eme principal est de
d´ eterminer l’ordre d’ex´ ecution des diverses tˆ aches sur une ou plusieurs ma-
chines (cfr chapitre 2 consacr´ e ` a l’ordonnancement en ateliers sp´ ecialis´ es).
1.3.3 Organisation en lignes de production
D´ efinition 1.4 On parle d’organisation en lignes de production lorsque qu’un
flux r´ egulier de produits passe d’un poste ` a l’autre, l’ordre de passage ´ etant fix´ e.
Comme exemple, on peut citer les lignes d’assemblage d’automobiles.
En ce qui concerne les ressources mises en œuvre, les ´ equipements sont
g´ en´ eralement tr` es sp´ ecialis´ es. En ce qui concerne l’organisation efficace des
ressources, le probl` eme majeur consiste en l’´ equilibrage de la chaˆıne : c’est-` a-
dire ` a d´ efinir les tˆ aches ` a r´ ealiser ` a chaque poste de mani` ere ` a avoir le mˆ eme temps
de r´ ealisation ` a chaque poste (cfr chapitre 8). En effet, un mauvais ´ equilibrage de
la chaˆıne entraˆınera une sous-utilisation des ressources puisque la chaˆıne tourne ` a
la vitesse de l’´ el´ ement le plus lent.
Deux autres probl` emes sont tr` es importants dans ce mode d’organisation de la
production. Il s’agit de : la fiabilit´ e de la chaˆıne (un maillon d´ efectueux et toute
la chaˆıne s’arrˆ ete) et de la fiabilit´ e du syst` eme d’informations.
14 Chapitre 1. Introduction
1.3.4 Les industries de process
D´ efinition 1.5 On parle d’industries de process lorsque le mode d’organisation
est caract´ eris´ e par un flux r´ egulier et important de mati` eres premi` eres destin´ ees ` a
ˆ etre transform´ ees en mati` eres plus ´ elabor´ ees.
Comme exemples, on peut citer la sid´ erurgie, la p´ etrochimie, le secteur de la chimie
lourde, le secteur agro-alimentaire, etc. . .
En ce qui concerne l’organisation efficace des ressources, vues l’importance
et la r´ egularit´ e de la demande, le probl` eme d’organisation au coˆ ut minimum est
g´ en´ eralement assez simple. Il peut ˆ etre r´ esolu par la programmation lin´ eaire.
1.4 Formulation en mod` eles math´ ematiques
Terminons ce chapitre en introduisant la notion de mod` ele math´ ematique. Par
mod` ele math´ ematique, on entend la repr´ esentation par des ´ equations math´ ema-
tiques d’un probl` eme de la vie r´ eelle. Nous allons illustrer la construction d’un
mod` ele math´ ematique sur un exemple tr` es simplifi´ e de planification de la produc-
tion tir´ e de Williams [17]. Une usine peut produire cinq produits (not´ es PROD1 ` a
PROD5). La marge b´ en´ eficiaire unitaire, c’est-` a-dire la diff´ erence entre le prix de
vente et le coˆ ut de production d’un produit, est donn´ ee pour chacun des produits
au tableau 1.1. Chaque produit n´ ecessite le passage par trois ´ etapes de fabrication.
Produit PROD1 PROD2 PROD3 PROD4 PROD5
Marge 550 600 350 400 200
Tableau 1.1: Marge par produit.
Les temps requis ` a chaque ´ etape sont donn´ es en heures pour chaque produit au
tableau 1.2.
Produit PROD1 PROD2 PROD3 PROD4 PROD5
´
Etape 1 12 20 0 25 15
´
Etape 2 10 8 16 0 0
´
Etape 3 20 20 20 20 20
Tableau 1.2: Temps de fabrication (en heures par produit).
Enfin, 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 math´ematiques 15
´
Etape Ressources heures par jour jours par semaine
´
Etape 1 3 machines 16 6
´
Etape 2 2 machines 16 6
´
Etape 3 8 personnes 8 6
Tableau 1.3: Ressources en facteurs
troisi` eme ne n´ ecessite que l’intervention de main d’œuvre. En ce qui concerne les
deux premi` eres ´ etapes, l’usine 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 l’usine est la suivante. Quelles sont
les quantit´ es ` a fabriquer de chaque produit pour maximiser le profit net ?
La construction d’un mod` ele est, en g´ en´ eral, une op´ eration en trois ´ etapes :
1. le choix des variables de d´ ecisions,
2. l’expression de l’objectif en fonction de ces variables,
3. l’expression des contraintes en fonction de ces variables.
La premi` ere ´ etape consiste donc ` a d´ efinir les variables de d´ ecision.
D´ efinition 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 fin de l’alphabet (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 s’impose. Il est fondamental de bien
pr´ eciser les unit´ es selon lesquelles sont exprim´ ees les variables. En effet, l’ordre
de grandeur des coefficients de l’objectif et des contraintes d´ epend de ces unit´ es.
La deuxi` eme ´ etape consiste en la formulation de l’objectif.
D´ efinition 1.7 L’objectif est la quantit´ e que l’on veut minimiser ou maximiser.
Ici, il s’agit de la somme des contributions de chacune des productions au profit
net de l’usine. Elle s’exprime 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´ efinition 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 d’utilisation 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 d’heures 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 finalement la contrainte :
12x
1
+ 20x
2
+ 0x
3
+ 25x
4
+ 15x
5
≤ 288.
• La deuxi` eme contrainte concerne la limite d’utilisation des machines ` a la
deuxi` eme ´ etape. Le nombre maximum d’heures d’utilisation vaut :
2 ×(2 ×8) ×6 = 192 heures,
et la contrainte s’exprime comme :
10x
1
+ 8x
2
+ 16x
3
+ 0x
4
+ 0x
5
≤ 192.
• La troisi` eme contrainte concerne la limite d’utilisation du personnel ` a la
troisi` eme ´ etape. Le nombre maximum d’heures prest´ ees en une semaine par
les 8 personnes est de :
8 ×(1 ×8) ×6 = 384 heures.
Et donc la contrainte s’exprime comme :
20x
1
+ 20x
2
+ 20x
3
+ 20x
4
+ 20x
5
≤ 384.
• Enfin, il ne faut pas oublier les contraintes, presque toujours pr´ esentes, disant
que l’on ne peut pas produire des quantit´ es n´ egatives :
x
1
, x
2
, . . .x
5
≥ 0.
1
Remarquez ici l’importance d’avoir 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 d’investissements. 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´ erˆ et mi-
Type valeur valeur
d’investissement 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 d’investir 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 l’investisseur utilise toute la somme disponible.
1.2. Un probl` eme de chargement d’un haut fourneau. Une fonderie re¸ coit
une commande de 1000 tonnes d’acier. 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 qu’une 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 coˆ 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 l’acier produit 450
millions les mille tonnes, quel doit ˆ etre son plan de production pour maxi-
miser son profit, sachant que le coˆ ut de fonte de mille tonnes de minerai est
de 5 millions ? Le coˆ ut de fonte ne s’applique pas au mangan` ese ajout´ e.
1.3. Un probl` eme de planification sur coˆ 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 l’aide d’heures suppl´ ementaires, ce niveau peut ˆ etre ´ elev´ e jusqu’` a 400
articles en plus, mais il faut compter, dans ce cas, un surcoˆ ut de 7 euros par
article. La situation est telle qu’il peut se permettre en r´ egime normal de
produire moins de 1200 articles par mois. Cela n’aura aucune incidence sur
les coˆ uts de production, ceux-ci ´ etant fixes en r´ egime normal, mais l’effet
sur les coˆ uts de stockage peut ˆ etre b´ en´ efique. Les coˆ uts de stockage sont
de 3 euros par article en stock en fin de mois. Comment l’industriel doit-il
planifier sa production pour minimiser les coˆ uts variables, c’est-` a-dire les
coˆ uts occasionn´ es par les heures suppl´ ementaires et le stockage ?
1.4. Affectation d’avions ` a des lignes a´ eriennes. Une compagnie a´ erienne
r´ egionale d´ esire affecter sa flotte d’avions aux4lignes qu’elle 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 d’avions : 8 petits avions de 40 places et 3 avions moyens
de 180 places. Les avions, qu’ils soient du mod` ele petit ou moyen, peuvent
effectuer un trajet aller-retour par jour. Le coˆ ut d’exploitation journalier d’un
avion d´ epend de sa taille et de la ligne ` a laquelle il est affect´ e. Ces coˆ uts
sont donn´ es au au tableau 1.7. On d´ esire minimiser le coˆ ut d’exploitation
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
Coˆ ut d’un petit avion 40 30 70 40
Coˆ ut d’un moyen avion 200 100 300 350
Tableau 1.7: Demande et coˆ uts d’exploitation des avions par ligne
(b) Donnez l’expression de l’objectif.
(c) Donnez l’expression 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 d’une camionnette dont la capacit´ e permet
d’acheminer 2000 kg par jour. Lorsque la production quotidienne exc` ede
cette quantit´ e, la compagnie fait appel ` a un transporteur ind´ ependant. Le
coˆ 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´ eficiaire,
hors coˆ ut de transport, est 42 euros par unit´ e de P et 48 euros l’unit´ 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 fini) produit fini) produit fini)
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 profit net.
1.6. Ajout d’un nouveau produit ` a la gamme. Une soci´ et´ e envisage l’ajout
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 n’importe 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 d’œuvre soit 5 heures dans l’atelier A, soit 4 heures dans l’atelier B,
soit 5 heures dans C. Quant au mod` ele de luxe, l’atelier A ne dispose pas
de l’´ equipement n´ ecessaire et sa fabrication devra ˆ etre confi´ ee aux ateliers
B et C. Une unit´ e du mod` ele de luxe requiert en main d’œuvre 5 heures
dans l’atelier B, ou 8 heures dans C. Les capacit´ es disponibles sont de 2 000
heures pour l’atelier 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 l’atelier A, de
13 euros dans B et de 12 euros dans C. Le coˆ ut des mat´ eriaux est ´ evalu´ e
` a 10 euros pour l’unit´ e du mod` ele standard et ` a 15 euros pour le mod` ele
de luxe. L’entreprise se propose de vendre le mod` ele standard ` a 135 euros
l’unit´ e et le mod` ele de luxe ` a 145 euros l’unit´ e. Le service marketing estime
qu’on 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 profit 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 qu’on parle d’ateliers sp´ ecialis´ es lorsque l’ensemble des ´ equipements
n´ ecessaires pour assurer une fonction d´ etermin´ ee sont rassembl´ es dans un mˆ eme
atelier. Le probl` eme de gestion quotidienne est de d´ eterminer l’ordre d’ex´ ecution
d’un certain nombre de tˆ aches, la r´ ealisation d’une tˆ ache n´ ecessitant le passage sur
une ou plusieurs machines.
Par exemple, l’emboutissage de plusieurs types de porti` eres de voitures de-
mande le passage sur une mˆ eme presse, l’ordre de passage des diff´ erents types de
porti` eres sur la presse n’´ etant pas d´ etermin´ e ` a l’avance.
Parmi les mod` eles d’ordonnancement en ateliers sp´ ecialis´ es, on distingue
• Les mod` eles statiques pour lesquels on recherche l’ordonnancement opti-
mal d’un ensemble donn´ e de tˆ aches sur une p´ eriode donn´ ee : autrement dit,
au cours de la p´ eriode consid´ er´ ee, aucune nouvelle tˆ ache non pr´ evue ne peut
ˆ etre prise en compte dans l’ordonnancement;
• Les mod` eles dynamiques d’ordonnancement qui se caract´ erisent par des
arriv´ ees successives de tˆ 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 d’ordonnancement sur 1 machine, sur 2 machines. Enfin,
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 sp´ecialis´es
2.2 Ordonnancement sur une machine
Illustrons le probl` eme sur l’exemple suivant tir´ e de Giard [4]. On a cinq tˆ aches
` a effectuer sur la machine A. Le tableau 2.1 pr´ esente les diff´ erentes tˆ aches ainsi
que leurs temps op´ eratoires. Il s’agit de d´ eterminer l’ordre dans lequel on va
Tˆ 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 d’heures).
effectuer ces diff´ erentes tˆ aches. Il est clair que, quel que soit l’ordre choisi, le
temps op´ eratoire total est le mˆ eme : il s’agit de la somme des temps op´ eratoires.
Il faudra donc d´ efinir 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
Tˆ ache programm´ ee(i) 3 4 1 5 2
Temps d’ex´ ecution (T
j
) 80 200 50 30 150
Tableau 2.2: Un ordonnancement possible.
2.2.1 Le diagramme de Gantt
Illustrons tout d’abord une technique de visualisation d’un ordonnancement, le
diagramme de Gantt. Celui-ci est construit ` a la figure 2.1 pour l’ordonnancement
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 :
• l’utilisation des moyens productifs;
• l’avancement de l’ex´ ecution des tˆ 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 tˆ ache ` a effectuer sur la machine
est repr´ esent´ ee par un segment dont la longueur est proportionnelle ` a la dur´ ee
d’ex´ ecution de la t ˆ ache. On indiquera le num´ ero de la tˆ ache au dessus du segment
tandis qu’une machine au repos est indiqu´ ee par un Z.
Si l’on veille ` a aligner verticalement l’origine du temps pour chaque machine,
une ligne verticale indique donc ` a tout moment ` a quelle tˆ ache est occup´ ee chacune
des machines. Un tableau mural peut ˆ etre ainsi d’un grand recours pour les agents
de maˆıtrise responsable de l’affectation des moyens humains et mat´ eriels.
2.2.2 La r` egle T.O.M.
Comme nous l’avons indiqu´ e plus haut, tous les ordonnancements possibles con-
duisent au mˆ eme temps total d’ex´ ecution des tˆ aches. Dans l’exemple, l’ex´ ecution
des 5 tˆ aches n´ ecessite 510 centi` emes d’heure. La question qui se pose est alors :
comment choisir parmi les n! ordonnancements possibles ?
Notons A
j
le temps d’ach` evement de la tˆ ache programm´ ee en position j. Le
temps d’ach` evement d’une tˆ ache est la somme des temps d’ex´ ecution de la tˆ ache
avec ceux des tˆ aches pr´ ec´ edentes. Par exemple,
A
4
= T
1
+T
2
+T
3
+T
4
Le calcul des diff´ erents temps d’ach` evement des tˆ 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 d’ach` evement des tˆ aches.
Le temps d’ach` 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 sp´ecialis´es
Il s’agit donc d’une somme pond´ er´ ee des temps op´ eratoires, chaque temps op´ era-
toire ´ etant pond´ er´ e par un facteur d’autant plus grand qu’il se trouve ex´ ecut´ e plus
t ˆ ot dans l’ordonnancement. La r` egle d’ordonnancement qui minimise le temps d’a-
ch` evement moyen est celle du temps op´ eratoire minimum : il s’agit d’ex´ ecuter
les t ˆ aches par ordre croissant de dur´ ee :
T
1
≤ T
2
≤ . . . ≤ T
j
≤ . . . ≤ T
n
L’application de cette r` egle donne l’ordonnancement illustr´ e au tableau 2.4. Cette
application donne le temps d’ach` evement moyen minimum :
¯
A = 218.
Ordre (j) 1 2 3 4 5
Tˆ 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 d’une tˆ ache ´ etant la diff´ erence entre le moment o` u la tˆ ache est termin´ ee et
celui o` u elle aurait ´ et´ e termin´ ee si l’on l’avait commenc´ e en premier lieu.
2.3 Ordonnancement avec deux centres de production
Chaque tˆ 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 d’ex´ ecution de la tˆ ache i sur les
machines A et B respectivement. On va utiliser comme crit` ere d’ordonnancement
la minimisation du temps total d’ex´ ecution des t ˆ aches sur les deux machines. On
va distinguer deux cas :
• le cas o` u toutes les tˆ aches sont ` a ex´ ecuter sur A puis B;
• le cas o` u toutes les tˆ aches n’ont pas le mˆ eme ordre de passage sur les deux
machines.
2.3.1 Cas o` u toutes les tˆ aches sont ` a ex´ ecuter sur A puis B
Supposons donc que cinq tˆ aches soient ` a ex´ ecuter sur les machines A puis B. Les
temps op´ eratoires (en centi` emes d’heure) sont repris au tableau 2.5.
Section 2.3. Ordonnancement avec deux centres de production 27
Tˆ 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.
L’ordonnancement optimal est illustr´ e ` a la figure 2.2. Remarquez que durant
l’ex´ ecution de la premi` ere tˆ ache sur A, la machine B dort. On a donc int´ erˆ et ` a
mettre en tˆ ete la tˆ ache de temps t
iA
le plus faible. De fa¸ con similaire, lors de
l’ex´ ecution de la derni` ere tˆ ache sur la machine B, la machine A dort. On a donc
int´ erˆ et ` a mettre en fin la tˆ ache de dur´ ee d’ex´ ecution t
iB
minimum.
En se basant sur ces deux observations, l’algorithme Johnson (1954) calcule
l’ordonnancement minimisant le temps total d’ex´ ecution des tˆ aches :
1. Rechercher la tˆ ache i de temps d’ex´ ecution t
im
minimum.
2. Si m = A, placer cette tˆ ache ` a la premi` ere place disponible;
Si m = B, placer cette tˆ ache ` a la derni` ere place disponible.
3. Supprimer la tˆ ache i des tˆ aches encore ` a programmer, retour en 1.
Appliquons ceci ` a l’exemple. D’abord, la tˆ ache 5 (t
5A
= 30) est mise en
premi` ere position. Puis, la tˆ ache 1 (t
1A
= 50) est mise en deuxi` eme position. Puis
la tˆ ache 2 (t
2B
= 50) est mise en derni` ere position. Puis la tˆ ache 4 (t
2B
= 70)
est mise en avant derni` ere position. Enfin, la tˆ ache 3 est mise ` a la derni` ere place
disponible.
5 1 3 4 2
On obtient le graphique de Gantt de la figure 2.2 o` u le passage d’une tˆ ache d’une
machine ` a l’autre est visualis´ e ` a l’aide d’une fl` eche verticale.
28 Chapitre 2. Ordonnancement en ateliers sp´ecialis´es
2.3.2 Cas de tˆ aches ne s’effectuant pas dans le mˆ eme ordre
Dans ce cas plus g´ en´ eral, certaines tˆ aches ne n´ ecessitent que le passage sur une
machine, d’autres sur les deux dans un ordre ou l’autre. Les donn´ ees num´ eriques
sont reprises au tableau 2.6.
Tˆ aches ` a effectuer sur A puis B
Tˆ aches (i) 1 2 3 4 5 6
t
iA
50 80 10 50 30 70
t
iB
30 60 30 0 0 0
Tˆ aches ` a effectuer sur B puis A
Tˆ 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 l’algorithme de Jackson.
L’ordonnancement qui minimise le temps total d’ex´ ecution des tˆ aches sur
les deux machines est obtenu par l’algorithme de Jackson (1957) qui est une
g´ en´ eralisation de l’algorithme de Johnson. Il consiste tout simplement ` a :
1. Faire une partition de l’ensemble des n tˆ aches en
• l’ensemble A des tˆ aches ne passant que sur A : A = {4, 5, 6};
• l’ensemble B des tˆ aches ne passant que sur B : B = {10, 11};
• l’ensemble AB des tˆ aches passant sur A puis B : AB = {1, 2, 3};
• l’ensemble BA des tˆ aches passant sur B puis A : BA = {7, 8, 9}.
2. Calculer un ordonnancement pour chaque sous-ensemble :
• l’ordonnancement optimal pour AB par Johnson : 3, 2, 1;
• l’ordonnancement 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 l’on a int´ erˆ et ` a d´ ebuter le plus vite possible sur Ales tˆ aches
qui doivent ensuite aller sur B et ` a mettre en derni` ere place sur A celles qui
doivent d’abord 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 tˆ 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 tˆ 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 figure 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
L’algorithme de Johnson ne s’applique qu’en 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, c’est-` a-dire
si l’on 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 l’exemple du tableau 2.7. o` u l’on constate que :
minimum t
iA
= 12 = maximum t
iB
.
On est donc bien dans les conditions d’application ´ enonc´ ees ci-dessus. Remarquez
qu’il suffit qu’une des deux conditions soit v´ erifi´ ee. Ainsi dans l’exemple, la
seconde condition n’est pas v´ erifi´ ee et l’algorithme s’applique bien.
30 Chapitre 2. Ordonnancement en ateliers sp´ecialis´es
tˆ 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 l’on 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
).
tˆ 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 l’algorithme de Johnson ` a ce probl` eme ` a deux machines pour
d´ eterminer l’ordonnancement optimal.
Place 1 2 3 4 5 6 7
tˆ ache 5 4 7 3 2 1 6
On peut alors tracer le diagramme de Gantt correspondant au probl` eme original,
c’est-` a-dire celui avec trois machines (voir figure 2.4).
Assemblage
5 1 7 4 2 3
5 1 7 4 2 3
6
6 Z Z Z Z Z
Z
Inspection
Expédition
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 n’est pas domin´ ee par la premi` ere o` u la
troisi` eme machine, le probl` eme peut ˆ 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 tˆ aches sur m centres de production 31
2.5 Ordonnancement de n tˆ aches sur m centres de production
Comme l’indique 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 d’int´ egrer des contraintes suppl´ ementaires
comme la date de livraison, une capacit´ e de production, . . . etc.
Lorsque l’ordre de passage des tˆ 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 ˆ etre trouv´ ee en utilisant l’algorithme 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 s’agit pas d’un algorithme
donnant une solution optimale mais bien d’une 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 l’algorithme de Johnson (des parenth` eses signifient
que l’on 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 d’ex´ ecution des tˆ 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 sp´ecialis´es
tˆ 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 fictif consiste ` a ne consid´ erer que les machines A et D.
Il conduit ` a l’ordonnancement 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 fictif consiste ` a consid´ erer les machines A+B et C+D
comme illustr´ e au tableau 2.9 . Il conduit ` a l’ordonnancement suivant par la
tˆ 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 fictif.
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 fictif
consiste ` a consid´ erer A+B+Cet B+C+D. Il donne la mˆ eme solutionque le probl` eme
fictif 2. On a donc trouv´ e une solution de temps ´ egal ` a 48,7 heures alors que la
solution optimale (qui peut ˆ 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. Bˆ atiments - travaux publics. Une entreprise de Bˆ atiments et Travaux
Publics est sp´ ecialis´ ee dans la r´ ealisation d’ouvrages d’art 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 l’emploi de tous les corps de m´ etier, vous devez
proposer ` a cette soci´ et´ e l’ordre 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 l’ordre de leur arriv´ ee ?
(c) Si on doit tenir compte d’un temps inter-op´ eratoire fixe de deux jours
entre la fin du coffrage et le d´ ebut du b´ eton (1 jour imputable au coffrage
et l’autre au b´ eton), que devient l’ordre 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 ˆ etre usin´ ees sur la machine M
1
puis
sur la machine M
2
. Avant d’usiner chaque lot, il faut proc´ eder au r´ eglage de
chaque machine. Les dur´ ees des tˆ aches de r´ eglage et d’usinage 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 d’ex´ ecution des pi` eces.
(a) Expliquez pourquoi l’algorithme de Johnson ne s’applique 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 sp´ecialis´es
2.3. Gestion du temps pour la composition d’un travail de groupe. Deux
´ etudiants ing´ enieurs disposent de 10 jours pour r´ ealiser un travail de groupe.
Ce travail se compose de 4 tˆ aches ind´ ependantes entre elles (l’ordre n’a
pas importance). Chacune de ces tˆ aches peut ˆ etre divis´ ee en une phase
d’analyse, r´ ealis´ ee par le premier ´ etudiant, et une phase de calculs, r´ ealis´ ee
par le second. L’analyse doit pr´ ec´ eder les calculs. Les temps n´ ecessaires
(en jours) ` a la r´ ealisation des tˆ aches sont donn´ es au tableau ci dessous.
Tˆ ache Phase d’analyse (´ 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 l’ordonnancement des tˆ 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 d’analyse
pr´ ealable tandis que la derni` ere (G) comporte seulement une phase
d’analyse. Les temps sont donn´ es au tableau ci-dessous.
Tˆ 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 tˆ aches princi-
pales (A, B, C et D) soient finies. Avec ces donn´ ees suppl´ ementaires,
d´ eterminez, pour chacun des ing´ enieurs, l’ordre d’ex´ ecution des 7
tˆ aches qui minimise le temps total de r´ ealisation du travail.
(c) Illustrez ` a l’aide d’un diagramme de Gantt.
(d) Pourront-ils rendre le travail ` a temps ?
2.4. Ordonnancement avec 3ateliers. Cinqtˆ aches doivent passer par les ateliers
de montage, finition et exp´ edition. Les temps op´ eratoires sont les suivants.
Tˆ 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 l’ordonnancement qui minimise le temps de r´ ealisation des
tˆ aches et calculez le temps total pour effectuer ces tˆ 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 s’il y a :
1. non co¨ıncidence dans le temps et l’espace 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 confiserie pour la non co¨ıncidence dans le temps, et les
supermarch´ es pour la non co¨ıncidence dans l’espace.
2. incertitude sur le niveau de demande ou sur le prix : s’il 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. S’il 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 enchaˆıne : il s’agit ici d’´ eviter qu’une panne ` a unposte
ne se r´ epercute sur toute la chaˆıne : un retard d’ex´ ecution au poste pr´ ec´ edent
ou une gr` eve des transports n’arrˆ etera pas imm´ ediatement l’ensemble du
processus de production s’il y a des stocks tampons.
4. pr´ esence de coˆ uts de lancement : dans ce cas, travailler par lots permet une
´ economie d’´ echelle sur les coˆ uts de lancement mais, en revanche, provoque
une augmentation des coˆ uts de possession du stock.
La gestion des stocks pose cependant de multiples probl` emes : tenue d’inven-
taires, valorisation du stock, d´ efinition des capacit´ es de stockage et enfin, 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 l’approvisionnement 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, l’approvisionnement du
stock est d´ eclench´ e lorsque l’on observe que le stock descend en des-
sous d’un niveau s, le point de commande.
• En gestion calendaire, l’approvisionnement du stock est d´ eclench´ e ` a
intervalles r´ eguliers T, par exemple, chaque jour ou chaque semaine.
• En gestion calendaire conditionnelle, l’approvisionnement du stock
est d´ eclench´ e ` a intervalles r´ eguliers T, mais uniquement lorsque l’on
observe que le stock descend en dessous d’un 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
fixe, not´ ee q et appel´ ee quantit´ e ´ economique de commande. Comme
nous le verrons au chapitre 4, sa d´ etermination r´ esulte d’un calcul
d’optimisation.
• 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 ˆ 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 l’inter-
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 l’approvisionnement
du stock.
Section 3.3. Les coˆ uts associ´es aux stocks 37
3.3 Les coˆ 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 co¨ıncidence 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 coˆ 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 l’objectif
C(q). Ces variables de commandes d´ eterminent en g´ en´ eral trois variables d’´ etat
du syst` eme :
I
r
, la rupture moyenne, c’est-` a-dire le nombre moyen de demandes non satis-
faites au cours d’une p´ eriode, auquel est associ´ e c
r
, le coˆ ut unitaire de
rupture;
I
p
, le stock moyen poss´ ed´ e au cours d’une p´ eriode, auquel est associ´ e c
p
, le coˆ ut
unitaire de possession;
I
c
, le nombre moyen de commandes pass´ ees au cours d’une p´ eriode, auquel est
associ´ e c
c
, le coˆ ut unitaire de commande.
La fonction de coˆ 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 coˆ uts partiels.
3.3.1 Les coˆ uts de possession
Les coˆ uts de possession comprennent :
1. les coˆ uts de d´ etention d’un article en stock durant une certaine p´ eriode en
fonction des conditions financi` eres d’acquisition et des ´ eventuelles condi-
tions de reprise.
2. les coˆ 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 d’une demande al´ eatoire, il peut y avoir
non co¨ıncidence 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
l’on se trouve dans
• le cas du stock ` a rotation nulle, c’est-` a-dire lorsque le stock r´ esiduel est
sans utilit´ e pour l’entreprise. Ceci se pr´ esente notamment :
– en cas d’obsolescence technique ou commerciale : par exemple, les
vˆ etements de mode, . . .
– en cas o` u la consommation a un d´ elai maximum : par exemple, les
primeurs, les journaux, . . .
Dans ce cas, le coˆ ut de possession d’un article se calcule comme le coˆ ut
d’acquisition de l’article moins la valeur de r´ ecup´ eration (solde).
Prenons un exemple. Un quotidien achet´ e 0,9 euro par le libraire et dont
l’invendu est repris 0,75 euro par le grossiste : le coˆ ut de possession est de
c
p
= 0, 9 −0, 75 = 0, 15 euro.
• le cas du stock ` a rotation non nulle, c’est-` a-dire lorsque l’invendu peut ˆ etre
vendu ` a une p´ eriode ult´ erieure. C’est l’exemple des boˆıtes de conserves en
´ epicerie non vendues une p´ eriode qui le seront aux p´ eriodes suivantes.
Dans ce cas, le coˆ ut de possession li´ e ` a l’immobilisation du capital. En
gelant la somme d’argent correspondant au coˆ ut d’achat de l’article invendu,
la soci´ et´ e se prive du revenu d’un placement financier qu’elle aurait pu
r´ ealiser. Ce coˆ ut est appel´ e coˆ ut d’opportunit´ e. Le taux d’opportunit´ e est
la rentabilit´ e du meilleur investissement que l’entreprise aurait pu faire.
Prenons un exemple. Si le taux d’opportunit´ e est de 6 % l’an, une boˆıte de
conserves achet´ ee 1,20 euro et restant en rayon un mois entier a coˆ ut´ e
c
p
= 1, 20 ×6%×1/12 = 0, 006 euro.
L’autre partie du coˆ ut de possession concerne les coˆ uts de stockage. Ces coˆ uts
de stockage, comprennent, en g´ en´ eral des frais fixes, tels que le coˆ ut de location
d’entrepˆ ots, ainsi que des frais variables, tels que le coˆ ut de manutention. Le
coˆ ut unitaire de stockage que l’on doit prendre en consid´ eration dans la fonction
objectif est le coˆ ut moyen de l’ensemble de ces frais. Malheureusement, ce ce coˆ ut
moyen d´ epend du volume d’activit´ e et ne peut donc pas ˆ etre consid´ er´ e comme une
constante. Cette difficult´ e fait que souvent on n’inclut pas de coˆ ut de stockage
dans le coˆ ut de possession et le coˆ ut de possession se r´ eduit donc au seul coˆ ut
d’immobilisation du capital.
Section 3.3. Les coˆ uts associ´es aux stocks 39
3.3.2 Les coˆ 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 ˆ 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 coˆ ut de rupture est le manque ` a gagner
de la non fourniture d’une unit´ e, g´ en´ eralement la marge b´ en´ eficiaire.
Prenons un exemple. Un journal achet´ e 0,90 euro par le libraire et revendu
1,20 euro a un coˆ ut de rupture de
c
r
= 1, 20 −0, 90 = 0, 30 euro.
• En cas de ventes diff´ er´ es, le coˆ ut de rupture n’inclut pas la marge car la
vente sera r´ ealis´ ee plus tard. Ce coˆ ut de rupture est le coˆ ut administratif
d’ouverture d’un dossier et ´ eventuellement un coˆ ut commercial (on fait une
ristourne pour ne pas perdre le client).
Prenons un exemple. Un garagiste qui n’a plus en stock le v´ ehicule d´ esir´ e
par son client va lui proposer une voiture de location gratuite durant le d´ elai
d’attente pour ne pas perdre le client. Le coˆ 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 entraˆıne un chˆ omage technique
des postes en aval. Le coˆ ut de rupture correspond au coˆ ut financier du chˆ omage
technique (voir ` a ce propos, l’exercice 3.1).
3.3.3 Les coˆ uts de commande
A nouveau, il faut ici distinguer le cas d’une demande interne et celui d’une
demande externe :
• Encas de stockde fabrication, le coˆ ut de commande est le coˆ ut de lancement
de la production. Il s’agit du r´ eglage des machines, etc . . . Normalement,
ce coˆ ut est ind´ ependant de la quantit´ e fabriqu´ ee.
• En cas de stock d’approvisionnement, le coˆ ut de commande est le coˆ ut
administratif de gestion de la commande : ´ etablissement d’un bordereau,
contrˆ ole de livraison, liquidation comptable,. . . . Normalement, ce coˆ 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 d’un stock ` a rotation nulle lorsqu’il n’y 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, c’est-` a-dire l’intervalle
entre deux approvisionnements, not´ e T est g´ en´ eralement fix´ e par la nature de
l’approvisionnement. Par exemple, un pˆ atissier met en fabrication des gˆ ateaux
chaque jour. Le libraire commande des journaux chaque jour, des p´ eriodiques
chaque semaine ou chaque mois.
Nous allons illustrer les choses sur l’exemple du pˆ atissier tir´ e de Giard [4]
qui est un exemple o` u la demande suit une loi de probabilit´ e discr` ete. Supposons
un coˆ ut de fabrication de 25 euro l’unit´ e et un prix de vente de 60 euro l’unit´ e.
Supposons que la demande quotidienne de ce gˆ 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 d’occurrence de cette valeur. Ainsi on a 8,21 %
de chance d’observer aucun client un jour donn´ e. Les invendus sont donn´ es.
La question que se pose le pˆ atissier est la suivante : combien mettre de gˆ ateaux
en fabrication chaque jour pour maximiser son b´ en´ efice ?
Le coˆ ut de possession, c
p
, li´ e ` a l’invendu en fin de journ´ ee est 25 euro, c’est-
` a-dire le coˆ ut de production. Tandis que le coˆ ut de rupture, c
r
, li´ e ` a une vente
manqu´ ee est ´ egal ` a la marge, c’est-` 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 fin 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 coˆ ut moyen C(S), voyons sur l’exemple comment on peut calculer
num´ eriquement ce minimum.
Nous allons d’abord 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
suffit, pour chaque valeur de S de faire la moyenne pond´ er´ ee de ce nombre par la
probabilit´ e d’observer 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 final poss´ ed´ e est la partie
positive de (S − x). Pour calculer le stock moyen poss´ ed´ e, il suffit, pour chaque
valeur de S de faire la moyenne pond´ er´ ee de ce nombre par la probabilit´ e d’observer
x. Ceci est fait en derni` ere ligne du tableau 3.3.
Enfin, nous calculons le coˆ 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 figure 3.1) que le coˆ 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 coˆ 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 coˆ 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 coˆ ut moyen de possession du stock.
Section 3.4. Gestion calendaire de stock ` a rotation nulle 43
En cas de coˆ ut convexe (on peut v´ erifier que le coˆ ut est bien une fonction
convexe de S), le stock optimal S

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

)
est inf´ erieur ` a celui des stocks imm´ ediatement inf´ erieur ou sup´ erieur :
_
¸
_
¸
_
C(S

) ≤ C(S

+ 1)
C(S

) ≤ C(S

−1)
ou encore
_
¸
_
¸
_
C(S

+ 1) −C(S

) ≥ 0
C(S

) −C(S

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

et positive apr` es S

. On
va donc ´ etudier l’´ evolution de la diff´ erence de coˆ 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 coˆ 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 l’esp´ 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 mˆ 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 d’une 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 l’annexe B donne le calcul de P(X > x) en fonction de λ, la
valeur du param` etre de la loi de Poisson.
Comme annonc´ e plus haut, il est possible de ramener la fonction de coˆ 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 coˆ ut de possession est le stock moyen
observ´ e en fin de p´ eriode qui correspond donc ` a l’invendu. 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 l’esp´ erance math´ ematique suivante :
I
p
(S) =
S−1

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. D’o` u la relation entre I
p
et I
r
:
I
p
(S) = S −
¯
X +I
r
(S)
(3.3)
qui peut s’interpr´ 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 l’on peut exprimer le coˆ ut total
C(S) en fonction du seul coˆ 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)
_
D’o` u l’expression 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, c’est-` 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 d’optimalit´ 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 l’exemple :
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
D’o` u
S

= 3.
On en conclut qu’il est optimal de produire chaque matin 3 gˆ ateaux, soit la solution
d´ ej` a d´ etermin´ ee num´ eriquement.
46 Chapitre 3. La gestion calendaire de stock
3.5 Cas d’une 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 l’unit´ e, qui
lui-mˆ eme l’acqui` ere ` a 2,8 euro aupr` es de son grossiste qui lui reprend les invendus
au prix de 2,6 euro l’unit´ e.
Le coˆ ut de rupture, c
r
, est li´ e ` a l’invendu et vaut donc la marge b´ en´ eficiaire :
c
r
= 3, 5 −2, 8 = 0, 7 euro
tandis que le coˆ ut de possession, c
p
, vaut la perte enregistr´ ee par invendu, c’est-` 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 σ = 20. La question qui se pose
est la suivante : quel est le nombre d’exemplaires ` a commander S de mani` ere ` a
minimiser le coˆ ut de gestion :
C(S) = c
p
I
p
(S) +c
r
I
r
(S)
Le coˆ ut de gestion s’´ ecrit dans le cas d’une 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 d’optimalit´ e s’´ ecrit dans le cas d’une loi continue :
C

(S

) = 0
Comme dans le cas discret, on peut ramener ce coˆ 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 l’expression 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 d’une 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)
c’est-` a-dire exactement le mˆ 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. D’o` u l’on tire :
S

optimal si P(X > S

) =
c
p
c
r
+c
p
(3.7)
Cet optimum est un minimum car la d´ eriv´ ee seconde de C(S) est positive. En
effet, la d´ eriv´ ee de P(X > S) par rapport ` a S est clairement n´ egative.
Appliquons ceci au cas de l’exemple :
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 −µ
σ
>
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
D’o` u finalement :
S

= 315, 3 ≈ 315.
L’approvisionnement p´ eriodique optimal est donc de S

= 315.
Avant de passer au cas de stocks ` a rotation non nulle, examinons quelques
indicateurs que l’on 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 gˆ ateau, le calcul de I
r
(s) s’effectue comme
suit :
I
r
(S) =

x>S
(x −S)P(X = x)
=

x>S
xP(X = x) −S

x>S
P(X = x)
D’o` u finalement :
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 λ, on montre que :

x>S
xP(X = x) = λP(X > S −1)
D’o` u l’on tire finalement :
I
r
(S) = λP(X > S −1) −SP(X > S)
(3.8)
Ce qui nous donne dans le cas de l’exemple :
I
r
(S

= 3) = 2, 5P(X > 2) −3P(X > 3)
= 2, 5 ×0, 4562 −3 ×0, 2424
= 0, 4133.
Dans le cas de la vente de journaux (loi de demande continue), le calcul de I
r
(S)
s’effectue par l’int´ egrale suivante :
I
r
(S) =
_

S
(x −S)f(x)dx
=
_

S
xf(x)dx −S
_

S
f(x)dx
D’o` u l’on tire
I
r
(S) =
_

S
xf(x)dx −SP(x > S)
Section 3.6. Les cons´equences ´economiques de la solution optimale 49
Le premier terme correspond ` a nouveau ` a un calcul tronqu´ e de la moyenne. On
peut montrer que si X suit une distribution normale N(µ, σ), on obtient la formule
suivante :
I
r
(S) = σ [f(t
S
) −t
S
P(t > t
S
)] = σg(t
S
)
avec :
t
S
=
S −
¯
X
σ
et f(t
S
) =
e
−t
2
S
/2


Appliquons ceci aux donn´ ees num´ eriques de l’exemple pour lequel
t
s
=
315 −300
20
= 0, 75.
La table B.3 donne directement :
g(t
S
= 0, 75) = 0, 1312
L’application 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 s’obtient ` 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 pˆ atissier, on aura donc :
I
p
(S

= 3) = (3 −2, 5) + 0, 413 = 0, 9133 gˆ ateaux.
Pour le marchand de journaux, on aura :
I
p
(S

= 315) = (315 −300) + 2, 624 = 17, 624 journaux.
Remarquez que, dans les deux cas, le stock r´ esiduel se calcule comme le stock
initial diminu´ e de la demande satisfaite. :
I
p
(S) = S −
_
¯
X −I
r
(S)
_
.
50 Chapitre 3. La gestion calendaire de stock
Le coˆ ut moyen
Le coˆ ut moyen C(S) peut ˆ etre calcul´ e par la relation suivante :
C(S) = c
r
I
r
(S) +c
p
I
p
(S)
Pour l’exemple du pˆ atissier, on obtient :
C(S) = 35 ×0, 4133 + 25 ×0, 9133 = 14, 46 + 22, 83 = 37, 30 euros.
Pour l’exemple du marchand de journaux, on obtient :
C(S) = 0, 7 ×2, 624 + 0, 2 ×17, 624 = 5, 36 euros.
La marge nette moyenne
La marge nette moyenne, not´ ee B(S), est ´ egale au produit de la marge unitaire,
m
u
, par la demande moyenne, diminu´ e du coˆ ut de stockage :
B(S) = m
u
¯
X −C(S) (3.9)
Donnons quelques explications sur cette formule. Deux cas sont possibles quant
aux ventes manqu´ ees (aux ruptures de ventes) :
• Soit les ventes manqu´ ees sont perdues, et dans ce cas, le coˆ ut de rupture est
la marge b´ en´ eficiaire. La formule (3.9) devient dans ce cas :
B(S) = c
r
¯
X −c
r
I
r
(S) −c
p
I
p
(S)
= c
r
(
¯
X −I
r
(S)) −c
p
I
p
(S)
Le b´ en´ efice net est donc la marge b´ en´ eficiaire sur les ventes r´ ealis´ ees moins
le coˆ ut des invendus.
• Soit les ventes manqu´ ees sont diff´ er´ ees, et dans ce cas, la marge b´ en´ eficiaire
sera r´ ealis´ ee sur l’ensemble de la demande exprim´ ee
¯
X, ce qui justifie di-
rectement la formule (3.9) .
L’application de cette relation ` a l’exemple num´ erique du pˆ atissier donne :
B(S) = m
u
¯
X −C(S) = 35 ×2, 5 −37, 30 = 50, 20 euros.
tandis que pour le marchand de journaux, elle donne :
B(S) = m
u
¯
X −C(S) = 0, 7 ×300 −5, 36 = 204, 64 euros.
Nous allons maintenant passer au cas de stock ` a rotation non nulle.
Section 3.7. Cas de stocks ` a rotation non nulle 51
3.7 Cas de stocks ` a rotation non nulle
Pour rappel, on parle de stocks ` a rotation non nulle lorsque les invendus d’une
p´ eriode seront vendus aux p´ eriodes suivantes. C’est de loin le cas le plus r´ epandu.
La variable de commande du syst` eme est ici S, le niveau de recompl` etement,
c’est-` a-dire le niveau du stock que l’on cherche ` a retrouver p´ eriodiquement. Re-
marquons une diff´ erence fondamentale avec le cas de stocks ` a rotation nulle. En
effet, la commande ` a passer pour un approvisionnement en d´ ebut de p´ eriode n’est
plus fixe. Deux cas sont possibles :
• Il reste un stock r´ esiduel positif : dans ce cas, on commande la diff´ erence
entre S et le stock r´ esiduel;
• Le stock r´ esiduel est nul : dans ce cas, on commande S augment´ e des
demandes non satisfaites de la p´ eriode pr´ ec´ edente qui ont pu ˆ etre report´ ees.
Pour illustrer le processus de d´ etermination de S

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

?
Pour le calcul du stock moyen poss´ ed´ e, il faudra distinguer deux cas de figure :
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 fixer les id´ ees, qu’un niveau de recompl` etement de 320 ait
´ et´ e choisi.
1. Cas d’une demande inf´ erieure ` a S : dans ce cas, il n’y a pas de rupture
de stock. C’est l’exemple d’une demande observ´ ee de 310. Le stock de fin
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 figure 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 d’une demande sup´ erieure ` a S : dans ce cas, on observe une rupture
de stock. C’est le cas, par exemple, d’une 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 figure 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 ˆ etre obtenue par :
S(t) = 320 −70t.
Ce stock est nul pour :
t =
320
70
= 4, 57 jours =
S
x/T
Le stock moyen poss´ ed´ e se calcule comme :
I
p
(S) =
320
2
4, 57
5
+ 0
0, 43
5
=
320
2
320
350
=
S
2
S
x
En g´ en´ eral :
Si x > S : I
p
(S) =
S
2
S
x
Cette formule donne une solution analytique au probl` eme de la d´ etermination
du niveau optimal de recompl` etement S

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

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

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

S
f(x)dx
=
S
2
_

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

0
(S −x)f(x)dx −
_

S
(S −x)f(x)dx
_
=
S
2
+
S
2

¯
X
2
+
I
r
(S)
2
On obtient donc la relation suivante :
I
p
(S) = S −
¯
X
2
+
I
r
(S)
2
(3.12)
On peut donc exprimer C(S) en fonction du seul I
r
(S) :
C(S) = c
p
I
p
(S) +c
r
I
r
(S) = c
p
[S −
¯
X
2
+
I
r
(S)
2
] +c
r
I
r
(S)
D’o` u finalement :
C(S) = c
p
(S −
¯
X
2
) + (c
r
+
c
p
2
)I
r
(S)
Dans le cas d’une loi de demande continue, il suffit d’annuler 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
d’o` 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 d’am-
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
D’o` 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

) = σg(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 coˆ 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 d’une loi de demande discr` ete
Terminons ce chapitre en voyant les formules de calcul dans le cas d’une 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) =
S−1

0
(S −
x
2
)P(X = x) +

S
S
2
P(X = x)
=
S−1

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) =
S−1

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)
c’est-` a-dire exactement la mˆ 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 finalement
le niveau optimal de recompl` etement S

par la formule suivante :
P(X > S

) ≤
c
p
c
r
+
c
p
2
≤ P(X > S

−1) (3.15)
Il est ` a noter que si la loi de demande est du type Poisson, I
r
(S), le nombre
moyen de demandes non satisfaites, se calcule par la mˆ eme formule que pr´ ec´ e-
demment ` a savoir :
I
r
(S) = λP(X > S −1) −SP(X > S)
Section 3.8. Exercices 57
3.8 Exercices
3.1. Achat de pi` eces de rechange. L’ing´ enieur en chef d’une usine passe la
commande d’un mod` ele de pi` eces d´ etach´ ees d’une machine pour laquelle
il craint un approvisionnement difficile. Les cons´ equences d’un arrˆ et de la
machine ` a cause d’un retard de livraison de la pi` ece sont particuli` erement
on´ ereuses : le coˆ ut d’un arrˆ et de la production pour manque de pi` ece est de
25.000 euros. En achetant cette pi` ece en mˆ eme temps que la machine, le
coˆ ut unitaire d’approvisionnement est de 1.000 euros. L’exp´ erience pass´ ee
de l’ing´ enieur l’incite ` 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 l’obsolescence
technique rapide de la machine.
(a) Quelle est la politique optimale ` a suivre ?
(b) Quel est le coˆ ut financier de cette politique de commande de pi` eces de
rechange ?
3.2. Ventes d’hebdomadaires. Un libraire commande r´ eguli` erement un hebdo-
madaire aupr` es de son grossiste. Son coˆ ut d’achat 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 d’exemplaires ` a commander aupr` es de son grossiste
chaque semaine si le coˆ 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
l’ann´ ee. Il s’agit d’une calculatrice scientifique qui est achet´ ee 45 euros et
revendue 55 euros. Le taux d’opportunit´ e utilis´ e est de 20 %. La demande
hebdomadaire de ce mod` ele est d’environ 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 d’approvisionnement 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 connaˆıt une grande popularit´ e. La demande sur une
semaine suit approximativement une loi normale de moyenne 100 et d’´ ecart-
type 30. La mˆ eme politique de gestion calendaire est suivie. Les donn´ ees
de coˆ ut sont les mˆ 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 coˆ ut de production est de 10 euros
l’unit´ e et le prix de vente de 24 euros. Le producteur travaille uniquement sur
commande de sorte qu’il ne coupe que les arbres demand´ es l’ann´ ee courante.
Quelle quantit´ e doit-il mettre en production chaque ann´ ee pour minimiser
son coˆ ut de gestion ? On suppose un taux d’opportunit´ e de 10 % l’an.
3.6. Ventes de fleurs. Un ´ epicier va chercher deux fois par semaine des fleurs
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 coˆ ut d’achat d’une botte de fleurs est de 50
euros et son prix de vente 75 euros. On suppose que la demande de bottes de
fleurs 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 fleurs 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 fleurs faute de stock suffisant ?
(c) Quel est le nombre moyen de bottes de fleurs jet´ ees par semaine ?
Chapitre 4
La gestion par point de commande
4.1 Introduction
La gestion calendaire se caract´ erise, comme nous l’avons vu au chapitre 3 par :
• des commandes ` a intervalles fixes 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 (lorsqu’on 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 figures 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, suffisamment grand afin
d’´ eviter toute rupture de stock : il n’y a donc pas de coˆ 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 coˆ 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 coˆ 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 coˆ 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 s’agit d’un 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 l’ann´ ee. Vu le caract` ere certain de la demande et du d´ elai d’obtention
(ici de 20 jours ouvrables), on peut ´ eviter toute rupture d’approvisionnement en
passant commande ` a temps. On consid` ere que l’ann´ ee comporte 48 semaines de
6 jours ouvrables, soit 288 jours. Le coˆ ut de passation d’une commande de 300
euro et est ind´ ependant de la quantit´ e command´ ee. L’article est vendu 40 euro.
La question qui se pose ici est : “Quand commander ?” Afin de minimiser le
stock poss´ ed´ e, le chef de rayon a int´ erˆ et ` a passer commande exactement 20 jours
ouvrables avant la rupture (voir figure 4.1) de mani` ere ` a ce que le stock soit nul au
moment de la livraison. Il ´ evitera ainsi un stock dormant.
400
=167
niveau du stock
temps
L
L
q
=400
q
=400
q
=400
s

Figure 4.1: D´ etermination du point de commande.
Remarquez que cela revient ` a d´ eclencher la commande au moment o` u il reste
exactement en stock de quoi satisfaire la demande de 20 jours. Exprimons le d´ elai
d’obtention de 20 jours ouvrables en ann´ ee :
L =
20
288
= 0, 069 ann´ ee.
La demande durant cette p´ eriode s’´ el` eve ` a :
D ×L = 2 400 ×
20
288
= 166, 67 ≈ 167 articles.
Section 4.3. D´etermination de la quantit´e ´economique de commande 61
En g´ en´ eral, le point de commande optimal est tel que
s

= DL
(4.1)
avec D = demande annuelle;
L = d´ elai d’obtention exprim´ e en ann´ ee.
Dans le cas o` u l’on d´ eclencherait la commande plus t ˆ ot (voir figure 4.2 o` u l’on
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, d’o` 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 coˆ ut de possession annuel unitaire peut ˆ etre calcul´ e en tenant compte du taux
d’opportunit´ 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 coˆ 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
D’o` u le coˆ 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
coˆ 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 coˆ ut annuel de possession vaut donc :
c
p
I
p
(q) = 6
400
2
= 1 200 euros.
D’o` u le coˆ 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, c’est-` a-dire q, la commande p´ eriodique, qui minimise le
coˆ 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 l’exemple 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 l’optimum d’une telle fonction. Il suffit d’annuler sa
d´ eriv´ ee premi` ere :
C

(q

) = c
p
1
2
−c
c
D
q
∗2
= 0
Section 4.3. D´etermination de la quantit´e ´economique de commande 63
D’o` u le point optimum :
q

=
¸
2Dc
c
c
p
(4.2)
Cette quantit´ e est appel´ ee quantit´ e de Wilson. V´ erifions qu’il s’agit bien d’un
minimum en calculant la d´ eriv´ ee seconde :
C”(q) = 2c
c
D
q
3
> 0
Remarquez qu’au point optimum, on a ´ egalit´ e des coˆ 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 l’exemple 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 coˆ 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´ eficiaire 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 d’une 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 l’ann´ 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,
c’est-` a-dire que les caract´ eristiques de la distribution restent stables dans le
temps.
• Nous maintenons l’hypoth` ese d’un d´ elai d’obtention certain. Ce qui est le
plus souvent le cas.
Nous illustrons ce cas sur l’exemple introductif, ` a savoir la vente d’ustensiles
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 coˆ ut de rupture vaut la marge qui est
ici de 10 euro. Le coˆ ut de possession annuel reste de 6 euro. Le coˆ ut unitaire de
commande reste de 300 euro.
Passons au probl` eme de la d´ etermination de q et s. Tout d’abord, remarquons
que pendant le d´ elai d’obtention de 20 jours la demande est al´ eatoire. Calculons
les param` etres de sa distribution. Tout d’abord, le d´ elai d’obtention de 20 jours
s’exprime en fraction d’ann´ ee comme :
L =
20
288
ann´ ees.
La demande X
L
en 20 jours suit une loi Normale
• de moyenne :
µ
L
= Lµ =
20
288
×2 400 = 167
• de variance :
σ
2
L
= Lσ
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 :
σ
L
=
¸
20
288
×189, 74 = 50.
Section 4.4. Cas d’une demande al´eatoire 65
4.4.1 D´ etermination de q et s
La fonction de coˆ 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 l’observation suivante.
Dans l’expression 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 coˆ ut de com-
mande et le coˆ ut de possession ` a partir de la demande moyenne.
2. D´ eterminer le point de commande s en arbitrant entre le coˆ ut de rupture
et le coˆ ut de possession en utilisant la gestion calendaire pendant le d´ elai
d’obtention 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 n’est
rien d’autre que le probl` eme ´ etudi´ e en univers certain si l’on remplace la demande
annuelle certaine par la demande annuelle moyenne :
D = µ = 2 400.
En minimisant le coˆ 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 coˆ ut d’une gestion calendaire durant le d´ elai d’obtention L :
C(S) = c
p
I
p
(S) +c
r
I
r
(S)
avec I
r
(S), le nombre moyen d’articles 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 qu’un article en stock en fin du d´ elai d’obtention (fin 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 d’obtention L. Le coˆ 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 l’issue des 20 jours du d´ elai d’obtention
augmentera d’une unit´ e la valeur du stock durant toute la dur´ ee d’´ ecoulement de la
suivante commande (voir figure 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 d’obtention 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 d’une demande al´eatoire 67
D’o` u finalement
s

= 227.
4.4.2 Cons´ equences ´ economiques du choix
Le stockde s´ ecurit´ e est d´ efini 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) = σ
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 coˆ 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 d’ob-
tention). Le coˆ 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 coˆ 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´ efi-
ciaire sur la demande moyenne le coˆ 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´ efinition 4.1 On d´ efinit le taux de rotation du stock comme le quotient de la
demande moyenne sur le stock moyen poss´ ed´ e.
Dans le cas de l’exemple, il se calcule comme suit :
r =
D
I
p
=
2 400
306, 4
= 7, 83
Ce qui s’interpr` ete en disant que le stock tourne environ 8 fois dans l’ann´ ee. Il
correspond au nombre de fois qu’il faudrait r´ eapprovisionner le stock si on le
r´ eapprovisionnait ` a hauteur de son niveau moyen.
Il est ` a remarque que l’id´ 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 coˆ ut de passation de commande ´ elev´ e. Le niveau obtenu ici est le
niveau optimal qui r´ esulte de l’arbitrage entre les diff´ erents coˆ uts.
Section 4.5. Exercices 69
4.5 Exercices
4.1. Gestion de l’approvisionnement 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-fi grand public est en train de red´ efinir
sa politique d’approvisionnement des stocks. On vous charge de l’aider dans
cette tˆ ache. Le responsable des achats vous soumet, ` a titre d’exemple, le cas
d’un transistor dont le prix d’achat est de 16 euros et dont la consommation
est de 15.000 unit´ es sur l’ann´ ee. La demande est uniform´ ement r´ epartie sur
toute l’ann´ ee qui comporte 50 semaines d’ouverture. Le coˆ ut de passation
d’une commande est estim´ e ` a 24 euros. Par ailleurs, ´ etant donn´ e l’´ evolution
technique rapide et les risques d’obsolescence 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 qu’un casier est vide, on entame le second et on passe
une commande de 500 transistors. Le d´ elai d’obtention de la commande est
d’une semaine.
(a) Calculez le coˆ 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 aujourd’hui ?
4.2. Vente de verre de cristal. Un grand magasin vend chaque semaine 150
cartons de six verres du mod` ele “Elite”. Le coˆ ut d’achat de 6 verres est de
8 euros, et le coˆ ut associ´ e ` a une commande est ´ evalu´ e ` a 30 euros. Le coˆ ut
de possession utilis´ e ne fait intervenir qu’un coˆ ut d’opportunit´ e, lequel se
calcule ` a l’aide d’un taux de 15 %. On suppose que la demande est certaine
et qu’il n’est pas possible d’avoir 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 (l’ann´ ee comporte 52 semaines).
(c) Calculez le coˆ ut de gestion de stock correspondant ` a cette solution.
4.3. Vente de verre de cristal en univers al´ eatoire. La demande hebdomadaire
n’est 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 coˆ 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 n’est 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 n’a pas ´ et´ e en mesure de vendre.
(d) Calculez le stock moyen poss´ ed´ e.
(e) En d´ eduire le coˆ 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 d’opportunit´ e de
15 % l’an. Le coˆ ut de passation d’une commande est de 30 euros. Le d´ elai
d’approvisionnement 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 s’agit d’un matelas orthop´ edique.
La demande mensuelle de cet article suit une loi de Poisson de moyenne 8.
L’acheteur responsable de l’approvisionnement h´ esite entre trois syst` emes :
(a) La gestion calendaire avec une p´ eriode de r´ evision calendaire de deux
mois. Le coˆ ut de commande est estim´ e ` a 20 euros, le produit est achet´ e
200 euros et revendu 350 euros (y compris le coˆ ut moyen de transport
vers le client de 50 euros). La r´ egularit´ e de l’approvisionnement permet
d’avoir un d´ elai d’obtention insignifiant. Une demande non satisfaite
est diff´ er´ ee avec un coˆ ut de 10 euros (frais administratifs).
(b) Une gestion du type quantit´ e ´ economique de commande - point de
commande avec les mˆ emes coˆ uts que pr´ ec´ edemment, mais avec cette
fois un d´ elai d’obtention de 15 jours environ.
(c) Servir d’interm´ ediaire en r´ epercutant au fournisseur la commande, ce
qui permet ` a l’entreprise de percevoir une commission de 50 euros.
L’entreprise estime que la rentabilit´ e marginale de son capital est de 24 %.
Apr` es ´ etude du b´ en´ efice net dans les trois cas, que pr´ econisez-vous ?
Partie II
Les d´ ecisions tactiques
71
Chapitre 5
La planification de la production
5.1 Introduction
La planification de la production consiste en la r´ egulation ` a moyen terme de la
production. C’est 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-
fication de la production s’adresse uniquement au cas de la production en s´ erie.
Elle ne s’applique donc pas au cas de la production en s´ erie unitaire.
Il existe deux types d’approches en planification de la production :
• la planification des besoins en composants qui vise ` a ´ etablir une program-
mation pr´ evisionnelle des composants;
• la planification juste ` a temps dont le principe fondamental est de produire la
quantit´ e strictement n´ ecessaire aux besoins imm´ ediats du client.
La planification des besoins en composants ou M.R.P. (Material Require-
ment Planning) cherche ` a ´ etablir la programmation de la production sur base d’un
syst` eme d’information. Partant des donn´ ees physiques (stocks disponibles, li-
vraisons attendues, demandes pr´ evisionnelles, capacit´ es de production,. . . ) et des
donn´ ees comptables (coˆ uts de production, d’approvisionnement, 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-finis et finis et l’utilisation des facteurs travail et
machines. L’utilisation des techniques d’optimisation aboutit ` a une program-
mation pr´ evisionnelle : on utilisera la programmation dynamique lorsque l’on 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 planification de la production
5.2 La planification des besoins en composants
Illustrons le principe de la planification des besoins en composants sur un exemple
tir´ e de Giard [4] : il s’agit de l’assemblage de trois v´ ehicules ` a moteur. La plani-
fication des besoins en composants n´ ecessite l’existence des ´ el´ ements suivants :
1. Une nomenclature compl` ete : c’est-` a-dire une codification de tous les
composants qui permet d’´ ecrire le sch´ ema arborescent du tableau 5.1. Dans
l’exemple, pour faire un v´ ehicule (T27), il faut une boˆıte de vitesse (E1001),
elle mˆ eme constitu´ ee d’un engrenage (E2010), lui-mˆ 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 finaux. 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 finaux, les
besoins de sous-ensembles et de composants pour faire des r´ eparations.
3. Un syst` eme d’information sur les stocks qui permet de connaˆıtre l’´ etat
exact du stock de chaque composant en d´ ebut de chaque p´ eriode. Les stocks
de fin de p´ eriode 15, not´ es SF
15
, sont donn´ es au tableau 5.3.
4. Un fichier des livraisons attendues : c’est-` a-dire donnant le nombre de
pi` eces r´ esultant de d´ ecisions de mise en production du pass´ e qui n’ont pas
Section 5.2. La planification 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 planification 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 fichier des d´ elais d’obtention : le d´ elai d’obtention ´ etant la somme
des temps op´ eratoire, de lancement de production et d’attente entre deux
productions. Les d´ elais d’obtention sont donn´ es au tableau 5.4 o` u sont
´ egalement indiqu´ es les temps op´ eratoires unitaires (c’est-` a-dire le temps
d’assemblage ou d’usinage d’une unit´ e du composant).
´
El´ ement D´ elai d’obtention Temps op´ eratoire
T 27 1 semaine 0,5 heure
T 28 1 semaine 1 heure
T 29 1 semaine 2 heures
E1001 1 semaine 0,5 heure
E1004 2 semaines 1 heure
E1010 1 semaine 3 heures
E1020 2 semaines 4 heures
E2010 1 semaine 1 heure
E2040 2 semaines 0,5 heure
E3047 1 semaine 0,5 heure
E3052 1 semaine 0,20 heure
Tableau 5.4: D´ elais d’obtention et temps op´ eratoires.
6. Fichier des capacit´ es des centres de production pour chaque p´ eriode de
l’horizon de planification. Celui-ci est donn´ e au tableau 5.5.
P´ eriode 16 17 18 19 20 21 22 23
Assemblage de T 27, T28 et T29 50 50 60 65 55 50 50 50
Assemblage de E1001 et E1004 20 12 24 20 25 22 22 20
Assemblage de E1010 et E1020 20 20 20 20 20 20 20 20
Assemblage de E2010 et E2040 28 30 22 21 24 21 22 23
Assemblage de E3047 et E3052 32 30 32 33 31 31 32 31
Tableau 5.5: Capacit´ es de production.
7. Existence de r` egles de priorit´ e en cas de surcharge. Ici, on va utiliser
comme r` egle d’avancer les productions constituant le stock de valeur la plus
Section 5.2. La planification des besoins en composants 77
faible. Pour cela, on a besoin des donn´ ees de coˆ uts de fabrication qui se
r´ eduisent ici ` a un coˆ ut de mati` ere et un coˆ ut de main d’œuvre. Le coˆ ut de
la mati` ere premi` ere de chaque composant est donn´ e au tableau 5.6. Il faut
comprendre ces donn´ ees de la mani` ere suivante : il s’agit de la somme du
coˆ ut de mati` ere ajout´ ee ` a l’´ etape d’assemblage du produit et du coˆ ut des
composants (le calcul a d´ ej` a ´ et´ e fait). Le coˆ ut horaire de la main d’œuvre
´
El´ ement Coˆ ut de mati` ere
T 27 303 euro
T 28 363 euro
T 29 421 euro
E1001 58 euro
E1004 71 euro
E1010 30 euro
E1020 40 euro
E2010 25 euro
E2040 53 euro
E3047 1 euro
E3052 2 euro
Tableau 5.6: Coˆ ut de la mati` ere et des composants.
d´ epend des ateliers. Ces coˆ uts sont donn´ es au tableau 5.7. Remarquez que
E1001 et E1004, d’une part, et E1010 et E1020, d’autre part, sont assembl´ es
dans deux ateliers s´ epar´ es.
P´ eriode coˆ ut horaire de l’atelier
Assemblage de T 27, T28 et T29 100 euro
Assemblage de E1001 et E1004 70 euro
Assemblage de E1010 et E1020 65 euro
Assemblage de E2010 et E2040 28 euro
Assemblage de E3047 et E3052 30 euro
Tableau 5.7: Coˆ ut horaire de l’atelier.
La logique de calcul de la MRP consiste ` a l’utilisation en cascade
• de la d´ etermination des besoins nets d’un composant;
• de la mani` ere de couvrir ces besoins.
78 Chapitre 5. La planification de la production
5.3 D´ etermination des besoins nets d’un composant
Illustrons ceci sur l’exemple du composant de niveau un E1001. Pour ce compo-
sant, sa demande ´ emane des demandes de T27 et T28 (voir nomenclature 5.1).
Au niveau 0, les lancements programm´ es sont d´ etermin´ es conform´ ement au
plan directeur de production du tableau 5.2. Le d´ elai d’assemblage est d’une
semaine pour les trois mod` eles (voir tableau 5.4). Au niveau z´ ero, il n’y a pas de
stock initial ni de livraisons attendues (voir tableau 5.3). On fait donc du juste-
` a-temps, c’est-` a-dire que l’on met en production exactement la demande. Ceci
conduit aux lancements de productions de niveau z´ ero du tableau 5.8.
P´ eriode 16 17 18 19 20 21 22 23
Lancements T 27 7 11 6 15 8 11 12 7
Lancements T 28 10 9 4 10 7 14 8 8
Lancements T 29 4 8 3 5 12 2 8 7
Tableau 5.8: Lancements de production de niveau z´ ero.
On peut en d´ eduire les besoins bruts du composant E1001 puisqu’il est utilis´ e
` a raison de un par T27 et de un par T28. A ces besoins bruts pour assemble du T27
et du T28, il faut ajouter les besoins de E1001 comme pi` eces d´ etach´ es (donn´ es au
plan directeur de production 5.2). Les besoins bruts du composant E1001 sont
donn´ es au tableau 5.9. Ces besoins bruts ne correspondent pas ` a la production qu’il
P´ eriode 16 17 18 19 20 21 22 23
Besoins Bruts pour T27 7 11 6 15 8 11 12 7
Besoins Bruts pour T28 10 9 4 10 7 14 8 8
Besoins de E1001 0 1 2 3 0 2 1 4
Besoins Bruts totaux 17 21 12 28 15 27 21 19
Tableau 5.9: Besoins bruts en composant E1001.
est n´ ecessaire de mettre en route, compte tenu du stock initial disponible pour cette
r´ ef´ erence et des ´ eventuelles livraisons attendues. Les livraisons attendues sont des
quantit´ es r´ esultant de pr´ ec´ edents ordres de lancement de production mais qui n’ont
pas encore ´ et´ e livr´ ees. Le stock initial en p´ eriode 16 est le stock final de p´ eriode
15. Ces informations sont reprises au tableau 5.10.
Section 5.3. D´etermination des besoins nets d’un composant 79
P´ eriode 15 16 17 18 19 20 21 22 23
Besoins bruts 17 21 12 28 15 27 21 19
Livraisons attendues 0 30 0 0 0 0 0 0
Stock final 17 0 9 0 0 0 0 0 0
Besoins nets 0 0 3 28 15 27 21 19
Tableau 5.10: Besoins nets en composant E1001.
En p´ eriode 16, on vide le stock pour satisfaire les 17 de besoins bruts de la
p´ eriode. En p´ eriode 17, on livre 30 alors que les besoins ne sont que de 21. Il
restera donc 9 en stock. A ces deux p´ eriodes, il n’y a donc pas de besoins nets.
Par contre ` a la p´ eriode suivante, la p´ eriode 18, le besoin brut est de 12, on ne livre
rien et le stock disponible est de 9. Il manque 3 unit´ es qui constitue donc le besoin
net de cette p´ eriode. A partir de la p´ eriode 19, comme le stock est vide et qu’il n’y
a plus de livraisons, les besoins nets correspondent au besoins bruts.
Formalisons math´ ematiquement la d´ etermination des besoins nets. Deux cas
sont possibles :
Cas 1 : Le disponible (somme du stock de fin de p´ eriode pr´ ec´ edente et des livrai-
sons de d´ ebut de p´ eriode) est suffisant pour couvrir les besoins bruts. Dans
ce cas, le besoin net, not´ e BN
t
, est nul et le stock final de p´ eriode t, not´ e SF
t
,
se calcule comme le stock en fin de p´ eriode pr´ ec´ edente, accru des livraisons
attendues de p´ eriode t, not´ ees LA
t
, et diminu´ e de la demande de la p´ eriode
(les besoins bruts, not´ es BB
t
) :
Si SF
t−1
+LA
t
≥ BB
t
, alors
_
BN
t
= 0
SF
t
= SF
t−1
+LA
t
−BB
t
Ce cas est illustr´ e par les p´ eriodes 16 et 17 pour le composant E1001.
Cas 2 : Le disponible (somme du stock de fin de p´ eriode pr´ ec´ edente et des livrai-
sons de d´ ebut de p´ eriode) est in suffisant pour couvrir les besoins bruts.
Dans ce cas, on a des besoins nets ` a couvrir par de nouveaux ordres de fa-
brication. Les besoins nets de la p´ eriode t, not´ es BN
t
, se calculent comme
la diff´ erence entre les besoins bruts et le disponible (somme des livraisons
attendues et du niveau initial du stock de la p´ eriode) :
Si BB
t
≥ SF
t−1
+LA
t
, alors
_
BN
t
= BB
t
−LA
t
−SF
t−1
SF
t
= 0
Ce cas est illustr´ e par les p´ eriodes 18 ` a 23 pour le composant E1001 (voir
tableau 5.10).
80 Chapitre 5. La planification de la production
5.3.1 D´ etermination de la couverture des besoins nets
En planification de la production, on suppose que les besoins nets sont connus
suffisamment ` a l’avance pour ´ eviter toute rupture. La d´ etermination de la quantit´ e
` a livrer pour satisfaire les besoins nets repose donc sur un arbitrage entre
• les coˆ uts de lancement de production;
• les coˆ uts de possession.
La programmation dynamique permet de faire cet arbitrage. A ce niveau-ci, nous
allons faire du lot par lot, ce qui conduit aux lancements de production du tableau
5.11. Pour d´ eterminer les lancements de production, on a tenu compte du d´ elai
P´ eriode 16 17 18 19 20 21 22 23
Livraisons attendues 0 30 0 0 0 0 0 0
Besoins nets 0 0 3 28 15 27 21 19
Lancements de production 30 3 28 15 27 21 19 -
Tableau 5.11: Lancement de production en composant E1001.
d’obtention, suppos´ e ici de 1 semaine. Remarquez que le lancement de 30 en
p´ eriode 16 provient non pas d’une livraison programm´ ee de p´ eriode 17 mais bien
d’une livraison attendue de p´ eriode 17.
Nous verrons en fin de chapitre d’autres techniques de d´ etermination des lan-
cements de production.
Remarquez ´ egalement que, dans la d´ etermination des lancements de produc-
tion, il faudra tenir compte des capacit´ es de production. Dans le cas o` uces capacit´ es
sont d´ epass´ ees, on proc´ edera ` a un ajustement charge-capacit´ e.
5.3.2 Utilisation en cascade de la logique de calcul
Maintenant que cet ´ ech´ eancier de lancement de production est d´ etermin´ e pour le
composant de niveau un E1001, il va ˆ etre utilis´ e ` a un niveau sup´ erieur pour
calculer l’´ ech´ eancier des demandes brutes des composants de niveau sup´ erieur.
Ainsi, le composant E1001 (par exemple, une boˆıte de vitesse) utilise le composant
de niveau un E2010 (un engrenage).
On applique la d´ emarche de calcul que nous venons de voir en cascade :
Section 5.3. D´etermination des besoins nets d’un composant 81
• ` a toutes les r´ ef´ erences de niveau 0 (produits finaux);
• puis ` a celles de niveau 1;
• puis ` a celles de niveau 2, . . . etc.
Illustrons ceci sur l’exemple. Au niveau 0, les lancements programm´ es (cfr
tableau 5.12) sont d´ etermin´ es conform´ ement au plan directeur de production.
P´ eriode 16 17 18 19 20 21 22 23 24
BB
t
de T27 - 7 11 6 15 8 11 12 7
LA
t
de T27 0 0 0 0 0 0 0 0
SF
t
de T27 0 0 0 0 0 0 0 0 0
BN
t
de T27 - 7 11 6 15 8 11 12 7
LP
t
de T27 7 11 6 15 8 11 12 7 -
BB
t
de T28 - 10 9 4 10 7 14 8 8
LA
t
de T28 0 0 0 0 0 0 0 0
SF
t
de T28 0 0 0 0 0 0 0 0 0
BN
t
de T28 - 10 9 4 10 7 14 8 8
LP
t
de T28 10 9 4 10 7 14 8 8 -
BB
t
de T29 - 4 8 3 5 12 2 8 7
LA
t
de T29 0 0 0 0 0 0 0 0
SF
t
de T29 0 0 0 0 0 0 0 0 0
BN
t
de T29 - 4 8 3 5 12 2 8 7
LP
t
de T29 4 8 3 5 12 2 8 7 -
Tableau 5.12: Lancements programm´ es de niveau z´ ero.
Au niveau 1, les lancements du composant E1001, de d´ elai de fabrication L=1,
sont d´ etermin´ es conform´ ement au tableau 5.13. Ce composant est utilis´ e ` a raison
d’une unit´ e par produit T27 et d’une unit´ e par produit T28. Toujours au niveau 1,
les lancements du composant E1004 (de d´ elai de fabrication L=2) sont d´ etermin´ es
conform´ ement au tableau 5.14. Ce composant est utilis´ e ` a raison d’une unit´ e par
produit T29.
82 Chapitre 5. La planification de la production
P´ eriode 15 16 17 18 19 20 21 22 23
BB
t
pour T27 7 11 6 15 8 11 12 7
BB
t
pour T28 10 9 4 10 7 14 8 8
BB
t
de E1001 0 1 2 3 0 2 1 4
BB
t
totaux 17 21 12 28 15 27 21 19
LA
t
0 30 0 0 0 0 0 0
SF
t
17 0 9 0 0 0 0 0 0
BN
t
0 0 3 28 15 27 21 19
LP
t
0 30 3 28 15 27 21 19 -
Tableau 5.13: Lancements en composant E1001.
P´ eriode 15 16 17 18 19 20 21 22 23
BB
t
pour T29 4 8 3 5 12 2 8 7
BB
t
de E1004 0 0 1 4 0 5 2 2
BB
t
totaux 4 8 4 9 12 7 10 9
LA
t
0 11 0 0 0 0 0 0
SF
t
4 0 3 0 0 0 0 0 0
BN
t
0 0 1 9 12 7 10 9
LP
t
11 1 9 12 7 10 9 - -
Tableau 5.14: Lancements en composant E1004.
Section 5.3. D´etermination des besoins nets d’un composant 83
Au niveau 2, les lancements du composant E2010 (de d´ elai de fabrication
L=1) sont d´ etermin´ es conform´ ement au tableau 5.15. Ce composant est utilis´ e ` a
P´ eriode 15 16 17 18 19 20 21 22
BB
t
pour E1001 30 3 28 15 27 21 19
BB
t
de E2010 0 0 2 1 4 0 1
BB
t
totaux 30 3 30 16 31 21 20
LA
t
20 0 0 0 0 0 0
SF
t
10 0 0 0 0 0 0 0
BN
t
0 3 30 16 31 21 20
LP
t
20 3 30 16 31 21 20 -
Tableau 5.15: Lancements en composant E2010.
raison d’une unit´ e par composant de niveau 1 E1001. Toujours au niveau 2, les
lancements du composant E2040 (de d´ elai de fabrication L=2) sont d´ etermin´ es
conform´ ement au tableau 5.16. Ce composant est utilis´ e ` a raison d’une unit´ e par
P´ eriode 15 16 17 18 19 20 21 22
BB
t
pour E1004 11 1 9 12 7 10 9 -
BB
t
de E2040 - 0 2 0 2 1 4 1
BB
t
totaux - 1 11 12 9 11 13 -
LA
t
0 17 0 0 0 0 0
SF
t
1 0 6 0 0 0 0 0
BN
t
6 9 11 13 -
LP
t
17 6 9 11 13 - - -
Tableau 5.16: Lancements en composant E2040.
composant de niveau un E1004.
Au niveau 3, les lancements du composant E3047 (de d´ elai de fabrication L=1)
sont d´ etermin´ es conform´ ement au tableau 5.17. Ce composant est utilis´ e ` a raison
d’une unit´ e par composant de niveau deux E2010 et de deux unit´ es par composant
de niveau deux E2040. Toujours au niveau 3, les lancements du composant E3052
84 Chapitre 5. La planification de la production
P´ eriode 15 16 17 18 19 20 21
BB
t
pour E2010 20 3 30 16 31 21 20
BB
t
pour E2040 34 12 18 22 26 - -
BB
t
de E3047 - 0 0 1 1 2 0
BB
t
Totaux - 15 48 39 58 - -
LA
t
0 0 0 0 0 0
SF
t
15 0 0 0 0 0 0
BN
t
0 48 39 58 - -
LP
t
48 39 58 - - -
Tableau 5.17: Lancements en composant E3047.
(de d´ elai de fabrication L=1) sont d´ etermin´ es conform´ ement au tableau 5.18. Ce
composant est ´ egalement utilis´ e ` a raison d’une unit´ e par composant de niveau deux
E2010 et de deux unit´ es par composant de niveau deux E2040.
Il faut maintenant voir si la capacit´ e est suffisante ` a chaque niveau pour assem-
bler les v´ ehicules. Il est ` a remarquer que l’on a int´ erˆ et ` a v´ erifier si cette capacit´ e est
suffisante avant de passer au calcul du niveau sup´ erieur. En effet, si on proc` ede ` a un
ajustement des lancements de production, par exemple au niveau 1, cela remettra
en cause le calcul des besoins du niveau 2.
5.4 Ajustement charge-capacit´ e
Lorsque les lancements de production sont d´ etermin´ es, on peut calculer les charges
r´ esultantes pour les diff´ erents ateliers. Pour que ce plan de production soit r´ eali-
sable, il faut que la charge r´ esultante respecte les capacit´ es de production. Si ce
n’est pas le cas, un ajustement “charge-capacit´ e” est effectu´ e.
Reprenons le mˆ eme exemple. Au niveau 0, le tableau 5.19 reprend les lan-
cements de niveau 0. En multipliant ces lancements par les temps op´ eratoires
unitaires donn´ es au tableau 5.4, on obtient le nombre d’heures d’assemblage pour
chacun des v´ ehicules. En les additionnant, on obtient la charge de l’atelier que
l’on peut comparer avec la capacit´ e donn´ ee au tableau 5.5. On constate ici qu’il
n’y a aucun probl` eme de capacit´ e au niveau 0.
Passons au niveau 1. Les lancements de production des sous-ensembles E1001
et E1004 assembl´ es dans le mˆ eme atelier sont repris au tableau 5.20. En multipliant
Section 5.4. Ajustement charge-capacit´e 85
P´ eriode 15 16 17 18 19 20 21
BB
t
pour E2010 20 3 30 16 31 21 20
BB
t
pour E2040 34 12 18 22 26 - -
BB
t
de E3052 - 0 2 0 2 3 1
BB
t
Totaux - 15 50 38 59 - -
LA
t
15 0 0 0 0 0
SF
t
0 0 0 0 0 0 0
BN
t
0 50 38 59 - -
LP
t
15 50 38 59 - - -
Tableau 5.18: Lancements en composant E3052.
P´ eriode 16 17 18 19 20 21 22 23
LP
t
de T27 7 11 6 15 8 11 12 7
LP
t
de T28 10 9 4 10 7 14 8 8
LP
t
de T29 4 8 3 5 12 2 8 7
heures de T27 3,5 5,5 3 7,5 4 5,5 6 3,5
heures de T28 10 9 4 10 7 14 8 8
heures de T29 8 16 6 10 24 4 16 14
charge 21,5 30,5 13 27,5 35 23,5 30 25,5
capacit´ e 50 50 60 65 55 50 50 50
exc` es capacit´ e 28,5 19,5 47 37,5 20 26,5 20 24,5
Tableau 5.19: V´ erification de la charge au niveau z´ ero.
86 Chapitre 5. La planification de la production
ces lancements par les temps op´ eratoires unitaires donn´ es au tableau 5.4, on obtient
le nombre d’heures d’assemblage pour chacun des deux sous-ensembles de niveau
1. En les additionnant, on obtient la charge de l’atelier que l’on peut comparer
avec la capacit´ e donn´ ee au tableau 5.5. On constate ici qu’il y a un probl` eme de
capacit´ e en p´ eriode 18. On reporte aux p´ eriodes pr´ ec´ edentes en commen¸ cant par
utiliser l’exc` es de capacit´ e de la p´ eriode 17, le reste ´ etant produit en p´ eriode 16.
P´ eriode 16 17 18 19 20 21 22 23
LP
t
de E1001 30 3 28 15 27 21 19 -
LP
t
de E1004 1 9 12 7 10 9 - -
heures de E1001 15 1,5 14 7,5 13,5 10,5 9,5 -
heures de E1004 1 9 12 7 10 9 - -
charge 16 10,5 26 14,5 23,5 19,5 - -
capacit´ e 20 12 24 20 25 22 22 20
Exc` es de capacit´ e 4 1,5 0 5,5 1,5 2,5 0 0
Exc` es de charge 0 0 2 0 0 0 - -
Ajustement +0,5 +1,5 -2 0 0 0 - -
LP
t
de E1001 30 3 28 15 27 21 19 -
LP
t
de E1004 1,5 10,5 10 7 10 9 - -
Tableau 5.20: Ajustement charge-capacit´ e de niveau 1.
Il faut encore d´ eterminer sur quel produit cet ajustement va porter. La r` egle
adopt´ ee ici est de reporter les heures constituant le stock de valeur la plus faible.
Pour cela, calculons le coˆ ut de revient d’une unit´ e de E1001 et d’une unit´ e de
E1004. Au coˆ ut de la main d’œuvre d’assemblage, il faut ajouter le coˆ ut de la
mati` ere premi` ere ajout´ ee ` a l’´ etape d’assemblage et le coˆ ut des composants :
c
E1001
= 0, 5 ×70 + 58 = 93 euros,
c
E1004
= 1 ×70 + 71 = 141 euros.
Il faut se garder de conclure hˆ ativement qu’il convient de stocker du E1001. En
effet, comme son temps op´ eratoire unitaire est d’une demi-heure, on en assemble
deux par heure tandis que pour le sous-ensemble E1004, son temps op´ eratoire
unitaire ´ etant d’une heure, on en assemble un par heure. On en d´ eduit le coˆ ut de
Section 5.5. Autres r`egles de calcul des lancements de production 87
production d’une heure de chacun des sous-ensembles :
cph
E1001
= 93/0, 5 = 93 ∗ 2 = 186 euros/h,
cph
E1004
= 141/1 = 141 ∗ 1 = 141 euros/h.
En conclusion, il est plus int´ eressant de stocker du E1004 bien qu’il ait un coˆ ut
de revient unitaire plus ´ elev´ e ! Le temps op´ eratoire unitaire ´ etant d’une heure, les
2 heures d´ eplac´ ees correspondent ` a deux unit´ es de E1004 avanc´ ees aux p´ eriodes
16 et 17. On obtient l’ajustement de niveau 1 illustr´ e au tableau 5.20.
On proc´ edera alors de mani` ere semblable pour les niveaux sup´ erieurs en partant
des lancements modifi´ es de niveau 1 donn´ es au tableau 5.20.
5.5 Autres r` egles de calcul des lancements de production
Jusqu’` a pr´ esent, nous avons adopt´ e la technique du lot par lot pour la d´ etermination
des lancements de production. Autrement dit, on lance en production exactement
les besoins nets en d´ ecalant pour tenir compte du d´ elai d’obtention. Ce cas est
illustr´ e au tableau 5.21 pour l’exemple du composant E1001.
P´ eriode 16 17 18 19 20 21 22 23
Livraisons attendues 0 30 0 0 0 0 0 0
Besoins nets 0 0 3 28 15 27 21 19
Lancements de production 30 3 28 15 27 21 19 -
Tableau 5.21: Lancement de production lot par lot.
Il peut y avoir des contraintes techniques ou ´ economiques qui conduisent ` a
adopter des r` egles de gestion diff´ erentes :
• R` egle de la quantit´ e fixe. Parfois, pour des raisons techniques, on ne peut
produit qu’une quantit´ e fixe (cuve enti` ere). Dans ce cas, on la quantit´ e
mise en œuvre est toujours la mˆ eme. Supposons ` a titre d’exemple, une
quantit´ e fixe de 30. Ce cas est illustr´ e au tableau 5.22. On remarquera que
le nombre de mise en route de production est moins ´ elev´ e mais que le niveau
de possession du stock augmente fortement.
On peut ´ egalement utiliser cette r` egle pour diminuer le nombre de mises en
route de production (raison ´ economique et non technique). On d´ eterminera,
dans ce cas, la quantit´ e ´ economique ` a mettre en œuvre par la formule de
Wilson.
88 Chapitre 5. La planification de la production
P´ eriode 16 17 18 19 20 21 22 23
Livraisons attendues 0 30 0 0 0 0 0 0
Besoins nets 0 0 3 28 15 27 21 19
Lancements de production 30 30 30 0 30 30 0 -
Stock fin de p´ eriode 27 29 14 17 26 7
Tableau 5.22: Lancement de production par quantit´ e fixe.
• R` egle de la quantit´ e multiple d’un entier. Ce cas se produit dans l’in-
dustrie automobile pour le coulage des moteurs. On utilise des moules de
10 moteurs. On ne peut donc produire que par multiples de 10. Ce cas est
illustr´ e au tableau 5.23.
P´ eriode 16 17 18 19 20 21 22 23
LA
t
0 30 0 0 0 0 0 0
BN
t
0 0 3 28 15 27 21 19
LP
t
30 10 30 10 30 20 20 -
SF
t
7 9 4 7 6 7
Tableau 5.23: Lancement de production par multiples de 10.
• R` egle de la quantit´ e minimum. Ce cas se produit lorsqu’il y a un coˆ ut fixe
de mise en route de la production. Pour amortir ce coˆ ut fixe de lancement,
il faut produire au minimum 10. Mais on peut produire ´ egalement 11, 12,
13 etc... Ce cas est illustr´ e au tableau 5.24.
P´ eriode 16 17 18 19 20 21 22 23
LA
t
0 30 0 0 0 0 0 0
BN
t
0 0 3 28 15 27 21 19
LP
t
30 10 21 15 27 21 19 -
SF
t
7 0 0 0 0 0
Tableau 5.24: Lancement de production par minimum de 10.
Section 5.6. Exercices 89
5.6 Exercices
5.1. Planning de production d’un moteur. Un industriel cherche ` a ´ etablir son
planning de production pour les quatre premiers mois de l’ann´ ee d’un moteur
Cintervenant dans l’assemblage des trois types de machines MA, MBet MC.
Le plan directeur de production pr´ evoit la mise ` a disposition les six premiers
mois de l’ann´ ee des quantit´ es suivantes pour les trois types de machines :
Mois Janvier F´ evrier Mars Avril Mai Juin
Demande de MA 3 1 2 1 7 3
Demande de MB 1 3 1 5 4 2
Demande de MC 2 4 1 5 6 0
Pour les produits finis, il n’y a ni livraison attendue ni stock initial et on
pratique une politique de lot par lot. Le d´ elai d’obtention est de 2 mois pour
MA et MB et d’un mois pour MC. Pour le moteur, il y a un stock en d´ ebut de
janvier de 2 unit´ es et on pr´ evoit une livraison de 5 moteurs en janvier tandis
que le d´ elai de fabrication du moteur ´ etant d’un mois
(a) D´ eterminer les besoins nets de moteur pour janvier ` a avril.
(b) D´ eterminer les lancements de production qui permettent de couvrir ces
besoins nets en utilisant la technique du lot par lot.
5.2. Production d’engrenages. Une entreprise sp´ ecialis´ ee dans la fabrication
d’engrenages. Pour l’un de ces engrenages, on connaˆıt les besoins en fin de
mois pour les huit mois ` a venir (voir tableau 5.25). Le coˆ ut de lancement
Mois 1 2 3 4 5 6 7 8
Besoins 30 45 60 40 35 30 35 50
Tableau 5.25: Production d’engrenages.
d’une production est de 150 euros, le coˆ ut de d´ etention unitaire est de 1 euro
par mois. On suppose que les livraisons et sorties de stock se font en fin de
mois. Ce qui signifie qu’un article fabriqu´ e en p´ eriode t et livr´ e en fin de
p´ eriode t pour une demande de p´ eriode t ne supporte pas de coˆ ut de d´ etention
pendant cette p´ eriode. Les ruptures sont interdites.
(a) En utilisant la formule de la quantit´ e ´ economique de commande de
l’univers certain, d´ eterminez la quantit´ e ` a mettre en production. Pour
cela, d´ eterminer la moyenne du besoin mensuel.
(b) En d´ eduire, le plan de production et de stockage de mani` ere ` a ´ eviter
les ruptures.
90 Chapitre 5. La planification de la production
(c) En d´ eduire le coˆ ut de cette politique (somme des coˆ uts de mise en route
et de stockage). Comparez avec le coˆ ut d’une politique de lot par lot.
5.3. D´ etermination des besoins et lancements de production de niveau 2. A
partir de l’ajustement charge-capacit´ e de niveau 1 du tableau 5.20, d´ eduire
les besoins bruts pour les composants de niveau 2. Ensuite, calculer les
besoins nets et les lancements de production ` a capacit´ e infinie.
5.4. Ajustement charge-capacit´ e de niveau 2. V´ erifier si la charge r´ esultante
n’exc` ede pas la capacit´ e de l’atelier. Si c’est le cas, faire l’ajustement.
5.5. Planification des besoins en composants. Consid´ erons une entreprise qui
utilise la planification des besoins en composants pour g´ erer la production
d’un ensemble E qui utilise une pi` ece P1 et deux pi` eces P2 par ensemble.
Le plan directeur de production, donn´ e au tableau 5.26, pr´ evoit ´ egalement
la mise ` a disposition de pi` eces P1 et P2 comme pi` eces de rechange.
Semaine 0 1 2 3 4 5
Demande E 100 150 150 250 250
Demande P1 10 20 15 25 20
Demande P2 30 20 25 25 30
Tableau 5.26: Plan directeur de production.
Les stocks initiaux (d´ ebut de p´ eriode 1), les livraisons attendues de premi` ere
p´ eriode et les d´ elais d’obtention sont donn´ es au tableau 5.27.
´
El´ ement Stock initial LA
1
D´ elai d’obtention
E 300 0 1 semaine
P1 150 500 2 semaines
P2 300 300 1 semaine
Tableau 5.27: Stock initiaux, livraisons attendues et d´ elais d’obtention.
(a) D´ eterminer les besoins nets en composant E et la mani` ere de couvrir
ces besoins nets par des lancements de production en tenant compte du
fait que le lancement ne peut se faire que par lot de 250 ensembles E.
(b) En d´ eduire les besoins nets de pi` eces P1 et les lancements de produc-
tions de pi` eces P1 en tenant compte du fait que la production de pi` eces
P1 se fait par lot de 500 pi` eces.
(c) D´ eterminer les besoins nets de pi` eces P2 et les lancements de produc-
tions de pi` eces P2 en tenant compte du fait que la production de pi` eces
P2 par lot de 300 pi` eces.
Chapitre 6
Les techniques de juste ` a temps
6.1 Origine et principe du JAT
Comme le souligne Baglin et al [1], les techniques de juste ` a temps trouvent leur
origine dans les nouvelles exigences du march´ e :
• La variabilit´ e de la demande : l’augmentation du nombre de mod` eles et la
diminution de la dur´ ee de vie des produits n´ ecessitent une adaptation plus
rapide des produits.
• Le d´ elai admissible par les clients est plus court : on ne peut donc plus
produire ` a la commande, c’est-` a-dire lancer une commande sp´ eciale avec
des d´ elais longs.
• La concurrence internationale impose de produire une bonne qualit´ e ` a un
prix tr` es bas.
Enconclusions, il faut produire ` alademande duclient, sans d´ elai et encomprimant
au maximum le coˆ ut de fabrication. Il y a donc conflit entre la gestion en grande
s´ erie (qui permet de r´ eduire les coˆ uts de fabrication) et la gestion ` a la carte (qui est
beaucoup plus souple).
L’id´ ee du JAT est de chercher ` a concilier les avantages de la grande s´ erie (flux
rapides et importants) avec ceux de la petite s´ erie (grande adaptabilit´ e). La logique
fondamentale du JAT est la suivante :
Production = Demande.
Autrement dit, on produit la quantit´ e strictement n´ ecessaire aux besoins imm´ ediats
du client. Le principe est appliqu´ e de proche en proche jusqu’aux fournisseurs.
Ceci entraˆıne la suppression des stocks interm´ ediaires : on parle de gestion en flux
91
92 Chapitre 6. Les techniques de juste ` a temps
tendus. La suppression des stocks apparaˆıt donc comme une cons´ equence de la
logique du JAT.
Ceci va ` a l’encontre des politiques traditionnelles d’organisation de la produc-
tion. Le mode d’organisation traditionnel a pour objectif essentiel la recherche
de la plus grande productivit´ e du syst` eme. Ses cons´ equences sont :
1. Pour raison d’´ economie d’´ echelle, on a des unit´ es de fabrication de grande
taille organis´ ees en ateliers sp´ ecialis´ es. On a donc des flux importants et
discontinus entre ces unit´ es n´ ecessitant des stock interm´ ediaires.
2. Pour raison de coˆ ut, on met en place des capacit´ es de production correspon-
dant ` a la demande moyenne qui sont satur´ ees en permanence : la variabilit´ e
de la demande n´ ecessite donc des stocks de produits finis.
3. On lance de grandes s´ eries pour amortir le coˆ ut de lancement. Ce qui entraˆıne
aussi des stocks importants.
4. Pour diminuer le coˆ ut de manutention, on transporte en grande quantit´ e
(camions, containers complets). Ce qui occasionne ´ egalement des stocks
´ elev´ es de mati` eres qui ne sont pas imm´ ediatement consomm´ ees.
5. Pour d´ ecoupler les probl` emes, on constitue des stocks interm´ ediaires.
6. A chaque stade du produit, on ajoute un d´ elai d’obtention pour tenir compte
des arrˆ ets fr´ equents (contrˆ ole, maintenance,. . . ).
On en conclut que chacun ` a tendance ` a gonfler les stocks. Le JATdevant ce constat,
plut ˆ ot que d’essayer de g´ erer l’ing´ erable propose de supprimer les stocks.
Le fonctionnement en JAT appelle cependant les remarques suivantes :
1. Souvent, les usines ne fonctionnent que partiellement en flux tendus : en
flux tendus au moment o` u l’on personnalise le produit, avec des stocks
d’approvisionnement pour les pi` eces standards.
2. Les flux de production peuvent ˆ etre tir´ es non par des commandes clients
mais par le plan directeur de production.
3. Le JAT n´ ecessite tout de mˆ eme l’´ etablissement d’un plan directeur de pro-
duction et le calcul des besoins.
Section 6.2. Les deux approches du JAT 93
6.2 Les deux approches du JAT
Le JAT a donc un double objectif :
• augmenter la r´ eactivit´ e du syst` eme logistique : diminuer le d´ elai, diversifier
la production,. . .
• diminuer le coˆ ut global de production : en ´ eliminant les gaspillages inutiles.
6.2.1 Augmenter la r´ eactivit´ e du syst` eme logistique
Le but est ici de pouvoir r´ epondre rapidement aux variations quantitative et qua-
litative de la demande. Le moyen utilis´ e est le suivant : pour raccourcir le cycle
de fabrication, on r´ eduit les stocks.
• Pour r´ eduire les stocks de mati` ere premi` ere, les fournisseurs doivent livrer
plus souvent.
• Pour r´ eduire les stocks d’en-cours de production, on doit r´ eduire le temps
entre ateliers.
• Pour r´ eduire les stocks de produits finis, on doit pouvoir changer souvent de
fabrication.
Remarquez que, pour r´ eduire les stocks, il faut s’attaquer ` a leur cause : les pannes
machines, les temps de r´ eglage longs, etc. . .
6.2.2 La rationalisation de la production
Le but est ici d’am´ eliorer la performance globale en ´ eliminant les gaspillages. Le
principe fondamental est que les seuls temps utiles sont ceux pendant lesquels
le produit voit sa valeur s’accroˆıtre. Ainsi, les op´ erations suivantes sont non
productives : d´ eplacer, stocker, grouper, contrˆ oler,. . . Pour pouvoir diminuer
ces op´ erations improductives, il faut s’attaquer ` a leurs causes : les d´ efauts de
fabrication, les retards, les pannes, les lenteurs administratives,. . .
On peut ici citer l’image de Taichi Ohno (de Toyota) qui dit que, pour traverser
une rivi` ere sans encombre, dans l’approche traditionnelle : on augmente le niveau
de l’eau et on passe au dessus des ´ epaves, dans l’approche JAT : on drague le
fleuve, ce qui permet un niveau d’eau plus faible. En conclusions, en s’attaquant
aux causes de dysfonctionnement, on am´ eliore la productivit´ e globale du syst` eme
et on am´ eliore la qualit´ e des produits.
94 Chapitre 6. Les techniques de juste ` a temps
6.3 Les facteurs cl´ es du JAT
La r´ eussite du passage d’une organisation classique ` a une organisation JAT
n´ ecessite des m´ ethodes de gestion tr` es r´ eactives ainsi que la maˆıtrise des al´ eas.
6.3.1 Recherche d’un plus grande r´ eactivit´ e
On atteindra une plus grande r´ eactivit´ e en augmentant la flexibilit´ e de la produc-
tion. On peut d´ efinir la flexibilit´ e comme la capacit´ e du syst` eme de production ` a
s’adapter en permanence ` a la demande. On distingue deux types de flexibilit´ e :
• La flexibilit´ e quantitative est la capacit´ e de faire face ` a des pointes de
demande :
– il faut surdimensionner la capacit´ e, par exemple, en gardant les an-
ciennes machines lors d’un renouvellement.
– il faut faire appel ` a la flexibilit´ e de la main d’œuvre : appel aux tem-
poraires, ` a la sous-traitance, aux heures suppl´ ementaires,. . .
• La flexibilit´ e qualitative est la capacit´ e de traiter une grande vari´ et´ e de
produits :
– il faut pouvoir passer rapidement d’un produit ` a l’autre : on utilisera
des machines ` a commandes num´ eriques.
– la polyvalence du personnel est ´ egalement souhaitable.
6.3.2 Maˆıtrise des al´ eas
Il faut ici se pr´ emunir contre les causes des stocks que sont les pi` eces re¸ cues
d´ efectueuses, les pannes machine, ainsi les retards de livraison. On visera ici le
z´ ero d´ efaut pour les pi` eces fabriqu´ ees. En effet, en l’absence de stock, le d´ efaut
d’une pi` ece livr´ ee interrompt la chaˆıne de montage. Le z´ ero d´ efaut sera recherch´ e
par la pr´ evention plut ˆ ot que par le contrˆ ole ` a posteriori.
Il faut ´ egalement assurer la fiabilit´ e des ´ equipements. En effet, l’arrˆ et d’une
machine entraˆıne l’arrˆ et de toutes les machines en aval faute d’approvisionnement.
De mˆ eme pour les machines en amont qui, autrement, constitueront des stocks. La
fiabilit´ e est obtenue par des proc´ edures de maintenance pr´ eventive.
Enfin, il existe relation plus ´ etroite entre le client et le fournisseur car le
fournisseur d’une usine JAT est g´ en´ eralement plus conscient des cons´ equences de
l’envoi d’une pi` ece d´ efectueuse pour le client.
Section 6.4. La m´ethode Kanban 95
6.4 La m´ ethode Kanban
L’id´ ee de la m´ ethode est que la production soit tir´ ee par l’aval : chaque poste
ne travaille que pour satisfaire une demande du poste aval. L’information sur la
demande du poste aval est transmise par un document appel´ e Kanban (´ etiquette)
donnant :
• la description de la pi` ece et de l’op´ eration ` a effectuer;
• le lieu d’origine et de destination de la pi` ece;
• la quantit´ e par conteneur.
Cette technique utilise en effet des conteneurs standards pour la circulation entre
les postes.
L’´ etiquette est donc un ordre de fabrication des pi` eces qui
• descend le flux de pi` eces (lors de la fabrication);
• remonte ce flux une fois les pi` eces consomm´ ees.
Le rythme de fabrication est donc ´ egal ` a la vitesse de circulation des ´ etiquettes
qui est, elle-mˆ eme, d´ etermin´ ee par le rythme de consommation des pi` eces. Par
exemple, si la consommation vient ` a se tarir, les ´ etiquettes ne remontent plus et la
fabrication s’arrˆ ete.
Pour un bon fonctionnement du syst` eme, il faut une capacit´ e suffisante des
postes amont pour r´ epondre ` a la demande : ceci n´ ecessite donc en g´ en´ eral de
pr´ evoir une surcapacit´ e.
6.4.1 Syst` eme Kanban ` a une boucle
Le fonctionnement du syst` eme Kanban ` a une boucle est le suivant (cfr figure 6.1) :
• L’´ etiquette est appos´ ee sur le conteneur de pi` eces qui viennent d’ˆ etre fa-
briqu´ ees en amont (a);
• Elle accompagne le conteneur au poste suivant et reste sur le conteneur en
attente (b);
• Au moment o` u le conteneur est mis en fabrication sur le poste aval, le Kanban
est lib´ er´ e et retourne au poste amont (c);
96 Chapitre 6. Les techniques de juste ` a temps
POSTE
AMONT
Transport
entre postes
POSTE
AVAL
(a)
(d)
(c)
(b)
Conteneur avec étiquette Etiquette libre
Figure 6.1: Syst` eme Kanban ` a une boucle.
• Il entre dans le planning du poste amont (d) d’o` u il sort au moment d’une
nouvelle fabrication.
On peut faire les remarques suivantes sur le fonctionnement du syst` eme kan-
ban ` a une boucle :
1. Tout conteneur rempli poss` ede obligatoirement une ´ etiquette (c’est-` a-dire
son ordre de fabrication).
2. Une ´ etiquette libre (c’est-` a-dire non attach´ ee ` a un conteneur) repr´ esente un
ordre de fabrication pour une quantit´ e fixe de pi` eces sur un poste de travail
d´ etermin´ e.
3. Le nombre d’´ etiquettes en circulation entre deux postes fixe les stocks d’en
cours de fabrication : en effet, le volume des en cours, c’est-` a-dire le nombre
de conteneurs entre les postes, est inf´ erieur ou ´ egal au nombre d’´ etiquettes
en circulation.
4. En observant son planning d’´ etiquettes en attente, le responsable du poste
amont peut choisir ses priorit´ es de fabrication d’apr` es les besoins des agents
des diff´ erents postes aval qu’il fournit.
6.4.2 D´ etermination du nombre d’´ etiquettes
Un probl` eme fondamental est la d´ etermination du nombre d’´ etiquettes ` a mettre
en circulation. Ce nombre doit, en effet, r´ esulter d’un compromis entre :
• un nombre pas trop ´ elev´ e : sinon on g´ en` ere des stocks interm´ ediaires;
• un nombre pas trop faible : sinon le poste aval risque de tomber en rupture.
Section 6.4. La m´ethode Kanban 97
Les donn´ ees du probl` eme sont les suivantes :
• C
u
, la consommation du poste aval en unit´ es par minute;
• Q
e
, la taille ´ economique des lots fabriqu´ es en amont;
• k, la capacit´ e d’un conteneur;
• T
r
, le d´ elai de r´ eaction du syst` eme lorsque le stock au poste aval atteint le
seuil de lancement d’une production. Ce d´ elai de r´ eaction comprend
– le retour du ticket d’alerte vers l’amont,
– l’attente au planning amont,
– le r´ eglage de la machine amont,
– la production du premier conteneur,
– le transport du conteneur jusqu’au poste aval.
Le principe utilis´ e pour d´ eterminer le nombre d’´ etiquettes est le suivant : le
nombre de conteneurs dans la boucle correspond au strict minimum pour que le
syst` eme fonctionne sans rupture pour le poste aval.
Illustrons ceci sur un exemple tir´ e de Baglin et al [1]. Soit D = 2000 pi` eces, la
demande moyenne du poste aval par journ´ ee de 8 heures de travail. On en d´ eduit
une consommation en unit´ es par minute de :
C
u
=
2000
8 ×60
= 4, 1667
Soit k = 100 pi` eces, la capacit´ e d’un conteneur. Soit T
r
, temps de r´ eaction qui
r´ esulte d’un temps de retour du ticket de 30 minutes (le ramassage des tickets
s’effectue toutes les heures, donc un temps moyen d’attente d’une demi heure),
d’une attente moyenne de 10 minutes au planning du poste amont, d’un r´ eglage
de la machine de 10 minutes, d’un temps de production de 0,1 minute par pi` ece
(donc 10 minutes pour 100 pi` eces), d’un temps de transport de l’amont vers l’aval
de 35 minutes :
T
r
= 30 + 10 + 10 + 10 + 35 = 95
Pendant le temps de r´ eaction, la consommation du poste aval est de :
T
r
C
u
= 95 ×4, 1667 = 395, 83
Il en r´ esultera qu’il faut au moins 4 ´ etiquettes en permanence dans le syst` eme :
N
e

T
r
C
u
k
= 3, 96
98 Chapitre 6. Les techniques de juste ` a temps
Si l’on veut prendre une marge de s´ ecurit´ e de α = 10 % :
N
e

(1 +α)T
r
C
u
k
=
1, 1 ×395, 83
100
= 4, 3541.
Il faudra donc au moins 5 ´ etiquettes en permanence dans le syst` eme.
Supposons maintenant que, au poste amont, l’arbitrage entre le coˆ ut de lance-
ment et le coˆ ut de possession justifie une production par lot de taille ´ economique
optimale :
Q
e
= 600 pi` eces,
c’est-` a-dire ` a 6 conteneurs (Q
e
/k). Il faudra donc attendre d’avoir six ´ etiquettes
accroch´ ees au planning du poste amont avant de pouvoir lancer en fabrication de
quoi remplir le premier conteneur. Il faudra donc ajouter ces 6 conteneurs aux 5
pr´ ec´ edents.
Le nombre de conteneurs dans la boucle correspond donc en g´ en´ eral ` a la
somme :
• du stock correspondant au seuil d’alerte, c’est-` a-dire au stock permettant de
faire fonctionner le poste aval durant T
r
, augment´ e d’une marge de s´ ecurit´ e
α :
(1 +α)C
u
T
r
• du lot ´ economique Q
e
produit par le poste amont :
Q
e
le tout divis´ e par k, la capacit´ e d’un conteneur :
N
e

(1 +α)C
u
T
r
+Q
e
k
(6.1)
Le r´ esultat est arrondi ` a l’entier sup´ erieur. Ce qui donne ici :
N
e

(1 +α)C
u
T
r
+Q
e
k
=
435 + 600
100
= 10, 35
Ce qui correspond ` a 11 conteneurs de 100 pi` eces.
Section 6.5. Exercices 99
6.5 Exercices
6.1. Flux tendus. Un atelier de fabrication de sous-ensembles approvisionne la
chaˆıne de montage de petits articles ´ electrom´ enagers situ´ ee dans un bˆ atiment
proche. La r´ egularit´ e de la production incite la direction ` a mettre en place
un syst` eme d’appel par l’aval entre ces deux postes. Les caract´ eristiques
de la production sont les suivantes : l’atelier fonctionne 8 heures par jour,
la chaˆıne consomme 2 000 sous-ensembles par jour, il faut une heure pour
r´ egler la machine de l’atelier et cinq secondes pour produire une pi` ece, la
taille ´ economique des lots en amont s’´ el` eve ` a 500 pi` eces, la capacit´ e des
conteneurs est de 250 pi` eces, la manutention d’un conteneur d’un poste ` a
l’autre n´ ecessite dix minutes, le ramassage des tickets s’effectue toutes les
heures, le temps d’attente moyen au planning amont peut ˆ etre estim´ e ` a trente
minutes. On retiendra pour l’ensemble des calculs un coefficient de s´ ecurit´ e
de 20 %.
(a) D´ eterminer le nombre de tickets ` a mettre en circulation dans la boucle.
(b) V´ erifier l’´ equilibre entre la charge et la capacit´ e du poste amont.
(c) On d´ ecide maintenant de r´ eduire la taille des s´ eries de fabrication de
500 ` a 250. Calculer le nombre de lancements r´ ealis´ es par jour. Quelle
am´ elioration devrait-on r´ ealiser pour pouvoir fonctionner ainsi ?
6.2. Calcul du nombre d’´ etiquettes. Une entreprise fabrique de fa¸ con r´ eguli` ere
les produits A, B, C et D ` a partir des produits achet´ es E, F et G. Voici la
nomenclature pour ces produits :
A utilise
_
1C
1E
, B utilise
_
1C
1F
, C utilise 1 D, D utilise 1 G
Cette entreprise, souhaitant fabriquer ces produits sur une ligne de production
pilot´ ee par Kanban, organise ses machines de la fa¸ con suivante :
----> M3
|
M1 ------> M2 ------|
|
-----> M4
L’entreprise, devant produire 20 A et 30 B par jour (de 8 heures), souhaite
ne pas d´ efinir au hasard le nombre de Kanban et la taille des containers ` a
mettre en place pour piloter la production entre M1 et M2. Sachant que :
• le poste M1 fabrique les pi` eces D, X et Y, le poste M2 fabrique la pi` ece
C, le poste M3 assemble la pi` ece A, le poste M4 assemble la pi` ece B,
100 Chapitre 6. Les techniques de juste ` a temps
• la fabrication des pi` eces D n´ ecessite 0,5 heure de r´ eglage du poste et
0,08 heure de fabrication unitaire,
• les pi` eces D, pesant chacune 5 kg, sont transport´ ees dans des containers
ne pouvant pas supporter plus de 50 kg de charge,
• le retour de l’´ etiquette peut se faire entre M2 et M1 en 5 minutes,
• le temps de transport des containers entre les postes M1 et M2 peut ˆ etre
estim´ e ` a 10 minutes,
• le poste M1 fabrique aussi 2 autres pi` eces (X et Y) n´ ecessitant des
r´ eglages diff´ erents de ceux de D. La fabrication des 2 autres pi` eces
peut occuper le poste M1 pendant 2 heures 15 minutes par jour (d’une
traite).
(a) Quel est le flux journalier de production de la pi` ece D ?
(b) Combien de r´ eglages de s´ eries de pi` eces Dpouvez-vous faire par jour ?
(c) Quelle est la taille du container de la pi` ece D ?
(d) Quel est le nombre de Kanbans qui doivent ˆ etre utilis´ es entres les postes
M1 et M2 ? Pour d´ eterminer la taille du lot minimum qui doit ˆ etre
lanc´ e au poste M1, tenir compte du nombre maximum de lancements
admissibles par jour. On ne prend aucune marge de s´ ecurit´ e.
6.3. Conditionnement de surgel´ es. Une entreprise produit des l´ egumes surgel´ es
en sachets de 1 kg. La chaˆıne de production est compos´ ee de deux postes : le
premier assure la pr´ eparation des l´ egumes et le second r´ ealise le condition-
nement. Le directeur d´ esire utiliser le poste de conditionnement ` a sa pleine
capacit´ e qui est de 3200 sachets par jour, ` a raison de huit heures par jour.
Il faut 30 minutes de nettoyage de la machine de pr´ eparation avant chaque
lot, ensuite le traitement de chaque kilo de l´ egumes prend 3 secondes. Le
temps d’attente moyen en amont de l’unit´ e de pr´ eparation est de 10 minutes.
Le transfert des l´ egumes de l’unit´ e de pr´ eparation vers l’unit´ e de condi-
tionnement prend 5 minutes. L’entreprise d´ esire organiser sa production en
utilisant le syst` eme de kanban. La p´ eriodicit´ e du ramassage des tickets est
fix´ ee ` a 10 minutes. La capacit´ e des conteneurs est de 200 kg. Il est envisag´ e
de faire travailler l’unit´ e de pr´ eparation par lots ´ economiques de 400 kg.
(a) Quel est le temps de r´ eaction du poste de pr´ eparation ?
(b) V´ erifiez l’´ equilibre entre la charge et la capacit´ e dans ce cas.
(c) Quel est le nombre total d’´ etiquettes dans le syst` eme, si on d´ esire
s’assurer une marge de s´ ecurit´ e de 15 % ?
Partie III
Les d´ ecisions strat´ egiques
101
Chapitre 7
L’ordonnancement de projets
7.1 Introduction
Lors de tout projet de grande envergure (construction d’un bateau, d’un avion, d’un
bˆ atiment,...), un probl` eme crucial qui se pose est celui du calendrier d’ex´ ecution
des tˆ aches. Le probl` eme est de d´ eterminer dans quel ordre doivent s’enchaˆıner les
diverses tˆ aches de mani` ere ` a minimiser le temps total d’ex´ ecution du projet.
Prenons un exemple tir´ e de Giard [4].. On veut construire un nouveau bˆ atiment
de mani` ere ` a pouvoir d´ em´ enager au plus t ˆ ot. Certaines tˆ aches (voir tableau 7.1)
ne peuvent s’ex´ ecuter qu’apr` es que d’autres soient termin´ ees. Par exemple, on
ne peut commencer les fondations que lorsque le terrassement est fini. On ne
peut monter les murs que lorsque les fondations sont termin´ ees. D’autres tˆ aches
peuvent s’ex´ ecuter simultan´ ement. Par exemple, les travaux d’´ electricit´ e et de
plomberie peuvent ˆ etre men´ es de pair. On doit tenir compte, dans les probl` emes
No tˆ ache dur´ ee (jours) pr´ ealables
1 terrassement 5 -
2 fondations 4 1
3 colonnes porteuses 2 2
4 charpente toiture 2 3
5 couverture 3 4
6 ma¸ connerie 5 3
7 plomberie, ´ electricit´ e 3 2
8 coulage dalle b´ eton 3 7
9 chauffage 4 8 et 6
10 plˆ atre 10 9 et 5
11 finitions 5 10
Tableau 7.1: Construction d’un bˆ atiment.
d’ordonnancement, de divers types de contraintes.
103
104 Chapitre 7. L’ordonnancement de projets
• Les contraintes de localisation temporelle expriment la localisation d’une
tˆ ache dans le temps : une tˆ ache ne peut commencer avant une telle date, ou
apr` es une telle date (par exemple, en raison des conditions climatiques).
• Les contraintes de succession temporelle expriment les relations d’ant´ e-
riorit´ e entre les tˆ aches : une tˆ ache ne peut commencer avant la fin d’une autre
(par exemple, on ne coule pas les fondations avant la fin du terrassement).
• Les contraintes disjonctives expriment le fait que deux tˆ aches ne peuvent
avoir lieu en mˆ eme temps sans que l’on puisse dire laquelle doit ˆ etre effectu´ ee
avant l’autre (par exemple, une mˆ eme grue est utilis´ ee sur deux chantiers).
Le probl` eme d’ordonnancement avec des contraintes de localisationtemporelle
et de succession temporelle seulement est appel´ e probl` eme central d’ordonnan-
cement. Il s’agit de d´ eterminer le calendrier de d´ ebut de chacune des tˆ aches de
mani` ere ` a terminer le chantier au plus vite en respectant les contraintes temporelles.
Nous allons voir que ce probl` eme utilise la notionde graphe, aussi bien pour sa
formulationque pour sa r´ esolution. Onpeut, eneffet, repr´ esenter le probl` eme sur un
graphe, le r´ esoudre graphiquement et pr´ esenter graphiquement l’ordonnancement.
Il existe deux m´ ethodes de r´ esolution pour ce probl` eme, ` a savoir :
• la m´ ethode du potentiel d´ evelopp´ ee en France dans les ann´ ees 60 et qui as-
socie ` a chaque tˆ ache un nœud du r´ eseau, tandis que les relations d’ant´ eriorit´ e
sont repr´ esent´ ees par des arcs entre les tˆ aches (voir figure 7.1);
Figure 7.1: Graphe de la m´ ethode des potentiels.
• la m´ ethode PERT d´ evelopp´ ee parall` element aux
´
Etats Unis d’Am´ erique
et qui, elle, associe chaque tˆ ache ` a un arc du r´ eseau, et chaque relation
d’ant´ eriorit´ e ` a un nœud (voir figure 7.2).
Figure 7.2: Graphe de la m´ ethode des potentiels.
Algorithmiquement, les deux m´ ethodes de r´ esolution sont ´ equivalentes, mais
la m´ ethode du potentiel permet d’´ ecrire le graphe de r´ eseau de mani` ere plus
syst´ ematique (sans ajouter d’arc fictif).
Section 7.2. Formulation du probl`eme 105
7.2 Formulation du probl` eme
Fixons-nous les notations suivantes. Nous avons n tˆ aches ` a ex´ ecuter, indic´ ees
i = 1, . . .n. Utilisons ´ egalement la notation d
i
pour d´ esigner la dur´ ee d’ex´ ecution
de la tˆ ache i (qui est ici une donn´ ee). D´ esignons par t
0
le temps de d´ ebut d’ex´ ecution
du chantier, suppos´ e ´ egalement connu.
Les variables du probl` eme sont les suivantes : t
i
note le temps de d´ ebut
d’ex´ ecution de la tˆ ache i, et t
f
(= t
n+1
) note le temps de fin de chantier.
Formulons maintenant l’objectif : il s’agit simplement de minimiser le temps
de r´ ealisation du chantier, autrement dit :
minz = t
f
−t
0
qui consistera ` a minimiser t
f
si on se fixe initialement t
0
= 0.
Formulons maintenant les contraintes du probl` eme central d’ordonnancement.
Elles sont de trois types :
• Les contraintes de localisation temporelle expriment que la tˆ ache i ne peut
commencer avant le d´ ebut de chantier :
t
i
≥ t
0
, ∀i sans pr´ ed´ ecesseur (7.1)
• Les contraintes de succession temporelle expriment que la tˆ ache j ne peut
d´ ebuter avant que toute tˆ ache i pr´ ealable ` a j ne soit finie :
t
i
+d
i
≤ t
j
, ∀ tˆ ache i ant´ erieure ` a la tˆ ache j (7.2)
• Les contraintes de fin de chantier expriment que toute tˆ ache i doit ˆ etre finie
avant la fin de chantier :
t
i
+d
i
≤ t
f
, ∀i sans successeur (7.3)
Remarquez que vu la pr´ esence des contraintes de succession temporelle (7.2),
il suffit d’´ ecrire (7.1) pour toute tˆ ache n’ayant pas de pr´ ed´ ecesseur et (7.3) pout
toute tˆ ache n’ayant pas de successeur.
7.3 Repr´ esentation graphique du probl` eme
On associe donc au probl` eme central d’ordonnancement un graphe dont les som-
mets repr´ esentent les diverses tˆ aches du probl` eme. On ajoute un nœud 0 qui
106 Chapitre 7. L’ordonnancement de projets
correspond ` a la date de d´ ebut de chantier et un nœud f = n + 1 qui correspond
` a la fin de chantier. Les arcs du r´ eseau repr´ esentent les diverses contraintes qui
peuvent toutes se mettre sous la forme suivante
t
i
+d
i
≤ t
j
en d´ efinissant d
0
= 0. Le probl` eme central d’ordonnancement se formule donc
ainsi :
min t
f
(−t
0
)
s.c.q. t
i
+d
i
≤ t
j
, ∀(i, j) ∈ A
(7.4)
o` u A note l’ensemble des arcs du r´ eseau.
0
12
5 4 3
2 1 0 11 10
9 8 7
6
5
4
4
3
2 2
2
4
5
3 3
5 10
Figure 7.3: graphe associ´ e.
Reprenons l’exemple. On peut construire syst´ ematiquement le graphe associ´ e
au probl` eme d’ordonnancement de la mani` ere suivante (voir figure 7.3) :
1. On relie d’abord toutes les tˆ aches qui peuvent ˆ etre effectu´ ees sans pr´ ealable
au nœud 0, d´ ebut de chantier par un arc de longueur nulle. Dans l’exemple,
seule la tˆ ache 1 est dans ce cas. Remarquez qu’il s’agit de la repr´ esentation
des contraintes (7.1).
2. Ensuite, on prend une tˆ ache d´ ej` a dans le graphe et on examine si elle pr´ ec` ede
d’autres. Par exemple, la tˆ ache 1 doit pr´ ec´ eder la tˆ ache 2. On doit donc avoir
t
1
+d
1
≤ t
2
.
On trace le nœud 2 et on le relie au nœud 1 par un arc de longueur d
1
. On
fait de mˆ eme pour repr´ esenter toutes les contraintes de type (7.2).
3. Enfin, quand toutes les tˆ aches sont dans le graphe, pour les seules tˆ aches qui
ne sont suivies d’aucune autre, on les relie au nœud n + 1, fin de chantier,
avec un arc de longueur ´ egale ` a la dur´ ee de la tˆ ache. Ici, seule la tˆ ache finition
est dans ce cas, et il faut que cette tˆ ache soit finie pour la fin du chantier. Il
s’agit ici de repr´ esenter les contraintes du type (7.3).
Section 7.3. Repr´esentation graphique du probl`eme 107
Disons un mot de la repr´ esentation des trois autres types de contraintes que
l’on peut rencontrer dans les probl` emes d’ordonnancement de projets :
1. Contraintes de localisation temporelle du type min. Supposons d’abord
que la tˆ ache 3 ne puisse commencer avant 10 :
10 ≤ t
3
⇔t
0
+ 10 ≤ t
3
.
Ceci se repr´ esente en joignant les nœuds 0 et 3 par un arc de longueur 10.
2. Contrainte de localisation temporelle du type max. Ensuite, supposons
que la tˆ ache 5 doive ˆ etre commenc´ ee avant 40 :
t
5
≤ t
0
+ 40 ⇔t
5
−40 ≤ t
0
.
Ceci se repr´ esente en joignant les nœuds 5 et 0 par un arc de “longueur” -40.
3. Contrainte du type ´ ecart maximum. Enfin, supposons que la tˆ ache 9 doive
commencer au plus tard 5 jours apr` es le d´ ebut de la tˆ ache 8 :
t
9
≤ t
8
+ 5 ⇔t
9
−5 ≤ t
8
.
Ceci se repr´ esente en joignant les nœuds 9 et 8 par une arc de “longueur” -5.
0
12
5 4 3
2 1 0 11 10
9 8 7
6
5
4
4
3
2 2
2
4
5
3
3
5 10
10
-40
-5
Figure 7.4: Trois autres types de contraintes.
Avant de voir l’algorithme qui permet de r´ esoudre le probl` eme d’ordonnan-
cement, nous allons dire un mot des conditions sous lesquelles ce probl` eme est
r´ ealisable. En effet, les contraintes temporelles peuvent venir de divers services et
ˆ etre incompatibles entres elles.
108 Chapitre 7. L’ordonnancement de projets
7.4 Existence d’une solution
Supposons que nous ayons la situation suivante.
Tˆ ache Dur´ ee pr´ ealable
1 d
1
3
2 d
2
1
3 d
3
2
Cette situation est repr´ esent´ ee ` a la figure 7.5.
3
2
1
d
1
d
2
d
3
Figure 7.5: Circuit de longueur positive.
On voit ici que le graphe contient un circuit (cycle avec tous les arcs dans
le mˆ eme sens) dont la somme des longueurs des arcs est positive.
´
Ecrivons les
contraintes correspondantes :
t
1
+d
1
≤ t
2
t
2
+d
2
≤ t
3
t
3
+d
3
≤ t
1
En sommant et en simplifiant, on obtient la condition suivante :
d
1
+d
2
+d
3
≤ 0
On peut alors montrer le r´ esultat suivant.
Lemme 7.1 Les contraintes temporelles sont compatibles entre elles si et seu-
lement si le graphe associ´ e ne comporte aucun circuit de longueur (somme des
longueurs des arcs le constituant) strictement positive.
Remarquez qu’un cycle avec une somme des longueurs n´ egative ne pose pas de
probl` eme. Par exemple, ` a la figure 7.4, la tˆ ache 8 de longueur 3 doit ˆ etre finie avant
que ne commence la tˆ ache 9 et la tˆ ache 9 doit commencer end´ eans les 5 jours de
d´ ebut de la tˆ ache 8 :
t
8
+ 3 ≤ t
9
t
9
−5 ≤ t
8
Ceci se repr´ esente, comme vu ci-dessus, par une fl` eche de 8 vers 9 de longueur 3
et une fl` eche retour de longueur -5. Ceci ne pose pas de probl` eme, la somme des
“longueurs” ´ etant n´ egative.
Section 7.5. Calcul de l’ordonnancement au plus tˆ ot 109
7.5 Calcul de l’ordonnancement au plus tˆ ot
Nous allons maintenant voir un algorithme de calcul de l’ordonnancement au plus
tˆ ot. L’ordonnancement au plus t ˆ ot d´ etermine les dates de d´ ebut au plus t ˆ ot des
diff´ erentes tˆ aches, not´ ees t
i
, en partant du nœud de d´ ebut de chantier.
Illustrons les choses sur l’exemple. La tˆ ache 1 peut commencer au plus t ˆ ot en
0 puisqu’elle est reli´ ee au au nœud 0, d´ ebut de chantier, par un arc de longueur
nulle. La tˆ ache 2 peut commencer d` es la fin de la tˆ ache 1, c’est-` a-dire
t
2
= t
1
+d
1
= 5
et ainsi de suite, on marque t
3
= 9, t
4
= 11, t
5
= 13, ...
Lorsqu’un sommet (comme le sommet 9) a plus d’un pr´ ed´ ecesseur (8 et 6), on
d´ etermine la date au plus t ˆ ot par un maximum :
t
9
= max {t
6
+d
6
, t
8
+d
8
} = 16.
Il faut, en effet, que les deux tˆ aches pr´ ec´ edentes soient finies avant de pouvoir
d´ ebuter la tˆ ache 9. On arrive ainsi ` a d´ eterminer la dur´ ee totale minimum qui est
ici de 35 jours.
L’ordonnancement au plus t ˆ ot est illustr´ e ` a la figure 7.6 o` u le temps de d´ ebut
au plus t ˆ ot est indiqu´ e au dessus des nœuds.
0
12
5 4 3
2 1 0 11 10
9 8 7
6
5
4
4
3
2 2
2
4
5
3
3
5 10
0 0 5
9
9
11
11
12
16
13
35 30 20
Figure 7.6: Ordonnancement au plus t ˆ ot.
7.6 Ordonnancement au plus tard
Certaines tˆ aches sont telles que si on retarde leur date de d´ ebut, cela aura des
r´ epercussions sur la date de fin de chantier. Par exemple, si on retarde la date
de d´ ebut de la tˆ ache 11 (finition), cela va directement retarder la date de fin de
110 Chapitre 7. L’ordonnancement de projets
chantier. De mˆ eme, si on retarde la tˆ ache 10 (plˆ atre), cela va retarder la date de
d´ ebut de la tˆ ache 11 (finition) qui elle-mˆ eme retarde la date de fin de chantier.
Par contre, si on retarde le d´ ebut de la tˆ ache 5 (couverture), cela n’aura pas de
r´ epercussion, car ce n’est pas ` a partir de ce nœud que son successeur (10) a ´ et´ e
marqu´ e mais bien ` a partir du nœud 9. On voit donc que l’on peut retarder la date
de d´ ebut de la tˆ ache 5 sans cons´ equence sur la date de fin de chantier jusqu’` a un
certain point. En effet, t
5
= 13, t
10
= 20, et d
5
= 3. Autrement dit, la date de
d´ ebut de la tˆ ache 5 peut ˆ etre retard´ ee jusqu’` a la valeur :
t
10
−d
5
= 20 −3 = 17
sans retarder la date de d´ ebut de la tˆ ache 10. On dit que 17 est la date de d´ ebut au
plus tard de la tˆ ache 5. C’est-` a-dire que la tˆ ache 5 peut ˆ etre commenc´ ee ` a cette
date au plus tard sans allonger la dur´ ee totale minimale des travaux.
On notera une date de d´ ebut au plus tard par t
i
. On peut calculer l’ordonnan-
cement au plus tard de la mani` ere suivante (voir figure 7.7). Partant du nœud fin,
pour lequel la date de d´ ebut au plus tard co¨ıncide avec la date de d´ ebut au plus t ˆ ot
t
12
= t
12
= 35,
on retranche ` a la date au plus tard la dur´ ee de la derni` ere tˆ ache. On d´ etermine ainsi
la date de d´ ebut au plus tard de la tˆ ache 11 :
t
11
= t
12
−d
11
= 35 −5 = 30.
On marque ensuite ` a rebours les nœuds 10, 5, ...
0
12
5 4 3
2 1 0 11 10
9 8 7
6
5
4
4
3
2 2
2
4
5
3 3
5 10
0
0 5
9
9
11
11
12 16
13
35 30 20
0
0
10
9 15
13 16
17
35 30
20
11
5
Figure 7.7: Ordonnancement au plus tard.
Lorsqu’un nœud a plusieurs successeurs, on ne peut marquer ce sommet que
si tous ses successeurs directs sont marqu´ es. Prenons, ` a titre d’illustration, le cas
du nœud 3. Dans ce cas, il faut prendre le minimum :
t
3
= min{t
4
−d
3
, t
6
−d
3
} = min{15 −2, 11 −2} = 9,
sans quoi on retarderait la date de fin de chantier.
Section 7.7. Chemin critique et calcul des marges 111
7.7 Chemin critique et calcul des marges
On voit directement que l’on a deux sortes de tˆ aches.
• Les tˆ aches critiques sont celles qui servent ` a marquer de proche en proche
le sommet n + 1 ` a partir du sommet 0. Elles forment ce que l’on appelle
le chemin critique qui donne l’ensemble des tˆ aches ` a surveiller en premier
si l’on veut respecter le d´ elai minimum de r´ ealisation du projet. Le chemin
critique, illustr´ e en hachur´ e ` a la figure 7.7, peut ˆ etre d´ etermin´ e de la mani` ere
suivante. Partant du nœud n + 1, on ne retient que les sommets qui ont
permis de joindre n+1 ` a partir du nœud 1. Il s’agit, dans l’exemple, des
nœuds 12,11,10,9,6,3,2,1 et 0.
• Pour toutes les autres tˆ aches, c’est-` a-dire les tˆ aches non critiques, on peut
d´ eterminer la marge d’une tˆ ache comme la diff´ erence entre son temps de
d´ ebut au plus tard et au plus t ˆ ot :
m
i
= t
i
−t
i
(7.5)
et donc la marge m
i
est strictement positive pour les tˆ aches non critiques
tandis qu’elle est nulle pour les tˆ aches critiques.
i 4 5 7 8
m
i
4 4 1 1
On peut interpr´ eter les t ˆ aches critiques comme l’ensemble des tˆ aches pour
lesquelles tout retard sur leur date de d´ ebut aura des r´ epercussions sur la date de
fin de chantier. C’est donc l’ensemble des tˆ aches ` a surveiller en premier si l’on
veut respecter le d´ elai minimum de r´ ealisation du projet.
Il est ` a remarquer qu’il peut y avoir plusieurs chemins critiques pour un
probl` eme.
Si l’on veut r´ eduire la dur´ ee du projet,
Principe 1 : il ne sert ` a rien de r´ eduire la dur´ ee de t ˆ aches non critiques. Cela ne
ferait qu’augmenter leur marge.
Principe 2 : il faudra r´ eduire simultan´ ement la dur´ ee de tous les chemins critiques.
Il est aussi ` a remarquer que, d` es que l’on a r´ eduit la dur´ ee du chemin critique,
d’autres chemins critiques peuvent apparaˆıtre.
112 Chapitre 7. L’ordonnancement de projets
7.8 L’ordonnancement par la m´ ethode PERT
La m´ ethode PERT (pour Program Evaluation Review Technique) s’est d´ evelop-
p´ ee, parall` element ` a la m´ ethode du potentiel, aux
´
Etats-Unis en 1958 pour la
planification de la construction des sous-marins Polaris. Elle se distingue de la
m´ ethode du potentiel par le fait que les tˆ aches ne sont plus associ´ ees aux nœuds
mais bien aux arcs du r´ eseau. L’algorithme de r´ esolution est tr` es semblable
` a celui de la m´ ethode du potentiel. La diff´ erence majeure r´ eside donc dans la
construction du graphe : le graphe de la m´ ethode PERT est souvent plus difficile ` a
construire que celui de la m´ ethode du potentiel car on peut ˆ etre amen´ e ` a introduire
des arcs fictifs qui ne correspondent ` a aucune tˆ ache.
Dans la m´ ethode PERT, chaque tˆ ache est donc associ´ ee ` a un arc du graphe. La
longueur de l’arc correspondant ` a la dur´ ee de la tˆ ache en question. Les sommets
sont utilis´ es pour traduire les relations de succession temporelle. Ainsi, si la
tˆ ache j doit suivre la tˆ ache i, l’extr´ emit´ e terminale de l’arc repr´ esentant la tˆ ache i
co¨ıncidera avec l’extr´ emit´ e initiale de l’arc repr´ esentant la tˆ ache j.
Ceci permet de tracer le graphe pour l’exemple d´ ej` a consid´ er´ e pour la m´ ethode
du potentiel. Ceci est fait ` a la figure 7.8 o` u l’on a not´ e, ` a cˆ ot´ e de chaque arc, d’une
part, le num´ ero correspondant ` a la tˆ ache, d’autre part, la dur´ ee de la tˆ ache.
6, 5
1, 5 2, 4
3, 2
7, 3
4, 2
8, 3
5, 3
9, 4
10, 10 11, 5
Figure 7.8: Graphe associ´ e pour la m´ ethode PERT.
Si, sur cet exemple, le graphe de la m´ ethode du potentiel et celui de la m´ ethode
PERT sont tr` es proches, il n’en va pas toujours de mˆ eme. La construction du
graphe PERT pose parfois un probl` eme qui peut ˆ etre r´ esolu en ajoutant un arc
fictif qui ne correspond ` a aucune tˆ ache.
Ce probl` eme se rencontre pour certaines contraintes de succession tempo-
relle. Illustrons les choses sur un exemple. Supposons que la tˆ ache 1 pr´ ec` ede les
Section 7.8. L’ordonnancement par la m´ethode PERT 113
tˆ aches 2 et 3 et que la tˆ ache 4 pr´ ec` ede la tˆ ache 3 :
Tˆ ache pr´ ealable
1 −
2 1
3 1, 4
4 −
On pourrait tracer le graphe de la figure 7.9. Mais ce graphe introduit une contrainte
1
2
3
4
Figure 7.9: Introduction d’un contrainte.
suppl´ ementaire qui dit que la tˆ ache 4 doit pr´ ec´ eder la tˆ ache 2. Pour r´ esoudre la
difficult´ e, il faut ajouter un arc fictif de longueur nulle entre l’extr´ emit´ e de la
tˆ ache 1 et le d´ ebut de la tˆ ache 3. Ceci est illustr´ e ` a la figure 7.10.
1
2
3 4
Figure 7.10: Arc fictif.
L’ordonnancement se calcule ainsi. D’abord, on d´ etermine les dates de d´ ebut
au plus tˆ ot des nœuds, que nous noterons t
i
. Ceci est fait par marquage des nœuds
` a partir de l’origine comme dans la m´ ethode du potentiel. On additionne au temps
du nœud pr´ ec´ edent le temps de la tˆ ache. En cas de plusieurs pr´ ed´ ecesseurs, on
prend le maximum. Ensuite, on d´ etermine les dates au plus tard des nœuds,
not´ ees
¯
t
i
, par marquage ` a partir de la fin, en soustrayant au temps du nœud suivant
le temps de la tˆ ache. En cas de plusieurs successeurs, on prend le minimum.
Il est ` a souligner que ces dates au plus tard des nœuds ne fournissent pas les
dates de d´ ebut au plus tard des tˆ aches issues du nœud. Par exemple, la tˆ ache 4
est issue d’un nœud o` u la date au plus tard est de 11 (comme la date au plus t ˆ ot)
114 Chapitre 7. L’ordonnancement de projets
6, 5 1, 5 2, 4
3, 2
7, 3
4, 2
8, 3
5, 3
9, 4
10, 10 11, 5
0
5
9
11
13 16
13
35 30 20
0 5
9
0
0
0
0
11
4
17
4
1
1
12 16
0
0
0
35 30 20
Figure 7.11: Ordonnancement par la m´ ethode PERT.
pourtant cette tˆ ache a une marge de 4 jours. Il faut donc poursuivre les calculs
pour avoir la date de d´ ebut au plus tard des tˆ aches.
On calcule la marge de la tˆ ache (i, j) liant les nœuds i et j comme :
m
ij
= t
j
−(t
i
+d
ij
) (7.6)
Autrement dit, la marge est la diff´ erence entre :
• la date de fin au plus tard de la t ˆ ache t
j
et
• sa date de fin au plus t ˆ ot t
i
+ d
ij
, qui, elle-mˆ eme, se calcule comme sa date
de d´ ebut au plus t ˆ ot augment´ ee de sa dur´ ee.
On obtient alors les dates au plus tard des tˆ aches en additionnant ` a la date au plus
t ˆ ot du nœud de d´ epart, la marge de la tˆ ache. Les r´ esultats sont indiqu´ es au tableau
ci-dessous.
Tˆ ache 1 2 3 4 5 6 7 8 9 10 11
Date au plus t ˆ ot 0 5 9 11 13 11 9 12 16 20 30
Marge 0 0 0 4 4 0 1 1 0 0 0
Date au plus tard 0 5 9 15 17 11 10 13 16 20 30
Un chemin critique peut alors se construire ` a partir du nœud de fin en ne retenant
que les arcs critiques. Les marges des tˆ aches sont indiqu´ ees entour´ ees d’un carr´ e
` a la figure 7.11.
Section 7.9. La minimisation des coˆ uts 115
7.9 La minimisation des coˆ uts
Jusqu’` a pr´ esent, on a consid´ er´ e la dur´ ee de chaque tˆ ache comme donn´ ee. Or la
dur´ ee d’une tˆ ache particuli` ere i peut varier en fonction, par exemple, de l’em-
bauche de personnel suppl´ ementaire, de l’achat ou de la location de mat´ eriel
suppl´ ementaire. On voit donc que l’on pourra, en g´ en´ eral, r´ eduire la dur´ ee de
chaque tˆ ache moyennant un coˆ ut suppl´ ementaire. Nous allons voir ici comment
arbitrer entre les deux crit` eres : diminution de la dur´ ee d’ex´ ecution des tˆ aches et
donc du chantier et, d’autre part, augmentation des coˆ uts d’ex´ ecution des tˆ aches.
Consid´ erons la tˆ ache i. Sa dur´ ee d’ex´ ecution d
i
peut varier entre une dur´ ee
minimale (incompressible) d
i
et une dur´ ee maximumd
i
. Si l’on admet que le coˆ ut
c
i
d
i
d
i
d
i
m
i
Figure 7.12: Coˆ ut d’ex´ ecution de la tˆ ache i.
varie lin´ eairement en fonction de la dur´ ee, on obtient le graphique de la figure 7.12.
Notons par m
i
la pente. Pour une dur´ ee d
i
comprise entre les bornes inf´ erieure et
sup´ erieure, le coˆ ut de la tˆ ache i est alors calcul´ e par l’´ equation suivante :
c
i
(d
i
) = c
i
(d
i
) +m
i
(d
i
−d
i
)
Si on r´ ep` ete la mˆ eme op´ eration pour chacune des tˆ aches, l’objectif de la minimi-
sation du coˆ ut total d’ex´ ecution des tˆ aches peut s’´ ecrire:
minz =
n

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

i=1
m
i
d
i
Le premier terme ´ etant constant, il revient au mˆ eme de minimiser le seul second
116 Chapitre 7. L’ordonnancement de projets
terme et on obtient l’objectif 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 tˆ ache i;
d
i
= la dur´ ee d’ex´ ecution de la tˆ ache i;
t
f
= le temps de fin de chantier.
2. Expression de l’objectif. Il s’agit de minimiser le coˆ ut direct d’ex´ ecution
des tˆ 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 s’expriment comme :
t
i
≥ t
0
, ∀i sans pr´ ed´ ecesseur
• Les contraintes de succession temporelle s’expriment comme :
t
i
+d
i
≤ t
j
, ∀i < j
• Les contraintes de fin de projet s’expriment comme :
t
i
+d
i
≤ t
f
, ∀i sans successeur
• Les contraintes de bornes sur la dur´ ee s’expriment comme :
d
i
≤ d
i
≤ d
i
• On ajout une borne sur la date de fin de chantier, nomm´ ee λ :
t
f
≤ λ
Section 7.9. La minimisation des coˆ uts 117
Le probl` eme de minimisation des coˆ uts d’ex´ ecution des tˆ aches se formule donc
comme suit :
c
D
(λ) = minz

=
n

i=1
m
i
d
i
s.c.q
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
t
0
≤ t
i
pour toute tˆ ache i sans pr´ ealable,
t
i
+d
i
≤ t
j
pour toute tˆ ache i pr´ ec´ edent j,
t
i
+d
i
≤ t
f
pour toute tˆ ache i sans successeur,
t
f
≤ λ (borne sur t
f
)
d
i
≤ d
i
≤ d
i
(bornes sur la dur´ ee)
P(λ)
La borne sup´ erieure sur t
f
a du ˆ etre ajout´ ee car il est clair, au vu de la forme des
fonctions de coˆ ut c
i
(d
i
) que sinon on aura tendance ` a prendre d
i
= d
i
pout toute
tˆ 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 λ. En ajoutant
le terme constant que nous avions n´ eglig´ e, on obtient un graphique du genre de
celui repr´ esent´ e ` a la figure 7.13.
c
D
( )
d
i
=d
i
, ∀i d
i
= d
i
, ∀i
Figure 7.13: Forme de la fonction de coˆ ut direct d’ex´ ecution des tˆ aches
Ce graphique appelle plusieurs commentaires :
1. Tout d’abord, le param` etre λ doit ˆ etre sup´ erieur ` a une certaine valeur mi-
nimum λ qui correspond au temps d’ex´ ecution minimum lorsque toutes les
tˆ aches sont ` a leur dur´ ee minimum d
i
.
118 Chapitre 7. L’ordonnancement de projets
2. Ensuite, remarquons que la fonctionc(λ) est convexe, d´ ecroissante et lin´ eaire
par morceaux.
3. Enfin, ` a partir d’une certaine valeur λ de λ, on aura syst´ ematiquement
d
i
= d
i
et l’objectif devient constant. Cette valeur λ correspond au temps
d’ex´ ecution du projet lorsque toutes les tˆ aches sont ` a leur dur´ ee maximum.
Comment va-t-on alors choisir le temps optimum? Avoir la forme de la courbe
c
D
(λ) ` a la figure 7.14, il vaudrait mieux prendre λ = λ, le temps maximum. Mais
c
T
( )
c
D
( )
c
I
( )

c
T
( )
Figure 7.14: Coˆ uts totaux.
ceci ne tient compte que des coˆ uts directs d’ex´ ecution des tˆ aches.
Il existe aussi des coˆ uts indirects li´ es ` a la dur´ ee du chantier :
• les frais d’assurances,
• les salaires de l’encadrement,
• les frais de location du mat´ eriel,
• et les p´ enalit´ es par jour de retard.
Tous ces frais sont ´ evidemment croissants avec λ, la dur´ ee du chantier. On note
c
I
(λ) ces coˆ uts indirects. Si on additionne les deux courbes (coˆ uts directs et coˆ uts
indirects), comme ` a la figure 7.14, on obtient la courbe de coˆ ut total dont on peut
d´ eterminer le minimum :
c
T
(λ) = c
D
(λ) +c
I
(λ)
On a donc arbitr´ e entre les deux objectifs de diminution des coˆ uts et de diminution
du temps d’ex´ ecution.
Section 7.10. Exercices 119
7.10 Exercices
7.1.
´
Equipement d’un ensemble minier. L’´ equipement d’un ensemble minier
comporte les tˆ aches suivantes dont la dur´ ee est exprim´ ee en trimestres.
No tˆ ache dur´ ee pr´ ealables
1 Commande d’une piste 6 -
2 Construction d’un port provisoire 3 -
3 Commande de mat´ eriel portuaire 2 -
4 Pose d’une voie ferr´ ee 4 2
5 Construction d’une cit´ e administrative 7 2
6 Construction du port d´ efinitif 2 2
7 Construction de l’installation mini` ere 4 1 et 4
8 Equipement portuaire d´ efinitif 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 ˆ ot, les dates de d´ ebut au plus tard.
D´ eterminer le chemin critique.
(c) Comment modifier le graphe si, on veut que la tˆ ache 7 ne commence
pas avant 8 trimestres ? Recalculer les dates de d´ ebut au plus t ˆ ot, les
dates de d´ ebut au plus tard.
(d) Comment modifier le graphe si on veut en plus que la tˆ ache 8 ne
commence pas apr` es 4 trimestres ? Dites si le probl` eme reste soluble.
7.2. Construction d’un bˆ atiment. Consid´ erons les diff´ erentes tˆ aches ` a effectuer
pour construire un bˆ atiment. Elles sont reprises ci-dessous.
No tˆ 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 finitions int´ erieures 6 8 et 9
11 peinture ext´ erieure 9 6
12 finitions ext´ erieures 2 11
120 Chapitre 7. L’ordonnancement de projets
(a) Tracez le graphe relatif ` a la m´ ethode du potentiel.
(b) Calculez les dates de d´ ebut au plus t ˆ ot, les marges et d´ eterminez le(s)
chemin(s) critique(s).
(c) Les tˆ aches 9 (peinture int´ erieure) et 11 (peinture ext´ erieure) doivent ˆ etre
disjointes car effectu´ ees par les mˆ emes ouvriers. Comment r´ esoudre
cette disjonction ? La date de fin des travaux est-elle affect´ ee ?
7.3. La m´ ethode PERT. Une entreprise d´ ecide de commercialiser un nouveau
produit. La planification de ce lancement fait apparaˆıtre les tˆ 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 ˆ ot, au plus tard, les marges et le
chemin critique.
(c) L’entreprise voudrait r´ eduire la dur´ ee totale d’ex´ ecution des travaux.
Pour cela, il est possible de r´ eduire la dur´ ee des tˆ aches 5 et 11 de
une ou deux semaines au prix d’un coˆ ut suppl´ ementaire de 100 000
euros par semaine de r´ eduction pour la tˆ ache 5 et de 200 000 euros par
semaine pour la tˆ ache 11. De combien peut-on r´ eduire la dur´ ee totale
des travaux et ` a quel coˆ ut ?
No tˆ 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 contrˆ 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 d’un nouveau produit.
Section 7.10. Exercices 121
7.4. Minimisation des coˆ uts. On consid` ere un chantier de construction qui fait
intervenir cinq tˆ aches dont les dur´ ees, les tˆ aches pr´ ealables et les frais directs
(main d’œuvre, heures machine) sont donn´ ees au tableau 7.3.
Tˆ ache dur´ ee tˆ 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 coˆ uts.
(a) Tracer le graphe correspondant ` a la m´ ethode du potentiel.
(b) D´ eterminer les dates de d´ ebut au plus t ˆ ot au plus tard et le chemin
critique.
(c) Les dur´ ees des tˆ aches 3 et 5 peuvent ˆ etre r´ eduites jusqu’` a 3 et 5 jours
au prix d’accroissements de coˆ uts de 20 000 et 10 000 euros par jour.
´
Ecrire le programme exprimant la minimisation du coˆ ut direct pour
une dur´ ee totale t
f
donn´ ee. On commencera par exprimer les coˆ uts
directs c
3
et c
5
des tˆ aches 3 et 5 comme fonctions des dur´ ees d
3
et d
5
qui deviennent variables.
(d) Ond´ esire ´ etudier, enfonctionduparam` etre t
f
, les variations ducoˆ ut mi-
nimal direct total C
D
obtenu ` a l’aide du programme pr´ ec´ edent. Donner
la forme de la courbe repr´ esentant les variations de ce coˆ ut en fonction
de t
f
. D´ eterminer num´ eriquement l’´ evolution du coˆ ut direct C
D
en
fonction de t
f
en partant du r´ esultat de la question (b) et en r´ eduisant
progressivement la dur´ ee t
f
de fa¸ con ` a ce que le coˆ ut direct soit toujours
minimal.
(e) En plus des coˆ uts directs, l’entreprise supporte aussi des frais indirects.
Ces frais indirects comportent les salaires de l’encadrement, des frais
de location de mat´ eriel, des frais d’assurance et des frais financiers
pour un montant total de 10 000 + 5 000 t
f
et aussi une p´ enalit´ e de
10 000 euros par jour de retard au del` a du 22` eme jour. D´ ecrire sur un
mˆ eme graphique l’´ evolution du coˆ ut indirect C
I
, du coˆ ut direct C
D
et
du coˆ ut total en fonction de la dur´ ee de fin de chantier. Quelle valeur
donner ` a cette dur´ ee ?
122 Chapitre 7. L’ordonnancement de projets
7.5. Lancement d’un nouveau produit. Une soci´ et´ e met ` a l’´ etude le lancement
d’un nouveau produit. Ce lancement n´ ecessite la r´ ealisation de 10 tˆ aches
dont les caract´ eristiques sont donn´ ees au tableau 7.4.
tˆ ache dur´ ee ancˆ etre(s) observations
A 7 C,F Recouvrement possible avec C
de 3 semaines
B 3 D,H,G
C 6 J Ne peut commencer avant
le d´ ebut de la 14` eme semaine.
D 3 -
E 2 D
F 5 J et I
G 4 -
H 5 -
I 7 G et H
J 4 E et B
Tableau 7.4: Lancement d’un nouveau produit.
(a)
´
Etablir le graphique de la m´ ethode du potentiel.
(b) V´ erifier sur le graphique que le probl` eme est soluble (expliquer suc-
cinctement pourquoi).
(c) Calculer les dates de d´ ebut au plus t ˆ ot, au plus tard, les marges.
(d) Donner tous les chemins critiques.
(e) Le directeur commercial souhaite raccourcir la dur´ ee d’ex´ ecution du
projet d’une semaine. Les tˆ aches sur lesquelles il est possible d’agir
ainsi que le coˆ ut correspondant ` a leur diminution de dur´ ee d’une se-
maine sont donn´ es ` a la table 7.5.
tˆ ache coˆ ut
C 10.000 euros
F 15.000 euros
B 5.000 euros
I 6.000 euros
Tableau 7.5: R´ eduction possible de la dur´ ee.
Que sugg´ erez-vous ?
Chapitre 8
Conception d’un centre de production
8.1 Introduction
Les d´ ecisions d’implantation d’un centre de production incluent
1. la d´ ecision de localisation du centre qui d´ epend de :
• la localisation des clients;
• la disponibilit´ e et le coˆ ut de la main d’œuvre;
• la disponibilit´ e des mati` eres premi` eres;
• les aides nationales et locales ` a l’investissement;
• la volont´ e de p´ en´ etrer un march´ e local difficile;
• la qualit´ e des hˆ opitaux, la qualit´ e du cadre de vie,. . .
Atitre d’exemple, on peut citer la localisation de la nouvelle usine TOYOTA
pr` es de Valenciennes, qui est situ´ ee au cœur de l’Europe et dans le pays
europ´ een le plus protectionniste en faveur de ses marques nationales.
2. le choix de la capacit´ e de production qui d´ epend :
• de la pr´ evision de la demande ` a long terme;
• de la volont´ e de l’entreprise de dominer un march´ e;
• de la possibilit´ e de r´ epondre rapidement ` a des variations de demande.
Vu l’incertitude sur la demande, on implante souvent une nouvelle usine
par phases successives. C’est le cas de la nouvelle usine de Toyota pr` es de
Valenciennes.
3. la configuration du centre de production : il s’agit de d´ eterminer comment
les diff´ erents ´ equipements et postes de travail doivent ˆ etre dispos´ es. Nous
commencerons le chapitre en examinant ce point.
123
124 Chapitre 8. Conception d’un centre de production
8.2 Configuration d’un centre de production
Il s’agit donc ici de d´ eterminer la mani` ere de disposer les ´ equipements et les
postes de travail les uns par rapport aux autres . Il existe au moins trois types de
configurations possibles :
1. La configuration en ateliers sp´ ecialis´ es est utilis´ ee lorsqu’il y a une grande
vari´ et´ e d’articles diff´ erents ` a produire. On peut alors regrouper dans un
atelier l’ensemble des machines assurant une fonction donn´ ee. Par exemple,
dans un garage, l’atelier de peinture, l’atelier carrosserie,. . .
2. La configuration en terme de produit est utilis´ ee lorsqu’il y a une demande
importante et continue de quelques produits. On organise la production soit
en ligne (c’est le cas des lignes d’assemblage d’automobiles) soit en industrie
de process (c’est le cas des raffineries de p´ etrole).
3. On parle de configuration ` a poste fixe lorsque l’op´ erateur doit se d´ eplacer
entre deux op´ erations. On peut citer comme exemples :
• un client qui se d´ eplace entre les diff´ erents rayons d’un super march´ e;
• un magasinier qui se d´ eplace entre les diff´ erents rayonnages d’un ma-
gasin de stockage de carrelage.
8.2.1 Configuration en ateliers sp´ ecialis´ es
Illustrons cette configuration par l’exemple tir´ e de Mac Clain [13] d’une maternit´ e
qui regroupe les diff´ erents services concern´ es sur un mˆ eme ´ etage d’un hˆ opital :
• accueil
• salle d’attente
• consultation pr´ enatale
• ´ echographie
• salle d’accouchement
Une question cruciale pour une bonne organisation de ce type de configuration
est la localisation relative de ces diff´ erents services. On doit tenir compte de :
1. du volume de trafic entre deux services de sorte que deux services avec un
flux important soient localis´ es proches l’un de l’autre;
Section 8.2. Configuration d’un centre de production 125
2. du fait qu’il peut y avoir r´ epulsion entre deux services.
Une matrice de proximit´ e peut ˆ etre utilis´ ee pour indiquer la proximit´ e voulue
A : Absolument n´ ecessaire
S : Sp´ ecialement important
I : Important
G : G´ en´ eralement proche,
: sans importance
X : ` a ´ eviter
La figure 8.1 illustre cette matrice dans le cas de la maternit´ e. On peut ´ egalement,
ACCUEIL
SALLE D'ATTENTE
CONSULTATIONS
ECOGRAPHIE
SALLE ACCOUCHEMENT
G
I
S
A
X
Figure 8.1: Matrice de proximit´ e.
plut ˆ ot que de noter la proximit´ e, donner une matrice de flux entre les diff´ erents
services. On peut alors concevoir une localisation des diff´ erentes services qui
minimise la somme des flux entre services pond´ er´ ee par la distance entre ces
services.
Supposons que l’on note l’int´ erˆ et d’ˆ etre proche par la grille de poids suivante :
4 : Absolument n´ ecessaire
3 : Sp´ ecialement important
2 : Important
1 : G´ en´ eralement proche
0 : sans importance
-1 : ` a ´ eviter
On peut alors d´ efinir la matrice de poids w
ik
mesurant l’importance pour le
service i d’ˆ etre proche du service k donn´ ee au tableau 8.1. Remarquez que la
matrice est sym´ etrique.
Les cinq services sont ` a placer ` a une des cinq places disponibles sur le plateau
de l’hˆ opital repr´ esent´ e ` a la figure 8.2. On peut mesurer la distance d
jl
entre les
emplacements j et l. Elles sont reprises au tableau 8.2. On obtient ´ egalement une
matrice sym´ etrique de distances.
126 Chapitre 8. Conception d’un centre de production
w
ik
k = 1 k = 2 k = 3 k = 4 k = 5
i = 1 1 −1
i = 2 1 2
i = 3 2 3
i = 4 3 4
i = 5 −1 4
Tableau 8.1: Matrice de poids mesurant l’importance d’ˆ etre proches.
d
14
j = 1
j = 2
j = 3
j = 4 j = 5
Figure 8.2: Disposition relative des locaux ` a affecter.
d
jl
l = 1 l = 2 l = 3 l = 4 l = 5
j = 1 5 7 5 4
j = 2 5 4 2 3
j = 3 7 4 2 3
j = 4 5 2 2 1
j = 5 4 3 3 1
Tableau 8.2: Matrice des distances entre locaux.
Section 8.2. Configuration d’un centre de production 127
Formulation du probl` eme de localisation
Nous allons maintenant formuler le probl` eme comme un probl` eme d’affectation
quadratique. On a donc 5 services ` a localiser ` a une des 5 places possibles. On
choisit ici comme variables :
x
ij
= 1 si le service i est localis´ e en place j,
= 0 sinon.
Dans ce cas, l’objectif peut s’´ ecrire de la mani` ere suivante :
min
n

i=1
n

k=1
n

j=1
n

l=1
w
ik
d
jl
x
ij
x
kl
avec d
jl
la distance entre les localisations j et l et w
ik
, le poids dans la matrice de
proximit´ e.
Expliquons la forme de cette fonction objectif : on ne retrouvera dans cet
objectif que les termes o` u x
ij
x
kl
= 1, c’est-` a-dire o` u i est mis en place j et k
en place l. L’objectif minimise la somme des distances entre les paires de lieux
(j, l), pond´ er´ ee par l’importance d’une localisation proche des paires de services
(i, k), pour autant que x
ij
et x
kl
soient ´ egaux ` a un. Afin de minimiser ce produit,
on mettra donc comme coefficient des w
ik
les plus ´ elev´ es, les d
jl
les plus faibles,
c’est-` a-dire les plus proches l’un de l’autre ceux qui y ont le plus grand int´ erˆ 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 sˆ 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 d’un centre de production
8.2.2 Configuration en ligne de production
Lorsqu’un produit est fabriqu´ e en grande quantit´ e, on peut gagner en efficacit´ e
en organisant la production en ligne. A titre d’exemple, on peut citer les usines
d’assemblage automobiles ou les tunnels de lavage de voitures (car-wash).
Le probl` eme principal r´ eside dans l’´ equilibrage de la chaˆıne : il faut que les
diff´ erentes op´ erations prennent le mˆ eme temps car la chaˆıne tourne ` a la vitesse de
l’op´ erateur le plus lent. Une ligne d’assemblage est dite parfaitement ´ equilibr´ ee
si chaque poste de travail est occup´ e ` a 100 %.
Illustrons ceci sur l’exemple 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 tˆ aches, leurs dur´ ees et
leurs pr´ ealables. La somme des temps des diff´ erentes tˆ aches est de 100 minutes.
Label Temps Objet Pr´ ed´ ecesseurs
A 2 placer le chassis sur la chaˆıne -
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 l’appareil tous
Total 100
Tableau 8.3:
´
Equilibrage d’une chaˆıne.
On peut tracer un graphe de pr´ es´ eance qui n’est rien d’autre que le graphe
de la m´ ethode du potentiel (sans nœud de d´ epart ni d’arriv´ e). On a repr´ esent´ e ce
graphe ` a la figure 8.3 o` u chaque tˆ ache est repr´ esent´ ee par son label et sa dur´ ee.
La figure 8.3 pr´ esente ´ egalement une affectation possible des tˆ aches ` a cinq
Section 8.2. Configuration d’un 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
opérateur 1 opérateur 2 opérateur 3 opérateur 4 opérateur 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 d’un 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 d’un cycle
T = somme des temps individuels.
Remarquons qu’ici on n’a pas atteint l’objectif d’un ´ equilibrage parfait qui
impliquerait de construire 3 articles par heure avec un temps de cycle de 20 minutes.
Remarquons qu’il n’est pas toujours possible d’atteindre l’´ equilibre parfait de la
chaˆıne puisque les tˆ aches ne sont pas divisibles ` a l’infini.
R´ esolution du probl` eme d’´ equilibre de la chaˆıne
Voyons maintenant comment r´ esoudre le probl` eme. Trouver l’affectation qui
minimise le retard d’´ equilibre est un probl` eme en nombres entiers particuli` erement
difficile ` a r´ esoudre. Une heuristique qui permet de trouver rapidement une solution
(sans garantie qu’elle soit optimale) est la suivante. On se fixe une dur´ ee maximum
pour chaque poste de travail. Ici fixons 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 tˆ ache et classer les tˆ aches par score d´ ecroissant.
Ici, on utilise comme score 1 la dur´ e de la tˆ ache. On obtient :
E, N, J, I, L, B, F, G, M, C, H, K, A, D
Pas 2. Mettre ` a jour l’ensemble des tˆ aches disponibles (c’est-` a-dire les tˆ 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. Configuration d’un centre de production 131
Pas 3. Affecter la tˆ 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 n’est pas d’une tr` es grande qualit´ e. On peut utiliser
plut ˆ ot un second score qui consiste ` a additionner ` a la dur´ ee de la tˆ ache, celles de
toutes les tˆ aches qui la suivent. Ainsi, ` a la dur´ ee de la tˆ ache A, on ajoute le temps
des tˆ aches F, B, I, M, H et N. Le calcul du second score (voir figure 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 tˆ 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 d’un 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 ˆ etre optimale puisque la solutionpr´ esent´ ee
` a la figure 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 l’heuristique.
Section 8.2. Configuration d’un centre de production 133
8.2.3 Configuration ` a poste fixe
Lorsque l’op´ erateur voyage entre les diff´ erentes op´ erations, on parle de conception
` a poste fixe. Comme exemples, on peut citer :
• les magasins en self-service o` u le client se d´ eplace de rayon en rayon;
• les entrepˆ ots de stockage de carrelages, de tapis-pleins, etc. . .
• une infirmi` ere qui se d´ eplace d’une chambre ` a l’autre dans un hˆ opital,. . .
Le probl` eme principal r´ eside dans la localisation des aires de stockage de
mani` ere ` a minimiser soit
• le coˆ ut total de manipulation en mettant les produits les plus utilis´ es aux
endroits les plus accessibles;
• le temps maximum d’acc` es dans le cas, par exemple, de la localisation de
centres d’intervention d’urgence.
Cas d’un entrepˆ ot :
Illustrons ce cas par l’exemple 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 revˆ etement
de sol. On approvisionne le stock en grandes quantit´ es (de l’ordre de 200 rou-
leaux d’un mˆ 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 d’un lot ` a la production et la taille moyenne d’un lot demand´ e.
Pour le placement optimal des rouleaux, on a int´ erˆ 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 mˆ eme
place. Ce qui facilite le contrˆ ole et l’information. L’inconv´ enient est que
l’on 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 l’all´ ee, la
distance dans l’all´ ee, et la hauteur dans le rayon.
134 Chapitre 8. Conception d’un 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 d’acc` es aux produits ` a forte rotation de stock.
Cas des centres d’intervention d’urgence :
Dans ce second cas, l’objectif est de minimiser le temps d’acc` es au client le plus
´ eloign´ e. Par exemple, dans un service hospitalier, on veut localiser le local des
infirmi` 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 infirmi` eres au centre.
Remarquez qu’ici souvent la solution impliquera des localisations multiples
afin de bien couvrir une zone : par exemple, dans le cas des pompiers, on
aura diverses antennes d´ elocalis´ ees permettant d’atteindre rapidement des villages
d´ ecentr´ es.
8.3 D´ ecisions de capacit´ e
Nous allons illustrer les d´ ecisions de choix d’une capacit´ e sur l’exemple tir´ e de
Mac Clain [13] d’une boulangerie industrielle qui fournit les supermarch´ es de sa
r´ egion et qui s’attend ` 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 profit de 40 000 $
par semaine hors frais d’amortissement du capital. Si le succ` es du produit
est mitig´ e, une capacit´ e de 2 000 unit´ es par semaine sera suffisante et la
compagnie fera un profit de 16 000 $ par semaine. La demande est connue
au bout d’un an. On suppose que les b´ en´ efices sont comptabilis´ es en fin
d’ann´ ee. Une ann´ ee comporte 52 semaines d’ouverture du magasin.
2. Donn´ ees de coˆ ut d’investissement. Une capacit´ e de 2 000 unit´ es par semaine
peut ˆ etre construite pour 800 000 $. Une capacit´ e de 5 000 unit´ es par semaine
peut ˆ etre construite pour 1,5 millions de $. Une capacit´ e de 2 000 peut ˆ 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. D´ecisions de capacit´e 135
4. Le facteur d’actualisation, n´ ecessaire car les profits sont r´ epartis dans le
futur, est de 25 % l’an.
5. La probabilit´ e de succ` es du lancement du produit est estim´ ee ` a 20 % sur
base d’exp´ eriences d’introduction d’autres produits.
Les diff´ erents choix possibles peuvent ˆ etre utilement illustr´ es sur un arbre de
d´ ecision tel que celui de la figure 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 à 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 d’une capacit´ e, on va s´ electionner la capacit´ e d’esp´ erance de
profit la plus ´ elev´ ee.
D´ efinition 8.1 On appelle valeur nette pr´ esente, la somme actualis´ ee des profits
futurs moins l’investissement initial.
Nous aurons besoin, dans le calcul de la VAN, de la formule suivante pour le
calcul d’annuit´ 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 d’un 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 figure 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
D’o` u la valeur nette au bout d’un 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. D´ecisions de capacit´e 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. L’investissement initial de 2 000 rapporte 16 000 $ durant 20 ans
et l’investissement de d´ ebut de 2` eme ann´ ee rapporte un suppl´ ement de profit de
24 000 durant 19 ans. Ce cas est illustr´ e ` a la figure 8.7. La VAN au temps 1 de
l’investissement 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 d’actualisation :
19

t=1
_
1
1, 25
_
t
=
_
1 −(1, 25)
−19
0, 25
_
= 3, 942
On obtient une valeur nette au bout d’un an de l’investissement suppl´ ementaire :
V AN
1
= 24 000 ×52 ×3, 942 −1 000 000 = 3 920 058.
On en conclut que l’on a int´ erˆ et ` a faire l’investissement puisque la VANest positive.
Pour obtenir la VAN de ce cas, il faut ajouter la VAN de l’investissement 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.
Enfin, le cas d’une demande faible avec un investissement initial de 2 000 est
identique au cas de la construction initiale de 2 000 et d’une demande forte lorsque
l’on reste ` a 2 000. Il a d´ ej` a ´ et´ e calcul´ e plus haut.
138 Chapitre 8. Conception d’un 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 profits esp´ er´ es dans chacun des deux cas d’investissement 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 d’un centre de production doit ˆ etre analys´ ee en tenant
compte de plusieurs crit` eres :
1. la facilit´ e d’acc` es, les coˆ uts de transport;
2. la disponibilit´ e, qualification et le coˆ ut de la main d’œuvre;
3. le coˆ ut de construction, les taxes locales;
4. l’attraction des clients;
Section 8.4. D´ecisions de localisation 139
5. la disponibilit´ e des mati` eres premi` eres;
6. les attitudes des autorit´ es locales et nationales.
L’importance relative de ces crit` eres d´ epend du type d’activit´ e ` a localiser :
• localiser un super-march´ e : les coˆ uts de transport et l’attraction des clients
sont pr´ epond´ erants;
• localiser une usine : le coˆ ut de la main d’œuvre 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 l’objectif poursuivi : la technique de
gravit´ e si on veut minimiser les coˆ uts totaux de transport ou celle de discr´ etisation
si on veut minimiser le temps d’acc` es au client le plus ´ eloign´ e.
Disons un mot de ces deux techniques qui correspondent chacune ` a un choix
d’objectif :
• La technique du centre de gravit´ e. Si l’on veut minimiser le nombre total de
tonnes-kilom` etres de produit transport´ e, on a int´ erˆ et ` a se situer au centre de
gravit´ e des clients et fournisseurs. Par exemple, dans la localisation d’une
usine de production de b´ eton, on a int´ erˆ 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
= coˆ ut unitaire de transport venant de i;
R
j
= coˆ 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 d’acc` es est le plus
important, on aura recours le plus souvent ` a des emplacements multiples afin
140 Chapitre 8. Conception d’un centre de production
Cl
1
Cl
2
Cl
n
MP
1
MP
2
MP
m
Figure 8.8: Centre de gravit´ e
d’avoir un bon acc` es ` a tous. Par exemple, lors de la localisation d’un centre
d’intervention de pompiers, on veut minimiser le temps d’acc` 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 figure 8.9 o` u deux villes sont situ´ ees ` a 9 kilom` etres de distance l’une de l’autre.
1 2 3 4 5 6 7 8 9
1.000 2.000
0
x

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

=

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´ erˆ et ` a se localiser ` a 6 km de la premi` ere et 3
kilom` etre de la seconde ville.
Par contre, pour un centre d’intervention d’urgence, a int´ erˆ et ` a se localiser au
centre des deux villes (` a 4,5 kilom` etre de chaque ville).
Section 8.5. Utilisation de la programmation math´ematique 141
8.5 Utilisation de la programmation math´ ematique
Pour terminer ce chapitre, nous allons illustrer l’utilit´ 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
coˆ 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 coˆ 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 Coˆ ut de l’usine ($/kg) Demande du client
le client A B C (10
6
kg/jour)
1 0,021 0,039 0,035 0,5
2 0,024 0,029 0,034 0,8
3 0,019 0,040 0,029 0,5
4 0,048 0,027 0,026 0,9
5 0,037 0,024 0,032 0,9
6 0,029 0,023 0,041 0,8
7 0,020 0,041 0,032 0,6
8 0,041 0,034 0,019 0,6
9 0,050 0,034 0,018 0,8
10 0,047 0,035 0,018 0,7
Tableau 8.5: Coˆ uts de transport et demandes.
Usine A B C
Coˆ ut de production ($/kg) 0,347 0,326 0,351
Capacit´ e de production (10
6
kg/jour) 1,8 4 1,6
Tableau 8.6: Coˆ uts et capacit´ es de production.
On veut d´ eterminer le plan de distribution qui minimise la somme des coˆ uts de
production et des coˆ uts de transport.
142 Chapitre 8. Conception d’un 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 l’usine i et livr´ es au client
j.
• Expression de l’objectif.
Il s’exprime simplement par :
min
3

i=1
10

j=1
c
ij
x
ij
avec c
ij
, le coˆ ut de fourniture d’un million d’unit´ e de l’usine i vers le client
j. Ce coˆ ut est la somme du coˆ ut de production et du coˆ ut de transport.
• Expression des contraintes.
Elles sont de deux types :
– “Respecter la capacit´ e de l’usine i :”
10

j=1
x
ij
≤ CAP
i
o` u CAP
i
note la capacit´ e de l’usine 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 ˆ etre trouv´ ee par l’algorithme du Simplexe puisqu’il
s’agit d’un probl` eme purement lin´ eaire. Examinons maintenant le probl` eme de la
localisation d’une nouvelle usine. Supposons que l’usine Cdoive ˆ etre remplac´ ee.
Les alternatives possibles sont :
1. Accroˆıtre l’usine 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 math´ematique 143
Les alternatives coˆ ut fixe coˆ 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 coˆ ut des alternatives.
Leurs coˆ uts respectifs sont donn´ es au tableau 8.7.
Effectuons une comparaison des 3 alternatives et de la situation actuelle. Il
s’agit de r´ esoudre successivement quatre probl` emes lin´ eaires not´ es (LP1) ` a (LP4)
au tableau 8.8. Dans la colonne “coˆ ut journalier”, on donne la somme du coˆ ut de
production et du coˆ ut de transport, hors frais fixes d’investissement.
Les alternatives coˆ ut journalier coˆ ut fixe
(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 coˆ ut des alternatives.
Une premi` ere conclusion qui peut ˆ etre tir´ ee de ce tableau est que (LP2) peut
ˆ etre ´ elimin´ e car ayant un coˆ ut fixe identique ` a celui de (LP3), une alternative qui
a un coˆ 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
d’actualisation.
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
profitable. On choisira donc la solution (LP4) : construire la nouvelle usine C ` a 4
millions de kg par jour.
144 Chapitre 8. Conception d’un centre de production
Remarquons que, dans la solution de (LP4), l’usine A n’est plus utilis´ ee du
tout et peut ˆ etre ferm´ ee.
Enfin, terminons ce chapitre en illustrant l’importance de l’utilisation de va-
riable binaires dans les d´ ecisions de choix de capacit´ e. Prenons l’exemple de l’ou-
verture ´ eventuelle d’une nouvelle usine D de 2 millions de capacit´ e. La d´ ecision
d’ouverture de la nouvelle usine peut ˆ etre mod´ elis´ e par la variable binaire :
y
D
∈ {0, 1}
avec y
D
valant 1 si l’usine 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 l’usine D est ferm´ ee, le membre de droite est nul et rien ne peut sortir
de l’usine.
Cette variable interviendra aussi dans la fonction objectif. En effet, ` a la somme
des coˆ uts de transport, on peut ajouter le coˆ ut fixe du nouvel investissement. Ceci
conduit ` a l’expression suivante pour l’objectif :
minz =
4

i=1
10

j=1
c
ij
x
ij
+
4

i=2
K
i
y
i
o` u K
i
est le coˆ ut fixe d’ouverture de l’usine i.
Remarquez aussi que les variable binaires peuvent ˆ etre utilis´ ees pour d´ ecider
du niveau de la capacit´ e d’une nouvelle usine parmi un nombre discret de valeurs
possibles. Ainsi, si l’usine D peut avoir comme capacit´ e 2 millions ou 5 millions
d’unit´ 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 qu’une seule des deux capacit´ es est s´ electionn´ ee.
Remarquez enfin que l’utilisation de variables binaire conduit ` a un probl` eme en
nombres entiers. Il s’agit d’un probl` eme plus difficile ` a r´ esoudre que les probl` emes
lin´ eaires (LP1) ` a (LP4). Il peut ˆ etre r´ esolu par application de la m´ ethode de branch
and bound.
Section 8.6. Exercices 145
8.6 Exercices
8.1.
´
Equilibrage d’une chaˆıne. Pour l’exemple de la section 8.2.2,
(a) au moyen d’un 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 chaˆıne ainsi obtenue.
8.2. Montage en chaˆıne d’une lampe. Le montage d’une lampe de bureau
n´ ecessite la r´ ealisation de 7 tˆ aches (not´ ees A ` a G) dont les temps ´ el´ ementaires
de montage et les pr´ ealables sont donn´ es au tableau 8.9. L’objectif de pro-
duction est de 9 000 lampes par mois de 20 jours (un jour = 8 heures).
Tˆ 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 chaˆıne.
(a) D´ eterminez le temps maximum de cycle de la chaˆıne d’assemblage
pour respecter cet objectif. Autrement dit, une lampe doit sortir de la
chaˆıne toute les c secondes pour respecter cet objectif. Que vaut c ?
(b) Repr´ esentez sur un graphique de r´ eseau les relations d’ant´ eriorit´ e.
(c) Calculez le score 2 pour chacune des tˆ aches de montage.
(d) En utilisant l’heuristique de score 2, d´ eterminez une affectation des 7
tˆ aches aux postes de travail successifs de la chaˆıne.
(e) Calculez le retard d’´ equilibre de votre solution.
8.3. Choix d’une capacit´ e. Pour les donn´ ees d’investissement 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 d’un centre de production
8.4. Ouverture d’un restaurant. Un ind´ ependant envisage d’ouvrir un restau-
rant dans le centre de Bruxelles. Il doit d´ ecider s’il ouvre un restaurant
• de 250 personnes (coˆ ut de l’investissement : 500 milliers d’euros),
• de 500 personnes (coˆ ut de l’investissement : 1000 milliers d’euros),
En cas de succ` es (demande forte) le restaurant de 500 couverts est pleinement
utilis´ e et rapporte un b´ en´ efice annuel de 200 (milliers d’euros). En cas de
demande faible, une capacit´ e de 250 couverts est suffisante et rapporte un
b´ en´ efice annuel de 100 (milliers d’euros). Le succ` es est connu au bout de la
premi` ere ann´ ee. Les b´ en´ efices annuels sont comptabilis´ es en fin d’ann´ ee.
Au bout d’un an,
• si l’installation comporte 500 couverts, l’ind´ ependant peut diminuer la
capacit´ e en revendant une partie des installations pour 200.000 euros.
• si l’installation comporte 250 couverts, l’ind´ ependant peut agrandir son
restaurant ` a 500 couverts avec un coˆ ut additionnel de 700.000 euros.
L’ind´ ependant va exploiter le restaurant durant 20 ans. On n´ eglige la valeur
de l’installation au bout de 20 ans. Le facteur d’actualisation est de 10%.
(a) On demande de dessiner l’arbre 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 d’une ´ 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 d’investis-
sement prendra l’investisseur ?
Section 8.6. Exercices 147
8.5. Ouverture de d´ epˆ ots. Une firme 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´ epˆ ots diff´ erents, ` a Anvers, Li` ege et Mons, respec-
tivement. Si un d´ epˆ ot est ouvert une ann´ ee, cela repr´ esente un coˆ ut fixe
(administration, gardiennage, etc. . . ) de 25 pour Anvers, 15 pour Li` ege et
15 pour Mons. Les capacit´ es annuelles de ces d´ epˆ ots, si ils sont ouverts,
sont de 40, 25 et 25 respectivement.
Le directeur des ventes de cette firme consulte ses fiches de commandes des
derni` eres ann´ ees et estime que, pour l’ann´ ee prochaine, il devra livrer 20, 12,
9 et 14 unit´ es du produit ` a ses quatre clients. Les coˆ uts de transport d’une
unit´ e de produit entre les usines et les villes sont donn´ es au tableau 8.10.
Coˆ 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: Coˆ uts unitaires de transport.
Sachant que l’approvisionnement d’unclient peut se faire ` a partir de plusieurs
d´ epˆ ots, on veut d´ eterminer :
• quels d´ epˆ ots la firme doit-elle ouvrir l’ann´ ee prochaine ?
• comment organiser le transport entre les d´ epˆ ots et clients?
pour minimiser la somme des coˆ uts fixes d’ouverture et des coˆ uts variables
de transport. Les coˆ uts de production sont identiques dans les trois usines et
n’entrent 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 d’un centre de production par pays qui lui coˆ ute,
148 Chapitre 8. Conception d’un centre de production
sur base annuelle, les frais fixes suivants :
Pays Frais fixes 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 mˆ emes march´ es qu’actuellement 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 d’un 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 l’avenir dans le groupe en supposant que la demande
demeure stable. On veut minimiser la somme des coˆ uts fixes et des
coˆ uts de transport des pneus.
Partie IV
Les techniques d’optimisation
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 ˆ etre prise. Elle est largement utilis´ ee en planification de
la production pour d´ eterminer les lancements de production en cas de coˆ uts fixes
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 ˆ 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 planification de la production :
• les ´ etapes sont les diff´ erentes p´ eriodes de planification,
• 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.
L’id´ ee g´ en´ erale des proc´ edures de r´ esolutionenprogrammationdynamique
est la suivante. On part d’un 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 fictif, tir´ e de Hillier et Lieberman [7], va nous permettre
d’introduire la terminologie employ´ ee en programmation dynamique. Il s’agit du
probl` eme du voyageur devant traverser l’ouest am´ ericain il y a plus d’un 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
figure 9.1, on a repr´ esent´ e chaque ´ etat par un cercle. Son ´ etat de d´ epart est l’´ etat
1 et son ´ etat d’arriv´ 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 d’assurance dont le coˆ ut refl` ete
le degr´ e d’ins´ ecurit´ e du voyage. Ceux-ci sont indiqu´ es au dessus des arcs ` a la
figure 9.1. Il va donc d´ eterminer son itin´ eraire de mani` ere ` a choisir la route la plus
sˆ ure en minimisant la somme des polices d’assurance pour le passage d’´ etat en
´ etat.
Remarquez d’abord que l’approche 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 coˆ ut total d’assurance de 13. Cependant en sacrifiant 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 coˆ 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 croˆıt, cela devient vite un travail prohibitif.
C’est ici qu’intervient 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 d’un probl` eme dynamique comporte cinq ´ etapes :
1. La d´ efinition 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. L’expression des relations entre les variables. Ici, les contraintes expriment
que la destination d’une ´ 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. L’expression de l’objectif. L’objectif est ici de minimiser le coˆ 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 coˆ ut ` a l’´ etape t d’aller 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
fin de voyage, lorsqu’il n’y a plus qu’une ´ etape ` a faire. Pour ce probl` eme la solution
optimale est ´ evidente : le voyageur doit aller directement ` a sa destination, l’´ etat
10. A l’it´ eration suivante, on ´ elargit d’une 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´ efinition 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´ efinition 9.2 On note par f

t
(s
t
) le coˆ 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 enfin 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, c’est-` a-dire lorsque le voyageur n’a plus qu’une ´ etape ` a effectuer, sa
destination finale est connue : x
4
= 10. Le tableau 9.1 reprend les coˆ 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: Coˆ uts minimaux de la derni` ere ´ etape
Consid´ erons le cas t = 3, c’est-` 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
coˆ uts respectifs de c
5,8
= 1 ou c
5,9
= 4 auxquels il faut ajouter le coˆ ut additionnel
de l’´ etape 4 donn´ e dans la table 9.1. Il s’agit de f

4
(8) = 3 s’il va vers 8 et de
f

4
(9) = 4 s’il va vers 9. Le coˆ ut total minimum de 1 + 3 = 4 est obtenu s’il va
Section 9.3. Proc´edure de r´esolution 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: Coˆ uts minimaux de la troisi` eme ´ etape.
vers 8, donc x

3
= 8 et f

3
(5) = 4. On proc` ede de mˆ 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 s’agit 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 ˆ etre au choix 5 ou 6 puisque le coˆ ut total est le mˆ 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: Coˆ ut minimaux de la deuxi` eme ´ etape.
Enfin, pour le probl` eme de premi` ere ´ etape (t = 1), le coˆ ut minimum de la
police optimale est ` a nouveau donn´ e en fonction de l’´ etat destination de l’´ etape
comme la somme du coˆ ut de premi` ere ´ etape plus le coˆ 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: Coˆ ut minimaux de la premi` ere ´ etape.
On faut maintenant identifier une politique optimale. Pour t = 1, le voyageur
doit donc se diriger initialement vers l’´ etat 3 ou 4. Supposons qu’il 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 coˆ 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 d’affectation de ressources rares
Nous illustrons le fait que le champs d’application 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 s’agit du probl` eme de l’organisation mondiale de la sant´ e. On suppose
que l’OMS dispose de 5 ´ equipes m´ edicales ` a affecter ` a 3 pays pour mener ` a
bien une campagne de vaccination. L’OMS doit d´ eterminer combien d’´ equipes
envoyer dans chacun des trois pays de mani` ere ` a maximiser l’efficacit´ e g´ en´ erale
de l’affectation. La mesure de l’efficacit´ e est donn´ ee en terme d’ann´ ees-homme
de vie suppl´ ementaire. Ces donn´ ees sont reprises au tableau 9.6. On suppose que
chaque pays doit b´ en´ eficier d’au 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 d’ann´ ees-homme suppl´ ementaires.
9.4.1 Formulation comme un probl` eme dynamique
1. D´ efinition des ´ etapes. Bien qu’il n’y ait pas de succession temporelle, on
peut imaginer que les trois ´ etapes d’un processus dynamique consistent en
l’affectation successive aux trois pays puisque lorsqu’une ´ equipe est affect´ ee
Section 9.4. Un probl`eme d’affectation de ressources rares 157
` a un pays, elle n’est plus disponible pour les autres pays. On a donc identifi´ e
les ´ etapes.
2. Choix des variables d’´ etat. Comment identifier les ´ etats ? Autrement dit,
quelle est l’information n´ ecessaire ` a une ´ etape pour pouvoir d´ eterminer la
politique optimale ? Il s’agit 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 qu’au moins une ´ equipe soit envoy´ ee
dans chaque pays :
x
t
≥ 1, ∀t = 1, 2, 3
5. L’expression de l’objectif. L’objectif est ici de maximiser l’efficacit´ e de
l’allocation. Il peut s’´ ecrire :
maxz =
3

t=1
B
t
(x
t
)
o` u B
t
(x
t
) mesure le b´ en´ efice de l’allocation 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´ erˆ 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 mˆ 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 planification de la production. 159
9.5 Application ` a la planification de la production.
Nous allons maintenant voir comment la programmation dynamique permet de
r´ esoudre des probl` emes de planification de la production en pr´ esence de coˆ uts de
production non convexes. Illustrons ceci sur un exemple.
La demande pr´ evisionnelle de fin de mois d’un 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 d’unit´ es fabriqu´ ees. Le coˆ ut de lancement est de 150. Le
coˆ ut direct d´ epend de la main d’œuvre disponible. Le coˆ 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 fin 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 coˆ ut de stockage est de 10 par unit´ e stock´ ee par mois.
Une unit´ e fabriqu´ ee le mois t peut ˆ etre utilis´ ee pour satisfaire la demande de fin
de mois. On s’interdit toute rupture de stock.
9.5.1 Formulation en un probl` eme dynamique
Nous allons tout d’abord formuler le probl` eme en un probl` eme de programmation
dynamique. Pour cela, d´ efinissons la variable d’´ etat de la p´ eriode t suivante :
s
t
= stock au d´ ebut de la p´ eriode t.
D´ efinissons aussi la variable de d´ ecision de la p´ eriode t suivante :
x
t
= production ` a la p´ eriode t.
On d´ efinit la fonction
f
t
(s
t
, x
t
)
comme ´ etant le coˆ ut de la meilleure planification pour les p´ eriodes restantes si on
est dans l’´ etat s
t
au d´ ebut de la p´ eriode t et que l’on d´ ecide de produire x
t
` a la
p´ eriode t. Ce coˆ ut est la somme du coˆ ut de production de l’´ etape t, d’un coˆ ut de
possession du stock pendant le mois t ainsi que du coˆ 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 coˆ ut de production ` a l’´ etape t. Ce dernier est la somme d’un coˆ ut
fixe de lancement de 150, ` a payer pour autant qu’il y ait production, et d’un coˆ ut
direct de main d’œuvre qui est de 200 par unit´ e produite en heures normales, de
250 par unit´ e produite en heures suppl´ ementaires. Remarquez qu’en pr´ esence de
coˆ ut de lancement le coˆ ut de production n’est pas convexe. Ceci peut ˆ etre v´ erifi´ e
` a la figure 9.2 qui illustre la fonction de coˆ 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: Coˆ 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 s’interdit toute rupture. Ce qui se traduit par un stock final non n´ egatif :
x
t
≥ 0, ∀t.
Section 9.5. Application ` a la planification 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 qu’il faut au moins produire 4 unit´ es si
s
5
= 0 mais pas plus de 6 sinon le stock final 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 coˆ 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 coˆ ut de 1.000 si s
5
= 0 et x
5
= 4 r´ esulte du seul coˆ ut de production
qui se calcule comme suit :
150 + 3 ×200 + 250 = 1000.
Le coˆ ut de 760 si s
5
= 1 et x
5
= 3 r´ esulte de la somme du coˆ ut de stockage d’une
unit´ e pendant un mois et du coˆ 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 coˆ ut de production de l’´ etape, le coˆ ut
des ´ etapes ult´ erieures. Ainsi, dans le cas o` u s
4
= 0 et x
4
= 2, le coˆ ut correspond
` a l’application 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 coˆ 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 coˆ 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 coˆ 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 coˆ 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 qu’en 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 mˆ eme en heures suppl´ ementaires et avec
un coˆ ut de stockage revient mois cher (260) qu’une seule unit´ e en heure normale
` a la p´ eriode 2 (350). Remarquez aussi qu’en 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 coˆ ut
de stockage) au mois pr´ ec´ edent.
Section 9.5. Application ` a la planification de la production. 163
9.5.3 Algorithme en cas de coˆ ut convexe
Signalons qu’il existe un algorithme plus efficace dans le le cas o` u il n’y a pas de
coˆ ut fixe et que les coˆ uts marginaux sont croissants. En effet, dans ce cas, le
coˆ ut de production devient convexe et une proc´ edure plus efficace 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 modifier 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 modifier
en cons´ equence les capacit´ es de production r´ esiduelles; etc. . .
Appliquons cette proc´ edure au mˆ eme exemple en supposant qu’il n’y a pas de coˆ ut
fixe 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 coˆ 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´ eficier des capacit´ es
encore disponibles en heures normales qui coˆ utent moins cher que la production en
heures suppl´ ementaires. Mais la deuxi` eme cause d’anticipation 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 qu’il envoie dans chacune des r´ egions du pays pour maximiser le
nombre de ventes. Le tableau qui suit donne l’augmentation 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 d’en 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 planifier 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 coˆ ut de lancement
dans l’atelier moteurs est estim´ e ` a 500 euros. Le coˆ ut variable unitaire est de
300 euros pour les trois premi` eres unit´ es produites au cours d’une semaine
et de 400 euros pour les unit´ es suivantes. La capacit´ e de stockage est limit´ ee
` a deux moteurs et le coˆ ut unitaire hebdomadaire de stockage est de 50 euros.
(a) Formuler le probl` eme de planification comme un probl` eme dynamique.
(b) Sachant qu’au 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 d’int´ erimaires. Une
soci´ et´ e dispose d’une certaine capacit´ e de production en heures normales
(coˆ ut direct de 1.000 euros) et heures suppl´ ementaires (coˆ ut direct de 1.400
euros). Elle peut aussi faire appel ` a des int´ erimaires (coˆ 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 coˆ ut de stockage se r´ eduit au seul coˆ ut d’immobilisation 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 coˆ ut
d’immobilisation 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 l’on veut minimiser ou maximiser une
fonction objectif lin´ eaire sous des contraintes purement lin´ eaires.
Lorsqu’il n’y a que deux variables de d´ ecision, un probl` eme lin´ eaire peut ˆ etre
r´ esolu de mani` ere purement graphique. Lorsqu’il y a un plus grand nombre de
variables, un algorithme mis en œuvre sous la forme d’un programme informatique
s’av` ere n´ ecessaire. Il s’agit de l’algorithme 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’ˆ etre lin´ eaires. Nous verrons au chapitre 12 une technique de r´ esolution de ces
probl` emes : il s’agit 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 d’algorithme 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 enœuvre dans des
logiciels commerciaux, il ne viendrait plus ` a l’id´ ee de les programmer soi-mˆ eme.
La derni` ere partie de ce chapitre sera consacr´ ee ` a la pr´ esentation du solveur d’Excel
qui dispose d’une impl´ ementation de ces algorithmes.
10.2 Un simple exemple
Nous prenons un exemple tir´ e de Hillier et Lieberman [7]. Il s’agit d’une 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 s’agit respectivement
d’un chassis en aluminium et d’un chassis en bois. Le premier produit n´ ecessite
167
168 Chapitre 10. La programmation lin´eaire.
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 d’usinage 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 profit net ?”
Si on choisit comme variables x
1
et x
2
les quantit´ es de chaque bien ` a produire
par semaine, l’objectif 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. R´esolution graphique 169
10.3 R´ esolution graphique
Dans le cas d’un probl` eme lin´ eaire ` a deux variables de d´ ecision, le probl` eme peut
ˆ 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´ efinition 10.1 On appelle r´ egion r´ ealisable, l’ensemble des valeurs de variables
de d´ ecision qui satisfont toutes les contraintes.
Dans le cas de l’exemple, c’est l’ensemble 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 l’in´ equation ` a l’´ egalit´ e (ici 3x
1
+2x
2
= 18).
Lorsque l’on fait l’intersection des cinq demi-plans correspondant aux cinq in´ ega-
lit´ es, on obtient le polygone hachur´ e ` a la figure 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 c’est la deuxi` eme ´ etape
170 Chapitre 10. La programmation lin´eaire.
de la r´ esolution, on va repr´ esenter graphiquement des lignes d’isovaleur de la
fonction objectif :
z = 3x
1
+ 5x
2
.
En effet, on remarquera que l’expression de la fonction objectif fait intervenir trois
variables et ne peut donc ˆ etre repr´ esent´ ee que dans l’espace. Pour se ramener dans
le plan, on va consid´ erer des valeurs successives de l’objectif :
z = 3x
1
+ 5x
2
= k.
Ce qui correspond graphiquement ` a des droites parall` eles. Les points d’une de ces
droites sont donc le lieu de tous les points donnant la mˆ eme valeur du profit (d’o` u
le nom de droite d’isovaleur de la fonction objectif). Ceci est fait ` a la figure 10.2
o` u l’on 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 d’isoprofit.
Enfin, et c’est la troisi` eme ´ etape de la r´ esolution, l’optimum sera d´ etermin´ e
graphiquement comme le plan de production situ´ e sur la droite d’isoprofit la plus
´ elev´ ee, c’est-` a-dire celle qui donne le profit le plus ´ elev´ e. On voit ` a la figure 10.2
qu’il s’agit du point
x

= (2, 6).
Justifions ce choix. Comme on maximise le profit on a int´ erˆ et ` a prendre la droite
d’isovaleur la plus ´ elev´ ee possible. Bien sˆ 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 l’objectif, il faut prendre la droite d’isovaleur de l’objectif qui
touche encore la r´ egion r´ ealisable et qui donne la plus grande valeur ` a l’objectif.
Sur base de cet exemple, on tire une deuxi` eme observation :
Section 10.3. R´esolution 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 d’iso-marge est parall` ele ` a un cˆ ot´ e du
polygone, on a que tout le cˆ ot´ e du polygone est optimal. Par exemple, si l’objectif
avait ´ et´ e z = 3x
1
+ 2x
2
, tout le segment entre (2,6) et (4,3) aurait ´ et´ e optimum.
Observation 3 :
Mˆ eme si tout un cˆ ot´ e du polygone est optimal, on peut toujours choisir une solution
optimale correspondant ` a un sommet.
En conclusion, on peut voir qu’il suffit d’´ evaluer la valeur de l’objectif en
chacun des sommets pour d´ eterminer l’optimum d’un probl` eme lin´ eaire. Afin de
limiter le nombre de sommets ` a examiner, l’algorithme 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 cˆ ot´ es passant par ce sommet x

. Trouver un cˆ ot´ e le long
duquel z croˆıt. S’il n’y en n’a pas, STOP : le x

courant est optimal.
iii) D´ eterminer le sommet y

` a l’autre bout du cˆ ot´ e et poser x

= y

. Retour
en ii).
L’algorithme 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), l’optimum du
probl` eme (voir figure 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 lin´eaire.
10.4 Le solveur d’Excel
Le solveur d’EXCELest un r´ esolveur d’´ equation ainsi qu’un 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 l’exemple de l’entreprise 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 d’Excel.
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 coefficients
num´ eriques sous forme d’une 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 Profit : 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.
coefficients d’une mˆ eme ´ equation ainsi que sa formule de calcul ont ´ et´ e rang´ es dans
une mˆ eme ligne qui contient comme commentaire le nom de l’´ equation (Atelier
Section 10.4. Le solveur d’Excel 173
1, Atelier 2, . . . ). De mˆ eme, les coefficients se rapportant ` a une mˆ 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 l’on 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 ˆ etre
mis en œuvre 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´ efinir”, mettre la r´ ef´ erence de la cellule de calcul
de l’objectif (ici $D$3).
3. Dans la zone “
´
Egale ` a”, choisir Max ou Min (ici Max).
4. Dans la zone “Cellules variables”, mettre les r´ ef´ erences des cellules conte-
nant les variables (ici $B$2:$C$2) .
5. Dans la zone “Contraintes”, choisir “ajouter une contrainte”. Le menu
suivant apparaˆıt :
Cellule : Relation : Contrainte :
Pour chaque contrainte :
• Dans la zone “Cellule”, mettre la r´ ef´ erence de la cellule contenant la
formule de calcul du membre de gauche (pour l’atelier 1 : $D$4). Il
faut donc pr´ ealablement avoir calcul´ e ce membre de gauche.
174 Chapitre 10. La programmation lin´eaire.
• Dans la zone “Relation”, mettre le sens de la contrainte (par exemple,
pour l’atelier 1 : <=).
• Dans la zone “Contrainte”, mettre la r´ ef´ erence de la cellule contenant
le membre de droite (pour l’atelier 1 : $E$4). On peut ´ egalement
directement entrer une valeur. Mais cela n’est pas ` a conseiller sauf s’il
s’agit de la valeur ”0” qui n’est pas susceptible de varier.
6. Dans ”Option”, choisir ”Mod` ele suppos´ e lin´ eaire”. On peut ´ egalement
choisir l’option ”Suppos´ e non n´ egatif”, auquel cas les contraintes de positi-
vit´ e peuvent ˆ etre supprim´ ees.
7. Lancer la commande “R´ esoudre”.
Le tableau 10.3 pr´ esente la solution du solveur. Il est ` a remarquer qu’il
indique directement dans les cases des variables la valeur de ces variables. On
obtient bien la solution d´ etermin´ ee graphiquement (2,6) ` a laquelle correspond une
valeur maximum de l’objectif (36).
A B C D E
1 en alu en bois b
2 Production de chassis 2 6
3 Profit : 3 5 36
4 Atelier 1 : 1 0 2 4
5 Atelier 2 : 0 2 12 12
6 Atelier 3 : 3 2 18 18
7 x1 positif : 1 0 2 0
8 x2 positif : 0 1 6 0
Tableau 10.3: Solution du solveur
Plusieurs remarques sur les particularit´ es du solveur d’Excel s’imposent
ici :
1. On a rentr´ e les contraintes une par une. On peut rentrer par groupe les
contraintes ayant mˆ eme sens. Ainsi, dans l’exemple, on aurait pu rentrer les
trois contraintes de capacit´ es en bloc par la commande suivante :
$D$4 : $D$6 <= $E$4 : $E$6
2. Excel d´ etermine le nomd’une variable ou le nomd’une contrainte en prenant
le premier commentaire situ´ e ` a gauche de la cellule et le premier commentaire
situ´ e au dessus de la cellule de calcul de la variable ou de la contrainte.
Section 10.5. Les rapports du solveur 175
3. Les contraintes de positivit´ e des variables doivent ˆ etre entr´ ees explicitement,
ceci contrairement ` a la convention de certains optimiseurs qui consid` erent
par d´ efaut des variables non n´ egatives. Remarquez que l’on peut directement
entrer la contrainte sous la forme suivante :
$B$2 : $C$2 >= 0
soit en utilisant, comme indiqu´ e plus haut, l’option ”suppos´ e non n´ egatif”.
4. Seules les variables non calcul´ ees (les variables ind´ ependantes du mod` ele)
doivent ˆ etre rentr´ ees dans la section variables. Ainsi, si l’on avait cal-
cul´ e dans une cellule le nombre d’heures pass´ ees dans l’atelier 1, cette cel-
lule contiendrait une variable (au sens math´ ematique du terme) mais ne
devrait pas ˆ etre rentr´ ee dans les cellules variables pour Excel, sans quoi
Excel consid´ ererait qu’il s’agit d’une variable ind´ ependante et effacerait sa
formule de calcul.
5. Si le mod` ele est lin´ eaire (contraintes lin´ eaires et fonction objectif lin´ eaire),
on a tout int´ erˆ et ` a s´ electionner l’option “Mod` ele suppos´ e lin´ eaire”, ce qui
d´ eclenchera l’algorithme du Simplexe plut ˆ ot qu’un algorithme g´ en´ eral de
programmation non lin´ eaire.
6. Remarquez enfin que pour modifier le mod` ele on peut utiliser :
• la commande “supprimer la contrainte”;
• la commande “modifier la contrainte”.
La solution du solveur correspond bien ` a celle d´ etermin´ ee pr´ ec´ edemment, ` a
savoir
x

1
= 2
x

2
= 6
z

= 36
10.5 Les rapports du solveur
Lorsque le solveur a termin´ e, soit qu’il ait trouv´ e la solution optimale, soit qu’il
ne parvienne pas ` a en trouver (probl` eme non r´ ealisable ou non convergence de
l’algorithme de r´ esolution), la boˆıte de dialogue illustr´ ee ` a la figure 10.5 apparaˆıt.
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
boˆıte permet ´ egalement de g´ en´ erer trois types de rapport :
176 Chapitre 10. La programmation lin´eaire.
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 figure 10.6) fournit :
Figure 10.6: Rapports des r´ eponses.
• les informations sur l’objectif : la r´ ef´ erence de la cellule, le nom, la valeur
originale et finale 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 finale des “cellules variables”;
• les informations sur les contraintes : la r´ ef´ erence de la cellule, le nom, la
valeur finale du membre de gauche, la formule de calcul, son status (active
ou non ` a la solution finale), ainsi que la marge (valeur de l’´ ecart entre les
deux membres de l’in´ 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 mˆ eme ligne que la cellule et
du premier commentaire rencontr´ e dans la mˆ eme colonne que la cellule. Ceci
est particuli` erement utile si l’on 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 suffira de mettre “de i” ` a gauche de la ligne et “vers j” en haut de la colonne pour
que le nomde la variable ` a l’intersection de la ligne et la colonne se voit attribuer le
nom “de i vers j” par le rapport d’Excel. 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 figure 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 finale de la variable, le coˆ ut r´ eduit, le coefficient dans la fonction
178 Chapitre 10. La programmation lin´eaire.
objectif, l’accroissement et la diminution maximale de ce coefficient avant
qu’une variable ne change de valeur.
• les informations sur les contraintes : la r´ ef´ erence de la cellule, le nom et la
valeur finale du membre de gauche de la contrainte, le prix cach´ e, la valeur du
membre de droite, l’augmentation et la diminution maximum de ce membre
de droite telle que le prix cach´ e reste le mˆ eme.
Nous verrons au chapitre 11 que le coˆ ut r´ eduit mesure l’accroissement de
l’objectif par unit´ e d’accroissement de la variable. Pour un produit non fabriqu´ e,
le coˆ ut r´ eduit s’interpr` ete donc comme la perte de profit si on fabrique un unit´ e du
produit.
De mˆ eme, nous verrons au chapitre 11 que le prix cach´ e mesure l’accroisse-
ment de l’objectif par unit´ e d’accroissement du membre de droite de la contrainte.
Ce prix cach´ e s’interpr` ete donc comme l’augmentation de profit si on dispose d’une
heure suppl´ ementaire dans l’atelier. C’est donc le prix maximum que l’on est prˆ et
` a payer pour cette heure.
10.5.3 Le rapport des limites
Le rapport des limites (voir figure 10.8) fournit pour chaque variable :
Figure 10.8: Rapport des limites.
• sa limite inf´ erieure, c’est-` a-dire la plus petite valeur de la variable qui satisfait
les contraintes en maintenant les autres variables fix´ ees ` a leur valeur;
• la limite sup´ erieure, c’est-` a-dire plus grande valeur de la variable qui satisfait
les contraintes en maintenant les autres variables fix´ ees ` a leur valeur.
Section 10.6. Exercices 179
10.6 Exercices
10.1. La minimisation des coˆ uts. Une entreprise peut fabriquer un mˆ 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. D’autre part, on suppose que le nombre d’heures de
main d’œuvre que l’on peut affecter globalement ` a cette production est de 60
par jour. Or chaque unit´ e produite n´ ecessite 10 heures de main d’œuvre dans
la premi` ere usine alors qu’elle n’en n´ ecessite que 5 dans la seconde. Enfin,
la production totale doit permettre de satisfaire au moins une demande de 8
unit´ es par jour. Sachant que les coˆ uts variables unitaires sont de 2 pour la
premi` ere usine et de 3 pour la seconde, l’entreprise d´ esire produire ` a coˆ 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 rˆ ole consiste ` a
s´ eparer les listes d’ordinateur et les journaux. La r´ epartition entre m´ enages
et soci´ et´ es est diff´ erente d’une ville ` a l’autre expliquant un pourcentage
diff´ erent de listes d’ordinateur 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 coˆ ut d’achat. Pour couvrir ses frais fixes, la soci´ et´ e doit au
moins collecter 1.500 tonnes de listing d’ordinateur 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 l’objectif);
180 Chapitre 10. La programmation lin´eaire.
(b) D´ eterminer graphiquement le plan d’achat optimal et en d´ eduire le coˆ ut
d’achat minimum.
10.3. Planification de production sur coˆ ut variable. Une entreprise fabrique
deux produits P
1
et P
2
. Chaque produit doit passer dans deux ateliers (usi-
nage et finition). Le mois dernier, 500 unit´ es de P
1
ont ´ et´ e produites grˆ ace
` a 750 heures de travail dans l’atelier usinage et 250 heures dans l’atelier
finition. De mˆ eme, 700 unit´ es de P
2
ont ´ et´ e produites, n´ ecessitant 700
heures dans l’atelier usinage et 350 heures dans l’atelier finition. L’entre-
prise dispose ´ egalement d’une section administration. Une partie du coˆ ut de
production est ind´ ependante du nombre d’heures pass´ ees ` a la production (les
frais fixes), une partie est directement proportionnelle au nombre d’heures
pass´ ees ` a la production (les frais variables). Le mois pass´ e, on a observ´ e la
r´ epartition suivantes entre frais fixes et frais variables :
Section frais fixes frais variables
Administration 50.000 0
Usinage 60.000 11.600
Finition 40.000 6.000
Il y a ´ egalement un coˆ 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 coˆ uts variables (diff´ erence entre prix de vente
et coˆ ut variable de production) par unit´ e de chacun des deux produits.
Indication: calculer d’abord le prix de l’heure 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 l’atelier
d’usinage et de 500 heures par mois pour l’atelier de finition. Formuler
le programme lin´ eaire correspondant ` a la maximisation de la marge sur
coˆ uts variables (choix des variables, expression des contraintes et de
l’objectif).
(c) D´ eterminer graphiquement les productions qui maximise la marge sur
coˆ ut variable.
10.4. Fabrication et transport de produits frais. La production d’une compa-
gnie se r´ eduit ` a 2 produits frais, P et Q qu’un 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 coˆ 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 l’objectif (Conseil : Calculez d’abord 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 d’eau. Une agence pour l’eau est charg´ ee
du captage de l’eau et de la fourniture des agglom´ erations situ´ ees dans son
district. Le captage est possible aupr` es de 3sources d’offre 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 l’offre de chaque
source.
Coˆ 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 l’eau 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 d’eau est oblig´ ee de fournir
ces quantit´ es au minimum. Chaque ville, a une demande effective, qui peut
182 Chapitre 10. La programmation lin´eaire.
ˆ 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
ˆ etre aliment´ ee par n’importe quelle source, sauf la ville 4 qui ne peut ˆ etre
aliment´ ee ` a partir de la source 3. Cependant, vu l’´ eloignement g´ eographique,
le coˆ ut unitaire de fourniture d´ epend ` a la fois du lieu de production et du lieu
de consommation de l’eau (voir le tableau ci-dessus pour les donn´ ees.)
On se demande comment organiser le transport de toute l’eau disponible
de sorte ` a assurer ` a toutes les villes leurs besoins minimaux en ne d´ epassant
pas la demande maximum tout en minimisant les coˆ uts totaux de fourniture
de l’eau pour le district.
(a) Formuler le probl` eme de transport comme un probl` eme lin´ eaire.
(b) R´ esoudre au moyen du solveur d’EXCEL.
Chapitre 11
Analyse postoptimale.
11.1 Introduction
Dans ce chapitre, nous voir comment va varier la valeur optimale de l’objectif
d’un programme lin´ eaire lorsque l’on modifie certains coefficients du probl` eme
(coefficients objectif ou du membre de droite). En effet, g´ en´ eralement la solution
num´ erique d’un probl` eme lin´ eaire est moins significative que de savoir comment
l’objectif va bouger si l’on modifie certaines donn´ ees du probl` eme. C’est l’objet
de ce que l’on appelle l’analyse postoptimale.
Pour voir l’effet de tels changements de donn´ ees, une solution na¨ıve consiste ` a
appliquer le Simplexe au nouveau probl` eme et bien sˆ ur on peut en d´ eduire l’effet
sur l’objectif. 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 l’effet de variation des donn´ ees sur la valeur de
la fonction objectif.
Nous allons d’abord envisager le cas de la variation des coefficients du
membre de droite des contraintes. Nous allons voir que la variation de la va-
leur optimale de l’objectif d’un programme lin´ eaire en fonction des coefficients 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 coefficients de la fonction
objectif. Ici, nous verrons que le taux de variation de l’objectif est donn´ e par la
valeur des variables ` a l’optimum. Nous verrons qu’il y a aussi un domaine de
validit´ e pour ces valeurs optimales des variables.
Enfin, nous terminerons en donnant l’interpr´ etation d’une autre information
que l’on peut tirer de la solution optimale d’un probl` eme lin´ eaire, ` a savoir la valeur
des coˆ 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
d’une ressource, quel est l’impact sur la valeur optimale de la fonction objectif ?”
Pour des variations de membre de droite suffisamment faibles pour que le mˆ 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 l’augmentation de la fonction objectif si l’on
accroˆıt d’une unit´ e la capacit´ e disponible (b
i
).
11.2.1 Calcul des prix cach´ es
Nous allons illustrer ceci sur sur l’exemple 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 d’abord une augmentation de capacit´ e du premier atelier de
b
1
= 4 ` a b

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

= x

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

= z

= 36
D’o` u une variation nulle de l’objectif, ce qui se traduit par une valeur nulle du
premier prix cach´ e :
∆z = 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 figure 11.1) :
x

= (5/3, 13/2).
En cons´ equence de quoi, la nouvelle valeur de l’objectif 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.
D’o` u un accroissement de l’objectif qui d´ etermine la valeur du deuxi` eme prix
cach´ e :
∆z = z

−z

=
3
2
= y

2
.
Enfin, 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 figure 11.2, cela donne un d´ eplacement
du point optimal vers :
x

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

= 37
D’o` u une augmentation d’objectif qui d´ etermine la valeur du troisi` eme prix cach´ e :
∆z = z

−z

= 1 = y

3
.
Le r´ esultat peut aussi ˆ etre interpr´ et´ e dans l’autre sens : y

3
est la perte de profit
si on diminue d’une unit´ e la capacit´ e du troisi` eme atelier.
Remarquer que dans la pratique, si onutilise la forme alg´ ebrique de l’algorithme
du Simplexe, ces prix cach´ es sont calcul´ es automatiquement par l’algorithme.
C’est ainsi que tout bonne impl´ ementation de l’algorithme du Simplexe fournit
cette information (voir le rapport de sensibilit´ e d’Excel 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 l’atelier 3.
11.2.2 Analyse de sensibilit´ e au membre de droite
Remarquons, et ceci est l’objet de l’analyse de sensibilit´ e qu’il y a une limite de
validit´ e de chaque prix cach´ e. En effet, dans le cas de la premi` ere ressource, si
l’effet d’une augmentation de b
1
sera nul sur la valeur optimum de l’objectif quel
que soit b
1
≥ 4, il n’en va pas de mˆ eme d’une 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 s’agit de l’intervalle :
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 n’est plus ` a l’intersection des contraintes (2) et (3) mais bien
` a l’intersection des contraintes (3) et (5). Au del` a de ce point, y

2
change :
y

2
= 0.
De mˆ eme, une diminution en dessous de b
2
= 6 va changer le sommet optimal :
en effet, il sera ` a l’intersection des contraintes (1) et (2) et non plus ` a l’intersection
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 coefficients objectifs 187
De mˆ 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 s’agit de l’intervalle :
b
3
∈ [12, 24].
Ces informations sont donn´ ees dans le rapport de sensibilit´ e dusolveur d’Excel.
Ces informations sont fournies sous la forme d’une augmentation admissible et
d’une diminution admissible. Elle sont reprises ci-dessous :
Contrainte augmentation admissible diminution admissible
Atelier 1 +∞ 2
Atelier 2 6 6
Atelier 3 6 6
Remarquons finalement que l’on 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 n’est
pas enti` erement utilis´ ee : il ne sert donc ` a rien d’augmenter son stock disponible.
11.3 Variation des coefficients objectifs
La question qui se pose ici est la suivante :“Si on augmente le prix de vente unitaire
ou si l’on diminue le coˆ ut de production unitaire, quel est l’impact sur la valeur de
l’objectif ?”
A nouveau, on peut pr´ edire cette variation de l’objectif 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 mˆ eme. Seul le profit optimal
change. Le nouveau profit vaut donc :
z

=
n

j=1
(c
j
+ ∆c
j
)x

j
On en conclut que pour une variation unitaire du coefficient c
j
, l’augmentation de
z

est exactement la valeur optimale de la variable x

j
.
188 Chapitre 11. Analyse postoptimale.
La “valeur de la j` eme variable ` a l’optimum” (not´ ee x

j
) mesure l’augmenta-
tion de la fonction objectif si l’on accroˆıt d’une unit´ e la marge unitaire c
j
.
Nous allons ` a nouveau l’illustrer sur le mˆ eme exemple introductif. D’apr` es
le r´ esultat ´ enonc´ e ci-dessus, les augmentations de profit 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 d’une unit´ e. Autre-
ment dit, l’objectif devient :
maxz = 4x
1
+ 5x
2
On constate ` a la figure 11.3 que la pente de l’objectif ne varie pas suffisamment
pour changer le sommet optimum qui reste en :
x

1
= 2
x

2
= 6
On en d´ eduit la nouvelle valeur de l’objectif :
z

= 4 ×2 + 5 ×6 = 38
L’augmentation de l’objectif correspond bien ` a la valeur de x

1
:
∆z

= 38 −36 = 2 = x

1
11.3.1 Analyse de sensibilit´ e aux coefficients objectif
Consid´ erons maintenant la questionl’analyse de sensibilit´ e. Onveut, par exemple,
d´ eterminer l’intervalle de variation maximum de c
1
autour de 3 tel que le sommet
optimal ne change pas.
Ala figure 11.3, on constate que le coefficient c
1
peut descendre jusqu’` a ce que
l’objectif z = c
1
x
1
+ 5x
2
soit parall` ele au segment
2x
2
= 12,
c’est-` a-dire lorsque c
1
= 0. Le coefficient c
1
peut augmenter jusqu’` a ce que l’ob-
jectif z = c
1
x
1
+ 5x
2
soit parall` ele au segment
3x
1
+ 2x
2
= 18.
Section 11.3. Variation des coefficients 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 lorsqu’il y a ´ egalit´ e des pentes :
−c
1
5
=
−3
2
,
c’est-` a-dire lorsque c
1
= 15/2. On en conclut que tant que
c
1
∈ [0, 15/2],
on a le mˆ eme sommet optimal et donc la mˆ eme solution optimale.
Effectuons l’analyse de sensibilit´ e pour le second coefficient objectif. Celui-ci
peut d´ ecroˆıtre jusqu’` a ce que l’objectif z = 3x
1
+c
2
x
2
soit parall` ele au segment
3x
1
+ 2x
2
= 18.
Ceci se produit lorsqu’il y a ´ egalit´ e des pentes :
−3
c
2
=
−3
2
,
c’est-` a-dire lorsque c
2
= 2. Dans l’autre sens, c
2
peut augmenter jusqu’` a ce que
l’objectif 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 mˆ eme sommet optimal et donc la mˆ eme solution optimale.
Ces intervalles de sensibilit´ e sont donn´ es dans le rapport de sensibilit´ e du
solveur d’Excel (voir chapitre 10).
190 Chapitre 11. Analyse postoptimale.
11.4 Coˆ ut r´ eduit des variables hors base
On appelle variables hors base celles dont la valeur est ` a z´ ero ` a l’optimum.
Le “coˆ ut r´ eduit” de la variable hors base x
j
, not´ e d
j
, mesure l’augmentation
de la fonction objectif si l’on accroˆıt d’une unit´ e la valeur de la variable x
j
.
Nous illustrerons cette notion sur l’ exemple de planification 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 d’Excel :
(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 qu’ayant 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´ efice 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
. L’effet sur z

de la production
d’une unit´ e du produit 3 vaut donc :
∆z

= −1/3 ×3 −1 ×5 + 1 ×4 = −2 = d
3
Le coˆ ut r´ eduit, not´ e d
3
, est n´ egatif, traduisant le fait que si la productionde ce chassis
´ etait positive, elle diminuerait le profit d’autant. Pour qu’il devienne int´ eressant de
produire le chassis, il faut donc augmenter sa marge d’au moins deux unit´ es. Ici,
le coˆ ut r´ eduit s’interpr` ete comme l’oppos´ e de l’augmentation minimale de prix
pour que la production devienne int´ eressante. A nouveau, le solveur d’Excel
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
l’exercice 3 du chapitre 10,
(a) D´ eterminer la valeur des prix cach´ es ` a l’optimum.
(b) Si l’unit´ e de capacit´ e suppl´ ementaire coˆ ute le mˆ eme prix pour les deux
ateliers, a-t-on int´ erˆ et a augmenter la capacit´ e du premier ou du second
atelier ?
(c) Jusqu’` a quel niveau est-il int´ eressant d’augmenter cette capacit´ e ?
11.2. Sensibilit´ e aux coefficients 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 l’intervalle 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 firme 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-d’œuvre 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 coˆ ut de 4,75 $
l’unit´ e. Au service de la soci´ et´ e se trouvent 4 employ´ es qui travaillent chacun
40 heures semaine et dont les salaires sont fixes (ind´ ependant du volume de
production). Les heures suppl´ ementaires sont pay´ ees 15 $ de l’heure. Mais
la direction a promis de ne jamais exiger plus de 35 heures suppl´ ementaires
par semaine. L’usinage 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 l’objectif et des contraintes).
(b) Un logiciel d’optimisation 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 l’on ne fasse plus appel aux heures
suppl´ ementaires. Ils estiment que le prix de 15 $ n’est pas une compen-
sation financi` ere suffisante. Ils exigent une augmentation de 10 $ par
heure. Faut-il mieux pour l’entreprise 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, grˆ ace ` a la m´ ethode
que nous pr´ esenterons dans ce chapitre, de r´ esoudre :
• des probl` emes avec coˆ ut fixe de mise en route (voir chapitre 5 sur la plani-
fication 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 d’ingr´ edients,. . . etc.
D´ efinition 12.1 On appelle probl` eme en nombres entiers la maximisation d’une
fonction lin´ eaire sous des contraintes lin´ eaires lorsqu’en plus toutes les variables
doivent ˆ etre enti` eres.
D´ efinition 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.
L’algorithme 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 d’un algorithme g´ en´ eral qui permette de
r´ esoudre efficacement 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 coˆ uts fixes
Exemple 12.1 Probl` emes avec coˆ ut fixe de mise en route de la production.
On veut repr´ esenter un coˆ ut de production qui est nul en l’absence de production
et qui, dans le cas contraire, vaut la somme d’une constante K, le coˆ ut fixe de
production, ainsi que d’un coˆ ut proportionnel, le taux marginal ´ etant m.
On veut donc pouvoir exprimer la fonction de coˆ 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 figure 12.1.
K
c(x)
x
m
Figure 12.1: Repr´ esentation d’un coˆ ut fixe.
La repr´ esentation math´ ematique de ce coˆ ut fixe n´ ecessite :
1. l’ajout d’une variable indicatrice d’une production positive :
y =
_
1 si x > 0
0 si x = 0
2. la modification 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. l’ajout 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 coˆ ut fixe 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, l’optimiseur va automatiquement choisir y

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

i=1
x
ij
= d
j
, j = 1, . . ., n
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 l’on fait la somme sur tous les entrepˆ ots des parties de la demande du
client j satisfaites ` a partir de ces entrepˆ ots, on doit obtenir exactement la demande
du client.
La seconde s´ erie de contraintes exprime la liaison entre l’utilisation d’un ent-
repˆ 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 l’objectif :
L’objectif est simplement la minimisation des coˆ uts totaux et s’exprime 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 d’ouverture du
d´ epˆ ot i. En effet, soit il n’y a aucun pr´ el` evement au d´ epˆ 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´ epˆ ot
(c’est-` a-dire prendre y
i
= 1) implique un coˆ ut fixe d’ouverture, l’algorithme de
minimisation des coˆ uts choisira y

i
= 0 comme solution. D’autre part, s’il y a
pr´ el` evement au d´ epˆ 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´ epˆ ot. Ceci
est une fa¸ con tr` es classique d’exprimer des coˆ uts fixes d’ouverture via l’utilisation
d’une 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 l’enchaˆınement
des tˆ aches du projet de mani` ere ` a le r´ ealiser dans le meilleur d´ elai. Il se peut que
deux tˆ aches doivent ˆ etre effectu´ ees par la mˆ eme ´ equipe d’ouvriers, soit mettent
en œuvre la mˆ eme machine. Les deux tˆ aches ne peuvent donc avoir lieu simul-
tan´ ement, sans que l’on puisse dire laquelle doit ˆ 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 tˆ ache i et d
i
, sa dur´ ee, est
donn´ ee.
Cette disjonction peut ˆ etre r´ esolue par la programmation mixte 0/1. En
effet, d´ efinissons la variable binaire y
ij
, dont la valeur est 1 si la tache i est r´ ealis´ ee
avant la tˆ ache j et 0 dans le cas contraire :
y
ij
=
_
_
_
1 si la tˆ 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 fin 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 tˆ ache i doit ˆ etre finie avant que ne
commence la tˆ 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 tˆ ache j doit ˆ etre finie avant que ne commence la tˆ ache i.
198 Chapitre 12. La programmation en nombres entiers.
12.2.3 M´ elange avec nombre limit´ e d’ingr´ edients
Il s’agit ´ egalement d’un probl` eme g´ en´ erique conduisant ` a une formulation mixte
enti` ere, les variables binaires indiquant la pr´ esence d’uningr´ edient dans le m´ elange.
C’est le cas, par exemple, d’un probl` eme de m´ elange d’huiles o` u cinq huiles
sont disponibles mais o` udes contraintes techniques impliquent que seulement trois
huiles diff´ erentes peuvent ˆ 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 ˆ etre charg´ es
simultan´ ement. Ce nombre ´ etant limit´ e par le nombre de portes de chargement du
haut fourneau.
Ce probl` eme peut ˆ etre r´ esolu par la programmation mixte z´ ero/un. Si x
i
note la quantit´ e d’ingr´ edient i dans le m´ elange, d´ efinissons la variable binaire y
i
indiquant la pr´ esence de l’ingr´ 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 maximumd’ingr´ edients dans le m´ elange s’exprime
alors simplement par :
n

i=1
y
i
≤ k, (12.7)
avec k, le nombre maximum d’ingr´ 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 l’ingr´ 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 l’ingr´ edient i dans le
m´ elange.
Section 12.3. Principe de la m´ethode de branch and bound 199
12.2.4 Choix parmi un nombre discret de valeurs
Dans beaucoup de probl` emes industriels, lors du dimensionnement d’un appareil-
lage, on doit choisir sa capacit´ e parmi les valeurs commerciales existant sur le
march´ e. Par exemple, lors du dimensionnement d’une canalisation de transport
d’eau, 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 l’utilisation de variables binaires. En
effet, d´ efinissons la variable x comme ´ etant le diam` etre choisi et d´ efinissons 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 qu’un seul diam` etre doit ˆ etre choisi :
y
1
+y
2
+y
3
+y
4
= 1 (12.8)
et bien sˆ 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 qu’une 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 ˆ etre appliqu´ ee aux probl` emes avec variables binaires
(z´ ero-un). Elle peut ´ egalement ˆ etre appliqu´ ee aux probl` emes mixtes (MIP), c’est-
` 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 l’exemple suivant tir´ e de Norbert et al [15] dont
on a l´ eg` erement modifi´ 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 figure 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 qu’une fa¸ con de r´ esoudre le probl` eme serait de construire une
borne sup´ erieure sur z

et une borne inf´ erieure sur z

et ensuite de raffiner ces
bornes jusqu’` a les ´ egaliser.
Question 1 : comment construire une borne inf´ erieure sur z

?
La r´ eponse ` a cette question est ` a la fois simple et difficile. En effet, pour
trouver une borne inf´ erieure, il suffit de donner une solution r´ ealisable pour (12.9).
Comme l’objectif est de maximiser, l’optimum du probl` eme ne pourra qu’ˆ 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 l’exemple 201
Cependant trouver en g´ en´ eral une solution r´ ealisable pour un probl` eme en nombres
entiers n’est 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
l’on obtient ` a partir de (12.9) en laissant tomber les contraintes d’int´ egralit´ e des
variables. Comme on maximise sur un ensemble r´ ealisable plus large, l’optimum
ainsi obtenu ne pourra qu’ˆ etre sup´ erieur ` a l’optimum du probl` eme en nombres
entiers. C’est aussi le premier pas de la m´ ethode de branch and bound que nous
allons maintenant d´ ecrire sur l’exemple.
12.4 Application ` a l’exemple
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 figure 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 l’indique)
d’op´ erer une s´ eparation : la r´ egion r´ ealisable va ˆ 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 d’une variable de s´ eparation. Le choix de cette variable est
heuristique. Diff´ erents choixsont possibles et de ce choixpeut d´ ependre l’efficacit´ e
de la m´ ethode de r´ esolution. Une fa¸ con simple de choisir cette variable est de
prendre la variable la plus distante d’un entier. Une alternative, parfois utilis´ ee,
est de prendre la variable la plus proche d’un entier.
Le “crit` ere de choix de la variable de branchement” adopt´ e ici est de prendre
la variable la plus distante d’un entier.
Dans notre exemple, il s’agit 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 n’y a
202 Chapitre 12. La programmation en nombres entiers.
aucune perte de g´ en´ eralit´ e d’imposer 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 l’une et l’autre conditions, on obtient deux sous-
mod` eles, un mod` ele fils et un mod` ele fille. Ce que l’on repr´ esente par une dia-
gramme du type de celui de la figure 12.4. Chaque nœud de cette figure 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 nœud 0 au mod` ele original. Le nœud 1 est le mod` ele
original avec en plus la restriction x
1
≤ 4, tandis que le nœud 2 correspond au
mod` ele original avec en plus la restriction x
1
≥ 5. On a ici num´ erot´ e les nœuds
dans l’ordre o` u ils ont ´ et´ e g´ en´ er´ es.
On peut maintenant r´ esoudre les relaxations lin´ eaires correspondant aux pro-
bl` emes fils et fille. 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 n’est pas ´ etonnant : on a, en
Section 12.4. Application ` a l’exemple 203
effet, ajout´ e des contraintes et donc restreint l’espace des solutions r´ ealisables.
Comme les deux sous-r´ egions forment une repr´ esentation contenant l’ensemble
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 nœud fils ou fille en deux.
Ici, aucune des deux solutions n’est acceptable car toutes les deux comportent des
parties fractionnaires. On va donc continuer en choisissant un des deux nœuds
pour le diviser ` a nouveau. Le choix du nœud ` a diviser est ` a nouveau heuristique
et peut ` a nouveau avoir une grande influence sur le temps total mis pour r´ esoudre
le probl` eme. Pour l’illustration de la m´ ethode, nous adoptons la r` egle de choix
heuristique suivante :
Le “crit` ere de choix du nœud ` a diviser” adopt´ e ici est de prendre la la re-
laxation lin´ eaire fournit la meilleure (c’est-` a-dire la plus grande en cas de
maximisation) valeur de la fonction objectif.
Pour cet exemple, on choisit donc le nœud 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 nœuds 3 et 4. Ceci est illustr´ e ` a la figure 12.4. On r´ esout
graphiquement les relaxations lin´ eaires (voir figure 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 nœud 3, on a obtenu une solution enti` ere dont la valeur correspon-
dante de la fonction objectif est 290. On a une premi` ere borne inf´ erieure sur la
valeur optimale de la fonction objectif et on a donc que :
290 ≤ z

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

1
= 6
x

2
= 4
auquel correspond une valeur optimale de l’objectif de z

= 290. On a ainsi, pour
notre exemple, trouv´ e et aussi prouv´ e que la solution du nœud 3 ´ etait la solution
optimale du probl` eme en nombres entiers.
En conclusions, il y a trois raisons de couper une branche dans l’arbre :
1. lorsque la relaxation lin´ eaire obtenue est non r´ ealisable (cas du nœud 4),
2. lorsque la relaxation lin´ eaire obtenue fournit une solution enti` ere (cas du
nœud 3),
3. lorsque la valeur de la borne sup´ erieure est inf´ erieure ` a la valeur de la meil-
leure solution enti` ere obtenue (cas du nœud 1).
Enfin terminons par les remarques g´ en´ erales suivantes.
Si la r´ egion r´ ealisable de la relaxation lin´ eaire n’est pas born´ ee, il n’y a pas
de garantie de convergence de la m´ ethode de branch and bound. Pour ´ eviter ce
probl` eme, certaines impl´ ementations demandent une borne inf´ erieure et sup´ erieure
sur chaque variable. On est ainsi garanti d’un nombre fini de branches dans l’arbre.
Signalons, pour terminer, qu’il existe une seconde m´ ethode g´ en´ erale pour r´ e-
soudre les probl` emes en nombres entiers. Il s’agit de la m´ ethode dite des plans cou-
pants. Eneffet, elle g´ en` ere des plans qui “coupent” les solutions fractionnaires. Re-
marquons cependant que, d’un point de vue algorithmique, cette m´ ethode s’av` ere
moins performante (sauf ` a exploiter la structure particuli` ere du probl` eme) que la
m´ ethode de “branch and bound” et n’est donc pas celle qui est impl´ ement´ ee dans
les logiciels commerciaux de programmation mixte.
Section 12.5. Exercices 205
12.5 Exercices
12.1. M´ elange de maximum4 charbons. Pour produire du coke, on m´ elange des
charbons dans un haut fourneau o` u ensuite, une r´ eaction ` a haute temp´ erature
produit le coke. On suppose qu’il y a 8 charbons disponibles. Ces charbons
sont entr´ es par des bandes porteuses qui sont au nombre de 4, permettant
d’avoir au maximum 4 charbons diff´ erents dans le m´ elange. De plus, si un
charbon est pr´ esent dans le m´ elange, il doit l’ˆ etre ` a hauteur de minimum
5%. De plus, on exige que la teneur du m´ elange en Silicium soit d’au plus
1,8 % Le tableau 12.1 reprend les prix et teneur en Si des charbons. On
Charbon Prix Teneur Si
Charbon 1 12 2 %
Charbon 2 14 2,5 %
Charbon 3 17 1 %
Charbon 4 10 5 %
Charbon 5 13 1 %
Charbon 6 9 5 %
Charbon 7 15 2 %
Charbon 8 11 1,5 %
Tableau 12.1: Teneurs en Si et prix des diff´ erents charbons.
veut d´ eterminer le m´ elange r´ epondant aux sp´ ecifications qui soit de coˆ ut
minimum. Formuler le probl` eme.
12.2. Localisation optimale d’´ emetteurs de t´ el´ evision.
´
Etant donn´ e une r´ egion
comportant quatre villes (Lille, Dunkerque, Valencienne et Basieux), on
veut savoir o` u implanter, parmi divers emplacements disponibles (au nombre
de 5), un ensemble d’´ emetteurs de t´ el´ evision susceptibles de desservir ces
diff´ erentes villes au moindre coˆ ut. La derni` ere colonne du tableau 12.2
repr´ esente le coˆ ut de construction de chaque ´ emetteur. Les autres informa-
tions donn´ ees dans le tableau concernent les villes accessibles par l’´ emetteur
s’il est construit. Par exemple, si on construit l’´ emetteur 1, on atteindra les
ville de Lille et Dunkerque et son coˆ ut de construction est de 25.
On demande d’´ ecrire le programme correspondant ` a la d´ etermination du
nombre d’´ emetteurs ` a construire afin que chaque ville soit desservie par au
moins un ´ emetteur et ceci ` a coˆ ut d’investissement total minimum.
12.3. Probl` eme d’affectation de lignes a´ eriennes. Une petite compagnie a´ erien-
ne dispose de six avions de 150 places. Elle d´ esire affecter sa flotte d’avions
aux deux lignes int´ erieures ouvertes ` a la concurrence (les lignes OM et OT).
206 Chapitre 12. La programmation en nombres entiers.
Ville Lille Dunkerque Valencienne Basieux Coˆ ut
´
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
coˆ ut marginal (frais variables tels que le carburant, les taxes d’atterrissage,
etc. . . ) d’un voyage sur la ligne OM est de 4 et de 3 sur la ligne OT. On
d´ esire minimiser le coˆ ut d’exploitation en satisfaisant la demande.
(a) Formuler math´ ematiquement le probl` eme de la meilleure affectation
de la flotte 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 d’organisation 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 l’incin´ 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 l’incin´ erateur 45 ∞ 20 ∞ 0
(a) Repr´ esenter sous forme d’un graphique le r´ eseau de transport.
(b) Formuler le probl` eme de minimisation du temps total pour aller ` a l’in-
cin´ erateur comme un probl` eme en nombres entiers sur r´ eseau.
(c) R´ esoudre au moyen du solveur d’Excel.
12.6. D´ ecoupe de bobines m` eres. Les papetiers fabriquent des rouleaux de papier
dont la largeur est fix´ 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 suffit d’assurer la
coupe transversale d’un 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 mˆ 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 d’Excel.
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, c’est-` a-dire les quantit´ es ` a produire chaque
trimestre ainsi que les ressources ` a mobiliser chaque trimestre pour pouvoir
satisfaire la demande ` a coˆ ut total annuel minimum. La demande pour les 4
prochains trimestres est donn´ ee au tableau 12.5. On suppose qu’un 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 coˆ ut d’embauche d’un ouvrier est de 20 000 euros. Le
coˆ ut de licenciement est de 50 000 euros. Le coˆ ut de stockage d’une unit´ e
pendant un trimestre est de 10 euros. On suppose que les licenciements et
les embauches de personnel ne peuvent se r´ ealiser qu’en d´ ebut de chaque
trimestre. De plus, pour des raisons commerciales, on souhaite avoir un
niveau minimum de stock en fin de chaque trimestre. Ceci afin 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 l’effectif du mois soit suffisant pour satisfaire
la demande (aucune rupture de stock n’est permise) ` a coˆ ut total minimum
(somme ducoˆ ut d’embauche, ducoˆ ut de licenciement et ducoˆ ut de stockage).
(a) Formuler le probl` eme comme un probl` eme lin´ eaire.
(b) R´ esoudre au moyen du solveur d’Excel. 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
User’s guide Release 2.25, The Scientific Press, San Francisco, 1992.
[3] EXCEL, Guide de l’utilisateur, Microsoft, 1992.
[4] GIARD Vincent, Gestion de la production et des flux, 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
Coˆ 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) = λP(X > S −1) −SP(X > S) si X ∼Poisson(λ)
I
r
(s) = σg(t
S
) avec : t
S
=
S −
¯
X
σ
si X ∼ N(µ, σ)
Politique optimale en stock ` a rotation nulle :
S

tel que P(X > S

) ≤
c
p
c
p
+c
r
≤ P(X > S

−1) si X ∼ Poisson(λ)
S

tel que P(X > S

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

tel que P(X > S

) ≤
c
p
c
r
+
c
p
2
≤ P(X > S

−1) si X ∼ Poisson(λ)
S

tel que P(X > S

) =
c
p
c
r
+
c
p
2
si X ∼ N(µ, σ)
211
212 Annexe A. Formulaire pour la gestion de production
Cons´ equences ´ economiques du choix :
• coˆ 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
= coˆ ut unitaire de possession durant un an en stock;
D = demande annuelle.
Point de commande optimal :
s

= DL
avec L = d´ elai d’approvisionnement, 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

Coˆ ut de gestion en univers certain :
C(q

) = c
c
I
c
(q

) +c
p
I
p
(q

) = c
c
D
q

+c
p
q

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

= quantit´ e optimale command´ ee.
Section A.2. La gestion par point de commande 213
Coˆ ut de gestion en cas de demande al´ eatoire :
C(s, q) = c
c
I
c
(q) +c
p
I
p
(s, q) +c
r
I
r
(s, q)
La quantit´ e ´ economique q est d´ etermin´ ee par :
q

=
¸
2c
c
D
c
p
avec D =
¯
X
Le point de commande s est d´ etermin´ e en utilisant la gestion calendaire pendant
le d´ elai d’obtention L (cas de la rotation non nulle) :
P(X
L
> s

) =
c

p
c
r
+c

p
/2
avec c

p
, le coˆ 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 : µ
L
= Lµ et de
variance : σ
2
L
= Lσ
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) = λP(X
L
> s −1) −sP(X
L
> s) si X
L
∼Poisson(λ)
I
c
r
(s) = σ
L
g(t
S
) avec t
S
=
s −
¯
X
L
σ
L
si X
L
∼ N(µ
L
, σ
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 +α)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 d’un conteneur;
T
r
= temps de r´ eaction du syst` eme;
α = marge de s´ ecurit´ e.
A.4
´
Equilibrage d’une chaˆıne de production
RE =
nc −T
nc
avec n = nombre de postes de travail,
c = temps d’un cycle,
T = temps total requis par un article.
A.5 Calcul d’annuit´ es
n

t=1
_
1
1 +i
_
t
=
_
1 −(1 +i)
−n
i
_
avec n = nombre d’ann´ ees,
i = taux d’actualisation annuel.
Annexe B
Tables pour la gestion de stocks
B.1 Table de la loi Poisson(λ)
λ
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(λ) > x]
215
216 Annexe B. Tables pour la gestion de stocks
λ
x 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 1 1,5
0 0,4231 0,4512 0,4780 0,5034 0,5276 0,5507 0,5726 0,5934 0,6321 0,7769
1 0,1057 0,1219 0,1386 0,1558 0,1734 0,1912 0,2093 0,2275 0,2642 0,4422
2 0,0185 0,0231 0,0283 0,0341 0,0405 0,0474 0,0549 0,0629 0,0803 0,1912
3 0,0025 0,0034 0,0044 0,0058 0,0073 0,0091 0,0111 0,0135 0,0190 0,0656
4 0,0003 0,0004 0,0006 0,0008 0,0011 0,0014 0,0018 0,0023 0,0037 0,0186
5 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0003 0,0003 0,0006 0,0045
6 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0009
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Donne la probabilit´ e P[Poisson(λ) > x]
Section B.1. Table de la loi Poisson(λ) 217
λ
x 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5
0 0,8647 0,9179 0,9502 0,9698 0,9817 0,9889 0,9933 0,9959 0,9975 0,9985
1 0,5940 0,7127 0,8009 0,8641 0,9084 0,9389 0,9596 0,9734 0,9826 0,9887
2 0,3233 0,4562 0,5768 0,6792 0,7619 0,8264 0,8753 0,9116 0,9380 0,9570
3 0,1429 0,2424 0,3528 0,4634 0,5665 0,6577 0,7350 0,7983 0,8488 0,8882
4 0,0527 0,1088 0,1847 0,2746 0,3712 0,4679 0,5595 0,6425 0,7149 0,7763
5 0,0166 0,0420 0,0839 0,1424 0,2149 0,2971 0,3840 0,4711 0,5543 0,6310
6 0,0045 0,0142 0,0335 0,0653 0,1107 0,1689 0,2378 0,3140 0,3937 0,4735
7 0,0011 0,0042 0,0119 0,0267 0,0511 0,0866 0,1334 0,1905 0,2560 0,3272
8 0,0002 0,0011 0,0038 0,0099 0,0214 0,0403 0,0681 0,1056 0,1528 0,2084
9 0,0000 0,0003 0,0011 0,0033 0,0081 0,0171 0,0318 0,0538 0,0839 0,1226
10 0,0000 0,0001 0,0003 0,0010 0,0028 0,0067 0,0137 0,0253 0,0426 0,0668
11 0,0000 0,0000 0,0001 0,0003 0,0009 0,0024 0,0055 0,0110 0,0201 0,0339
12 0,0000 0,0000 0,0000 0,0001 0,0003 0,0008 0,0020 0,0045 0,0088 0,0160
13 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0007 0,0017 0,0036 0,0071
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0006 0,0014 0,0030
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0005 0,0012
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0004
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
19 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Donne la probabilit´ e P[Poisson(λ) > x]
218 Annexe B. Tables pour la gestion de stocks
λ
x 7 7,5 8 8,5 9 9,5 10 11 12 13
0 0,9991 0,9994 0,9997 0,9998 0,9999 0,9999 1,0000 1,0000 1,0000 1,0000
1 0,9927 0,9953 0,9970 0,9981 0,9988 0,9992 0,9995 0,9998 0,9999 1,0000
2 0,9704 0,9797 0,9862 0,9907 0,9938 0,9958 0,9972 0,9988 0,9995 0,9998
3 0,9182 0,9409 0,9576 0,9699 0,9788 0,9851 0,9897 0,9951 0,9977 0,9989
4 0,8270 0,8679 0,9004 0,9256 0,9450 0,9597 0,9707 0,9849 0,9924 0,9963
5 0,6993 0,7586 0,8088 0,8504 0,8843 0,9115 0,9329 0,9625 0,9797 0,9893
6 0,5503 0,6218 0,6866 0,7438 0,7932 0,8351 0,8699 0,9214 0,9542 0,9741
7 0,4013 0,4754 0,5470 0,6144 0,6761 0,7313 0,7798 0,8568 0,9105 0,9460
8 0,2709 0,3380 0,4075 0,4769 0,5443 0,6082 0,6672 0,7680 0,8450 0,9002
9 0,1695 0,2236 0,2834 0,3470 0,4126 0,4782 0,5421 0,6595 0,7576 0,8342
10 0,0985 0,1378 0,1841 0,2366 0,2940 0,3547 0,4170 0,5401 0,6528 0,7483
11 0,0533 0,0792 0,1119 0,1513 0,1970 0,2480 0,3032 0,4207 0,5384 0,6468
12 0,0270 0,0427 0,0638 0,0909 0,1242 0,1636 0,2084 0,3113 0,4240 0,5369
13 0,0128 0,0216 0,0342 0,0514 0,0739 0,1019 0,1355 0,2187 0,3185 0,4270
14 0,0057 0,0103 0,0173 0,0274 0,0415 0,0600 0,0835 0,1460 0,2280 0,3249
15 0,0024 0,0046 0,0082 0,0138 0,0220 0,0335 0,0487 0,0926 0,1556 0,2364
16 0,0010 0,0020 0,0037 0,0066 0,0111 0,0177 0,0270 0,0559 0,1013 0,1645
17 0,0004 0,0008 0,0016 0,0030 0,0053 0,0089 0,0143 0,0322 0,0630 0,1095
18 0,0001 0,0003 0,0007 0,0013 0,0024 0,0043 0,0072 0,0177 0,0374 0,0698
19 0,0000 0,0001 0,0003 0,0005 0,0011 0,0020 0,0035 0,0093 0,0213 0,0427
20 0,0000 0,0000 0,0001 0,0002 0,0004 0,0009 0,0016 0,0047 0,0116 0,0250
21 0,0000 0,0000 0,0000 0,0001 0,0002 0,0004 0,0007 0,0023 0,0061 0,0141
22 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0003 0,0010 0,0030 0,0076
23 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0005 0,0015 0,0040
24 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0007 0,0020
25 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010
26 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005
27 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002
28 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
29 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Donne la probabilit´ e P[Poisson(λ) > x]
Section B.1. Table de la loi Poisson(λ) 219
λ
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 finales des exercices
A.1 Introduction
1.1 Un probl` eme de choix d’investissement
a) Choix des variables : les quantit´ es investies en euros dans A, B et C.
b) Expression de l’objectif : 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´ erˆ 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 l’objectif : maximisation de la marge qui est la diff´ erence
entre le chiffre d’affaire et les coˆ uts d’achat et de fonte des minerais
ainsi que le coˆ ut d’achat 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 finales des exercices
1.3 Probl` eme de planification sur coˆ ut variable.
a) Choix des variables :
-production en r´ egime normal par mois,
-production en heures suppl´ ementaires par mois,
-stock ` a la fin de chaque mois.
b) Expression de l’objectif : minimisation de la somme des coˆ 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 d’avions de type i affect´ es ` a la ligne j.
b) Expression de l’objectif : minimisation de la somme des coˆ uts d’exploi-
tation des lignes en fonction du type d’appareil.
c) Expression des contraintes :
• Contrainte sur le nombre d’appareils 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 d’unit´ 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 l’objectif : maximisation du profit net de coˆ 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 sp´ecialis´es 225
1.6 Ajout d’un produit ` a la gamme.
a) Choix des variables :
-production de produits standard dans l’atelier A, B et C,
-Production de produits de luxe dans l’atelier B et C.
b) Expression de l’objectif : maximiser la marge qui est la diff´ erence entre le
chiffre d’affaire, les coˆ uts de main d’oeuvre et les coˆ 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 Bˆ 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 l’ordre d’arriv´ ee : 3 jours.
c) Ordre s’il y a un temps interm´ ediaire de 2 jours : mˆ eme ordre.
2.2 Usinage de pi` eces sur des machines.
a) Pourquoi l’algorithme de Johnson ne s’applique pas ?
L’algorithme de Johnson ne s’applique pas car les tˆ aches qui doivent
ˆ etre effectu´ ees sur une mˆ eme machine ne sont pas ind´ ependantes : il
faut d’abord r´ egler la machine avant d’usiner 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 finales 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 d’un 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 ˆ 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 l’aide d’un 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 l’ordonnancement :
Place 1 2 3 4 5
Tˆ 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 coˆ ut de gestion du stock : C(S) = 2.605,80
3.2 Ventes d’hebdomadaires.
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 coˆ ut de gestion du stock : C(S) = 10,91 euros
Calcul du b´ en´ efice 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´ efice 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´ efice 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 fleurs.
a) Nombre de bottes de fleurs ` a acheter : S

= 13.
b) Nombre moyen de ruptures par semaine : I
r
(S) = 2, 7076. Soit 5,41
clients par semaine.
c) Nombre d’invendus : I
p
(S) == 0, 7076. Soit 1,4152 bottes par semaine.
228 Annexe A. Solutions finales des exercices
A.4 Gestion de stock par point de commande
4.1 Gestion de l’approvisionnement du stock de transitors.
a) Calcul du coˆ ut de gestion actuel : C(500, 500) = 4.320 euros.
b) Politique optimale : q

= 300 et s

= 300.
Coˆ 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) Coˆ 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) Coˆ 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

= 15 avec C(S) = 105,687.
Ce qui sur base annuelle (6fois deuxmois) donne : C
a
= 6×105, 687 =
634, 12.
b) Gestion par point de commande : q

= 9 et s

= 5 avec C(s, q) = 525,48.
c) Comparaison des b´ en´ efices dans les trois cas :
Gestion calendaire : B(S) = 8 965, 88.
Gestion par point de commande : B(s, q) = 9 074, 52.
Servir d’interm´ ediaire : B = 4 800.
Conclusion : il vaut mieux utiliser la gestion par point de commande.
Section A.5. La planification de la production 229
A.5 La planification de la production
5.1 Planification de production d’un moteur.
a) Besoins nets de moteur pour janvier ` a avril :
t Janvier F´ evrier Mars Avril
BN
t
0 7 16 11
b) Lancements de production en lot par lot :
t Janvier F´ evrier Mars Avril
LP
t
7 16 11
5.1 Production d’engrenages.
a)Quantit´ e ´ economique ` a mettre en production : q

= 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) Coˆ ut de lancement de production et de stockage : C = 855. Alors que le
coˆ 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 finales 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 Planification 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´ erification de l’´ equilibre charge capacit´ e : Le temps de fabrication
amont de 6,7 heures par jour. Alors qu’on 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
qu’au lancement. Il ne reste plus rien pour la production.
Section A.7. L’ordonancement 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 d’un 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´ erifier 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 L’ordonancement de projets
7.1 Equipement d’un ensemble minier.
a) Graphe de la m´ ethode des potentiels : voir cours. t
f
= 11.
b) Dates de d´ ebut au plus t ˆ ot, les dates de d´ ebut au plus tard :
Tˆ ache 1 2 3 4 5 6 7 8
Date plus t ˆ ot 0 0 0 3 3 3 7 5
Date au plus tard 1 0 6 3 4 6 7 8
Tˆ aches critiques : 2,4,7.
c) La t ˆ ache 7 ne commence pas avant 8 trimestres : t
f
= 12.
d) La t ˆ ache 8 ne commence pas apr` es 4 trimestres : probl` eme impossible.
7.2 Construction d’un bˆ atiment.
a) Graphe de la m´ ethode des potentiels : voir cours.
b) Dates au plus t ˆ ot, au plus tard et marges :
Tˆ ache 1 2 3 4 5 6 7 8 9 10 11 12
d´ eb +t ˆ 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 finales des exercices
7.3 La m´ ethode PERT.
a) Graphe de la m´ ethode PERT : il est n´ ecessaire d’ajouter une t ˆ ache fictive
entre les tˆ aches 11 et 9.
b) Dates au plus t ˆ ot, au plus tard et marges :
Tˆ ache 1 2 3 4 5 6 7 8 9 10 11 12 13
Date + t ˆ 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 tˆ 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 surcoˆ ut total est donc de 300 000 euros.
7.4 Minimisation des coˆ uts.
a) Graphe de la m´ ethode des potentiels : voir cours.
b) Ordonnancement:
Tˆ ache 1 2 3 4 5
Date plus t ˆ 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 coˆ uts :
Les variables : t
1
, . . .t
5
, les dates de d´ ebuts au plus t ˆ ot, d
3
, d
5
, les
dur´ ees des troisi` eme et cinqui` eme tˆ aches.
L’objectif : 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 coˆ 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 fin de projet de t

f
= 22.
Section A.8. Conception d’un centre de production 233
7.5 Lancement d’un 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 ˆ ot, au plus tard et des marges :
Tˆ ache A B C D E F G H I J
Date plus t ˆ 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 d’une semaine : r´ eduire d’une semaine la dur´ ee des
tˆ aches C, B et I.
A.8 Conception d’un centre de production
8.1 Equilibrage d’une chaˆıne.
a) Chaˆıne ` 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 chaˆıne d’une lampe de bureau.
a) D´ etermination du temps de cycle : c = 64 secondes.
234 Annexe A. Solutions finales 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 l’heuristique 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 d’une capacit´ e.
a) Calcul des profits 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 d’une grande capacit´ e.
c) Probabilit´ e de succ` es de basculement de strat´ egie : π = 38, 92%.
8.4 Ouverture d’un 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 d’ouvrir un restaurant de 500 : 401,42.
E(V AN) si la 1` ere d´ ecision est d’ouvrir 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´ epˆ ots.
a) Variables :
millions de tonnes transport´ ees du d´ epˆ ot i vers le client j.
indicatrice de l’ouverture du d´ epˆ ot i l’ann´ 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 coˆ uts de tranport et des coˆ uts d’ou-
verture des d´ epˆ 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´ epˆ ot i vers le pays j.
– indicatrice de l’ouverture du d´ epˆ ot i l’ann´ ee prochaine.
• Contraintes :
– capacit´ e de production;
– satisfaction de la demande;
– non n´ egativit´ e et caract` ere binaire.
• Objectif : minimiser la somme des coˆ uts de transport et des frais
fixes d’ouverture des d´ epˆ 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 finales 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 l’objectif : 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 d’int´ 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 lin´eaire 237
A.10 La programmation lin´ eaire
10.1 La minimisation des coˆ uts.
a) Formulation du probl` eme lin´ eaire :
• Variables : quantit´ es fabriqu´ ees par jour par usine .
• Objectif : minimisation des coˆ uts de production.
• Contraintes :
– Capacit´ e journali` ere des usines,
– Limite de main d’oeuvre,
– 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 coˆ uts d’achat.
• Contraintes :
– Limite d’achat 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 Planification de production sur coˆ ut variable.
a) Marges sur coˆ 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 finales 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 d’unit´ es fabriqu´ ees par jour par produit.
• Objectif : maximiser la marge nette de coˆ ut de transport.
• Contraintes :
– Capacit´ e de transport,
– Limitation d’ingr´ edient M,
– Limite d’ingr´ 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 d’eau.
a) Formulation du probl` eme en nombres entiers :
• Variables : quantit´ e d’eau allant la source i ` a la ville j.
• Objectif : minimisation des coˆ uts de distribution.
• Contraintes :
– Respect du besoin minimum de chaque ville;
– Demande maximum de chaque ville;
– Utiliser toute l’offre disponible de chaque source;
– Positivit´ e.
b) Solution d’EXCEL :
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 l’aug-
mentation de profit pour une heure en plus est plus grande.
c) Jusqu’` a quel point ? Augmentation utile jusque b
2
= 600.
11.2 Sensibilit´ e aux coefficients 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 l’objectif : maximiser le chiffre d’affaire moins le
coˆ ut de mati` ere premi` ere moins le coˆ 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 d’heures suppl´ ementaires;
– Limite du nombre d’heures suppl´ ementaires;
– Limite d’usinage;
– 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 coefficient
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 l’on peut augmenter de 10 le
membre de droite. Donc le b´ en´ efice net serait de 10 × 35,5 = 355 $.
240 Annexe A. Solutions finales 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 coˆ ut d’achat 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 l’emetteur i.
b) Objectif : minimiser la somme des coˆ uts fixes de construction.
c) Contraintes : Atteindre chaque ville
12.3 Probl` eme d’affectation de lignes a´ eriennes :
a) Formulation du probl` eme :
• Choix des variables :
-nombre d’avions affect´ es sur la ligne OM;
-nombre d’avions affect´ es sur la ligne OT.
• Expression des contraintes :
– satisfaire la demande;
– respecter le nombre d’avions;
– caract` ere entier des variables.
• Objectif : minimiser les coˆ uts d’exploitation 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 l’objectif : minimiser le temps total pass´ e sur le
r´ eseau.
b) Mettre sous la forme d’un mod` ele de calcul en EXCEL : voir cours.
c) Solution d’EXCEL :
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 l’objectif : minimiser la somme des bobines-m` eres
d´ ecoup´ ees.
b) Solution d’EXCEL : 200 bobines-m` eres sont n´ ecessaires. Les solutions
optimales sont multiples.
12.7 Optimisation du plan directeur de production.
a) Formulation :
• Variables :
– l’embauche 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 fin de p´ eriode t.
• Objectif : minimiser la somme des coˆ uts d’embauche, de licen-
ciement et de stockage.
• Les contraintes :
– Bilan des effectifs;
242 Annexe A. Solutions finales des exercices
– Bilan des stocks;
– Contrainte de stock minimum;
– Non n´ egativit´ e.
b) Solution d’Excel :
z

= 5 145 806, 2865
t Embauches Licenciements Effectifs stocks
1 0,000 0,000 32,000 117 600
2 6,271 0,000 38,271 85 000
3 0,000 3,476 34,795 182 061
4 0,000 0,000 34,795 100 000

Table des mati` res e

1

Introduction 1.1 1.2 1.3 Objectifs du cours . . . . . . . . . . . . . . . . . . . . . . . . .

9 9

D´ finition de la gestion de production . . . . . . . . . . . . . . . 10 e Classification des syst` mes productifs . . . . . . . . . . . . . . . 12 e 1.3.1 1.3.2 1.3.3 1.3.4 Organisation de type s´ rie unitaire . . . . . . . . . . . . . 12 e Organisation en ateliers sp´ cialis´ s . . . . . . . . . . . . 13 e e Organisation en lignes de production . . . . . . . . . . . 13 Les industries de process . . . . . . . . . . . . . . . . . 14

1.4 1.5

Formulation en mod` les math´ matiques . . . . . . . . . . . . . . 14 e e Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

I Les d´ cisions op´ rationnelles e e 2 Ordonnancement en ateliers sp´ cialis´ s e e 2.1 2.2

21 23

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 Ordonnancement sur une machine . . . . . . . . . . . . . . . . . 24 2.2.1 2.2.2 Le diagramme de Gantt . . . . . . . . . . . . . . . . . . 24 La r` gle T.O.M. . . . . . . . . . . . . . . . . . . . . . . 25 e Cas o` toutes les tˆ ches sont a ex´ cuter sur A puis B . . . 26 u a ` e Cas de tˆ ches ne s’effectuant pas dans le mˆ me ordre . . . 28 a e

2.3

Ordonnancement avec deux centres de production . . . . . . . . . 26 2.3.1 2.3.2

2.4 2.5

Ordonnancement sur trois machines . . . . . . . . . . . . . . . . 29 Ordonnancement de n tˆ ches sur m centres de production . . . . . 31 a

3

4 2.6 3

Table des mati`res e Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 35

La gestion calendaire de stock 3.1 3.2 3.3

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 Les politiques de gestion de stock . . . . . . . . . . . . . . . . . 36 Les coˆ ts associ´ s aux stocks . . . . . . . . . . . . . . . . . . . 37 u e 3.3.1 3.3.2 3.3.3 Les coˆ ts de possession . . . . . . . . . . . . . . . . . . 37 u Les coˆ ts de rupture . . . . . . . . . . . . . . . . . . . . 39 u Les coˆ ts de commande . . . . . . . . . . . . . . . . . . 39 u

3.4 3.5 3.6 3.7

Gestion calendaire de stock a rotation nulle . . . . . . . . . . . . 40 ` Cas d’une loi de demande continue . . . . . . . . . . . . . . . . 46 Les cons´ quences economiques de la solution optimale . . . . . . 48 e ´ Cas de stocks a rotation non nulle . . . . . . . . . . . . . . . . . 51 ` 3.7.1 3.7.2 D´ termination de la solution optimale . . . . . . . . . . . 54 e Cas d’une loi de demande discr` te . . . . . . . . . . . . . 56 e

3.8 4

Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 59

La gestion par point de commande 4.1 4.2 4.3 4.4

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 D´ termination du point de commande en univers certain . . . . . 60 e D´ termination de la quantit´ economique de commande . . . . . . 61 e e´ Cas d’une demande al´ atoire . . . . . . . . . . . . . . . . . . . . 64 e 4.4.1 4.4.2 D´ termination de q et s . . . . . . . . . . . . . . . . . . 65 e Cons´ quences economiques du choix . . . . . . . . . . . 67 e ´

4.5

Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

II Les d´ cisions tactiques e 5 La planification de la production 5.1 5.2

71 73

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 La planification des besoins en composants . . . . . . . . . . . . 74

3. . . . . .6 6 Ajustement charge-capacit´ . . . . . . . . . . . . . . . . . . .2 Origine et principe du JAT . . . . . 112 e . . . . . . . . . . . . 78 e 5. . . .5 5. . . . . . . . . . . . . . . . . . .4 La m´ thode Kanban . .2 D´ termination de la couverture des besoins nets . . . . . . . .1 5. . . . . . . . . . . . . . . . . . . . . . . . .4 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 e e e La rationalisation de la production . . . . .1 6. . . . . . . . . . . . . . . . .5 Exercices .4 5. . .2 7. . . . 108 Calcul de l’ordonnancement au plus tˆ t . .3 7. . . . . . . . . . . . . . . . . . . 99 III Les d´ cisions strat´ giques e e 7 L’ordonnancement de projets 7. . . . . . . . . .3 Les facteurs cl´ s du JAT . . . . . . . . . . . . . .6 7. . 111 L’ordonnancement par la m´ thode PERT . . . . . . . . . . . . 93 6. 103 Formulation du probl` me . . . . . . .5 7. 93 Recherche d’un plus grande r´ activit´ . . . . . . . . . . . . . . . . . . . . . . 94 ı e Syst` me Kanban a une boucle . . .8 101 103 Introduction . 80 5.4.2. . . . . . . . . 95 e ` D´ termination du nombre d’´ tiquettes . . . . . . . . . . . . . . . . . . . . . . . . . .7 7. . .3 5 D´ termination des besoins nets d’un composant . . 89 91 Les techniques de juste a temps ` 6. . . . . . . . . 95 e 6. . . . . . . . . . . . . . . . . . . 94 e e Maˆtrise des al´ as . . . . .1 7. . . .2 6.1 6. . 109 o Ordonnancement au plus tard . . . . . 109 Chemin critique et calcul des marges . . . . . 87 e Exercices . . . . . . . .Table des mati`res e 5. . .1 6. . 84 e Autres r` gles de calcul des lancements de production . . . . . .3. . . . . .4. . . . . . . . . 94 e 6. .2 6. . . . . . . . . . . 105 e Repr´ sentation graphique du probl` me . . . . . . . . . . . . .3. . . .2. . . . .3.2 Augmenter la r´ activit´ du syst` me logistique . . . . . . . . . . . 96 e e 6. . . . . . 105 e e Existence d’une solution . 80 e Utilisation en cascade de la logique de calcul . . . . . . . . . . . . . .1 6. . . . . . . 91 Les deux approches du JAT .

. .5. . . . . . .2 8. . . . 156 e R´ solution par la programmation dynamique . . . . .3 9. . . . . . . . . . . . . . . . . . . . . . . . . 153 e Proc´ dure de r´ solution . . . . . . . . . . . . . 154 e e Un probl` me d’affectation de ressources rares . . . . . .1 9. . . . . . .2 Formulation comme un probl` me dynamique .4. . .4 8.5. . . .1 9. 115 u 7. . . . 123 Configuration d’un centre de production .1 8. . 9. . .10 Exercices . . . . . . . . . . . . . . . . . . 124 8. . . . . . 133 ` 8. . .6 Exercices .5. . . . . . . . . . . . . . .6 7. . 165 167 10 La programmation lin´ aire. . . . . . . .1 8. . . . . . . . . . . . 124 e e Configuration en ligne de production . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . 138 e Utilisation de la programmation math´ matique . . . 151 Le probl` me du voyageur . . 163 u 9. 159 ` 9. . . . . . . . . . . . . . . . . . . . . . .2.6 D´ cisions de capacit´ . .2 123 Introduction . . . .2. . . . . . . . . . . . . . . 119 8 Conception d’un centre de production 8. 161 e Algorithme en cas de coˆ t convexe . . . . .1 9. . . . . 145 IV Les techniques d’optimisation 9 La programmation dynamique. .4. . . . . . .2. . . . . . . . . . . . .9 Table des mati`res e La minimisation des coˆ ts . . . . . 134 e e D´ cisions de localisation . . . . . . . . . . . . . . . . . . . 156 e 9. . .3 Configuration en ateliers sp´ cialis´ s . . . . . . . . 158 e Formulation en un probl` me dynamique . . . . . 152 e 9. . e . . . . . . . .2 9. . . . . . . . . .1 Formulation en un probl` me dynamique . . . . . . . . . . . . . . . . . . . . .4 149 151 Introduction . . . .5 8. 159 e R´ solution par la programmation dynamique . . . . . . . . . . . . 141 e Exercices . . . . . . . 128 Configuration a poste fixe . . . . . . . . . . . . . . . . . . . .2 9. . . . . . . . . . . . .3 9.5 Application a la planification de la production. . . . . . . . . . . . . . . .3 8. .

. . . . . . . .5. . . .1 Introduction . . .2 Formulation des probl` mes mixtes . . . . . . . . . . . . .3 Variation des coefficients objectifs . . . . . 205 A Formulaire pour la gestion de production 211 .2 Variation par rapport au second membre . . . .4 Le solveur d’Excel . . 186 e 11. . 175 10. .2 Probl` mes avec contrainte logique . 191 12 La programmation en nombres entiers. . 194 e u 12. . . . . 197 e 12. . . . . .2. . .6 Exercices . . . . . . 167 10. .1 Calcul des prix cach´ s . . . . . . . . . . . . . . . .4 Application a l’exemple . . . . . 194 e 12. . . . . . . . 184 11. . .2. . . 201 ` 12. . . . . . . . . . . . . . . . . . .5 Exercices . . . . . . . .Table des mati`res e 7 10. . . . . . . . .1 Introduction . . . . . . . . . . . . . . . . .3 R´ solution graphique . . . . . . . .2. . . 190 u e 11. . . .2. . .2 Un simple exemple . . . . . . . . . . 188 e 11. 193 12. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177 e 10. . . . . . . . 172 10. . . . . . .5 Les rapports du solveur . . . 179 11 Analyse postoptimale. . . . . . . .1 Probl` mes avec coˆ ts fixes . . . . . . . .5 Exercices . . . . . . . . .5. . . . . . . . . . . . . . . . . . . . . 199 e 12. . . . . . . . . . . . . . . . . .4 Choix parmi un nombre discret de valeurs . . . 184 e 11. . . . . . . . . . . . . . . . 176 e 10. . .2 Le rapport de sensibilit´ . . . . . . . . . . . . . . . . . . 183 11. . . . . . . . . . . . . . . . 187 11. . . . . .5. . . . . . . .3. . . . . .2. . . . . . . . . . . . . . . . 183 11. . . . . . . . . . . . . . . . . . .3 Le rapport des limites . . . . . .1 Analyse de sensibilit´ aux coefficients objectif . . . . .4 Coˆ t r´ duit des variables hors base . . . . . . . . . . . . . . . . . . .3 M´ lange avec nombre limit´ d’ingr´ dients . . . . . . . . . . . . . . . . . . . . 178 10. . .3 Principe de la m´ thode de branch and bound . . .2 Analyse de sensibilit´ au membre de droite . . . . . . . . . . . . . . . . . . . . . .1 Introduction . .2. . . 198 e e e 12. . 169 e 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Le rapport des r´ ponses . . 199 12. 193 12. . . . . 167 10. . . . .

2 Ordonnancement en ateliers sp´ cialis´ s . . 233 A. . . . . . . 211 A. . . . . .8 Table des mati`res e A. . . . . . . . . . . . . . . . . . . . . . 220 B. . . . . . . . . . . .5 Calcul d’annuit´ s e . . .6 Les techniques de juste a temps . . . . . . . . . . . . . . . . .2 Table de la loi normale Z ∼ N (0. . . . 226 A. . . . . . 231 A. . . . . . . . .12 La programmation en nombres entiers . . . . . . . . .4 Equilibrage d’une chaˆne de production . . . . . . . . . . 215 B. .7 L’ordonancement de projets . . . . 235 A. . . 240 . . . . . . . . . . . . . . . . . . . . . . . . 230 ` A. . . . . . . . 228 A. . . . . .5 La planification de la production . . . . . .2 La gestion par point de commande . . . . . . . . . . . .1 Introduction . . . . . . . . . . . .1 La gestion calendaire de stock . . . . . . . . . . . . . 214 ` ´ A. . . . 221 A Solutions finales des exercices 223 A. . . . . . 225 e e A. . . 238 A. . . . . . . 212 A. . . . . . . . 1) . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Table pour le calcul de Ir (S) . . . .3 Gestion calendaire de stock . . . . . . 214 ı A. . . . . . . . . . . . . . . . . . . . .3 Les techniques de juste a temps . . . . . . . .1 Table de la loi Poisson(λ) . 229 A. . . . . . . . . . . . . . . . .4 Gestion de stock par point de commande . 223 A. . . 214 215 B Tables pour la gestion de stocks B. . . . . . . . . . . . . 237 e A. . . . . . .11 Analyse postoptimale . .8 Conception d’un centre de production . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10 La programmation lin´ aire . . . . . . . . . . . . . .9 La programmation dynamique . . . . . . .

• La connaissance d’outils de r´ solution de ces probl` mes : en effet. nous utiliserons les livres de Giard [4] et Baglin et al [1] ee pour tous les mod` les classiques de gestion de la production. Pour ce qui est de e la formulation en mod` les math´ matiques. une tr` s bonne r´ f´ rence est le livre de e e e ee Williams [17]. pour lequel il existe des m´ thodes de r´ solution e e adapt´ es (voir chapitres 3 et 4). .. une e e fois le probl` me formul´ . • la gestion de la capacit´ . 9 .4 a la fin de ce e e ` chapitre). on essayer de d´ velopper une double comp´ tence : e e • La capacit´ de formuler ces probl` mes en des mod` les math´ matiques : e e e e c’est-` -dire.1 Objectifs du cours L’objectif du cours est de donner une formation de base a l’approche quantitative ` des probl` mes de gestion de l’entreprise tels que : e • la planification de la production. partant de probl` mes enonc´ s de mani` re litt´ raire. • la gestion des stocks. souvent on tombe sur un probl` me classique (tel e e e celui de la gestion de stock). • l’ordonnancement de projets.Chapitre 1 Introduction 1. . e Comme r´ f´ rences. e Pour cela. de les traa e ´ e e e duire sous formes d’´ quations math´ matiques (cfr section 1.

La production consiste en une transformation de ressources (humaines ou mat´ rielles) en vue de la cr´ ation de biens ou services : e e • La production d’un bien s’effectue par une succession d’op´ rations consome mant des ressources et transformant les caract´ ristiques de la mati` re. e e e ` u Nous verrons dans ce cours un certain nombre de probl` mes types rencontr´ s en e e gestion de production. il faut d’abord d´ finir ce que l’on entend e e par la production. Introduction 1. e D´ finition 1. e • le processus de fabrication. La gestion de production consiste donc a l’obtention d’un produit donn´ dont les ` e caract´ ristiques sont connues en mettant en œuvre un minimum de ressources. le traitement de dossier (par un notaire). ` • la demande a satisfaire. e On peut alors d´ finir la gestion de production comme suit. Pour situer ces diff´ rents probl` mes entre eux.1 La gestion de la production consiste en la recherche d’une orgae nisation efficace de la production des biens et services.2 D´ finition de la gestion de production e Comme l’indique Vincent Giard [4] dans son ouvrage. on classifie e e souvent les d´ cisions de gestion en trois classes : e . Un e e exemple classique est la production de voitures. • La production d’un service s’effectue par une succession d’op´ rations cone sommant des ressources sans qu’il n’y ait n´ cessairement transformation e de mati` re. Nous verrons cependant au chapitre 7 la gestion de projets qui est souvent utilis´ e pour optimiser le processus de conception d’un nouveau e produit. pour pouvoir donner une d´ finition de la gestion de production. e En gestion de production. g´ n´ ralement. on consid´ rera. Nous verrons aussi au chapitre 8 comment optimiser le processus de fabrication. Des exemples classiques sont la mise a disposition de produits e ` aux consommateurs (la vente). comme donn´ es les cae e e e ract´ ristiques du produit que sont : e • la d´ finition du produit.10 Chapitre 1. Les outils de la gestion de la production sont un ensemble de techniques d’analyse et de r´ solution des probl` mes de mani` re a produire au moindre coˆ t. Ces trois caract´ ristiques du produit rel` vent des sciences de l’ing´ nieur et de la e e e gestion commerciale. la maintenance d’´ quipements.

de cession. ´ Ces trois classes de d´ cisions de gestion de production se diff´ rencient par au e e moins trois el´ ments : ´e 1. dans le respect des d´ cisions ` e tactiques. • la gestion de la main d’œuvre. . e licenciements. . les d´ cisions op´ rationnelles : il s’agit des d´ cisions de gestion quotidienne e e e pour faire face a la demande au jour le jour. e 3. e e • la d´ finition des ressources stables : aussi bien humaines (engagements. e e ı • les d´ cisions tactiques sont prises par les cadres. . e e e e . . e e ` 2. on trouve : e • la gestion de stocks. e ` • les d´ cisions strat´ giques concernent la planification a long terme. 2. pr´ retraites. par le niveau d’agr´ gation : e • les d´ cisions op´ rationnelles se prennent au niveau d’un atelier. D´finition de la gestion de production e 11 1. e e • les d´ cisions tactiques concernent la planification a 18 mois. Il s’agit de ` produire au moindre coˆ t pour satisfaire la demande pr´ visible en s’inscriu e vant dans le cadre fix´ le plan strat´ gique de l’entreprise (donc a ressources e e ` mat´ rielles et humaines connues). de fermeture. 3. par le niveau de responsabilit´ : e • les d´ cisions op´ rationnelles sont prises par les agents de maˆtrise. . par l’horizon de temps consid´ r´ : ee • les d´ cisions op´ rationnelles se prennent au jour le jour. ) que mat´ rielles (d´ cisions d’investise e e sement. Les d´ cisions strat´ giques : il s’agit de la formulation de la politique a e e ` long terme pour l’entreprise (c’est-` -dire a un horizon de plus de deux ans). e • les d´ cisions strat´ giques se prennent au niveau de l’ensemble de l’ene e treprise. e • les d´ cisions strat´ giques sont prises par la direction g´ n´ rale. ). • la gestion des equipements.2. . a ` Entrent dans ces d´ cisions : e • la d´ finition du portefeuille d’activit´ s. e e • les d´ cisions tactiques se prennent au niveau d’une usine.Section 1. Les d´ cisions tactiques : il s’agit des d´ cisions a moyen terme parmi lese e ` quelles on trouve la planification de la production a 18 mois. Parmi ces d´ cisions.

Dans les deux cas. comme nous le verrons e a e au chapitre 7.1 Organisation de type s´ rie unitaire e D´ finition 1. il influence les coˆ ts dans la mesure o` une mauvaise coordination u u s’accompagne souvent de chˆ mage technique pour certaines ressources et du paieo ment de p´ nalit´ s pour non respect des d´ lais. d’autre part. non seulement l’ordre e a d’ex´ cution des tˆ ches d´ termine la date de livraison. En effet. e 1. mais. les grands travaux publics (tel que le creusement du tunnel sous la manche ou la construction d’un pont suspendu). l’ordonnancement des tˆ ches. e e e . dans chaque cas. c’est-` -dire la d´ termination a a e de l’ordre d’ex´ cution des tˆ ches) est essentiel. en quelques exemplaires). les commandes seront rapidement honor´ es si beaucoup de ressources e sont mises en œuvre. on peut citer la construction de navires de grande taille (qui se font. e • l’organisation en ateliers sp´ cialis´ s. le type de ressources a mettre en œuvre et le probl` me principal de leur utilisation. le probl` me majeur est e e l’arbitrage entre la recherche d’un coˆ t comp´ titif et le respect des d´ lais. • l’organisation en industries de process. Introduction 1.12 Chapitre 1. e e • l’organisation en ligne de production. e e e e a En ce qui concerne le probl` me d’ordonnancement. Mais. on fait le plus souvent appel a e ` un personnel hautement qualifi´ vu le caract` re non r´ p´ titif des tˆ ches.3 Classification des syst` mes productifs e On peut classer les modes d’organisation de la production en quatre grandes classes : • l’organisation en s´ rie unitaire. u e e d’une part. le plus souvent. le coˆ t des ressources est g´ n´ ralement u e e croissant avec leur niveau d’utilisation : la location de machines suppl´ mentaires e et l’engagement d’int´ rimaires coˆ tent g´ n´ ralement plus cher que l’utilisation des e u e e ressources propres de l’entreprise (cfr le chapitre 7 consacr´ a l’ordonnancement e` de projets). e e e Comme exemples. En ce qui concerne les ressources mobilis´ es.2 La production de type “s´ rie unitaire” est une production mobilie e sant sur une p´ riode assez longue l’essentiel des ressources d’une entreprise pour e r´ aliser un nombre tr` s limit´ de projets. ` Nous examinerons.3. En effet.

• Lors de la gestion quotidienne de l’atelier. on peut citer les lignes d’assemblage d’automobiles. la main d’œuvre est plutˆ t e o qualifi´ e et les equipements sont polyvalents.3 Organisation en lignes de production D´ finition 1. e deux probl` mes principaux sont a consid´ rer : e ` e • Lors de la conception de l’atelier. on peut citer un atelier d’emboutissage des tˆ les de voitures ou o un atelier de peinture dans une usine d’assemblage automobile. le probl` me principal est de e d´ terminer l’ordre d’ex´ cution des diverses tˆ ches sur une ou plusieurs mae e a chines (cfr chapitre 2 consacr´ a l’ordonnancement en ateliers sp´ cialis´ s).4 On parle d’organisation en lignes de production lorsque qu’un e ` flux r´ gulier de produits passe d’un poste a l’autre. Classification des syst`mes productifs e 13 1. En ce qui concerne les ressources mobilis´ es. e ´ e Comme exemple. Ceci fait appel aux m´ thodes d’agencement e dans l’espace (cfr chapitre 8 consacr´ a la configuration d’un centre de e ` production). En effet. ı e e e . Il s’agit de : la fiabilit´ de la chaˆne (un maillon d´ fectueux et toute e ı e la chaˆne s’arrˆ te) et de la fiabilit´ du syst` me d’informations.Section 1. e ´ En ce qui concerne le probl` me de l’organisation efficace des ressources.3 On parle d’organisation en ateliers sp´ cialis´ s lorsque tous les e e e equipements assurant une fonction sp´ cialis´ e sont r´ unis en un mˆ me lieu. le probl` me principal est la gestion des e coˆ ts de manutention entre les diff´ rents postes de travail.3. le probl` me majeur consiste en l’´ quilibrage de la chaˆne : c’est-` e e ı a dire a d´ finir les tˆ ches a r´ aliser a chaque poste de mani` re a avoir le mˆ me temps ` e a ` e ` e ` e de r´ alisation a chaque poste (cfr chapitre 8). ee Deux autres probl` mes sont tr` s importants dans ce mode d’organisation de la e e production.3. En ce qui concerne les ressources mises en œuvre. l’ordre de passage etant fix´ . les equipements sont ´ g´ n´ ralement tr` s sp´ cialis´ s.2 Organisation en ateliers sp´ cialis´ s e e D´ finition 1. Afin de diminuer u e ces coˆ ts on d´ termine la meilleure localisation des machines les unes par u e rapport aux autres dans l’atelier. e` e e 1. En ce qui concerne l’organisation efficace des e e e e e ressources. un mauvais equilibrage de e ` ´ la chaˆne entraˆnera une sous-utilisation des ressources puisque la chaˆne tourne a ı ı ı ` la vitesse de l’´ l´ ment le plus lent. ´ e e e e Comme exemple.3.

Les deux premi` res etapes sont effectu´ es sur machine tandis que la e ´ e .14 Chapitre 1. Une usine peut produire cinq produits (not´ s PROD1 a e e ` PROD5). Les temps requis a chaque etape sont donn´ s en heures pour chaque produit au ` ´ e tableau 1. La marge b´ n´ ficiaire unitaire. Par e e mod` le math´ matique. . on entend la repr´ sentation par des equations math´ mae e e ´ e tiques d’un probl` me de la vie r´ elle. Produit PROD1 ´ Etape 1 12 ´ 10 Etape 2 ´ Etape 3 20 PROD2 20 8 20 PROD3 0 16 20 PROD4 25 0 20 PROD5 15 0 20 Tableau 1. vues l’importance et la r´ gularit´ de la demande. En ce qui concerne l’organisation efficace des ressources. la p´ trochimie. est donn´ e pour chacun des produits u e ´ au tableau 1.1: Marge par produit.4 Formulation en mod` les math´ matiques e e Terminons ce chapitre en introduisant la notion de mod` le math´ matique.2: Temps de fabrication (en heures par produit). Enfin.3. Introduction 1.5 On parle d’industries de process lorsque le mode d’organisation e est caract´ ris´ par un flux r´ gulier et important de mati` res premi` res destin´ es a e e e e e e ` etre transform´ es en mati` res plus elabor´ es. le probl` me d’organisation au coˆ t minimum est e e e u g´ n´ ralement assez simple. il faut tenir compte des ressources en facteurs disponibles donn´ es au e tableau 1. c’est-` -dire la diff´ rence entre le prix de e e a e vente et le coˆ t de production d’un produit. le secteur agro-alimentaire.1. ˆ e e ´ e Comme exemples. etc. e Produit PROD1 Marge 550 PROD2 600 PROD3 350 PROD4 400 PROD5 200 Tableau 1. Nous allons illustrer la construction d’un e e mod` le math´ matique sur un exemple tr` s simplifi´ de planification de la produce e e e tion tir´ de Williams [17]. Chaque produit n´ cessite le passage par trois etapes de fabrication. Il peut etre r´ solu par la programmation lin´ aire. e e ˆ e e 1. le secteur de la chimie e e lourde.2. on peut citer la sid´ rurgie.4 Les industries de process D´ finition 1. .3.

En effet. 3. il s’agit de la somme des contributions de chacune des productions au profit net de l’usine.. e e e Ici. e e Ici. La premi` re etape consiste donc a d´ finir les variables de d´ cision. l’expression des contraintes en fonction de ces variables.Section 1. etc. au maximum. En ce qui concerne les e e deux premi` res etapes. Formulation en mod`les math´matiques e e ´ Ressources heures par jour jours par semaine Etape ´ 16 6 Etape 1 3 machines ´ Etape 2 2 machines 16 6 ´ 8 6 Etape 3 8 personnes Tableau 1. Elle s’exprime simplement par : max z = 550x1 + 600x2 + 350x3 + 400x4 + 200x5 La troisi` me etape consiste en la formulation des contraintes. au maximum six jours par semaine. l’expression de l’objectif en fonction de ces variables. le choix des variables de d´ cisions. la quantit´ du produit i fabriqu´ e par semaine. z. ` Une premi` re remarque importante s’impose. y. une op´ ration en trois etapes : e e e e ´ 1. elles sont not´ es par les lettres de la fin de l’alphabet (x. e ´ .3: Ressources en facteurs 15 troisi` me ne n´ cessite que l’intervention de main d’œuvre. chaque e personne travaille 8 heures par jour et. En ce qui concerne la troisi` me. e ´ ` e e ` D´ finition 1. Quelles sont les quantit´ s a fabriquer de chaque produit pour maximiser le profit net ? e ` La construction d’un mod` le est.7 L’objectif est la quantit´ que l’on veut minimiser ou maximiser. l’ordre e e e de grandeur des coefficients de l’objectif et des contraintes d´ pend de ces unit´ s.. e e La deuxi` me etape consiste en la formulation de l’objectif. i e e allant de un a cinq. e e e G´ n´ ralement. l’usine travaille en deux pauses de huit heures par jour.4.6 On appelle variable de d´ cision toute quantit´ utile a la r´ solution e e e e du probl` me dont le mod` le d´ termine la valeur. Il est fondamental de bien e pr´ ciser les unit´ s selon lesquelles sont exprim´ es les variables. La question que se pose le gestionnaire de l’usine est la suivante.). et e ´ ceci. on note simplement par xi . e 2. e ´ D´ finition 1. 6 jours par semaine. en g´ n´ ral.

Introduction D´ finition 1. Par un raisonnement semblable pour les autres produits. Remarquez ici l’importance d’avoir pr´ cis´ que les quantit´ s produites e e e l’´ taient par semaine. six jours par e semaine. e 1 .x5 ≥ 0. . ` e • La premi` re concerne la limite d’utilisation des machines a l’´ tape 1. utilis´ es 16 heures par jour et. Le nombre maximum d’heures prest´ es en une semaine par e ´ e les 8 personnes est de : 8 × (1 × 8) × 6 = 384 heures. Il y e a trois machines. Le nombre maximum d’heures d’utilisation vaut : e ´ 2 × (2 × 8) × 6 = 192 heures. Une unit´ de produit 1 demande 12 heures sur machine a l’´ tape 1. ce qui donne un nombre maximum d’heures par semaine1 : 3 × (2 × 8) × 6 = 288 heures disponibles. il ne faut pas oublier les contraintes. Si x1 e ` e unit´ s de produit 1 sont produites par semaine. et la contrainte s’exprime comme : 10x1 + 8x2 + 16x3 + 0x4 + 0x5 ≤ 192. presque toujours pr´ sentes. x2 . .16 Chapitre 1. cela demande 12 x1 heures e sur la machine 1. . ` • La deuxi` me contrainte concerne la limite d’utilisation des machines a la e deuxi` me etape.8 Les contraintes sont toutes les relations entre les variables qui e limitent les valeurs possibles que peuvent prendre ces variables. disant e que l’on ne peut pas produire des quantit´ s n´ gatives : e e x1 . on obtient finalement la contrainte : 12x1 + 20x2 + 0x3 + 25x4 + 15x5 ≤ 288. • Enfin. Et donc la contrainte s’exprime comme : 20x1 + 20x2 + 20x3 + 20x4 + 20x5 ≤ 384. ` • La troisi` me contrainte concerne la limite d’utilisation du personnel a la e troisi` me etape. au maximum.

2 0. 4 1. e 1.4 % Tableau 1.5: Teneurs en Silicium et Mangan` se des diff´ rents minerais. B et C.5 % 0. 1.25 et 5. 2 1. Pour couler cet acier.5.45 % de mangan` se e e (Mn) tandis que son pourcentage en silicium (Si) doit se situer entre 3. Les minerais coˆ tent respectivement 21 millions les mille u .5. Une fonderie re¸ oit e c une commande de 1000 tonnes d’acier.4: Valeurs attendue et minimum garantie. 6 0. il a promis d’investir au moins 600 euros sur B et C ensemble.45 % 0. L’´ pargnant souhaite un int´ rˆ t mie e ee Type valeur valeur d’investissement attendue garantie A B C 1. 9 1. Les valeurs attendues et les valeurs minimales garanties apr` s un an sont e donn´ es au tableau 1.4 par euro investi. e e de mangan` se est envisageable.Section 1.2. Exercices 17 1. Un epargnant veut investir e ´ 1000 euros. nimum garanti de 5% sur un an.5 Exercices On demande de formuler chacun des probl` mes suivants. Leurs teneurs en Si et Mn sont reprises au tableau 1. Ce mangan` se est disponible au prix de 8 e e millions la tonne. Un probl` me de chargement d’un haut fourneau.6 % 0.1. Le proc´ d´ de production est tel qu’une addition directe e e Minerai Si Mn A 4% B 1% C 0. Il a le choix entre trois investissements possibles : A. la fonderie dispose en quantit´ s illimit´ es de e e trois types de minerais : A. 5 Tableau 1. Un probl` me de choix d’investissements. Cependant. Cet acier doit r´ pondre aux cae ract´ ristiques suivantes : il doit contenir au moins 0. B et C.50. Comment l’´ pargnant pourrait-il r´ partir e e son investissement pour maximiser la valeur attendue globale apr` s un an ? e On suppose que l’investisseur utilise toute la somme disponible.

Si la fonderie envisage de vendre l’acier produit 450 millions les mille tonnes. la capacit´ de production est de 1200 articles par mois. e e A l’aide d’heures suppl´ mentaires. un surcoˆ t de 7 euros par u article.3. Cela n’aura aucune incidence sur les coˆ ts de production. C et D). Le coˆ t d’exploitation journalier d’un u avion d´ pend de sa taille et de la ligne a laquelle il est affect´ . c’est-` -dire les u a coˆ ts occasionn´ s par les heures suppl´ mentaires et le stockage ? u e e 1. dans ce cas. Comment l’industriel doit-il planifier sa production pour minimiser les coˆ ts variables. Ces coˆ ts e ` e u sont donn´ s au au tableau 1. ce niveau peut etre elev´ jusqu’` 400 e ˆ ´ e a articles en plus. Une compagnie a´ rienne ` e e r´ gionale d´ sire affecter sa flotte d’avions aux 4 lignes qu’elle exploite (lignes e e A. Introduction tonnes pour le type A. mais il faut compter. ceux-ci etant fixes en r´ gime normal. quel doit etre son plan de production pour maxiˆ miser son profit. B. La compagnie dispose e de deux types d’avions : 8 petits avions de 40 places et 3 avions moyens de 180 places. . mais l’effet u ´ e sur les coˆ ts de stockage peut etre b´ n´ fique. Affectation d’avions a des lignes a´ riennes. Le nombre de passagers d´ sirant effectuer chaque jour un e parcours sur chaque ligne est donn´ au tableau 1. u e e 1. 25 millions par mille tonnes pour B.7. sachant que les ´ ` demandes sont d´ j` connues (voir tableau 1.6: Demande par mois En r´ gime normal.7.4. (a) Faites un choix de variables.6). sachant que le coˆ t de fonte de mille tonnes de minerai est u de 5 millions ? Le coˆ t de fonte ne s’applique pas au mangan` se ajout´ . ea Mois Demande Capacit´ en heures normales e Capacit´ en heures suppl´ mentaires e e 1 900 2 3 4 1100 1700 1300 1200 1200 1200 1200 400 400 400 400 Tableau 1. Les coˆ ts de stockage sont u ˆ e e u de 3 euros par article en stock en fin de mois. qu’ils soient du mod` le petit ou moyen. Un industriel cherche a e ˆ ` etablir son plan de production pour les quatre mois a venir. On d´ sire minimiser le coˆ t d’exploitation e e u en satisfaisant la demande. et 15 millions par mille tonnes pour C. La situation est telle qu’il peut se permettre en r´ gime normal de e produire moins de 1200 articles par mois. Les avions.18 Chapitre 1. peuvent e effectuer un trajet aller-retour par jour. Un probl` me de planification sur cout variable.

Consid´ rons une journ´ e o` la e e e e u Produit Poids de M produit fini) P Q 4 2 Poids de N produit fini) 3 1 Poids total produit fini) 7 3 (kg par unit´ de (kg par unit´ de (kg par unit´ de e e e Tableau 1.8: Composition des produits compagnie dispose de 3 200 kg de M et de 2 400 kg de N. La marge b´ n´ ficiaire.6. qui sont achemin´ es. (d) Vos variables peuvent-elles prendre toutes les valeurs r´ elles non n´ e e gatives ? 1. Lorsque la production quotidienne exc` de e cette quantit´ . Une unit´ de mod` le standard requiert en ee e e . est 42 euros par unit´ de P et 48 euros l’unit´ de Q. B ou C) de la soci´ t´ . la compagnie dispose d’une camionnette dont la capacit´ permet e d’acheminer 2000 kg par jour.Section 1. Formuler le probl` me sachant que la compagnie cherche a maximiser son profit net. e e e hors coˆ t de transport. Une compagnie produit 2 denr´ es e e e p´ rissables. u e e Les produits P et Q sont fabriqu´ s a partir de 2 composantes M et N selon e ` les proportions pr´ sent´ es au tableau 1. tandis que u le transporteur ind´ pendant demande 3 euros par kg. e ` 1. Pour e e le transport. la compagnie fait appel a un transporteur ind´ pendant.5. P et Q. Le mod` le standard peut se fabriquer dans n’importe lequel des 3 e ateliers (A. chaque soir. chez le grossiste. (c) Donnez l’expression des contraintes. Une soci´ t´ envisage l’ajout ` ee de deux nouveaux produits a sa gamme : le mod` le standard et le mod` le ` e e de luxe. Production de denr´ es p´ rissables. Exercices 19 Ligne Demande Coˆ t d’un petit avion u A B C D 300 40 350 100 200 150 40 30 70 Coˆ t d’un moyen avion 200 100 300 u Tableau 1. Le e ` e coˆ t de transport est de 2 euros par kg avec la camionnette propre.5.8. Ajout d’un nouveau produit a la gamme.7: Demande et coˆ ts d’exploitation des avions par ligne u (b) Donnez l’expression de l’objectif.

. soit 4 heures dans l’atelier B. Quant au mod` le de luxe.20 Chapitre 1. Le coˆ t des mat´ riaux est evalu´ u e ´ e a 10 euros pour l’unit´ du mod` le standard et a 15 euros pour le mod` le ` e e ` e de luxe. Le service marketing estime e e ` e qu’on ne peut esp´ rer vendre plus de 2 500 unit´ s du mod` le standard ni e e e plus de 1 000 unit´ s du mod` le de luxe. Les capacit´ s disponibles sont de 2 000 e heures pour l’atelier A. L’entreprise se propose de vendre le mod` le standard a 135 euros e ` l’unit´ et le mod` le de luxe a 145 euros l’unit´ . l’atelier A ne dispose pas e de l’´ quipement n´ cessaire et sa fabrication devra etre confi´ e aux ateliers e e ˆ e B et C. 8 000 heures pour B et 4 000 heures pour C. soit 5 heures dans C. Une unit´ du mod` le de luxe requiert en main d’œuvre 5 heures e e dans l’atelier B. a Formuler le probl` me correspondant a la maximisation du profit d´ coulant e ` e du lancement de ce produit. de e 13 euros dans B et de 12 euros dans C. ou 8 heures dans C.50 euros dans l’atelier A. Le salaire horaire vers´ aux ouvriers est de 11. Introduction main d’œuvre soit 5 heures dans l’atelier A. On suppose que toutes les unit´ s e e e produites jusqu’` ces niveaux trouvent acheteur.

Partie I Les d´ cisions op´ rationnelles e e 21 .

.

Enfin. Le probl` me de gestion quotidienne est de d´ terminer l’ordre d’ex´ cution e e e d’un certain nombre de tˆ ches. ` 23 . la r´ alisation d’une tˆ che n´ cessitant le passage sur a e a e une ou plusieurs machines. ˆ • Les mod` les dynamiques d’ordonnancement qui se caract´ risent par des e e arriv´ es successives de tˆ ches.1 Introduction Rappelons qu’on parle d’ateliers sp´ cialis´ s lorsque l’ensemble des equipements e e ´ n´ cessaires pour assurer une fonction d´ termin´ e sont rassembl´ s dans un mˆ me e e e e e atelier. aucune nouvelle tˆ che non pr´ vue ne peut e ee a e etre prise en compte dans l’ordonnancement. Par exemple. nous allons nous limiter aux mod` les statiques et voir suce cessivement le probl` me d’ordonnancement sur 1 machine. l’emboutissage de plusieurs types de porti` res de voitures dee mande le passage sur une mˆ me presse. sur 2 machines. e a e Dans ce chapitre. l’ordre de passage des diff´ rents types de e e porti` res sur la presse n’´ tant pas d´ termin´ a l’avance.Chapitre 2 Ordonnancement en ateliers sp´ cialis´ s e e 2. le plus souvent dans un univers al´ atoire. e nous verrons la g´ n´ ralisation au probl` me sur m machines dont la r´ solution e e e e demande le recours a la programmation en nombres entiers. e e e e` Parmi les mod` les d’ordonnancement en ateliers sp´ cialis´ s. e a e e au cours de la p´ riode consid´ r´ e. on distingue e e e • Les mod` les statiques pour lesquels on recherche l’ordonnancement optie mal d’un ensemble donn´ de tˆ ches sur une p´ riode donn´ e : autrement dit.

1: Diagramme de Gantt.2 Ordonnancement sur une machine Illustrons le probl` me sur l’exemple suivant tir´ de Giard [4]. Ordonnancement en ateliers sp´cialis´s e e 2.1 Le diagramme de Gantt Illustrons tout d’abord une technique de visualisation d’un ordonnancement. 2. • l’avancement de l’ex´ cution des tˆ ches.24 Chapitre 2.2: Un ordonnancement possible. Celui-ci est construit a la figure 2. quel que soit l’ordre choisi. Le diagramme de Gantt permet de visualiser a la fois : ` • l’utilisation des moyens productifs.1 5 temps (heures) Z 3 machine A 0. Un ordonnancement possible est illustr´ a la table 2. e a .2. e` Ordre (j) 1 2 Tˆ che programm´ e(i) a e 3 4 Temps d’ex´ cution (Tj ) 80 200 e 3 4 1 5 50 30 5 2 150 Tableau 2.8 4 Figure 2. e e e Il faudra donc d´ finir un autre crit` re de choix entre tous les ordonnancements e e possibles.1 pr´ sente les diff´ rentes tˆ ches ainsi ` e e a que leurs temps op´ ratoires. Il s’agit de d´ terminer l’ordre dans lequel on va e e Tˆ che (i) a 1 2 Temps op´ ratoire (ti ) 50 150 e 3 80 4 5 200 30 Tableau 2. le diagramme de Gantt.6 4 2 5. e e effectuer ces diff´ rentes tˆ ches. Il est clair que.1 pour l’ordonnancement ` 1 2 3 1 5 2.1: Temps op´ ratoires (en centi` mes d’heures).2.3 3.8 3. du tableau 2. le e a temps op´ ratoire total est le mˆ me : il s’agit de la somme des temps op´ ratoires. On a cinq tˆ ches e e a a effectuer sur la machine A. Le tableau 2.2.

une ligne horizontale illustre l’´ volution du temps. tous les ordonnancements possibles cone duisent au mˆ me temps total d’ex´ cution des tˆ ches. Par exemple. La question qui se pose est alors : a e e comment choisir parmi les n! ordonnancements possibles ? Notons Aj le temps d’ach` vement de la tˆ che programm´ e en position j. Le e a e temps d’ach` vement d’une tˆ che est la somme des temps d’ex´ cution de la tˆ che e a e a avec ceux des tˆ ches pr´ c´ dentes. pour chaque e moyen productif (ici. Ordonnancement sur une machine 25 En effet. il y a seulement la machine A). Ensuite. l’ex´ cution e e a e des 5 tˆ ches n´ cessite 510 centi` mes d’heure.3. On indiquera le num´ ro de la tˆ che au dessus du segment e a e a tandis qu’une machine au repos est indiqu´ e par un Z. e e a Ordre (j) Tj Aj 1 80 80 2 200 3 50 4 30 5 150 280 330 360 510 Tableau 2.O. e Si l’on veille a aligner verticalement l’origine du temps pour chaque machine.Section 2. ` une ligne verticale indique donc a tout moment a quelle tˆ che est occup´ e chacune ` ` a e des machines.3: Temps d’ach` vement des tˆ ches.2. Chaque tˆ che a effectuer sur la machine a ` ` est repr´ sent´ e par un segment dont la longueur est proportionnelle a la dur´ e e e e d’ex´ cution de la tˆ che. e a Le temps d’ach` vement moyen vaut alors : e ¯ 80 + 280 + 330 + 360 + 510 = 312 A= 5 En g´ n´ ral : e e 1 1 n ¯ Aj = [T1 + (T1 + T2 ) + (T1 + T2 + T3 ) A = 5 j=1 5 +(T1 + T2 + T3 + T4 ) + (T1 + T2 + T3 + T4 + T5 )] 1 = (5T1 + 4T2 + 3T3 + 2T4 + T5 ) 5 . Dans l’exemple. a e e A4 = T1 + T2 + T3 + T4 Le calcul des diff´ rents temps d’ach` vement des tˆ ches est repris au tableau 2. Un tableau mural peut etre ainsi d’un grand recours pour les agents ˆ de maˆtrise responsable de l’affectation des moyens humains et mat´ riels. ı e 2.2.M. on trace une ligne horizontale en dessous de la ligne du temps. e Comme nous l’avons indiqu´ plus haut.2 La r` gle T.

chaque temps op´ raee e e toire etant pond´ r´ par un facteur d’autant plus grand qu’il se trouve ex´ cut´ plus ´ ee e e tˆ t dans l’ordonnancement. Ordonnancement en ateliers sp´cialis´s e e Il s’agit donc d’une somme pond´ r´ e des temps op´ ratoires. On va utiliser comme crit` re d’ordonnancement e la minimisation du temps total d’ex´ cution des tˆ ches sur les deux machines. e On peut montrer que la r` gle T. revient a minimiser le retard moyen. 2.O. Cette e e application donne le temps d’ach` vement moyen minimum : e ¯ A = 218.3.26 Chapitre 2. On e a va distinguer deux cas : • le cas o` toutes les tˆ ches sont a ex´ cuter sur A puis B. ≤ Tn L’application de cette r` gle donne l’ordonnancement illustr´ au tableau 2. les temps d’ex´ cution de la tˆ che i sur les e a machines A et B respectivement.5. . .1 Cas ou toutes les tˆ ches sont a ex´ cuter sur A puis B ` a ` e Supposons donc que cinq tˆ ches soient a ex´ cuter sur les machines A puis B. e e .4. Les a ` e temps op´ ratoires (en centi` mes d’heure) sont repris au tableau 2. La r` gle d’ordonnancement qui minimise le temps d’ao e ch` vement moyen est celle du temps op´ ratoire minimum : il s’agit d’ex´ cuter e e e les tˆ ches par ordre croissant de dur´ e : a e T1 ≤ T2 ≤ . u ´e e e 2.3 Ordonnancement avec deux centres de production Chaque tˆ che n´ cessite pour son ex´ cution le passage sur deux machines : les a e e machines A et B. ≤ Tj ≤ . le e ` retard d’une tˆ che etant la diff´ rence entre le moment o` la tˆ che est termin´ e et a ´ e u a e celui o` elle aurait et´ termin´ e si l’on l’avait commenc´ en premier lieu.M. . Soient tiA et tiB . u a ` e • le cas o` toutes les tˆ ches n’ont pas le mˆ me ordre de passage sur les deux u a e machines. Ordre (j) 1 2 3 4 5 Tˆ ches (i) 5 a Tj 30 Aj 30 1 3 50 80 80 160 2 4 150 200 310 510 Tableau 2. .4: Application de la r` gle TOM.

8 1 1. Ordonnancement avec deux centres de production Tˆ ches (i) a tiA tiB 1 2 3 4 5 27 50 150 80 200 30 60 50 150 70 200 Tableau 2. la tˆ che 5 (t5A = 30) est mise en ` a premi` re position.6 4 4. On a donc e e a int´ rˆ t a mettre en fin la tˆ che de dur´ e d’ex´ cution tiB minimum.2. placer cette tˆ che a la premi` re place disponible. retour en 1. Remarquez que durant e` l’ex´ cution de la premi` re tˆ che sur A.6 5 temps (heures) Figure 2. a a ` Appliquons ceci a l’exemple. la tˆ che 1 (t1A = 50) est mise en deuxi` me position.Section 2. la machine B dort. Puis la tˆ che 4 (t2B = 70) a e a est mise en avant derni` re position. placer cette tˆ che a la derni` re place disponible. Si m = A. l’algorithme Johnson (1954) calcule l’ordonnancement minimisant le temps total d’ex´ cution des tˆ ches : e a 1. lors de e a c l’ex´ cution de la derni` re tˆ che sur la machine B.2: Diagramme de Gantt.5: Ordonnancement sur deux machines.3.3 2. Enfin. la machine A dort. On a donc int´ rˆ t a e e a ee ` mettre en tˆ te la tˆ che de temps tiA le plus faible.1 5. D’abord. a e 2.3 0. Puis.2 o` le passage d’une tˆ che d’une u a machine a l’autre est visualis´ a l’aide d’une fl` che verticale. L’ordonnancement optimal est illustr´ a la figure 2. 5 machine A 5 1 3 4 2 1 3 4 2 Z Z machine B 0.9 3 3. a ` e 3.4 5. la tˆ che 3 est mise a la derni` re place e a ` e disponible. Puis e a e la tˆ che 2 (t2B = 50) est mise en derni` re position. ` e` e . ee ` a e e En se basant sur ces deux observations.6 2 2. 5 1 3 4 2 On obtient le graphique de Gantt de la figure 2. Supprimer la tˆ che i des tˆ ches encore a programmer. De fa¸ on similaire. Rechercher la tˆ che i de temps d’ex´ cution tim minimum. a ` e Si m = B.

8. 6. a • l’ensemble AB des tˆ ches passant sur A puis B : AB = {1. 4. a • l’ensemble BA des tˆ ches passant sur B puis A : BA = {7. 10. Ceci conduit a combiner ces ordonnancement ` de la mani` re suivante : e .3. 6}. 3}. L’ordonnancement qui minimise le temps total d’ex´ cution des tˆ ches sur e a les deux machines est obtenu par l’algorithme de Jackson (1957) qui est une g´ n´ ralisation de l’algorithme de Johnson. a • l’ensemble B des tˆ ches ne passant que sur B : B = {10. • l’ordonnancement optimal pour BA par Johnson : 9. certaines tˆ ches ne n´ cessitent que le passage sur une e e a e machine. 7. Les donn´ es num´ riques e e sont reprises au tableau 2. Calculer un ordonnancement pour chaque sous-ensemble : • l’ordonnancement optimal pour AB par Johnson : 3. 9}.28 Chapitre 2. • un ordonnancement arbitraire pour B (par exemple. 5. d’autres sur les deux dans un ordre ou l’autre. 1. Faire une partition de l’ensemble des n tˆ ches en a • l’ensemble A des tˆ ches ne passant que sur A : A = {4. TOM) : 5. a 2. • un ordonnancement arbitraire pour A (par exemple. 8. 2. 3. Tˆ ches a effectuer sur A puis B a ` Tˆ ches (i) a tiA tiB Tˆ ches (i) a tiB tiA 1 2 3 10 30 9 10 100 4 0 5 0 6 0 50 80 30 60 7 8 50 30 70 Tˆ ches a effectuer sur B puis A a ` 10 11 40 10 0 0 90 20 70 30 Tableau 2. TOM) : 11. Il consiste tout simplement a : e e ` 1.6. Ordonnancement en ateliers sp´cialis´s e e 2. 2. Remarquons que l’on a int´ rˆ t a d´ buter le plus vite possible sur A les tˆ ches ee ` e a qui doivent ensuite aller sur B et a mettre en derni` re place sur A celles qui ` e doivent d’abord aller sur B. 11}.2 Cas de tˆ ches ne s’effectuant pas dans le mˆ me ordre a e Dans ce cas plus g´ n´ ral.6: Illustration de l’algorithme de Jackson.

puis la s´ quence optimale du sous-ensemble AB : a e 9. 1. Ordonnancement sur trois machines 29 e • Pour la machine A : la s´ quence optimale pour le sous-ensemble AB. 11. 3 machine A 10 2 90 1 5 140 170 4 220 6 290 9 8 390 420 7 490 98 machine B 10 30 7 11 10 120 130 3 170 200 2 1 260 290 Z Figure 2.3. 7. Cepene dant. Remarquez ´ e qu’il suffit qu’une des deux conditions soit v´ rifi´ e. e • Pour la machine B : la s´ quence optimale pour le sous-ensemble BA. Ainsi dans l’exemple. 6. 3. le cas de trois machines peut se ramener au cas de deux machines si la machine B est compl` tement domin´ e par la machine A ou par la machine C.4 Ordonnancement sur trois machines L’algorithme de Johnson ne s’applique qu’en pr´ sence de deux machines. 2. 2. la e e seconde condition n’est pas v´ rifi´ e et l’algorithme s’applique bien. puis les tˆ ches de B. Illustrons ceci sur l’exemple du tableau 2. 8. 2. c’est-` -dire e e a si l’on se trouve dans le cas o` u minimum tiA ≥ maximum tiB . soit dans le cas o` u minimum tiC ≥ maximum tiB .Section 2. 4. 7. e e .4. 8. 9.3: Algorithme de Jackson. On est donc bien dans les conditions d’application enonc´ es ci-dessus. puis la s´ quence optimale du sous-ensemble BA : a e 3.7. 5. 1. 10. On obtient le diagramme de Gantt de la figure 2. o` l’on constate que : u minimum tiA = 12 = maximum tiB . puis les tˆ ches de A.

e Lorsque l’on se trouve dans un des deux cas.4). Dans le cas o` la machine centrale n’est pas domin´ e par la premi` re o` la u e e u troisi` me machine. a 5 Assemblage Z Inspection Z Expédition 5 Z 4 7 Z 3 2 Z 1 Z 6 5 Z 4 Z 7 Z 3 2 Z 1Z 6 Z 4 7 3 2 1 6 Z 14 19 30 37 42 47 55 60 66 75 78 79 90 98 102 109 110 117 120 Figure 2. tˆ ches a 1 2 Assemblage + Inspection 24 13 Inspection + Exp´ dition 11 12 e 3 4 5 6 7 28 28 19 19 25 13 30 23 10 14 On applique alors l’algorithme de Johnson a ce probl` me a deux machines pour ` e ` d´ terminer l’ordonnancement optimal. la premi` re groupant les machines A et B (tiAB = e ` e tiA + tiB ) et la seconde groupant les machines B et C (tiBC = tiB + tiC ).30 Chapitre 2. e Place 1 2 tˆ che 5 4 a 3 7 4 5 3 2 6 7 1 6 On peut alors tracer le diagramme de Gantt correspondant au probl` me original. le probl` me peut etre mod´ lis´ comme un probl` me en nombres e e ˆ e e e entiers et r´ solu par une technique de programmation en nombres entiers telle que e la m´ thode de “branch and bound”. Ordonnancement en ateliers sp´cialis´s e e tˆ ches a 1 Assemblage 20 Inspection 4 Exp´ dition 7 e 2 3 12 19 1 9 11 4 4 5 6 7 16 14 12 17 12 5 7 8 18 18 3 6 Tableau 2. e c’est-` -dire celui avec trois machines (voir figure 2. e .4: Ordonnancements avec 3 machines. on reformule alors le probl` me en e un probl` me a deux machines.7: Temps op´ ratoires avec trois machines.

e a e Illustrons ceci sur un exemple a 4 centres de production. La formulation permet d’int´ grer des contraintes suppl´ mentaires e e comme la date de livraison. . B. Ordonnancement de n tˆches sur m centres de production a 31 2. B. D. D et E. C. le probl` me combinatoire pos´ est formidable : il y e e e e e ´e e a en effet (n!)m ordonnancements possibles. C.8 reprend ` les donn´ es du probl` me. D} − {B. Le tableau 2. E} On prend alors le meilleur des temps totaux d’ex´ cution des tˆ ches ainsi trouv´ s. C} − {C. une solution souvent proche de e ˆ la solution optimale peut etre trouv´ e en utilisant l’algorithme de Johnson sur des e groupements de centres de production successifs exactement a la mani` re de ce que ` e nous avons fait a la section pr´ c´ dente pour le cas de trois centres de production ` e e dont celui du milieu est domin´ . une capacit´ de production. C. Il faut r´ soudre e e les 4 probl` mes suivants par l’algorithme de Johnson (des parenth` ses signifient e e que l’on somme les temps des centres) : • avec la premi` re et la derni` re machine : e e {A} − {E} • avec les deux premi` res et les deux derni` res machines : e e {AB} − {DE} • avec les trois premi` res et les trois derni` res machines : e e {A. Le probl` me g´ n´ ral a et´ formalis´ en termes de programmation dynamique et en termes de programme lin´ aire en e nombres entiers. E} • avec les quatre premi` res et les quatre derni` res machines : e e {A. B. . D. e e . .5. etc. au contraire des cas pr´ c´ dents il ne s’agit pas d’un algorithme e e donnant une solution optimale mais bien d’une m´ thode heuristique donnant une e solution approch´ e. e Lorsque l’ordre de passage des tˆ ches est identique et que le nombre de centres a de production ne d´ passe pas quelques dizaines.Section 2. e Prenons le cas de 5 centres de productions not´ s A.5 Ordonnancement de n tˆ ches sur m centres de production a Comme l’indique Giard [4]. e Attention que.

32 Chapitre 2.8: Temps op´ ratoires avec quatre machines. On a donc trouv´ une solution de temps egal a 48. e e m´ thode de Johnson : e 1 2 3 4 5 6 3 4 6 2 5 1 qui conduit a un temps de 48.7 heures.5 heures.2 heures.9: Deuxi` me probl` me fictif. ` . Il donne la mˆ me solution que le probl` me ` e e e fictif 2. e Le premier probl` me fictif consiste a ne consid´ rer que les machines A et D.9 . Ordonnancement en ateliers sp´cialis´s e e tˆ ches tiA a 1 50 2 89 3 7 4 8 5 61 6 1 tiB 43 99 47 64 19 80 tiC 15 95 20 12 65 66 tiD 4 77 98 94 14 78 Tableau 2. e ` e Il conduit a l’ordonnancement suivant par la m´ thode de Johnson : ` e 1 2 3 4 5 6 6 3 4 2 5 1 qui conduit a un temps de 51. ` Le deuxi` me probl` me fictif consiste a consid´ rer les machines A+B et C+D e e ` e comme illustr´ au tableau 2. Le troisi` me et dernier probl` me fictif ` e e consiste a consid´ rer A+B+C et B+C+D. Il conduit a l’ordonnancement suivant par la e ` tˆ ches a tiA + tiB tiC + tiD 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 2.7 heures alors que la e ´ ` solution optimale (qui peut etre calcul´ e en faisant une enum´ ration explicite de ˆ e ´ e tous les ordonnancement possibles) conduit a un temps de 48.

Avant d’usiner chaque lot. il faut proc´ der au r´ glage de e e chaque machine. que devient l’ordre que vous avez propos´ ? e e 2. ´ e (c) Tracez le diagramme de Gantt dans chacun des cas.travaux publics. On veut organiser la production de e deux lots de pi` ces Pa et Pb qui doivent etre usin´ es sur la machine M1 puis e ˆ e sur la machine M2 . e e (a) Expliquez pourquoi l’algorithme de Johnson ne s’applique pas. (b) Faites une enum´ ration de tous les ordonnancements possibles.1. vous devez ` e proposer a cette soci´ t´ l’ordre de prise en compte des travaux. Cette entreprise doit faire les devis pour six r´ alisations. est le nombre de jours economis´ s par rapport a une ´ e ` prise en compte des fabrications dans l’ordre de leur arriv´ e ? e (c) Si on doit tenir compte d’un temps inter-op´ ratoire fixe de deux jours e entre la fin du coffrage et le d´ but du b´ ton (1 jour imputable au coffrage e e et l’autre au b´ ton).6 Exercices 2. ` ee (b) Avec cet ordre. Les dur´ es des tˆ ches de r´ glage et d’usinage de chacun e a e des lots sur les deux machines sont donn´ es au tableau ci-dessous en heures. Bˆ timents . e Machine R´ glage A Usinage A R´ glage B Usinage B e e M1 1 2 2 2 M2 1 3 6 1 On veut minimiser le temps total d’ex´ cution des pi` ces. Une c e premi` re analyse des travaux permet de d´ terminer les temps suivants : e e Fabrication No 25 Coffrage 2 jours B´ ton e 4 jours Fabrication No 28 Coffrage 10 jours B´ ton e 8 jours Fabrication No 26 Coffrage 1 jour B´ ton e 3 jours Fabrication No 29 Coffrage 5 jours B´ ton e 2 jours Fabrication No 27 Coffrage 5 jours B´ ton e 7 jours Fabrication No 30 Coffrage 3 jours B´ ton e 6 jours (a) Cherchant a optimiser l’emploi de tous les corps de m´ tier. elle dispose de deux corps de m´ tier. . e e e e e Pour effectuer ses travaux.6. les coffreurs e et les ma¸ ons. Exercices 33 2. Usinage de pi` ces sur des machines.2.Section 2. Une entreprise de Bˆ timents et Travaux a a Publics est sp´ cialis´ e dans la r´ alisation d’ouvrages d’art en b´ ton arm´ .

Ordonnancement avec 3 ateliers. F et G.5 G 1. e e d´ terminez. Ordonnancement en ateliers sp´cialis´s e e 2. e e Tˆ ches a Montage Finition Exp´ dition e 1 7 1 5 2 2 1 2 3 4 2 4 4 3 2 6 5 5 1 5 D´ terminez l’ordonnancement qui minimise le temps de r´ alisation des e e tˆ ches et calculez le temps total pour effectuer ces tˆ ches.5 La r´ alisation des ces annexes ne n´ cessite pas que les tˆ ches princie e a pales (A. ` (d) Pourront-ils rendre le travail a temps ? ` 2.5 D 2 1 (a) Quel est l’ordonnancement des tˆ ches qui minimise le temps de r´ alia e sation du travail ? (b) Les deux ing´ nieurs aimeraient ajouter en annexe 3 autres parties : e E. e Tˆ che Analyse (´ tudiant 1) Calculs (´ tudiant 2) a e e E 2 F 1.3.5 0. Les temps n´ cessaires e e e (en jours) a la r´ alisation des tˆ ches sont donn´ s au tableau ci dessous. Avec ces donn´ es suppl´ mentaires. Chacune de ces tˆ ches peut etre divis´ e en une phase a ˆ e d’analyse. ´ e e Ce travail se compose de 4 tˆ ches ind´ pendantes entre elles (l’ordre n’a a e pas importance). a e (c) Illustrez a l’aide d’un diagramme de Gantt.4. Les deux premi` res (E et F) ne n´ cessitent pas d’analyse e e pr´ alable tandis que la derni` re (G) comporte seulement une phase e e d’analyse. a a .5 C 1. ` e a e Tˆ che Phase d’analyse (´ tudiant 1) Phase de calculs (´ tudiant 2) a e e A 2 2 B 0. et une phase de calculs. finition et exp´ dition. Les temps op´ ratoires sont les suivants. B. l’ordre d’ex´ cution des 7 e e e tˆ ches qui minimise le temps total de r´ alisation du travail. Les temps sont donn´ s au tableau ci-dessous. r´ alis´ e e e ´ e e par le second.34 Chapitre 2. Cinq tˆ ches doivent passer par les ateliers a de montage. pour chacun des ing´ nieurs. C et D) soient finies.8 1. Gestion du temps pour la composition d’un travail de groupe. r´ alis´ e par le premier etudiant. Deux etudiants ing´ nieurs disposent de 10 jours pour r´ aliser un travail de groupe. L’analyse doit pr´ c´ der les calculs.

Par exemple. provoque ´ e u une augmentation des coˆ ts de possession du stock. Nous allons nous concentrer sur ce dernier aspect. En effet. valorisation du stock. incertitude sur le niveau de demande ou sur le prix : s’il y a incertitude sur la quantit´ demand´ e. et les ı supermarch´ s pour la non co¨ncidence dans l’espace. une production sans stock est quasi inconcevable vu les nombreuses fonctions que remplissent les stocks. risque de probl` mes en chaˆne : il s’agit ici d’´ viter qu’une panne a un poste e ı e ` ne se r´ percute sur toute la chaˆne : un retard d’ex´ cution au poste pr´ c´ dent e ı e e e ou une gr` ve des transports n’arrˆ tera pas imm´ diatement l’ensemble du e e e processus de production s’il y a des stocks tampons. e 35 . d´ finition des capacit´ s de stockage et enfin. 4.Chapitre 3 La gestion calendaire de stock 3. Les exemples classiques a sont les jouets et la confiserie pour la non co¨ncidence dans le temps. 3. la constitution de stocks est n´ cessaire s’il y a : e 1. on va constituer un stock de s´ curit´ qui permet e e e e de faire face a une pointe de demande. on va ` constituer un stock de sp´ culation. les compagnies p´ troli` res e e e ach` tent plus que n´ cessaire en p´ trole brut lorsque le prix de celui-ci est e e e relativement bas. S’il y a incertitude sur le prix.1 Introduction Comme le souligne Giard [4]. u La gestion des stocks pose cependant de multiples probl` mes : tenue d’invene taires. travailler par lots permet une e ˆ economie d’´ chelle sur les coˆ ts de lancement mais. en revanche. disponie e bilit´ satisfaisante du stock. e ı 2. pr´ sence de couts de lancement : dans ce cas. non co¨ncidence dans le temps et l’espace de la production et de la ı consommation : le stock est indispensable dans ce cas car il est impossible de produire l` et quand la demande se manifeste.

pour autant que le client maintienne sa demande. s) avec q. le point de commande qui d´ clenche l’approvisionnement e e e du stock. chaque jour ou chaque semaine. le niveau de recompl` tement du stock et le stock ` e e r´ siduel observ´ R. not´ e q et appel´ e quantit´ economique de commande. quantit´ economique e ´ de commande. Cette quantit´ peut egalement etre e e ´ ˆ augment´ e de la valeur des quantit´ s non satisfaites lors de la p´ riode e e e pr´ c´ dente. e e Nous allons nous attacher a deux politiques particuli` res : ` e • La politique de gestion calendaire des stocks. sa d´ termination r´ sulte d’un calcul e e d’optimisation. par exemple.36 Chapitre 3. not´ e (q. la quantit´ economique a commander e e´ ` r´ guli` rement et s. Combien commander ? La r´ ponse a la question ”Combien ?” d´ pend e ` e egalement du type de gestion de stock appliqu´ e : ´ e • En cas de gestion par point de commande. not´ e (T. le point de commande. on commande une quantit´ e fixe. Quand d´ clencher l’approvisionnement du stock? La r´ ponse a cette quese e ` tion est diff´ rente suivant la politique de gestion adopt´ e : e e • En gestion de stock par point de commande. S) avec T l’intere valle entre deux commandes et S. 2. l’approvisionnement du stock est d´ clench´ a e e` intervalles r´ guliers T . pour autant que le produit puisse rester en stock e e (cas de produits non p´ rissables). e • La politique de gestion par point de commande.2 Les politiques de gestion de stock Les politiques de gestion de stock visent a r´ pondre aux deux grandes questions : ` e 1. le niveau de recompl` tement du stock. mais uniquement lorsque l’on e e` e observe que le stock descend en dessous d’un niveau s. • En gestion calendaire. • En cas de gestion calendaire de stock. le point de commande. La gestion calendaire de stock 3. e • En gestion calendaire conditionnelle. . l’approvisionnement du stock est d´ clench´ a intervalles r´ guliers T . Comme e e e´ nous le verrons au chapitre 4. la quantit´ command´ e est egale e e ´ a la diff´ rence entre S. l’approvisionnement du stock est d´ clench´ lorsque l’on observe que le stock descend en dese e sous d’un niveau s.

1 Les couts de possession ˆ Les couts de possession comprennent : ˆ 1. la rupture moyenne. suivie. auquel est associ´ cr . En cas de demande e al´ atoire.3 Les couts associ´ s aux stocks ˆ e Un stock est constitu´ pour satisfaire une demande future. ˆ entre parenth` ses. de conservation du u e stock. de la ou des variables de commande du syst` me. Nous noterons cette fonction par la lettre C. les coˆ ts de stockage qui sont les d´ penses de logistique. auquel est associ´ cp .3. c’est-` -dire le nombre moyen de demandes non satisa faites au cours d’une p´ riode. Par exemple. e u La fonction de coˆ t s’´ crit donc en g´ n´ ral comme une fonction de ces trois u e e e variables d’´ tat : e C = cr Ir + cp Ip + cc Ic . e e Ic . le coˆ t unitaire de commande. le stock moyen poss´ d´ au cours d’une p´ riode. Nous allons examiner un peu plus en d´ tails chacun des trois coˆ ts partiels. les coˆ ts de d´ tention d’un article en stock durant une certaine p´ riode en u e e fonction des conditions financi` res d’acquisition et des eventuelles condie ´ tions de reprise. e u 3. Ip . auquel est associ´ cc .3. Ces variables de commandes d´ terminent en g´ n´ ral trois variables d’´ tat e e e e du syst` me : e Ir . 2. Les coˆts associ´s aux stocks u e 37 3. il peut y avoir non co¨ncidence entre la demande et le stock. le coˆ t unitaire de e e u rupture. Deux cas e ı sont evidemment possibles : ´ • une demande sup´ rieure au stock : on parle alors de rupture de stock. le nombre moyen de commandes pass´ es au cours d’une p´ riode. nous noterons l’objectif e e C(q). e e si la variable de commande est la quantit´ command´ e. e e Le crit` re de gestion g´ n´ ralement retenu en gestion des stocks est celui de e e e la minimisation des couts.Section 3. . le coˆ t e e e e u unitaire de possession. e • une demande inf´ rieure au stock : on aura alors un stock r´ siduel.

Le o u cout unitaire de stockage que l’on doit prendre en consid´ ration dans la fonction ˆ e objectif est le coˆ t moyen de l’ensemble de ces frais. ainsi que des frais variables. en pr´ sence d’une demande al´ atoire. Ces coˆ ts u ˆ u de stockage. .9 euro par le libraire et dont e l’invendu est repris 0. c’est-` -dire lorsque le stock r´ siduel est ` a e sans utilit´ pour l’entreprise. Un quotidien achet´ 0. . . ´ e e Dans ce cas. le cout de possession d’un article se calcule comme le coˆ t ˆ u d’acquisition de l’article moins la valeur de r´ cup´ ration (solde). Ce coˆ t est appel´ coˆ t d’opportunit´ .38 Chapitre 3. tels que le coˆ t de location e e u d’entrepˆ ts. Ceci se pr´ sente notamment : e e – en cas d’obsolescence technique ou commerciale : par exemple.75 euro par le grossiste : le coˆ t de possession est de u cp = 0. L’autre partie du coˆ t de possession concerne les couts de stockage. le cout de possession li´ a l’immobilisation du capital. 006 euro. . comprennent. 20 × 6% × 1/12 = 0. e e Prenons un exemple. Cette difficult´ fait que souvent on n’inclut pas de cout de stockage e ˆ dans le cout de possession et le coˆ t de possession se r´ duit donc au seul coˆ t ˆ u e u d’immobilisation du capital. et donc une rupture ou un stock ı r´ siduel. . tels que le coˆ t de manutention. les journaux. les vˆ tements de mode. • le cas du stock a rotation non nulle. les u e primeurs. Le taux d’opportunit´ est e u e u e e la rentabilit´ du meilleur investissement que l’entreprise aurait pu faire. 75 = 0.20 euro et restant en rayon un mois entier a coˆ t´ e ue cp = 1. ce ce coˆ t u u moyen d´ pend du volume d’activit´ et ne peut donc pas etre consid´ r´ comme une e e ˆ ee constante. . une boˆte de e ı conserves achet´ e 1. u la soci´ t´ se prive du revenu d’un placement financier qu’elle aurait pu ee r´ aliser. 15 euro. e Prenons un exemple. en g´ n´ ral des frais fixes. C’est l’exemple des boˆtes de conserves en ` e e ı epicerie non vendues une p´ riode qui le seront aux p´ riodes suivantes. . e – en cas o` la consommation a un d´ lai maximum : par exemple. Malheureusement. Dans ce cas. c’est-` -dire lorsque l’invendu peut etre ` a ˆ vendu a une p´ riode ult´ rieure. La gestion calendaire de stock Comme signal´ plus haut. 9 − 0. Si le taux d’opportunit´ est de 6 % l’an. il peut y avoir e e e non co¨ncidence du stock et de la demande. En ˆ e ` gelant la somme d’argent correspondant au coˆ t d’achat de l’article invendu. Les cons´ quences de ce stock r´ siduel seront bien diff´ rentes selon que e e e e l’on se trouve dans • le cas du stock a rotation nulle.

Prenons un exemple. Ce coˆ t de rupture est le coˆ t administratif e e u u d’ouverture d’un dossier et eventuellement un coˆ t commercial (on fait une ´ u ristourne pour ne pas perdre le client). Il s’agit du r´ glage des machines. Le cout de rupture correspond au coˆ t financier du chˆ mage ˆ u o technique (voir a ce propos. Un garagiste qui n’a plus en stock le v´ hicule d´ sir´ e e e par son client va lui proposer une voiture de location gratuite durant le d´ lai e d’attente pour ne pas perdre le client. g´ n´ ralement la marge b´ n´ ficiaire. ´ contrˆ le de livraison. 20 − 0. Les cons´ quences de cette rupture sont diff´ rentes selon que la demande e e e est interne ou externe. ` 3.3. le cout de rupture est le manque a gagner e ˆ ` de la non fourniture d’une unit´ . . 90 = 0.90 euro par le libraire et revendu e 1. .2 Les couts de rupture ˆ La rupture se pr´ sente lorsque la demande exc` de le stock constitu´ au cours de la e e e p´ riode. Le coˆ t de rupture correspond ici a la u ` prise en charge de la location de la voiture par le garage.Section 3.3 Les couts de commande ˆ A nouveau. • En cas de ventes diff´ r´ s. il faut ici distinguer le cas d’une demande interne et celui d’une demande externe : • En cas de stock de fabrication. etc . Normalement. ´ e e e . on ne parle plus de stock de distribution mais bien de stock de fabrication. . le cout de rupture n’inclut pas la marge car la ee ˆ vente sera r´ alis´ e plus tard. Normalement. ce coˆ t est o u egalement ind´ pendant de la quantit´ command´ e. le coˆ t de commande est le coˆ t u u administratif de gestion de la commande : etablissement d’un bordereau.3. l’exercice 3.. Un journal achet´ 0. e e e e e Prenons un exemple. le coˆ t de commande est le coˆ t de lancement u u de la production. . .1).20 euro a un coˆ t de rupture de u cr = 1. u e e e • En cas de stock d’approvisionnement. Les coˆts associ´s aux stocks u e 39 3. En cas de demande externe. 30 euro. la demande non satisfaite peut etre perdue (on ˆ parle de ventes manqu´ es) ou report´ e (on parle de ventes diff´ r´ es) : e e ee • dans le cas de ventes manqu´ es. En cas de demande interne. Dans ce cas.3. la rupture entraˆne un chˆ mage technique ı o des postes en aval. e ce coˆ t est ind´ pendant de la quantit´ fabriqu´ e. liquidation comptable.

1: Distribution de la loi de Poisson. 0009 Tableau 3. Par exemple. not´ T est g´ n´ ralement fix´ par la nature de e e e e l’approvisionnement. 0821 0. La gestion calendaire de stock 3. Ainsi on a 8. Tandis que le coˆ t de rupture.4 Gestion calendaire de stock a rotation nulle ` Pour rappel. c’estu e` e a-dire le coˆ t de production. c’est-` -dire l’intervalle e e a entre deux approvisionnements. la p´ riode de r´ vision calendaire.21 % e de chance d’observer aucun client un jour donn´ . suive une loi de Poisson. que nous noterons X. cr . Dans ce tableau. un pˆ tissier met en fabrication des gˆ teaux a a chaque jour. e . On doit d´ terminer S. des p´ riodiques e chaque semaine ou chaque mois. li´ a une vente ` u u e` manqu´ e est egal a la marge. Le libraire commande des journaux chaque jour. 1336 x 5 6 7 8 9 P (X = x) 0. on se trouve dans le cas d’un stock a rotation nulle lorsqu’il n’y a ` pas de report possible des invendus aux p´ riodes suivantes. c’est-` -dire : e ´ ` a cr = 60 − 25 = 35 euros. Supposons u e e un coˆ t de fabrication de 25 euro l’unit´ et un prix de vente de 60 euro l’unit´ . 2052 0. nombre moyen de ruptures sur la journ´ e. 0278 0. u e e Supposons que la demande quotidienne de ce gˆ teau soit de 2. 2138 0. li´ a l’invendu en fin de journ´ e est 25 euro. 2565 0. cp . En effet. tableau 3. x indique une valeur possible de la demande et P (X = x) indique la probabilit´ d’occurrence de cette valeur. le stock moyen r´ siduel en fin de journ´ e et Ir (S). e e avec Ip (S). 0031 0. Les invendus sont donn´ s. e On va ici d´ terminer le niveau initial du stock S. 0668 0.40 Chapitre 3. Nous allons illustrer les choses sur l’exemple du pˆ tissier tir´ de Giard [4] a e qui est un exemple o` la demande suit une loi de probabilit´ discr` te. qui est donc ici la variable e de commande. le stock initial. 0099 0.1 reprend la distribution de probabilit´ du nombre X de clients par jour e pour ce produit. e e La question que se pose le pˆ tissier est la suivante : combien mettre de gˆ teaux a a en fabrication chaque jour pour maximiser son b´ n´ fice ? e e Le coˆ t de possession. Le x 0 1 2 3 4 P (X = x) 0.5 en moyenne et a supposons que la demande. de mani` re a minimiser : e e ` C(S) = cp Ip (S) + cr Ir (S) = 25Ip (S) + 35Ir (S).

0821 0 0 0 0 0 0 0. en g´ n´ ral.4. Au tableau 3.Section 3. ce stock final poss´ d´ est la partie e ´ e e positive de (S − x). Pour calculer le nombre moyen de ruptures. 0668 4 3 2 1 0 0 0. 2138 2 1 0 0 0 0 0. 061 0. 579 0. 867 0. on calcule explicitement le nombre de ruptures en fonction du stock initial (S) et de la demande observ´ e (x) : bien evidemment. 169 0. Au tableau 3. 0099 6 5 4 3 2 1 0. x 0 1 2 3 4 5 6 7 8 9 . il suffit. 0031 7 6 5 4 3 2 0. 411 0. on calcule explicitement le stock poss´ d´ en fonction du stock initial (S) et de e e la demande observ´ e (x) : bien evidemment. il suffit. voyons sur l’exemple comment on peut calculer u num´ riquement ce minimum. e e Nous allons ensuite calculer Ip (S). 2052 0 0 0 0 0 0 0.3. pour chaque valeur de S de faire la moyenne pond´ r´ e de ce nombre par la ee probabilit´ d’observer x. 0009 8 7 6 5 4 3 Ir (S) 1. pour chaque e e valeur de S de faire la moyenne pond´ r´ e de ce nombre par la probabilit´ d’observer ee e x. le stock initial S ∗ qui mie e e nimise le coˆ t moyen C(S).3. e e Calcul du nombre de ruptures : (x − S)+ P (X = x) S = 1 S = 2 S = 3 S = 4 S = 5 S = 6 0. e Nous allons d’abord calculer Ir (S). le stock moyen poss´ d´ . nous calculons le coˆ t moyen de possession du stock en appliquant la u formule suivante : C(S) = 35Ir (S) + 25Ip (S) Ceci est fait au tableau 3. Pour calculer le stock moyen poss´ d´ .2. le nombre moyen de ruptures.2: Calcul du nombre moyen de ruptures.1) que le coˆ t minimum est u obtenu pour S ∗ = 3. Ceci est fait en derni` re ligne du tableau 3. Gestion calendaire de stock a rotation nulle ` 41 Avant de voir comment d´ terminer. On constate (voir figure 3. 2565 1 0 0 0 0 0 0. 0278 5 4 3 2 1 0 0. 1336 3 2 1 0 0 0 0. Ceci est fait en derni` re ligne du tableau 3. ce nombre de ruptures e ´ est la partie positive de (x − S). e Enfin.4.2. 019 Tableau 3.

1336 0 0 0 0 1 2 0.4: Calcul du coˆ t moyen de possession du stock. e e Calcul du coˆ t du stock u S 1 2 3 4 5 6 C(S) 57. 2052 0 1 2 3 4 5 0. 0009 0 0 0 0 0 0 Ip (S) 0. 0821 0. 6708 2. 69 66.1: Evolution du coˆ t moyen de possession du stock. 2565 0 0 1 2 3 4 0. 562 3. 0099 0 0 0 0 0 0 0. 52 Tableau 3. 0031 0 0 0 0 0 0 0. u . 0668 0 0 0 0 0 1 0.42 Chapitre 3. 3694 0. 2138 0 0 0 1 2 3 0. 33 39. 66 Tableau 3. 9132 1. u C(S) 100 80 60 40 20 0 0 1 2 = S∗ 3 4 5 6 S ´ Figure 3. 17 88. 22 47. 0821 1 2 3 4 5 6 0. La gestion calendaire de stock x 0 1 2 3 4 5 6 7 8 9 Calcul du stock r´ siduel : (S − x)+ e P (X = x) S = 1 S = 2 S = 3 S = 4 S = 5 S = 6 0. 0278 0 0 0 0 0 0 0.3: Calcul du stock moyen poss´ d´ . 58 37.

de mˆ me. car.4.Section 3. la rupture moyenne Ir (S = 4) associ´ e au stock initial S = 4.1) sont l’´ quivalent pour une fonction continue e de dire que la d´ riv´ e premi` re doit etre n´ gative avant S ∗ et positive apr` s S ∗ . L’´ tude de C(S + 1) − C(S) passe par celle de Ir (S + 1) − Ir (S). la rupture moyenne Ir (S = 5) associ´ e au stock initial S = 5 : e e ∞ Ir (S = 5) = x=6 (x − 5)P (X = x) En g´ n´ ral : e e Ir (S) = ∞ x=S+1 (x − S)P (X = x) Int´ ressons nous maintenant a la diff´ rence de ces ruptures moyennes pour deux e ` e stocks initiaux cons´ cutifs : e Ir (S = 4) − Ir (S = 5) = = x=5 ∞ ∞ x=5 ∞ (x − 4)P (X = x) − (x − 4)P (X = x) − 1 · P (X = x) ∞ x=6 ∞ x=5 (x − 5)P (X = x) (x − 5)P (X = x) = x=5 = P (X > 4) . On e doit donc calculer l’esp´ rance math´ matique de X − 4 pour des valeurs de X e e sup´ rieures a 4 : e ` ∞ Ir (S = 4) = x=5 (x − 4)P (X = x) Calculons. le stock optimal S est celui pour lequel le coˆ t de gestion C(S ∗ ) u est inf´ rieur a celui des stocks imm´ diatement inf´ rieur ou sup´ rieur : e ` e e e      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. On e e e ˆ e e va donc etudier l’´ volution de la diff´ rence de coˆ t de stocks successifs : ´ e e u C(S + 1) − C(S). on peut exprimer cette variation de coˆ t en fonction de la seule u variation de rupture moyenne. On va donc etudier Ir (S + 1) − Ir (S). Gestion calendaire de stock a rotation nulle ` 43 En cas de coˆ t convexe (on peut v´ rifier que le coˆ t est bien une fonction u e u ∗ convexe de S).1) Remarquez que les conditions (3. Calculons. ´ par exemple. comme e nous allons le voir.

la valeur du param` tre de la loi de Poisson.2) Il est facile de montrer que ceci est vrai quelle que soit la forme la distribution de probabilit´ discr` te. e e Les tableaux de l’annexe B donne le calcul de P (X > x) en fonction de λ. e e La cons´ quence de la relation (3.3) ´ qui peut s’interpr´ ter en disant que le stock moyen r´ siduel Ip (S) est egal au stock e e ¯ de d´ part S diminu´ de la demande moyenne satisfaite (X − Ir (S)). La gestion calendaire de stock e On en conclut que la diminution de rupture moyenne Ir (S) occasionn´ e par ` ´ ` une augmentation d’une unit´ du stock a partir de S est egale a la probabilit´ que e e ´ la demande soit strictement sup´ rieure ou egale au stock initial S : e Ir (S + 1) − Ir (S) = −P (X > S) (3. D’o` la relation entre Ip et Ir : u ¯ u ¯ Ip (S) = S − X + Ir (S) (3.3) est que l’on peut exprimer le coˆ t total e u C(S) en fonction du seul coˆ t de rupture Ir : u ¯ C(S) = cr Ir (S) + cp Ip (S) = cr Ir (S) + cp S − X + Ir (S) D’o` l’expression de C(S) : u ¯ C(S) = cp (S − X) + (cr + cp )Ir (S) (3. le stock initial. Pour cela.44 Chapitre 3. Son niveau e e e ` moyen est calcul´ par l’esp´ rance math´ matique suivante : e e e S−1 S Ip (S) = x=0 ∞ (S − x)P (X = x) = (S − x)P (X = x) − P (X = x) − ∞ (S − x)P (X = x) x=0 ∞ x=S+1 ∞ = = S (S − x)P (X = x) (x − S)P (X = x) x=0 ∞ x=0 xP (X = x) + x=0 x=S+1 ¯ = S − X + Ir (S) o` X note la moyenne de la demande X. nous allons etablir la e ´ relation entre Ir (S) et Ip (S). il est possible de ramener la fonction de coˆ t comme e u une fonction de la seule variable d’´ tat Ir (S). On observera un stock e e ` r´ siduel si la demande observ´ e x est inf´ rieure a S. e Comme annonc´ plus haut. Le stock moyen sur lequel porte le coˆ t de possession est le stock moyen u observ´ en fin de p´ riode qui correspond donc a l’invendu.4) .

Gestion calendaire de stock a rotation nulle ` 45 Revenons maintenant au probl` me de la d´ termination de la solution optie e ∗ male.5) Appliquons ceci au cas de l’exemple : cp 25 = = 0. 417 ≤ P (X > 2) = 0.1) deviennent ici : e      cp − (cp + cr )P (X > S ∗ ) ≥ 0 cp − (cp + cr )P (X > S ∗ − 1) ≤ 0 ou encore S ∗ optimal si : P (X > S ∗ ) ≤ cp ≤ P (X > S ∗ − 1) cp + cr (3. soit la solution a d´ j` d´ termin´ e num´ riquement.2) : C(S + 1) − C(S) = cp − (cr + cp )P (X > S) Les conditions d’optimalit´ (3. 4562 D’o` u S ∗ = 3. 417 cp + cr 25 + 35 En consultant le tableau donnant P (X > S) (cfr Annexe B).4. On en conclut qu’il est optimal de produire chaque matin 3 gˆ teaux. 2424 ≤ 0. on trouve : P (X > 3) = 0.Section 3. ea e e e . c’est-` -dire au stock initial S qui minimise : a ¯ C(S) = cp (S − X) + (cr + cp )Ir (S) On a donc que : ¯ C(S + 1) − C(S) = cp (S + 1 − X) + (cr + cp )Ir (S + 1) ¯ −cp (S − X) − (cr + cp )Ir (S) = cp + (cr + cp )(Ir (S + 1) − Ir (S)) Compte tenu de la relation (3.

cr .46 Chapitre 3. e e` e e Le coˆ t de rupture.3) entre Ir (S) et Ip (S) etablie ´ dans le cas discret reste valable : S Ip (S) = = 0 0 (S − x)f (x)dx (S − x)f (x)dx − ∞ S ∞ S ∞ (S − x)f (x)dx ¯ = S−X + (x − S)f (x)dx ¯ = S − X + Ir (S) On en d´ duit a nouveau l’expression de C(S) en fonction du seul Ir (S) : e ` ¯ C(S) = cp (S − X) + (cp + cr )Ir (S) . La gestion calendaire de stock 3. 2 euro. on peut ramener ce coˆ t a une fonction du seul u ` nombre moyen de ruptures. 7 euro tandis que le coˆ t de possession. 8 − 2. 6 = 0.5 Cas d’une loi de demande continue Nous allons egalement illustrer ce cas sur un exemple egalement tir´ de Giard [4]. qui e ` e lui-mˆ me l’acqui` re a 2.5 euro l’unit´ . la relation (3. est li´ a l’invendu et vaut donc la marge b´ n´ ficiaire : u cr = 3.8 euro aupr` s de son grossiste qui lui reprend les invendus e e ` e au prix de 2. 5 − 2.6 euro l’unit´ . c’est-` u e a dire cp = 2. En effet. 8 = 0. vaut la perte enregistr´ e par invendu. On suppose que la demande quotidienne suit approximativement une loi nor¯ male de moyenne X = 300 et d’´ cart type σ = 20. La question qui se pose e est la suivante : quel est le nombre d’exemplaires a commander S de mani` re a ` e ` minimiser le coˆ t de gestion : u C(S) = cp Ip (S) + cr Ir (S) Le coˆ t de gestion s’´ crit dans le cas d’une loi continue de la mani` re suivante : u e e S C(S) = cp x=0 (S − x)f (x)dx + cr ∞ x=S (x − S)f (x)dx La condition d’optimalit´ s’´ crit dans le cas d’une loi continue : e e C (S ∗ ) = 0 Comme dans le cas discret. cp . ´ ´ e Consid´ rons un marchand de journaux qui vent un quotidien a 3.

On ` e doit donc d´ terminer le S qui minimise : e ¯ C(S) = cp (S − X) + (cr + cp )Ir (S) On calcule la d´ riv´ e de C(S) en utilisant la relation (3. 765 20 Par lecture dans la table de la normale r´ duite. On peut maintenant passer a la d´ termination de la solution optimale.6) c’est-` -dire exactement le mˆ me r´ sultat analytique que la relation (3. 2222 cr + cp 0. (3. on d´ montre le r´ sultat suivant : e e dIr (S) =− dS ∞ S f (x)dx = −P (X > S). on d´ termine : e e tS = D’o` finalement : u S ∗ = 315. L’approvisionnement p´ riodique optimal est donc de S ∗ = 315. D’o` l’on tire : e e u S ∗ optimal si P (X > S ∗ ) = cp cr + cp (3. 3 ≈ 315. On obtient : P S ∗ − 300 X −µ > = 0. la d´ riv´ e de P (X > S) par rapport a S est clairement n´ gative. 2 Comme on ne dispose que de la table de la normale r´ duite. Par application de la ´ e e e formule de Leibnitz (cfr Giard [4]).7) Cet optimum est un minimum car la d´ riv´ e seconde de C(S) est positive. e e ` e Appliquons ceci au cas de l’exemple : P (X > S ∗ ) = cp 0.2) etablie a e e ´ dans le cas discret. il faut r´ duire la e e variable al´ atoire X en lui retranchant sa moyenne et en la divisant par son ecart e ´ type. e Avant de passer au cas de stocks a rotation non nulle. En e e effet.Section 3. 2 = = 0. Cas d’une loi de demande continue 47 Il faut maintenant etudier la d´ riv´ e premi` re de Ir (S). 2222 σ 20 S ∗ − 300 = 0. examinons quelques ` indicateurs que l’on peut d´ duire de la solution optimale.6) : e e dC(S) = cp − (cr + cp )P (X > S) dS On annule la d´ riv´ e. e . 7 + 0.5.

48 Chapitre 3. 5 × 0. 4133. le calcul de Ir (S) s’effectue par l’int´ grale suivante : e Ir (S) = = D’o` l’on tire u Ir (S) = ∞ S ∞ S ∞ S (3. 4562 − 3 × 0. Dans le cas de la vente de journaux (loi de demande continue). le calcul de Ir (s) s’effectue comme a suit : Ir (S) = x>S (x − S)P (X = x) xP (X = x) − S x>S x>S = D’o` finalement : u Ir (S) = P (X = x) xP (X = x) − SP (x > S) x>S Le premier terme correspond a un calcul tronqu´ de la moyenne.6 Les cons´ quences economiques de la solution optimale e ´ La rupture de stock Dans le cas (discret) de la production de gˆ teau.8) (x − S)f (x)dx xf (x)dx − S ∞ S f (x)dx xf (x)dx − SP (x > S) . Pour la distribu` e tion de Poisson de param` tre λ. 5P (X > 2) − 3P (X > 3) = 2. La gestion calendaire de stock 3. on montre que : e xP (X = x) = λP (X > S − 1) x>S D’o` l’on tire finalement : u Ir (S) = λP (X > S − 1) − SP (X > S) Ce qui nous donne dans le cas de l’exemple : Ir (S ∗ = 3) = 2. 2424 = 0.

on aura : Ip (S ∗ = 315) = (315 − 300) + 2. 413 = 0. 624. . Le stock moyen poss´ d´ e e ` Le stock moyen poss´ d´ . 20 g(tS = 0.3) rappel´ e e ci-dessous : ¯ Ip (S) = S − X + Ir (S) Pour le pˆ tissier. dans les deux cas. Ip (S). Les cons´quences ´conomiques de la solution optimale e e 49 Le premier terme correspond a nouveau a un calcul tronqu´ de la moyenne. 624 journaux. 9133 gˆ teaux. On ` ` e peut montrer que si X suit une distribution normale N (µ. 1312 = 2. σ). 75) = 0. Cet indicateur s’obtient a partir de la rupture moyenne e ` aussi bien dans le cas discret que dans le cas continu par la relation (3.Section 3. correspond dans le cas de stock a rotation nulle e e au stock r´ siduel moyen. : e ¯ Ip (S) = S − X − Ir (S) . le stock r´ siduel se calcule comme le stock e initial diminu´ de la demande satisfaite. on obtient la formule suivante : Ir (S) = σ [f (tS ) − tS P (t > tS )] = σg(tS ) 2 ¯ S−X e−tS /2 et f (tS ) = √ tS = σ 2π Appliquons ceci aux donn´ es num´ riques de l’exemple pour lequel e e avec : ts = La table B. 624 = 17. a Pour le marchand de journaux. 75. 1312 L’application de la formule donne donc : Ir (S) = 20 × 0. Remarquez que.6. 5) + 0. on aura donc : a Ip (S ∗ = 3) = (3 − 2.3 donne directement : 315 − 300 = 0.

La gestion calendaire de stock Le coˆ t moyen C(S) peut etre calcul´ par la relation suivante : u ˆ e C(S) = cr Ir (S) + cp Ip (S) Pour l’exemple du pˆ tissier. on obtient : a C(S) = 35 × 0. le coˆ t de rupture est e u la marge b´ n´ ficiaire. 46 + 22. 30 euros. tandis que pour le marchand de journaux. 36 = 204. 30 = 50. 624 = 5. 624 + 0. par la demande moyenne.9) Donnons quelques explications sur cette formule.9) . elle donne : ¯ B(S) = mu X − C(S) = 0. diminu´ du coˆ t de stockage : e u ¯ B(S) = mu X − C(S) (3. not´ e B(S). Pour l’exemple du marchand de journaux. la marge b´ n´ ficiaire e ee e e ¯ ce qui justifie disera r´ alis´ e sur l’ensemble de la demande exprim´ e X. 7 × 2. u • Soit les ventes manqu´ es sont diff´ r´ es.9) devient dans ce cas : e e ¯ B(S) = cr X − cr Ir (S) − cp Ip (S) ¯ = cr (X − Ir (S)) − cp Ip (S) Le b´ n´ fice net est donc la marge b´ n´ ficiaire sur les ventes r´ alis´ es moins e e e e e e le coˆ t des invendus. La formule (3. et dans ce cas. on obtient : C(S) = 0. La marge nette moyenne La marge nette moyenne. 9133 = 14. ` . Deux cas sont possibles quant aux ventes manqu´ es (aux ruptures de ventes) : e • Soit les ventes manqu´ es sont perdues.50 Le cout moyen ˆ Chapitre 3. e ´ mu . est egale au produit de la marge unitaire. 4133 + 25 × 0. Nous allons maintenant passer au cas de stock a rotation non nulle. e e e rectement la formule (3. 2 × 17. 5 − 37. L’application de cette relation a l’exemple num´ rique du pˆ tissier donne : ` e a ¯ B(S) = mu X − C(S) = 35 × 2. 20 euros. et dans ce cas. 7 × 300 − 5. 83 = 37. 64 euros. 36 euros.

il faut tenir compte du nombre ` u de semaines sur lesquelles la demande s’exprime. e e e ˆ e Pour illustrer le processus de d´ termination de S ∗ .7 Cas de stocks a rotation non nulle ` Pour rappel. Ici. on commande S augment´ des e e demandes non satisfaites de la p´ riode pr´ c´ dente qui ont pu etre report´ es.5 euro l’unit´ . e e e La variable de commande du syst` me est ici S. Rea ` e marquons une diff´ rence fondamentale avec le cas de stocks a rotation nulle. On suppose que la demande hebdomadaire d’ampoules de 60 Watt suit une loi normale de moyenne 300 et d’´ cart type 20. on suppose le magasin ouvert 52 semaines par an : cp = 0. e e c’est-` -dire le niveau du stock que l’on cherche a retrouver p´ riodiquement. Cas de stocks a rotation non nulle ` 51 3. 01154 euro. Les ampoules e e sont vendues au prix de 3. on parle de stocks a rotation non nulle lorsque les invendus d’une ` p´ riode seront vendus aux p´ riodes suivantes. la commande a passer pour un approvisionnement en d´ but de p´ riode n’est e e plus fixe. la perte li´ e a une a e ` e ` ampoule en stock n’est plus son prix d’achat mais la perte financi` re due au gel en e stock de son prix d’achat. . 6/52 = 0. e • Le stock r´ siduel est nul : dans ce cas. Remarquons qu’` la diff´ rence du cas de stock a rotation nulle. nous consid´ rons l’exemple suivant de la ventes d’ampoules d’´ clairage tir´ de e e e Giard [4]. D’o` un coˆ t de possession annuel par ampoule en stock de : u u 3 × 0. le niveau optimal de ree compl` tement. En e ` ` effet. Le r´ approvisionnement se fait en e e d´ but de semaine chez le grossiste au prix d’achat de 3 euro l’unit´ .Section 3. c’est-` -dire celui qui minimise le coˆ t : e a u C(S) = cp Ip (S) + cr Ir (S). Pour arriver a un coˆ t de possession hebdomadaire. On suppose un taux d’opportunit´ annuel e e de 20 %. 6 euro. le niveau de recompl` tement. on commande la diff´ rence e e entre S et le stock r´ siduel.7. Deux cas sont possibles : • Il reste un stock r´ siduel positif : dans ce cas. 2 = 0. C’est de loin le cas le plus r´ pandu.

Cas d’une demande inf´ rieure a S : dans ce cas. on peut supposer que la demande e de 310 ampoules est egalement r´ partie sur toute la semaine et on peut faire ´ e une interpolation lin´ aire comme a la figure 3. pour fixer les id´ es. qu’un niveau de recompl` tement de 320 ait e e et´ choisi. u e e e 2. 5 euros − 3 euros = 0. il faudra distinguer deux cas de figure : e e 1. le cas o` la demande observ´ e est sup´ rieure au niveau de recompl` tement.2 e ` S = 320 x = 310 S x = 10 T = 5 jours ´ Figure 3. u e e e Supposons.10) 320 + 10 S + (S − x) = 2 2 . C’est l’exemple d’une demande observ´ e de 310. En ce qui concerne l’´ volution du stock. La gestion calendaire de stock Calculons maintenant le coˆ t unitaire de rupture : il correspond a la marge non u ` r´ alis´ e par ampoule : e e cr = 3. La question qui se pose est la suivante : quel est le niveau de recompl` tement e ∗ optimal S ? Pour le calcul du stock moyen poss´ d´ .2: Evolution du stock. ´e 1. On en d´ duit le stock moyen poss´ d´ : e e e Ip (S) = On en conclut donc que : Si x < S : Ip (S) = S + (S − x) 2 (3.52 Chapitre 3. le cas o` la demande observ´ e est inf´ rieure au niveau de recompl` tement. Le stock de fin e de p´ riode vaut donc : e 320 − 310 = 10 ampoules. il n’y a pas de rupture e ` de stock. 5 euro.

3: Evolution du stock en cas de rupture. e ` comme dans le cas sans rupture. on observe une rupture e ` de stock. par exemple. On e va maintenant d´ terminer a partir de quand le stock est nul. a savoir que la rupture se produit en fin de e ` p´ riode (voir figure 3. d’une demande observ´ e de 350. La demande journali` re est donc e S = 320 app rox im ati on s=0 x = 350 x T = 5 jours S = 30 ´ Figure 3. 57 +0 = = 2 5 5 2 350 2x . est suppos´ e uniform´ ment r´ partie sur e e e la semaine de cinq jours (cfr figure 3. Ce stock est nul pour : t= S 320 = 4. Cas de stocks a rotation non nulle ` 53 2. 350/5 = 70 = x/T ampoules par jour. La demande. C’est le cas. Et l’´ volution du stock moyen e poss´ d´ peut etre obtenue par : e e ˆ S(t) = 320 − 70t.3).Section 3. 57 jours = 70 x/T Le stock moyen poss´ d´ se calcule comme : e e Ip (S) = En g´ n´ ral : e e SS 2x Cette formule donne une solution analytique au probl` me de la d´ termination e e ∗ du niveau optimal de recompl` tement S assez difficile a mettre en œuvre. 43 320 320 SS 320 4.7. e ` Une hypoth` se simplificatrice. Cas d’une demande sup´ rieure a S : dans ce cas.3) permet d’effectuer des calculs simplifi´ s. Sous cette e e hypoth` se. le stock varie entre S et 0 et donc : e Si x > S : Ip (S) = Si x > S : Ip (S) = S 2 (3.11) 0.

1 D´ termination de la solution optimale e Sous cette hypoth` se simplificatrice. Le coˆ t de gestion s’´ crit : e u e C(S) = cp Ip (S) + cr Ir (S) u Pour le calcul du stock moyen poss´ d´ Ip (S).54 Chapitre 3. il suffit d’annuler la d´ riv´ e premi` re e e e dC(S) cp dIr (S) cp = cp + (cr + ) = cp + (cr + ) [−P (X > S ∗ )] = 0 dS 2 dS 2 .12) On peut donc exprimer C(S) en fonction du seul Ir (S) : C(S) = cp Ip (S) + cr Ir (S) = cp [S − D’o` finalement : u C(S) = cp (S − ¯ X cp ) + (cr + )Ir (S) 2 2 ¯ X Ir (S) + ] + cr Ir (S) 2 2 Dans le cas d’une loi de demande continue.7. il faut dissocier le cas o` la e e demande x est inf´ rieure a S de celui o` elle est sup´ rieure a S : e ` u e ` S Ip (S) = ( 0 S S−x S + )f (x)dx + 2 2 2 ∞ S ∞ S f (x)dx e Tandis que le nombre moyen de ruptures. Ir (S). nous allons pouvoir d´ terminer le niveau de e e recompl` tement optimal. La gestion calendaire de stock 3. peut se calculer comme l’int´ grale : Ir (S) = (x − S)f (x)dx On peut maintenant tirer l’expression de Ip (S) en fonction de Ir (S) : Ip (S) = S S−x S ∞ f (x)dx + )f (x)dx + 2 2 2 S 0 1 S S ∞ f (x)dx + (S − x)f (x)dx = 2 0 2 0 ∞ ∞ S 1 = (S − x)f (x)dx − (S − x)f (x)dx + 2 2 0 S ¯ S S X Ir (S) = + − + 2 2 2 2 S ( On obtient donc la relation suivante : Ip (S) = S − ¯ X Ir (S) + 2 2 (3.

01154/2 S ∗ − 300 20 La lecture dans la table normale r´ duite nous donne : e tS = 2 = D’o` . Par la relation (3. 08 = 340 − 2 2 • Le coˆ t moyen de stockage se calcule comme u C(S ∗ ) = cp Ip (S ∗ ) + cr Ir (S ∗ ) = 0.13) : ´ P (X > S ∗ ) = 0. 01154 × 190. 168 = 2. le niveau optimal de recompl` tement : u e S ∗ = 340. 28% 0. 01154 = 2.7. 72 euros. 168 • Le stock moyen poss´ d´ se calcule a partir de la formule e e ` Ip (S ∗ ) = S ∗ − ¯ X Ir (S ∗ ) + 2 2 300 0. 168 + = 190. on peut d´ duire les principaux ` e indicateurs de la solution optimale choisie : • Le nombre moyen de rupture se calcule par la formule suivante : Ir (S ∗ ) = σg(tS ) = 20 × 0.Section 3. . 5 × 300 − 2. 0084 = 0. 28 euros. Cas de stocks a rotation non nulle ` d’o` u P (X > S ∗ ) = cp cr + cp 2 55 (3. 5 × 0. 5 + 0. 28 = 147.13) Appliquons ceci aux donn´ es num´ riques de notre exemple de ventes d’ame e poules electriques. Tout comme dans le cas de stock a rotation nulle. 08 + 0. • La marge hebdomadaire moyenne nette se calcule comme : ¯ B(S ∗ ) = mu X − C(S ∗ ) = 0.

15) Il est a noter que si la loi de demande est du type Poisson. La gestion calendaire de stock 3. e ` Le stock moyen poss´ d´ se calcule dans le cas discret comme suit : e e S−1 Ip (S) = 0 S−1 x (S − )P (X = x) + 2 ∞ S S P (X = x) 2 = 0 S x (S − )P (X = x) + P (X ≥ S) 2 2 ∞ Exprimons ce stock moyen poss´ d´ en fonction du nombre moyen de rupture : e e S−1 Ip (S) = 0 ( S S x S + − )P (X = x) + 2 2 2 2 S P (X = x) S = 1 [S + 2 S 1 + = 2 2 (S − x)P (X = x)] 0 ∞ 0 1 (S − x)P (X = x) − 2 ∞ S (S − x)P (X = x) On obtient donc la relation suivante entre Ip et Ir : ¯ X Ir (S) + 2 2 c’est-` -dire exactement la mˆ me formule que dans le cas continu. on d´ termine finalement ` e ∗ le niveau optimal de recompl` tement S par la formule suivante : e P (X > S ∗ ) ≤ cp cr + cp 2 (3.2 Cas d’une loi de demande discr` te e Terminons ce chapitre en voyant les formules de calcul dans le cas d’une loi de demande discr` te pour la gestion de stock a rotation non nulle.14) ≤ P (X > S ∗ − 1) (3. Ir (S).56 Chapitre 3. a e Ip (S) = S − On peut donc exprimer C(S) en fonction du seul Ir (S) : C(S) = cp Ip (S) + cr Ir (S) ¯ X Ir (S) = cp [S − + ] + cr Ir (S) 2 2 ¯ cp X = cp (S − ) + (cr + )Ir (S) 2 2 Par des calculs analogues a ceux du cas de la rotation nulle.7. le nombre ` moyen de demandes non satisfaites. se calcule par la mˆ me formule que pr´ c´ e e e demment a savoir : ` Ir (S) = λP (X > S − 1) − SP (X > S) .

Ventes d’hebdomadaires. La soci´ t´ est ouverte e ee 52 semaines par an. Achat de pi` ces de rechange.3.8 Exercices 3. En achetant cette pi` ce en mˆ me temps que la machine. e (a) On demande de calculer le niveau optimal de recompl` tement du stock. Ventes de calculatrices.1. Exercices 57 3. (a) Quelle est la politique optimale a suivre ? ` (b) Quel est le coˆ t financier de cette politique de commande de pi` ces de u e rechange ? 3. e . par une loi de Poisson de param` tre 1.Section 3. L’ing´ nieur en chef d’une usine passe la e e commande d’un mod` le de pi` ces d´ tach´ es d’une machine pour laquelle e e e e il craint un approvisionnement difficile.000 euros. le e e coˆ t unitaire d’approvisionnement est de 1.000 euros. Son coˆ t d’achat est de 12 euros et son prix e u de vente 16 euros. les d´ lais d’approvisionnement sont n´ gligeables. La p´ riode entre ee e deux r´ approvisionnements du stock est de deux semaines. Il s’agit d’une calculatrice scientifique qui est achet´ e 45 euros et e e revendue 55 euros. L’exp´ rience pass´ e u e e de l’ing´ nieur l’incite a estimer la distribution des pannes sur la dur´ e de vie e ` e du mat´ riel. Un libraire commande r´ guli` rement un hebdoe e madaire aupr` s de son grossiste. et il y a tout lieu e de penser que le mod` le de Poisson est utilisable. e (a) Quel est le nombre d’exemplaires a commander aupr` s de son grossiste ` e chaque semaine si le coˆ t de reprise est de 10 euros ? u (b) Quelle est sa marge nette moyenne ? 3.8. e e e (c) On en d´ duira la marge nette moyenne. Les cons´ quences d’un arrˆ t de la e e machine a cause d’un retard de livraison de la pi` ce sont particuli` rement ` e e on´ reuses : le coˆ t d’un arrˆ t de la production pour manque de pi` ce est de e u e e 25. La possession de pi` ces e e e au del` de la dur´ e de vie de la machine est sans valeur vu l’obsolescence a e technique rapide de la machine. e (b) On calculera les cons´ quences de cette politique que sont le nombre e moyen de ventes manqu´ es et le stock moyen poss´ d´ . Un etablissement sp´ cialis´ dans la distribution de ´ e e calculatrices electroniques a un produit vendu couramment tout au long de ´ l’ann´ e. les e e demandes non satisfaites sont consid´ r´ es comme perdues. On suppose que les ventes hebdomadaires suivent une loi normale de moyenne 30 et d’´ cart type 5. Le taux d’opportunit´ utilis´ est de 20 %. La demande e e hebdomadaire de ce mod` le est d’environ 5 calculatrices.2.

(b) Calculez le niveau de recompl` tement optimal. Les ventes annuelles e` e concentr´ es sur la premi` re quinzaine de d´ cembre suivent une loi normale e e e de moyenne 30. u e 3. La p´ riode entre deux u e e r´ approvisionnements du stock est egalement de deux semaines. Un producteur de sapin de no¨ l doit d´ cider e e e de la quantit´ a mettre en production chaque ann´ e. e e Quelle quantit´ doit-il mettre en production chaque ann´ e pour minimiser e e son coˆ t de gestion ? On suppose un taux d’opportunit´ de 10 % l’an. au del` de trois jours. il e e a ne peut plus les revendre. Ventes de sapin de No¨ l.000 et d’´ cart type 200. Le producteur travaille uniquement sur e commande de sorte qu’il ne coupe que les arbres demand´ s l’ann´ e courante. La gestion calendaire de stock 3. Pour rappel. e ´ (a) Calculez les param` tres de la loi de demande durant la p´ riode come e prise entre deux r´ approvisionnements du stock. Ventes de r´ veils electroniques. En moyenne. e (c) Calculez les cons´ quences de cette politique que sont le nombre moyen e de ventes manqu´ es et le stock moyen poss´ d´ . 30 clients se pr´ sentent chaque e semaine pour ce produit. La mˆ me politique de gestion calendaire est suivie. On suppose que la demande de bottes de fleurs suit une loi de Poisson.58 Chapitre 3. Son coˆ t d’achat d’une botte de fleurs est de 50 u euros et son prix de vente 75 euros.4. (a) Quel est le nombre de bottes de fleurs coup´ es a aller chercher le lundi e ` matin et le jeudi matin ? (b) Combien de clients en moyenne sortent de son magasin par semaine sans fleurs faute de stock suffisant ? (c) Quel est le nombre moyen de bottes de fleurs jet´ es par semaine ? e . Les donn´ es e e de coˆ t sont les mˆ mes que celles des calculatrices. e e e (d) En d´ duire la marge nette moyenne. En effet. si on e additionne des variables al´ atoires normales ind´ pendantes. Le coˆ t de production est de 10 euros e u l’unit´ et le prix de vente de 24 euros. La demande sur une e ´ ı e semaine suit approximativement une loi normale de moyenne 100 et d’´ carte type 30.5. Ventes de fleurs.6. Un epicier va chercher deux fois par semaine des fleurs ´ coup´ es au march´ en gros de sa ville. e 3. La soci´ t´ commercialise egalement un e ´ ee ´ r´ veil electronique qui connaˆt une grande popularit´ . on obtient e e une variable normale dont la moyenne et la variance sont la somme des moyennes et des variances.

e e La gestion par point de commande se caract´ rise. comme nous l’avons vu au chapitre 3 par : e • des commandes a intervalles fixes dont la p´ riodicit´ est not´ e T . au contraire par : e • un montant de commande constant : cette quantit´ economique de come ´ mande sera not´ e q. On examinera successivement les deux cas de figures que sont : 1. on d´ termine s. le point de commande seront d´ termin´ s de mani` re a e e e ` minimiser le coˆ t de gestion qui comprend trois termes : u C(q.1 Introduction La gestion calendaire se caract´ rise. s) = cc Ic (q. sera d´ termin´ e e e e de mani` re a minimiser le coˆ t de gestion qui ne comprend que deux termes : e ` u C(q) = cc Ic (q) + cp Ip (q) 2. La gestion (q. dans ce cas. le point de commande. s) + cp Ip (q.Chapitre 4 La gestion par point de commande 4. s) en univers incertain. La gestion (q. Dans ce cas. la valeur constante de la commande. s. ` e e e • un niveau de commande variable : qui vaut la diff´ rence entre S. s) + cr Ir (q. La e ˆ variable de d´ cision q. la demande est certaine. le coˆ t de rupture u intervient aussi. e • une p´ riodicit´ de commande variable (lorsqu’on est en univers al´ atoire) : e e e on commande lorsque le stock passe en dessous du point de commande. le stock r´ siduel. suffisamment grand afin e d’´ viter toute rupture de stock : il n’y a donc pas de cout de rupture. s) en univers certain. le montant des e commandes et s. Les variables de d´ cision que sont q. elle. s) 59 . le niveau e de recompl` tement et R. Comme.

Exprimons le d´ lai e d’obtention de 20 jours ouvrables en ann´ e : e L= 20 = 0.60 Chapitre 4.2 D´ termination du point de commande en univers certain e Nous allons illustrer la d´ termination de la quantit´ economique de commande en e e´ univers certain sur un exemple tir´ de Giard [4] . Cette demande est consid´ r´ e comme e ` e ee uniforme sur l’ann´ e.1) de mani` re a ce que le stock soit nul au e ` moment de la livraison. soit 288 jours.1: D´ termination du point de commande. 288 . Il s’agit d’un ustensile de cuisine e achet´ par un supermarch´ au prix unitaire de 30 euro. Vu le caract` re certain de la demande et du d´ lai d’obtention e e e (ici de 20 jours ouvrables). On consid` re que l’ann´ e comporte 48 semaines de ` e e 6 jours ouvrables. ´ niveau du stock 400 q = 400 s∗ =167 q = 400 q = 400 L L temps Figure 4. 069 ann´ e. e e e La question qui se pose ici est : “Quand commander ?” Afin de minimiser le stock poss´ d´ . Le coˆ t de passation d’une commande de 300 u euro et est ind´ pendant de la quantit´ command´ e. L’article est vendu 40 euro. La demande annuelle. on peut eviter toute rupture d’approvisionnement en ´ passant commande a temps. e Remarquez que cela revient a d´ clencher la commande au moment o` il reste ` e u exactement en stock de quoi satisfaire la demande de 20 jours. e 288 La demande durant cette p´ riode s’´ l` ve a : e ee ` D × L = 2 400 × 20 = 166. La gestion par point de commande 4. 67 ≈ 167 articles. que e e nous noterons D est estim´ e a 2 400 unit´ s. Il evitera ainsi un stock dormant. le chef de rayon a int´ rˆ t a passer commande exactement 20 jours e e ee ` ouvrables avant la rupture (voir figure 4.

.3. niveau du stock q + sr = 433 q = 400 s =200 s =200 sr =33 q = 400 q = 400 stock dormant s =200 L L temps Figure 4. le point de commande optimal est tel que e e s∗ = DL avec D = demande annuelle.2: Stock r´ siduel a la commande.2 o` l’on u e o u a pris s = 200 et q = 400). d’o` un ´ u niveau moyen du stock de : (q + sr ) + sr (400 + 33) + 33 = = 233 2 2 Il y aurait ainsi un stock dormant de sr . D´termination de la quantit´ ´conomique de commande e ee En g´ n´ ral.3 D´ termination de la quantit´ economique de commande e e´ Le cout de possession annuel unitaire peut etre calcul´ en tenant compte du taux ˆ ˆ e d’opportunit´ annuel ici suppos´ de 20 % comme : e e cp = 30 × 0. e ` 4.Section 4. et non plus entre q et 0.1) Dans le cas o` l’on d´ clencherait la commande plus tˆ t (voir figure 4. on aurait un stock r´ siduel de e sr = sr − DL = 200 − 167 = 33 et le niveau du stock evoluerait entre q + sr et sr . 2 = 6 euros. L = d´ lai d’obtention exprim´ en ann´ e. e e e 61 (4.

Pour minimiser le e e coˆ t de possession. On obtient : e e C(q) = cp Ip (q) + cc Ic (q) q D = cp + cc 2 q Il est facile de calculer l’optimum d’une telle fonction. 2 2 Le coˆ t annuel de possession vaut donc : u Ip = cp Ip (q) = 6 D’o` le coˆ t annuel de gestion : u u C(q = 400) = 6 400 2 400 + 300 = 3 000 euros. c’est-` -dire q. Il suffit d’annuler sa d´ riv´ e premi` re : e e e 1 D C (q ∗ ) = cp − cc ∗2 = 0 2 q . Le stock moyen poss´ d´ vaut donc : e e q 400 = . q 400 D 2400 = =6 q 400 Passons maintenant au calcul du stock moyen poss´ d´ . 2 Nous pouvons maintenant faire une mod´ lisation du probl` me pour une quane e tit´ command´ e quelconque q. par exemple. qui minimise le e a e coˆ t de gestion qui ne comprend que deux termes : u C(q) = cp Ip (q) + cc Ic (q) On peut g´ n´ raliser les calculs de l’exemple ci-dessus.62 Chapitre 4. q = 400. raisonnons sur une valeur quelconque e e de q. on passe commande (voir section pr´ c´ dente) de mani` re a ce u e e e ` que le stock soit nul au moment o` arrivent les nouveaux articles. On cherche donc a d´ terminer la valeur de la seule e e ` e variable de d´ cision. Le stock varie u donc entre 400 et 0. 2 400 400 = 1 200 euros. la commande p´ riodique. La gestion par point de commande La question qui se pose est la suivante : Quelle est la quantit´ q constante a e ` commander p´ riodiquement pour que le coˆ t annuel moyen soit minimum ? e u Avant de d´ terminer la quantit´ optimale. Le nombre moyen de commandes par an vaut : Ic (q) = D’o` le coˆ t de commande : u u cc Ic (q) = cc D 2 400 = 300 = 1 800 euros.

e 1. V´ rifions qu’il s’agit bien d’un e e e e minimum en calculant la d´ riv´ e seconde : e e D C”(q) = 2cc 3 > 0 q Remarquez qu’au point optimum. La marge b´ n´ ficiaire nette se calcule par la formule : e e B(q ∗ ) = mu D − C(q ∗ ) = 10 × 2. 39 euros. 898 ∗ q 490 3. D´termination de la quantit´ ´conomique de commande e ee D’o` le point optimum : u q∗ = 2Dcc cp 63 (4. En effet : cc Ic (q ∗ ) = cc D = cc q D 2Dcc cp 2Dcc cp = Dcc cp 2 Dcc cp 2 q∗ cp Ip (q ) = cp = cp 2 ∗ 2 = Appliquons ceci a l’exemple num´ rique. on a egalit´ des couts de commande et de ´ e ˆ possession. . 61 euros. Le coˆ t annuel de gestion vaudra : u C(q ∗ ) = cp Ip (q ∗ ) + cc Ic (q ∗ ) 2. le nombre moyen annuel de commandes vaudra : Ic (q ∗ ) = D 2 400 = = 4.Section 4. 9 ≈ 490 6 Examinons les cons´ quences de la politique optimale. Le stock moyen d´ tenu vaudra : e Ip (q ∗ ) = 490 q∗ = = 245. La quantit´ economique de com` e e ´ mande vaut donc : q∗ = 2Dcc = cp 2 2 400 300 = 489. = 6 2 490 4.060. 2 2 2.2) Cette quantit´ est appel´ e quantit´ de Wilson.400 490 + 300 = 2 939.400 − 2939. 39 = 21.3.

remarquons e e que pendant le d´ lai d’obtention de 20 jours la demande est al´ atoire. Nous illustrons ce cas sur l’exemple introductif. e Nous allons g´ n´ raliser ce mod` le de la mani` re suivante : e e e e • On suppose que la demande est connue en probabilit´ mais reste statique. La gestion par point de commande 4. les param` tres de la demande durant 20 jours se d´ duisent des param` tres e e e des ventes annuelles en multipliant la moyenne et la variance (et non l’´ cart type) e par L.4 Cas d’une demande al´ atoire e Rappelons les hypoth` ses de base de la gestion par point de commande en univers e certain : • On a une demande certaine uniform´ ment r´ partie sur l’ann´ e. 74)2 . e e e • On a un d´ lai de livraison certain. Le coˆ t de possession annuel reste de 6 euro. le d´ lai d’obtention de 20 jours e e s’exprime en fraction d’ann´ e comme : e 20 ann´ es. Le coˆ t unitaire de u u commande reste de 300 euro. e c’est-` -dire que les caract´ ristiques de la distribution restent stables dans le a e temps. a savoir la vente d’ustensiles ` de cuisine mais en consid´ rant cette fois que la demande annuelle suit une normale e de moyenne 2 400 et d’´ cart type 189.74. 74 = 50. Le coˆ t de rupture vaut la marge qui est e u ici de 10 euro. • Nous maintenons l’hypoth` se d’un d´ lai d’obtention certain. Calculons e e les param` tres de sa distribution.64 Chapitre 4. Passons au probl` me de la d´ termination de q et s. e L= 288 La demande XL en 20 jours suit une loi Normale • de moyenne : µL = Lµ = • de variance : 2 σL = Lσ 2 = 20 × 2 400 = 167 288 20 × (189. 288 . 288 En effet. on obtient un ecart type de : ´ σL = 20 × 189. Tout d’abord. Tout d’abord. Donc. Ce qui est le e e plus souvent le cas.

4. Cas d’une demande al´atoire e 65 4. On peut donc r´ crire cette expression e comme : C(q. le nombre moyen de commande d´ pend essentiellement e de la quantit´ command´ e q tandis que le nombre moyen de ruptures d´ pend e e e essentiellement du point de commande s. e Dans l’expression de C. D´ terminer le point de commande s en arbitrant entre le coˆ t de rupture e u et le coˆ t de possession en utilisant la gestion calendaire pendant le d´ lai u e d’obtention L. Ip . . D´ terminer la quantit´ economique q en arbitrant entre le coˆ t de come e´ u mande et le coˆ t de possession a partir de la demande moyenne. • la rupture moyenne annuelle. u ` 2.1 D´ termination de q et s e La fonction de cout a minimiser fait intervenir les trois variables d’´ tat que sont : ˆ ` e • le nombre moyen de commandes. s) Nous allons obtenir une solution approch´ e au probl` me en effectuant une d´ e e e termination ind´ pendante de s et de q en se basant sur l’observation suivante. • le stock moyen annuel. e Le probl` me de la d´ termination de la quantit´ economique de commande n’est e e e´ rien d’autre que le probl` me etudi´ en univers certain si l’on remplace la demande e ´ e annuelle certaine par la demande annuelle moyenne : D = µ = 2 400. s) + cr Ir (q. s) = cc Ic (q.Section 4. en retenant comme s le niveau de recompl` tement optimal. s) + cp Ip (q. Ic . s) = cc Ic (q) + cp Ip (q.4. s) + cr Ir (s) On voit que le terme qui lie le probl` me en la variable q et le probl` me en la variable e e s est le stock moyen poss´ d´ Ip qui d´ pend a la fois de q et de s. C(q. On va r´ soudre ind´ pendamment les deux ` e e e probl` mes suivant : e 1. Ir . On va d´ terminer e e e ` e une solution approch´ e en s´ parant le probl` me a deux variables en deux probl` mes e e e ` e a une variable de la mani` re suivante. la solution trouv´ e dans le cas certain etait de : e ´ q ∗ = 490. En minimisant le coˆ t de gestion : u C(q) = cc Ic (q) + cp Ip (q).

et non ` e e sur les seuls 20 jours du d´ lai d’obtention L. On lit e dans la table de la normale N(0. La gestion par point de commande Le probl` me de la d´ termination du stock de s´ curit´ est quant a lui r´ solu en e e e e ` e prenant pour point de commande s le niveau de recompl` tement S qui minimise e le coˆ t d’une gestion calendaire durant le d´ lai d’obtention L : u e C(S) = cp Ip (S) + cr Ir (S) avec Ir (S).1) : 1. 115 cr + cp /2 10 + 1. le stock moyen poss´ d´ durant L.66 Chapitre 4.50). on d´ duit : e P (X > s∗ ) = cp 1.3: Point de commande en univers al´ atoire e Remarquez qu’un article en stock en fin du d´ lai d’obtention (fin L) correspond e q e a une immobilisation sur toute la dur´ e d’´ couler q. soit durant D ann´ e. 225 = = 0. En utilisant la gestion calendaire. le nombre moyen d’articles non fournis durant L et Ip (S). 2 = s∗ − 167 50 .3). e e niveau du stock 490 q = 490 s q = 490 q = 490 L q D L temps Figure 4. 225/2 La demande X durant le d´ lai d’obtention de 20 jours est une N(167. 225 euros. un article encore en stock a l’issue des 20 jours du d´ lai d’obtention ` e augmentera d’une unit´ la valeur du stock durant toute la dur´ e d’´ coulement de la e e e suivante commande (voir figure 4. D En effet. Le coˆ t unitaire de possession est e u donc de : q cp = cp = 6 × 0. 2042 = 1.

Section 4. q) = q DL c + (s − DL) + I (S) 2 2q r e o` Ir (s) note le nombre moyen de ruptures par cycle (durant le d´ lai d’obu c tention). q) = cc + cp ( + s − DL + ) + cr ( Ir (s)) q 2 2 q 2.4. page 840) que : Ip (s. q) = cc DL c q D c D + cp ( + s − DL + Ir (S)) + cr ( Ir (s)) q 2 2q q . en cas de ventes manqu´ es perdues (voir Giard [4]. relation e 275. Le coˆ t de gestion correspondant vaut : u C(s. chapitre XII. q) = c Ir (s) D q D c C(s. 81 Ce nombre est a multiplier par le de commandes par an. 4. 2) = 50 × 0. se calcule par la formule e c de la gestion calendaire : c Ir (s = 227) = σL × g(tS = 1. Ic (q). chapitre XII.2 Cons´ quences economiques du choix e ´ Le stock de s´ curit´ est d´ fini comme diff´ rence entre le niveau de recompl` tement e e e e e et la demande moyenne durant L et vaut ici : 227 − 167 = 60 articles. 81 = 13. not´ Ir . 0561 = 2. page 836) que : q I c (s) + (s − DL) + r 2 2 Le coˆ t de gestion correspondant vaut : u Ip (s. 76 articles Le calcul du stock moyen poss´ d´ est plus compliqu´ car il d´ pend a la fois de s e e e e ` et de q. On peut montrer : 1. en cas de ventes manqu´ es diff´ r´ es (voir Giard [4]. Cas d’une demande al´atoire e D’o` finalement u 67 s∗ = 227. Le nombre moyen ` de ventes manqu´ es par an s’´ l` ve donc a : e ee ` c Ir (s. Ic (q) = q 490 Le nombre moyen de ruptures par commande. 898 × 2. relation e ee 286. 898 commandes.4. q) = Ic (q) × Ir (q) = 4. Le nombre moyen de commandes d´ pend uniquement de q et se calcule par la e formule : D 2400 = = 4.

45 La marge nette moyenne annuelle est obtenue en soustrayant a la marge b´ n´ fi` e e ciaire sur la demande moyenne le coˆ t de gestion annuel : u B(s. 43 + 137. q) = 24 000 − 3 445. 4 Ce qui s’interpr` te en disant que le stock tourne environ 8 fois dans l’ann´ e. 81 490 490 = 1 469. ´ e D´ finition 4. un ´ e ee niveau elev´ de rotation correspond a un faible niveau de stock poss´ d´ mais ´ e ` e e correspond a un coˆ t de passation de commande elev´ . q) = mu D − C(s. s) + cr Ic (q)Ir (s) 2 400 2 400 = 300 + 6 × 306. e e u . q) = cc Ic (q) + cp Ip (q. Le niveau obtenu ici est le ` u ´ e niveau optimal qui r´ sulte de l’arbitrage entre les diff´ rents coˆ ts. 4 + 10 2. il se calcule comme suit : r= 2 400 D = 7. 83 = Ip 306. 39 + 1 838. La gestion par point de commande Dans le cas pr´ sent. 405 On en d´ duit le cout de gestion total suivant : e ˆ c C(s. 45 = 20 554. 81 = + 60 + 2 2 = 306. e e Dans le cas de l’exemple. les ventes manqu´ es sont suppos´ es perdues pour le supere e e march´ et donc le stock moyen poss´ d´ se calcule par la formule suivante : e e e c q Ir (s) + (s − DL) + Ip (s. e ` Il est a remarque que l’id´ e tr` s largement r´ pandue selon laquelle “plus le ` e e e niveau de rotation est elev´ plus le stock est bien g´ r´ ” est fausse. Il e e correspond au nombre de fois qu’il faudrait r´ approvisionner le stock si on le e r´ approvisionnait a hauteur de son niveau moyen. 54 On utilise egalement un indicateur appel´ le taux de rotation du stock. 63 = 3 445.68 Chapitre 4. q) = 2 2 490 2.1 On d´ finit le taux de rotation du stock comme le quotient de la e e demande moyenne sur le stock moyen poss´ d´ . En effet.

on applique un taux e de d´ tention en stock tr` s elev´ : 50 % par an. Pour le moment la technique e e ´ e des deux casiers est appliqu´ e : on dispose de deux casiers. D` s qu’un casier est vide. et le coˆ t associ´ a une commande est evalu´ a 30 euros. Le coˆ t u e` ´ e` u de possession utilis´ ne fait intervenir qu’un coˆ t d’opportunit´ . u d´ terminez le stock moyen et le nombre de commandes par an. Exercices 69 4. Gestion de l’approvisionnement du stock de transistors. e (b) D´ terminez la politique optimale de gestion du stock. e (a) Calculez la commande optimale. le cas a ` d’un transistor dont le prix d’achat est de 16 euros et dont la consommation est de 15. ee e Elle suit une loi normale de moyenne 150 et d’´ cart-type 50. La demande est uniform´ ment r´ partie sur e e e e toute l’ann´ e qui comporte 50 semaines d’ouverture. u ` 4. Un grand magasin vend chaque semaine 150 cartons de six verres du mod` le “Elite”. a titre d’exemple. (b) Le d´ lai de livraison etant egal a deux semaines. Le coˆ t de passation e u d’une commande est estim´ a 24 euros. Les ventes manqu´ es sont perdues. Le responsable des achats vous soumet. Vente de verre de cristal en univers al´ atoire. La gestion de stock est du type point de commande. La demande hebdomadaire e n’est maintenant plus consid´ r´ e comme certaine. Pour cela. Le coˆ t d’achat de 6 verres est de e u 8 euros. d´ terminez le point e ´ ´ ` e de commande (l’ann´ e comporte 52 semaines). Donnez le mone tant de la commande et le point de commande.3. de contenance de e 500 transistors.Section 4. etant donn´ l’´ volution e` ´ e e technique rapide et les risques d’obsolescence associ´ s. lequel se e u e calcule a l’aide d’un taux de 15 %. On vous charge de l’aider dans cette tˆ che.1. (c) Quelle est l’´ conomie annuelle de votre solution par rapport a la teche ` nique des deux casiers utilis´ e aujourd’hui ? e 4.000 unit´ s sur l’ann´ e. e (c) Calculez le coˆ t de gestion de stock correspondant a cette solution.2. Le coˆ t de e u .5 Exercices 4. (a) Calculez le coˆ t de la politique actuelle de gestion de stock.5. Une soci´ t´ de ee distribution de mat´ riel et composants electroniques ayant comme client` le e ´ e les artisans r´ parateurs de mat´ riel hi-fi grand public est en train de red´ finir e e e sa politique d’approvisionnement des stocks. Vente de verre de cristal. mais comme al´ atoire. On suppose que la demande est certaine ` et qu’il n’est pas possible d’avoir de rupture de stock. Le d´ lai d’obtention de la commande est e d’une semaine. on entame le second et on passe e une commande de 500 transistors. Par ailleurs.

parce que la demi-douzaine est vendue 10 euros e` et que la direction estime que la rupture de stock de cet article n’est pas pr´ judiciable a son image de marque. e ` (a) Calculez la commande optimale. Le coˆ t de passation d’une commande est de 30 euros. ´e (d) Calculez le stock moyen poss´ d´ . ` e ` Il les ach` te aupr` s de son fournisseur 35 euros.70 Chapitre 4. (a) Quelle est la quantit´ a commander ? e` (b) Quel est le niveau de stock qui doit d´ clencher la commande ? e (c) Quel est le nombre moyen de clients non satisfaits pendant le d´ lai de e deux semaines entre la passation de la commande et sa r´ ception ? e 4. (b) Calculez le nouveau point de commande. Le d´ lai u e d’approvisionnement est de deux semaines. e La demande mensuelle de cet article suit une loi de Poisson de moyenne 8. que pr´ conisez-vous ? e ´ e e e .4. L’acheteur responsable de l’approvisionnement h´ site entre trois syst` mes : e e (a) La gestion calendaire avec une p´ riode de r´ vision calendaire de deux e e mois. Le coˆ t de commande est estim´ a 20 euros. e Apr` s etude du b´ n´ fice net dans les trois cas. ` L’entreprise estime que la rentabilit´ marginale de son capital est de 24 %.point de e ´ commande avec les mˆ mes coˆ ts que pr´ c´ demment. ce e e qui permet a l’entreprise de percevoir une commission de 50 euros. Une demande non satisfaite e est diff´ r´ e avec un coˆ t de 10 euros (frais administratifs). le produit est achet´ u e` e 200 euros et revendu 350 euros (y compris le coˆ t moyen de transport u vers le client de 50 euros). La r´ gularit´ de l’approvisionnement permet e e d’avoir un d´ lai d’obtention insignifiant. On utilise un taux d’opportunit´ de e e 15 % l’an.5. Un supermarch´ vend des carafes a eau 50 euros. (c) Calculez le nombre moyen annuel de demi-douzaines de verres que le grand magasin n’a pas et´ en mesure de vendre. e e (e) En d´ duire le coˆ t de gestion annuel. Ventes de carafes a eau. e u 4. La demande hebdomadaire e e suit une loi de Poisson de param` tre 5. e (c) Servir d’interm´ diaire en r´ percutant au fournisseur la commande. mais avec cette e u e e fois un d´ lai d’obtention de 15 jours environ. Une soci´ t´ sp´ cialis´ e dans le vente par coree e e respondance a un article peu vendu. La gestion par point de commande rupture est estim´ a 2 euros. Il s’agit d’un matelas orthop´ dique. Vente par correspondance. ee u (b) Une gestion du type quantit´ economique de commande .

Partie II Les d´ cisions tactiques e

71

Chapitre 5 La planification de la production
5.1 Introduction

` La planification de la production consiste en la r´ gulation a moyen terme de la e production. C’est donc une d´ cision tactique. Elle fait le lien entre les d´ cisions e e op´ rationnelles a court terme et les d´ cisions strat´ giques a long terme. La planie ` e e ` fication de la production s’adresse uniquement au cas de la production en s´ rie. e Elle ne s’applique donc pas au cas de la production en s´ rie unitaire. e Il existe deux types d’approches en planification de la production : • la planification des besoins en composants qui vise a etablir une program`´ mation pr´ visionnelle des composants; e ` • la planification juste a temps dont le principe fondamental est de produire la quantit´ strictement n´ cessaire aux besoins imm´ diats du client. e e e La planification des besoins en composants ou M.R.P. (Material Requirement Planning) cherche a etablir la programmation de la production sur base d’un `´ syst` me d’information. Partant des donn´ es physiques (stocks disponibles, lie e vraisons attendues, demandes pr´ visionnelles, capacit´ s de production,. . . ) et des e e donn´ es comptables (coˆ ts de production, d’approvisionnement, de rupture), on e u etablit un plan de production qui d´ termine pour chaque p´ riode les quantit´ s ´ e e e a produire par produit, les quantit´ s fabriqu´ es dans chaque centre productif, le ` e e niveau de stock en produits semi-finis et finis et l’utilisation des facteurs travail et machines. L’utilisation des techniques d’optimisation aboutit a une program` mation pr´ visionnelle : on utilisera la programmation dynamique lorsque l’on a e une demande dynamique certaine ne portant que sur un seul article et la programmation lin´ aire dans le cas statique portant sur plusieurs produits. e

73

74

Chapitre 5. La planification de la production

5.2

La planification des besoins en composants

Illustrons le principe de la planification des besoins en composants sur un exemple tir´ de Giard [4] : il s’agit de l’assemblage de trois v´ hicules a moteur. La planie e ` fication des besoins en composants n´ cessite l’existence des el´ ments suivants : e ´e 1. Une nomenclature compl` te : c’est-` -dire une codification de tous les e a composants qui permet d’´ crire le sch´ ma arborescent du tableau 5.1. Dans e e l’exemple, pour faire un v´ hicule (T27), il faut une boˆte de vitesse (E1001), e ı elle mˆ me constitu´ e d’un engrenage (E2010), lui-mˆ me constitu´ de divers e e e e el´ ments (E3047 et E3052). Le chiffre entre parenth` ses indique le nombre ´e e de composants n´ cessaires pour faire le sous-ensemble. Par exemple, il faut e deux E3047 et deux E3052 pour faire un sous-ensemble E2040. Niveau 0 -E1001 (1) T27  -E1010 (1)  ...   -E1001 (1)  T28 -E1020 (1)   ...   -E1004 (1)  T29 -E1020 (1)   ...
  

Niveau 1 E1001 -E2010 (1) ... -E2040 (1) ... ...

E1004

Niveau 2   -E3047 (1)  E2010  -E3052 (1)  ...   -E3047 (2)  E2040  -E3052 (2)  ... ...

Tableau 5.1: D´ composition en composants. e 2. Un plan directeur de production : le plan directeur de production est le plan de mise a disposition de produits finaux. Il peut egalement comporter ` ´ le plan de mise a disposition de sous-ensembles ou de composants vendus ` comme pi` ces d´ tach´ es. Le plan directeur de production est donn´ au e e e e tableau 5.2. Il pr´ voit, outre la mise a disposition des produits finaux, les e ` besoins de sous-ensembles et de composants pour faire des r´ parations. e 3. Un syst` me d’information sur les stocks qui permet de connaˆtre l’´ tat e ı e exact du stock de chaque composant en d´ but de chaque p´ riode. Les stocks e e de fin de p´ riode 15, not´ s SF15 , sont donn´ s au tableau 5.3. e e e 4. Un fichier des livraisons attendues : c’est-` -dire donnant le nombre de a pi` ces r´ sultant de d´ cisions de mise en production du pass´ qui n’ont pas e e e e

La planification des besoins en composants 75 P´ riode e 16 17 Demande T 27 7 Demande T 28 10 Demande T 29 4 Demande E1001 0 1 Demande E1004 0 0 Demande E1010 0 0 Demande E1020 0 0 Demande E2010 0 0 Demande E2040 0 2 Demande E3047 0 0 Demande E3052 0 2 18 11 9 8 2 1 0 0 2 0 1 0 19 6 4 3 3 4 0 0 1 2 1 2 20 21 15 8 10 7 5 12 0 2 0 5 0 0 0 0 4 0 1 4 2 0 3 1 22 23 24 11 12 7 14 8 8 2 8 7 1 4 0 2 2 0 0 0 0 0 0 0 1 2 3 1 2 3 1 0 2 1 2 1 Tableau 5.Section 5. ´ e El´ ment SF15 T27 0 T28 0 T29 0 E1001 17 E1004 4 E1010 0 E1020 0 E2010 10 E2040 1 E3047 15 E3052 0 LA16 0 0 0 0 0 0 0 20 0 0 15 LA17 0 0 0 30 11 0 0 0 17 0 0 Tableau 5.2: Plan directeur de production.3: Stock initiaux et livraisons attendues. .2.

sont donn´ es au tableau 5.4 o` sont e e u egalement indiqu´ s les temps op´ ratoires unitaires (c’est-` -dire le temps ´ e e a d’assemblage ou d’usinage d’une unit´ du composant). La planification de la production encore et´ livr´ es.5 heure E1004 2 semaines 1 heure E1010 1 semaine 3 heures E1020 2 semaines 4 heures E2010 1 semaine 1 heure E2040 2 semaines 0.5 heure T 28 1 semaine 1 heure T 29 1 semaine 2 heures E1001 1 semaine 0. Celui-ci est donn´ au tableau 5.20 heure Tableau 5. e 5.76 Chapitre 5.4: D´ lais d’obtention et temps op´ ratoires.5.5 heure E3052 1 semaine 0. Les livraisons attendues de d´ but de p´ riode t. not´ es ´e e e e e LAt . on va utiliser e e comme r` gle d’avancer les productions constituant le stock de valeur la plus e . Les d´ lais d’obtention sont donn´ s au tableau 5. Ici. Existence de r` gles de priorit´ en cas de surcharge. e e 6. e P´ riode e Assemblage de E1001 et E1004 Assemblage de E1010 et E1020 Assemblage de E2010 et E2040 Assemblage de E3047 et E3052 16 20 20 28 32 17 50 12 20 30 30 18 60 24 20 22 32 19 65 20 20 21 33 20 55 25 20 24 31 21 50 22 20 21 31 22 50 22 20 22 32 23 50 20 20 23 31 Assemblage de T 27.5 heure E3047 1 semaine 0. e 7.3. Un fichier des d´ lais d’obtention : le d´ lai d’obtention etant la somme e e ´ des temps op´ ratoire. Fichier des capacit´ s des centres de production pour chaque p´ riode de e e l’horizon de planification. de lancement de production et d’attente entre deux e productions. e ´ e e e El´ ment D´ lai d’obtention Temps op´ ratoire T 27 1 semaine 0.5: Capacit´ s de production. T28 et T29 50 Tableau 5.

Section 5. u e d´ pend des ateliers. on a besoin des donn´ es de coˆ ts de fabrication qui se e u r´ duisent ici a un coˆ t de mati` re et un coˆ t de main d’œuvre.2.7: Coˆ t horaire de l’atelier.6. Ces coˆ ts sont donn´ s au tableau 5. Remarquez que e u e E1001 et E1004. e • de la mani` re de couvrir ces besoins.7. et E1010 et E1020. e . u La logique de calcul de la MRP consiste a l’utilisation en cascade ` • de la d´ termination des besoins nets d’un composant. Le coˆ t horaire de la main d’œuvre ea´e u ´ e u e El´ ment Coˆ t de mati` re T 27 303 euro T 28 363 euro T 29 421 euro E1001 58 euro E1004 71 euro E1010 30 euro E1020 40 euro E2010 25 euro E2040 53 euro E3047 1 euro E3052 2 euro Tableau 5. Pour cela. Il faut e e e comprendre ces donn´ es de la mani` re suivante : il s’agit de la somme du e e coˆ t de mati` re ajout´ e a l’´ tape d’assemblage du produit et du coˆ t des u e e ` e u composants (le calcul a d´ j` et´ fait). d’une part.6: Coˆ t de la mati` re et des composants. La planification des besoins en composants 77 faible. T28 et T29 Assemblage de E1001 et E1004 Assemblage de E1010 et E1020 Assemblage de E2010 et E2040 Assemblage de E3047 et E3052 coˆ t horaire de l’atelier u 100 euro 70 euro 65 euro 28 euro 30 euro Tableau 5. sont assembl´ s e dans deux ateliers s´ par´ s. Le coˆ t de e ` u e u u la mati` re premi` re de chaque composant est donn´ au tableau 5. d’autre part. e e P´ riode e Assemblage de T 27.

3 D´ termination des besoins nets d’un composant e Illustrons ceci sur l’exemple du composant de niveau un E1001. On fait donc du juste` a-temps.9: Besoins bruts en composant E1001. e On peut en d´ duire les besoins bruts du composant E1001 puisqu’il est utilis´ e e a raison de un par T27 et de un par T28.8. sa demande emane des demandes de T27 et T28 (voir nomenclature 5.10. est n´ cessaire de mettre en route. Les livraisons attendues sont des ee ´ quantit´ s r´ sultant de pr´ c´ dents ordres de lancement de production mais qui n’ont e e e e pas encore et´ livr´ es. Pour ce composant. Au niveau z´ ro. Ces besoins bruts ne correspondent pas a la production qu’il e ` P´ riode e Besoins Bruts pour T27 16 7 17 11 9 1 21 18 6 4 2 12 19 15 10 3 28 20 8 7 0 15 21 11 14 2 27 22 12 8 1 21 23 7 8 4 19 Besoins Bruts pour T28 10 Besoins de E1001 Besoins Bruts totaux 0 17 Tableau 5.8: Lancements de production de niveau z´ ro. Ces informations sont reprises au tableau 5. compte tenu du stock initial disponible pour cette e r´ f´ rence et des eventuelles livraisons attendues.3). La planification de la production 5.4). Le stock initial en p´ riode 16 est le stock final de p´ riode ´e e e e 15.1). il n’y a pas de e e stock initial ni de livraisons attendues (voir tableau 5. ´ Au niveau 0. c’est-` -dire que l’on met en production exactement la demande. .2).78 Chapitre 5. les lancements programm´ s sont d´ termin´ s conform´ ment au e e e e plan directeur de production du tableau 5. il faut ajouter les besoins de E1001 comme pi` ces d´ tach´ s (donn´ s au e e e e plan directeur de production 5.9.2. A ces besoins bruts pour assemble du T27 ` et du T28. e P´ riode e Lancements T 27 16 7 17 11 9 8 18 6 4 3 19 15 10 5 20 8 7 12 21 11 14 2 22 12 8 8 23 7 8 7 Lancements T 28 10 Lancements T 29 4 Tableau 5. Ceci a conduit aux lancements de productions de niveau z´ ro du tableau 5. Le d´ lai d’assemblage est d’une e semaine pour les trois mod` les (voir tableau 5. Les besoins bruts du composant E1001 sont donn´ s au tableau 5.

e e e se calcule comme le stock en fin de p´ riode pr´ c´ dente. Il e e restera donc 9 en stock. D´termination des besoins nets d’un composant e 79 P´ riode e Besoins bruts Livraisons attendues Stock final Besoins nets 15 16 17 0 17 21 30 9 0 18 12 0 0 3 19 28 0 0 28 20 15 0 0 15 21 27 0 0 27 22 21 0 0 21 23 19 0 0 19 17 0 0 Tableau 5. . est nul et le stock final de p´ riode t. alors BNt = BBt − LAt − SFt−1 SFt = 0 Ce cas est illustr´ par les p´ riodes 18 a 23 pour le composant E1001 (voir e e ` tableau 5. A ces deux p´ riodes. e Par contre a la p´ riode suivante. accru des livraisons e e e attendues de p´ riode t. on livre 30 alors que les besoins ne sont que de 21. not´ s BBt ) : e Si SFt−1 + LAt ≥ BBt . Formalisons math´ matiquement la d´ termination des besoins nets. on ne livre ` e e rien et le stock disponible est de 9. Il manque 3 unit´ s qui constitue donc le besoin e net de cette p´ riode. on vide le stock pour satisfaire les 17 de besoins bruts de la e p´ riode. Deux cas e e sont possibles : Cas 1 : Le disponible (somme du stock de fin de p´ riode pr´ c´ dente et des livraie e e sons de d´ but de p´ riode) est suffisant pour couvrir les besoins bruts. not´ SFt . A partir de la p´ riode 19. En p´ riode 16. le besoin net. Les besoins nets de la p´ riode t. e e Cas 2 : Le disponible (somme du stock de fin de p´ riode pr´ c´ dente et des livraie e e sons de d´ but de p´ riode) est in suffisant pour couvrir les besoins bruts. on a des besoins nets a couvrir par de nouveaux ordres de fa` brication. not´ BNt .Section 5. le besoin brut est de 12. et diminu´ de la demande de la p´ riode e e e e (les besoins bruts. il n’y a donc pas de besoins nets. alors BNt = 0 SFt = SFt−1 + LAt − BBt Ce cas est illustr´ par les p´ riodes 16 et 17 pour le composant E1001. Dans e e ce cas. se calculent comme e e la diff´ rence entre les besoins bruts et le disponible (somme des livraisons e attendues et du niveau initial du stock de la p´ riode) : e Si BBt ≥ SFt−1 + LAt . les besoins nets correspondent au besoins bruts. not´ s BNt . la p´ riode 18. not´ es LAt .10). comme le stock est vide et qu’il n’y e e a plus de livraisons.3. En p´ riode 17.10: Besoins nets en composant E1001. e e Dans ce cas.

dans la d´ termination des lancements de produc´ e tion. on a tenu compte du d´ lai e e P´ riode e Livraisons attendues Besoins nets 16 0 0 17 30 0 3 18 0 3 28 19 0 28 15 20 0 15 27 21 0 27 21 22 0 21 19 23 0 19 - Lancements de production 30 Tableau 5. La d´ termination de la quantit´ ` ´ e e ` a livrer pour satisfaire les besoins nets repose donc sur un arbitrage entre • les coˆ ts de lancement de production. u La programmation dynamique permet de faire cet arbitrage. On applique la d´ marche de calcul que nous venons de voir en cascade : e . suppos´ ici de 1 semaine. nous allons faire du lot par lot. u • les coˆ ts de possession. e e e Ainsi. d’obtention.2 Utilisation en cascade de la logique de calcul Maintenant que cet ech´ ancier de lancement de production est d´ termin´ pour le ´ e e e composant de niveau un E1001.3.3. A ce niveau-ci. Dans le cas o` ces capacit´ s e u e sont d´ pass´ es. ce qui conduit aux lancements de production du tableau 5. une boˆte de vitesse) utilise le composant ı de niveau un E2010 (un engrenage).1 D´ termination de la couverture des besoins nets e En planification de la production.11: Lancement de production en composant E1001. Pour d´ terminer les lancements de production. e Nous verrons en fin de chapitre d’autres techniques de d´ termination des lane cements de production. il faudra tenir compte des capacit´ s de production. e e e ` e 5. le composant E1001 (par exemple.80 Chapitre 5. La planification de la production 5. il va etre utilis´ a un niveau sup´ rieur pour ˆ e ` e calculer l’´ ch´ ancier des demandes brutes des composants de niveau sup´ rieur.11. on suppose que les besoins nets sont connus suffisamment a l’avance pour eviter toute rupture. on proc´ dera a un ajustement charge-capacit´ . Remarquez egalement que. Remarquez que le lancement de 30 en e p´ riode 16 provient non pas d’une livraison programm´ e de p´ riode 17 mais bien e e e d’une livraison attendue de p´ riode 17.

e e e P´ riode e BBt de T27 LAt de T27 SFt de T27 BNt de T27 LPt de T27 BBt de T28 LAt de T28 SFt de T28 BNt de T28 LPt de T28 BBt de T29 LAt de T29 SFt de T29 BNt de T29 LPt de T29 0 4 0 10 0 7 16 17 7 0 0 7 11 10 0 0 10 9 4 0 0 4 8 18 11 0 0 11 6 9 0 0 9 4 8 0 0 8 3 19 6 0 0 6 15 4 0 0 4 10 3 0 0 3 5 20 15 0 0 15 8 10 0 0 10 7 5 0 0 5 12 21 8 0 0 8 11 7 0 0 7 14 12 0 0 12 2 22 11 0 0 11 12 14 0 0 14 8 2 0 0 2 8 23 12 0 0 12 7 8 0 0 8 8 8 0 0 8 7 24 7 0 0 7 8 0 0 8 7 0 0 7 - Tableau 5. de d´ lai de fabrication L=1. ` 81 Illustrons ceci sur l’exemple. Toujours au niveau 1. ` ee • puis a celles de niveau 1. e sont d´ termin´ s conform´ ment au tableau 5.Section 5. Ce composant est utilis´ a raison d’une unit´ par e e` e produit T29. Ce composant est utilis´ a raison e e e e` d’une unit´ par produit T27 et d’une unit´ par produit T28. . .14. e e Au niveau 1. ` • puis a celles de niveau 2. . les lancements programm´ s (cfr e tableau 5. etc. les lancements du composant E1001.12: Lancements programm´ s de niveau z´ ro.13. . Au niveau 0. D´termination des besoins nets d’un composant e • a toutes les r´ f´ rences de niveau 0 (produits finaux). e e les lancements du composant E1004 (de d´ lai de fabrication L=2) sont d´ termin´ s e e e conform´ ment au tableau 5.3.12) sont d´ termin´ s conform´ ment au plan directeur de production.

14: Lancements en composant E1004.13: Lancements en composant E1001.82 Chapitre 5. P´ riode e BBt pour T29 BBt de E1004 BBt totaux LAt SFt BNt LPt 15 16 4 0 4 0 17 8 0 8 11 3 0 9 18 3 1 4 0 0 1 12 19 5 4 9 0 0 9 7 20 12 0 12 0 0 12 10 21 2 5 7 0 0 7 9 22 8 2 10 0 0 10 - 23 7 2 9 0 0 9 - 4 0 0 11 1 Tableau 5. La planification de la production P´ riode e BBt pour T27 BBt pour T28 BBt de E1001 BBt totaux LAt SFt BNt LPt 15 16 7 10 0 17 0 17 11 9 1 21 30 9 0 3 18 6 4 2 12 0 0 3 28 19 15 10 3 28 0 0 28 15 20 8 7 0 15 0 0 15 27 21 11 14 2 27 0 0 27 21 22 12 8 1 21 0 0 21 19 23 7 8 4 19 0 0 19 - 17 0 0 0 30 Tableau 5. .

les lancements du composant E3047 (de d´ lai de fabrication L=1) e sont d´ termin´ s conform´ ment au tableau 5. Toujours au niveau 2. D´termination des besoins nets d’un composant e 83 Au niveau 2. raison d’une unit´ par composant de niveau 1 E1001.15: Lancements en composant E2010. Au niveau 3.3.Section 5. Ce composant est utilis´ a e e e e` P´ riode e BBt pour E1001 BBt de E2010 BBt totaux LAt SFt BNt LPt 20 10 15 16 30 0 30 20 0 0 3 17 3 0 3 0 0 3 30 18 28 2 30 0 0 30 16 19 15 1 16 0 0 16 31 20 27 4 31 0 0 31 21 21 21 0 21 0 0 21 20 22 19 1 20 0 0 20 - Tableau 5. Ce composant est utilis´ a raison d’une unit´ par e e` e P´ riode e 15 16 1 0 1 0 1 0 17 9 2 11 17 6 18 12 0 12 0 0 6 17 6 9 11 19 7 2 9 0 0 9 13 20 10 1 11 0 0 11 21 9 4 13 0 0 13 22 1 0 0 - BBt pour E1004 11 BBt de E2040 BBt totaux LAt SFt BNt LPt - Tableau 5.16: Lancements en composant E2040.16. composant de niveau un E1004.15. les e lancements du composant E2040 (de d´ lai de fabrication L=2) sont d´ termin´ s e e e conform´ ment au tableau 5. les lancements du composant E2010 (de d´ lai de fabrication e L=1) sont d´ termin´ s conform´ ment au tableau 5. les lancements du composant E3052 . Toujours au niveau 3. Ce composant est utilis´ a raison e e e e` d’une unit´ par composant de niveau deux E2010 et de deux unit´ s par composant e e de niveau deux E2040.17.

par exemple au niveau 1.4 Ajustement charge-capacit´ e Lorsque les lancements de production sont d´ termin´ s. En multipliant ces lancements par les temps op´ ratoires e unitaires donn´ s au tableau 5. un ajustement “charge-capacit´ ” est effectu´ . si on proc` de a un e e ` ajustement des lancements de production. Il est a remarquer que l’on a int´ rˆ t a v´ rifier si cette capacit´ est e ` ee ` e e suffisante avant de passer au calcul du niveau sup´ rieur.19 reprend les lane cements de niveau 0. Les lancements de production des sous-ensembles E1001 et E1004 assembl´ s dans le mˆ me atelier sont repris au tableau 5. Si ce e e n’est pas le cas.5.18. En multipliant e e . cela remettra en cause le calcul des besoins du niveau 2. En les additionnant. on obtient le nombre d’heures d’assemblage pour e chacun des v´ hicules. Ce e e e e composant est egalement utilis´ a raison d’une unit´ par composant de niveau deux ´ e` e E2010 et de deux unit´ s par composant de niveau deux E2040. on obtient la charge de l’atelier que e l’on peut comparer avec la capacit´ donn´ e au tableau 5.84 Chapitre 5. il faut que la charge r´ sultante respecte les capacit´ s de production. e Il faut maintenant voir si la capacit´ est suffisante a chaque niveau pour asseme ` bler les v´ hicules. En effet. La planification de la production P´ riode e 15 16 3 12 0 15 0 17 30 18 0 48 0 0 48 39 18 16 22 1 39 0 0 39 58 19 31 26 1 58 0 0 58 - 20 21 2 0 0 - 21 20 0 0 0 - BBt pour E2010 20 BBt pour E2040 34 BBt de E3047 BBt Totaux LAt SFt BNt LPt 15 - 0 0 48 Tableau 5. e e Passons au niveau 1. Au niveau 0. le tableau 5. 5. on peut calculer les charges e e r´ sultantes pour les diff´ rents ateliers. e e Reprenons le mˆ me exemple.20. Pour que ce plan de production soit r´ alie e e sable.17: Lancements en composant E3047.4. On constate ici qu’il e e n’y a aucun probl` me de capacit´ au niveau 0. (de d´ lai de fabrication L=1) sont d´ termin´ s conform´ ment au tableau 5.

5 e e Tableau 5.5 exc` s capacit´ 28.5 50 19.Section 5.5 50 26.5 8 14 25.5 65 37.5 10 8 21.5 50 24.5 14 4 23.5 50 17 11 9 8 5. Ajustement charge-capacit´ e 85 P´ riode e 15 16 3 12 0 15 15 17 30 18 2 50 0 0 50 38 18 16 22 0 38 0 0 38 59 19 31 26 2 59 0 0 59 - 20 21 3 0 0 - 21 20 1 0 0 - BBt pour E2010 20 BBt pour E2040 34 BBt de E3052 BBt Totaux LAt SFt BNt LPt 15 0 - 0 0 50 Tableau 5.5 10 10 27.5 20 8 7 12 4 7 24 35 55 20 21 11 14 2 5.5 22 12 8 8 6 8 16 30 50 20 23 7 8 7 3.5 18 6 4 3 3 4 6 13 60 47 19 15 10 5 7.5 9 16 30.19: V´ rification de la charge au niveau z´ ro.18: Lancements en composant E3052.4. P´ riode e LPt de T27 LPt de T28 LPt de T29 heures de T27 heures de T28 heures de T29 charge capacit´ e 16 7 10 4 3. e e .

5 9 10.5 17 3 9 1.5 22 0 19 23 20 0 - Tableau 5. On en d´ duit le coˆ t de ´ e u . Il faut se garder de conclure hˆ tivement qu’il convient de stocker du E1001. On reporte aux p´ riodes pr´ c´ dentes en commen¸ ant par e e e e e c utiliser l’exc` s de capacit´ de la p´ riode 17. e Il faut encore d´ terminer sur quel produit cet ajustement va porter.5 18 28 12 14 12 26 24 0 2 -2 28 10 19 15 7 7.5 0 0 27 10 21 21 9 10. cE1004 = 1 × 70 + 71 = 141 euros.5 10 23. son temps op´ ratoire e unitaire etant d’une heure.5 0 0 21 9 22 19 9. calculons le coˆ t de revient d’une unit´ de E1001 et d’une unit´ de u e e E1004. La r` gle e e adopt´ e ici est de reporter les heures constituant le stock de valeur la plus faible. On constate ici qu’il y a un probl` me de e e e capacit´ en p´ riode 18.5 3 10.5.5 30 1.5 7 14. e Pour cela.86 Chapitre 5.20: Ajustement charge-capacit´ de niveau 1.5 20 5.5 9 19. e e e ´ e P´ riode e LPt de E1001 LPt de E1004 heures de E1001 heures de E1004 charge capacit´ e Exc` s de capacit´ e e Exc` s de charge e Ajustement LPt de E1001 LPt de E1004 16 30 1 15 1 16 20 4 0 +0.5 0 +1.5 0 0 15 7 20 27 10 13. En les additionnant. on en assemble e deux par heure tandis que pour le sous-ensemble E1004. on obtient la charge de l’atelier que l’on peut comparer avec la capacit´ donn´ e au tableau 5. on en assemble un par heure. le reste etant produit en p´ riode 16. comme son temps op´ ratoire unitaire est d’une demi-heure. La planification de la production ces lancements par les temps op´ ratoires unitaires donn´ s au tableau 5. 5 × 70 + 58 = 93 euros.4.5 25 1. il faut ajouter le coˆ t de la u u mati` re premi` re ajout´ e a l’´ tape d’assemblage et le coˆ t des composants : e e e ` e u cE1001 = 0. En a effet.5 12 1. on obtient e e le nombre d’heures d’assemblage pour chacun des deux sous-ensembles de niveau 1.5 22 2. Au coˆ t de la main d’œuvre d’assemblage.

20.5. les e ´ 2 heures d´ plac´ es correspondent a deux unit´ s de E1004 avanc´ es aux p´ riodes e e ` e e e 16 et 17. e On proc´ dera alors de mani` re semblable pour les niveaux sup´ rieurs en partant e e e des lancements modifi´ s de niveau 1 donn´ s au tableau 5. Parfois. ´ e dans ce cas. la quantit´ economique a mettre en œuvre par la formule de e´ ` Wilson. e e 5.5 Autres r` gles de calcul des lancements de production e Jusqu’` pr´ sent. pour des raisons techniques. . on la quantit´ e e e mise en œuvre est toujours la mˆ me. une e ` quantit´ fixe de 30. cphE1004 = 141/1 = 141 ∗ 1 = 141 euros/h. On remarquera que e e le nombre de mise en route de production est moins elev´ mais que le niveau ´ e de possession du stock augmente fortement.21 pour l’exemple du composant E1001. On obtient l’ajustement de niveau 1 illustr´ au tableau 5. Il peut y avoir des contraintes techniques ou economiques qui conduisent a ´ ` adopter des r` gles de gestion diff´ rentes : e e • R` gle de la quantit´ fixe.22. Dans ce cas. nous avons adopt´ la technique du lot par lot pour la d´ termination a e e e des lancements de production. on ne peut e e produit qu’une quantit´ fixe (cuve enti` re). e P´ riode e Livraisons attendues Besoins nets 16 0 0 17 30 0 3 18 0 3 28 19 0 28 15 20 0 15 27 21 0 27 21 22 0 21 19 23 0 19 - Lancements de production 30 Tableau 5. il est plus int´ ressant de stocker du E1004 bien qu’il ait un coˆ t e u ´ e de revient unitaire plus elev´ ! Le temps op´ ratoire unitaire etant d’une heure. 5 = 93 ∗ 2 = 186 euros/h. On peut egalement utiliser cette r` gle pour diminuer le nombre de mises en ´ e route de production (raison economique et non technique). on lance en production exactement les besoins nets en d´ calant pour tenir compte du d´ lai d’obtention. Supposons a titre d’exemple. On d´ terminera.20.Section 5. Autres r`gles de calcul des lancements de production e production d’une heure de chacun des sous-ensembles : cphE1001 = 93/0. Ce cas est illustr´ au tableau 5. Autrement dit. 87 En conclusion.21: Lancement de production lot par lot. Ce cas est e e illustr´ au tableau 5.

e P´ riode 16 e LAt BNt LPt SFt 0 0 30 17 30 0 10 18 0 3 30 7 19 0 28 10 9 20 0 15 30 4 21 0 27 20 7 22 0 21 20 6 23 0 19 7 Tableau 5.24: Lancement de production par minimum de 10.22: Lancement de production par quantit´ fixe. . On utilise des moules de 10 moteurs. Ce cas se produit dans l’ine e dustrie automobile pour le coulage des moteurs. ´ 13 etc.24.. La planification de la production P´ riode e Livraisons attendues Besoins nets 16 0 0 17 30 0 30 18 0 3 30 27 19 0 28 0 29 20 0 15 30 14 21 0 27 30 17 22 0 21 0 26 23 0 19 7 Lancements de production 30 Stock fin de p´ riode e Tableau 5.. e • R` gle de la quantit´ multiple d’un entier.23. Ce cas se produit lorsqu’il y a un coˆ t fixe e e u de mise en route de la production. Pour amortir ce coˆ t fixe de lancement. • R` gle de la quantit´ minimum. u il faut produire au minimum 10.23: Lancement de production par multiples de 10.88 Chapitre 5. Ce cas est illustr´ au tableau 5. 12. Mais on peut produire egalement 11. Ce cas est illustr´ au tableau 5. e P´ riode 16 e LAt BNt LPt SFt 0 0 30 17 30 0 10 18 0 3 21 7 19 0 28 15 0 20 0 15 27 0 21 0 27 21 0 22 0 21 19 0 23 0 19 0 Tableau 5. On ne peut donc produire que par multiples de 10.

Le d´ lai d’obtention est de 2 mois pour e MA et MB et d’un mois pour MC. Une entreprise sp´ cialis´ e dans la fabrication e e d’engrenages.Section 5. Production d’engrenages. on connaˆt les besoins en fin de ı mois pour les huit mois a venir (voir tableau 5. il y a un stock en d´ but de e janvier de 2 unit´ s et on pr´ voit une livraison de 5 moteurs en janvier tandis e e que le d´ lai de fabrication du moteur etant d’un mois e ´ (a) D´ terminer les besoins nets de moteur pour janvier a avril.6 Exercices 5. le coˆ t de d´ tention unitaire est de 1 euro u e par mois.6. Pour le moteur. Les ruptures sont interdites. d’une production est de 150 euros. Un industriel cherche a etablir son `´ planning de production pour les quatre premiers mois de l’ann´ e d’un moteur e C intervenant dans l’assemblage des trois types de machines MA.25).2. Le plan directeur de production pr´ voit la mise a disposition les six premiers e ` mois de l’ann´ e des quantit´ s suivantes pour les trois types de machines : e e Mois Janvier F´ vrier Mars Avril Mai Juin e Demande de MA 3 1 2 1 7 3 Demande de MB 1 3 1 5 4 2 Demande de MC 2 4 1 5 6 0 Pour les produits finis. e (a) En utilisant la formule de la quantit´ economique de commande de e ´ l’univers certain. d´ terminez la quantit´ a mettre en production. Planning de production d’un moteur. Exercices 89 5. e ` (b) D´ terminer les lancements de production qui permettent de couvrir ces e besoins nets en utilisant la technique du lot par lot. le plan de production et de stockage de mani` re a eviter e e ` ´ les ruptures. Le coˆ t de lancement ` u Mois 1 Besoins 30 2 3 4 45 60 40 5 6 35 30 7 8 35 50 Tableau 5. Ce qui signifie qu’un article fabriqu´ en p´ riode t et livr´ en fin de e e e p´ riode t pour une demande de p´ riode t ne supporte pas de coˆ t de d´ tention e e u e pendant cette p´ riode. 5. MB et MC. e (b) En d´ duire. .1. Pour l’un de ces engrenages.25: Production d’engrenages. d´ terminer la moyenne du besoin mensuel. On suppose que les livraisons et sorties de stock se font en fin de mois. il n’y a ni livraison attendue ni stock initial et on pratique une politique de lot par lot. Pour e e` cela.

e (c) D´ terminer les besoins nets de pi` ces P2 et les lancements de produce e tions de pi` ces P2 en tenant compte du fait que la production de pi` ces e e P2 par lot de 300 pi` ces. (b) En d´ duire les besoins nets de pi` ces P1 et les lancements de produce e tions de pi` ces P1 en tenant compte du fait que la production de pi` ces e e P1 se fait par lot de 500 pi` ces. Si c’est le cas. e e 5. les livraisons attendues de premi` re e e e p´ riode et les d´ lais d’obtention sont donn´ s au tableau 5. u 5. faire l’ajustement. Consid´ rons une entreprise qui e utilise la planification des besoins en composants pour g´ rer la production e d’un ensemble E qui utilise une pi` ce P1 et deux pi` ces P2 par ensemble. calculer les besoins nets et les lancements de production a capacit´ infinie.27. ` e 5.26: Plan directeur de production. Les stocks initiaux (d´ but de p´ riode 1). e (a) D´ terminer les besoins nets en composant E et la mani` re de couvrir e e ces besoins nets par des lancements de production en tenant compte du fait que le lancement ne peut se faire que par lot de 250 ensembles E. La planification de la production (c) En d´ duire le coˆ t de cette politique (somme des coˆ ts de mise en route e u u et de stockage).4.20. A e partir de l’ajustement charge-capacit´ de niveau 1 du tableau 5.5. Ajustement charge-capacit´ de niveau 2. pr´ voit egalement e e ´ la mise a disposition de pi` ces P1 et P2 comme pi` ces de rechange. Planification des besoins en composants. Comparez avec le coˆ t d’une politique de lot par lot. V´ rifier si la charge r´ sultante e e e n’exc` de pas la capacit´ de l’atelier.26. D´ termination des besoins et lancements de production de niveau 2. donn´ au tableau 5. d´ duire e e les besoins bruts pour les composants de niveau 2.90 Chapitre 5. Ensuite. e e Le plan directeur de production.27: Stock initiaux. ` e e Semaine 0 1 2 3 Demande E 100 150 150 Demande P1 10 20 15 Demande P2 30 20 25 4 5 250 250 25 20 25 30 Tableau 5. e .3. livraisons attendues et d´ lais d’obtention. e e e ´ e El´ ment Stock initial LA1 E 300 0 P1 150 500 P2 300 300 D´ lai d’obtention e 1 semaine 2 semaines 1 semaine Tableau 5.

e • La concurrence internationale impose de produire une bonne qualit´ a un e` prix tr` s bas. on produit la quantit´ strictement n´ cessaire aux besoins imm´ diats e e e du client. La logique e e fondamentale du JAT est la suivante : Production = Demande. sans d´ lai et en comprimant e au maximum le coˆ t de fabrication. Autrement dit. Il y a donc conflit entre la gestion en grande u s´ rie (qui permet de r´ duire les coˆ ts de fabrication) et la gestion a la carte (qui est e e u ` beaucoup plus souple).1 Origine et principe du JAT Comme le souligne Baglin et al [1]. Le principe est appliqu´ de proche en proche jusqu’aux fournisseurs. e Ceci entraˆne la suppression des stocks interm´ diaires : on parle de gestion en flux ı e 91 .Chapitre 6 Les techniques de juste a temps ` 6. e ` En conclusions. les techniques de juste a temps trouvent leur ` origine dans les nouvelles exigences du march´ : e • La variabilit´ de la demande : l’augmentation du nombre de mod` les et la e e diminution de la dur´ e de vie des produits n´ cessitent une adaptation plus e e rapide des produits. il faut produire a la demande du client. • Le d´ lai admissible par les clients est plus court : on ne peut donc plus e produire a la commande. L’id´ e du JAT est de chercher a concilier les avantages de la grande s´ rie (flux e ` e rapides et importants) avec ceux de la petite s´ rie (grande adaptabilit´ ). c’est-` -dire lancer une commande sp´ ciale avec ` a e des d´ lais longs.

maintenance.92 Chapitre 6. Pour raison d’´ conomie d’´ chelle. e e o On en conclut que chacun a tendance a gonfler les stocks. avec des stocks u d’approvisionnement pour les pi` ces standards. o e e Le fonctionnement en JAT appelle cependant les remarques suivantes : 1. Le JAT devant ce constat. Ce qui entraˆne e u ı aussi des stocks importants. A chaque stade du produit. 3. ´ e e e e 5. e e e 6. Les flux de production peuvent etre tir´ s non par des commandes clients ˆ e mais par le plan directeur de production. Les techniques de juste a temps ` tendus. Le mode d’organisation traditionnel a pour objectif essentiel la recherche de la plus grande productivit´ du syst` me. On a donc des flux importants et e e e discontinus entre ces unit´ s n´ cessitant des stock interm´ diaires. ). e e e 2. Ceci va a l’encontre des politiques traditionnelles d’organisation de la produc` tion. on transporte en grande quantit´ u e (camions. Ce qui occasionne egalement des stocks ´ elev´ s de mati` res qui ne sont pas imm´ diatement consomm´ es. Souvent. Pour diminuer le coˆ t de manutention. . Pour raison de coˆ t. . La suppression des stocks apparaˆt donc comme une cons´ quence de la ı e logique du JAT. on constitue des stocks interm´ diaires. Pour d´ coupler les probl` mes. containers complets). Ses cons´ quences sont : e e e 1. . on a des unit´ s de fabrication de grande e e e taille organis´ es en ateliers sp´ cialis´ s. 4.. Le JAT n´ cessite tout de mˆ me l’´ tablissement d’un plan directeur de proe e e duction et le calcul des besoins. on met en place des capacit´ s de production corresponu e dant a la demande moyenne qui sont satur´ es en permanence : la variabilit´ ` e e de la demande n´ cessite donc des stocks de produits finis. e 3. On lance de grandes s´ ries pour amortir le coˆ t de lancement. on ajoute un d´ lai d’obtention pour tenir compte e des arrˆ ts fr´ quents (contrˆ le. ` ` plutˆ t que d’essayer de g´ rer l’ing´ rable propose de supprimer les stocks. les usines ne fonctionnent que partiellement en flux tendus : en flux tendus au moment o` l’on personnalise le produit. e 2.

2. grouper. Les deux approches du JAT 93 6.1 Augmenter la r´ activit´ du syst` me logistique e e e Le but est ici de pouvoir r´ pondre rapidement aux variations quantitative et quae litative de la demande. pour r´ duire les stocks. ce qui permet un niveau d’eau plus faible. . en s’attaquant aux causes de dysfonctionnement. • diminuer le coˆ t global de production : en eliminant les gaspillages inutiles.. pour traverser une rivi` re sans encombre.. on r´ duit les stocks. on doit r´ duire le temps e e entre ateliers. . e e . e • Pour r´ duire les stocks de mati` re premi` re. il faut s’attaquer a leur cause : les pannes e ` machines. • Pour r´ duire les stocks d’en-cours de production. les op´ rations suivantes sont non ı e productives : d´ placer. . les retards. etc.Section 6.2. En conclusions. Remarquez que.2 Les deux approches du JAT Le JAT a donc un double objectif : • augmenter la r´ activit´ du syst` me logistique : diminuer le d´ lai. e 6. les temps de r´ glage longs. dans l’approche JAT : on drague le ´ fleuve.2. stocker. on doit pouvoir changer souvent de e fabrication. . il faut s’attaquer a leurs causes : les d´ fauts de e ` e fabrication. .. diversifier e e e e la production. les lenteurs administratives. • Pour r´ duire les stocks de produits finis. . . contrˆ ler. Le e ´ principe fondamental est que les seuls temps utiles sont ceux pendant lesquels le produit voit sa valeur s’accroˆtre. Pour pouvoir diminuer e o ces op´ rations improductives. u ´ 6.2 La rationalisation de la production Le but est ici d’am´ liorer la performance globale en eliminant les gaspillages. Le moyen utilis´ est le suivant : pour raccourcir le cycle e de fabrication. les fournisseurs doivent livrer e e e plus souvent. dans l’approche traditionnelle : on augmente le niveau e de l’eau et on passe au dessus des epaves. Ainsi. On peut ici citer l’image de Taichi Ohno (de Toyota) qui dit que. les pannes. . on am´ liore la productivit´ globale du syst` me e e e et on am´ liore la qualit´ des produits.

1 Recherche d’un plus grande r´ activit´ e e On atteindra une plus grande r´ activit´ en augmentant la flexibilit´ de la produce e e tion.2 Maˆtrise des al´ as ı e Il faut ici se pr´ munir contre les causes des stocks que sont les pi` ces re¸ ues e e c d´ fectueuses. l’arrˆ t d’une ´ e ´ e machine entraˆne l’arrˆ t de toutes les machines en aval faute d’approvisionnement. . ` – il faut faire appel a la flexibilit´ de la main d’œuvre : appel aux teme poraires. ı e De mˆ me pour les machines en amont qui. en l’absence de stock. Le z´ ro d´ faut sera recherch´ e e ı e e e par la pr´ vention plutˆ t que par le contrˆ le a posteriori.3 Les facteurs cl´ s du JAT e La r´ ussite du passage d’une organisation classique a une organisation JAT e ` n´ cessite des m´ thodes de gestion tr` s r´ actives ainsi que la maˆtrise des al´ as. e e e Enfin. ainsi les retards de livraison. e e . e e e e ı e 6. par exemple. On peut d´ finir la flexibilit´ comme la capacit´ du syst` me de production a e e e e ` s’adapter en permanence a la demande. constitueront des stocks. La e fiabilit´ est obtenue par des proc´ dures de maintenance pr´ ventive. ` e • La flexibilit´ qualitative est la capacit´ de traiter une grande vari´ t´ de e e ee produits : – il faut pouvoir passer rapidement d’un produit a l’autre : on utilisera ` des machines a commandes num´ riques. les pannes machine. il existe relation plus etroite entre le client et le fournisseur car le ´ fournisseur d’une usine JAT est g´ n´ ralement plus conscient des cons´ quences de e e e l’envoi d’une pi` ce d´ fectueuse pour le client. En effet. le d´ faut e e e e e d’une pi` ce livr´ e interrompt la chaˆne de montage. ´ 6.94 Chapitre 6. aux heures suppl´ mentaires. a la sous-traitance.3. autrement. Les techniques de juste a temps ` 6. e o o ` Il faut egalement assurer la fiabilit´ des equipements. . en gardant les ane ciennes machines lors d’un renouvellement. On visera ici le e z´ ro d´ faut pour les pi` ces fabriqu´ es. On distingue deux types de flexibilit´ : ` e • La flexibilit´ quantitative est la capacit´ de faire face a des pointes de e e ` demande : – il faut surdimensionner la capacit´ .3.. En effet. ` e – la polyvalence du personnel est egalement souhaitable.

L’´ tiquette est donc un ordre de fabrication des pi` ces qui e e • descend le flux de pi` ces (lors de la fabrication). L’information sur la demande du poste aval est transmise par un document appel´ Kanban (´ tiquette) e e donnant : • la description de la pi` ce et de l’op´ ration a effectuer.4. • Au moment o` le conteneur est mis en fabrication sur le poste aval.1 Syst` me Kanban a une boucle e ` Le fonctionnement du syst` me Kanban a une boucle est le suivant (cfr figure 6. d´ termin´ e par le rythme de consommation des pi` ces. les etiquettes ne remontent plus et la ` ´ fabrication s’arrˆ te. e • remonte ce flux une fois les pi` ces consomm´ es. ee . e e ` • le lieu d’origine et de destination de la pi` ce. il faut une capacit´ suffisante des e e postes amont pour r´ pondre a la demande : ceci n´ cessite donc en g´ n´ ral de e ` e e e pr´ voir une surcapacit´ . Par e e e e exemple. si la consommation vient a se tarir. e e 6. e Cette technique utilise en effet des conteneurs standards pour la circulation entre les postes. e Pour un bon fonctionnement du syst` me.4 La m´ thode Kanban e L’id´ e de la m´ thode est que la production soit tir´ e par l’aval : chaque poste e e e ne travaille que pour satisfaire une demande du poste aval. le Kanban u est lib´ r´ et retourne au poste amont (c). e • la quantit´ par conteneur.4. elle-mˆ me.Section 6.1) : e ` • L’´ tiquette est appos´ e sur le conteneur de pi` ces qui viennent d’ˆ tre fae e e e briqu´ es en amont (a). e e ´ Le rythme de fabrication est donc egal a la vitesse de circulation des etiquettes ´ ` qui est. La m´thode Kanban e 95 6. e • Elle accompagne le conteneur au poste suivant et reste sur le conteneur en attente (b).

Une etiquette libre (c’est-` -dire non attach´ e a un conteneur) repr´ sente un ´ a e ` e ordre de fabrication pour une quantit´ fixe de pi` ces sur un poste de travail e e d´ termin´ . le responsable du poste e amont peut choisir ses priorit´ s de fabrication d’apr` s les besoins des agents e e des diff´ rents postes aval qu’il fournit. Ce nombre doit.96 (a) POSTE AMONT (d) Chapitre 6. 4. le volume des en cours. Le nombre d’´ tiquettes en circulation entre deux postes fixe les stocks d’en e cours de fabrication : en effet. . En observant son planning d’´ tiquettes en attente. 2. r´ sulter d’un compromis entre : e • un nombre pas trop elev´ : sinon on g´ n` re des stocks interm´ diaires.2 D´ termination du nombre d’´ tiquettes e e Un probl` me fondamental est la d´ termination du nombre d’´ tiquettes a mettre e e e ` en circulation.4. On peut faire les remarques suivantes sur le fonctionnement du syst` me kane ban a une boucle : ` 1. e e 3. Les techniques de juste a temps ` (b) Transport entre postes (c) POSTE AVAL Conteneur avec étiquette Etiquette libre Figure 6. Tout conteneur rempli poss` de obligatoirement une etiquette (c’est-` -dire e ´ a son ordre de fabrication). en effet. ´ e e e e • un nombre pas trop faible : sinon le poste aval risque de tomber en rupture. e ` • Il entre dans le planning du poste amont (d) d’o` il sort au moment d’une u nouvelle fabrication. c’est-` -dire le nombre a ´ de conteneurs entre les postes. e 6.1: Syst` me Kanban a une boucle. est inf´ rieur ou egal au nombre d’´ tiquettes e e en circulation.

e 97 • Tr . la capacit´ d’un conteneur. Soit D = 2000 pi` ces. ´ e • k. temps de r´ action qui e e e r´ sulte d’un temps de retour du ticket de 30 minutes (le ramassage des tickets e s’effectue toutes les heures. la taille economique des lots fabriqu´ s en amont. d’un r´ glage e de la machine de 10 minutes. la consommation du poste aval en unit´ s par minute. – le transport du conteneur jusqu’au poste aval.1 minute par pi` ce e (donc 10 minutes pour 100 pi` ces).4. e Illustrons ceci sur un exemple tir´ de Baglin et al [1]. d’un temps de transport de l’amont vers l’aval e de 35 minutes : Tr = 30 + 10 + 10 + 10 + 35 = 95 Pendant le temps de r´ action. la consommation du poste aval est de : e Tr Cu = 95 × 4. donc un temps moyen d’attente d’une demi heure). – le r´ glage de la machine amont. • Qe . Ce d´ lai de r´ action comprend e e – le retour du ticket d’alerte vers l’amont.Section 6. d’une attente moyenne de 10 minutes au planning du poste amont. 83 Il en r´ sultera qu’il faut au moins 4 etiquettes en permanence dans le syst` me : e ´ e Ne ≥ Tr Cu = 3. la capacit´ d’un conteneur. Le principe utilis´ pour d´ terminer le nombre d’´ tiquettes est le suivant : le e e e nombre de conteneurs dans la boucle correspond au strict minimum pour que le syst` me fonctionne sans rupture pour le poste aval. e – la production du premier conteneur. – l’attente au planning amont. le d´ lai de r´ action du syst` me lorsque le stock au poste aval atteint le e e e seuil de lancement d’une production. On en d´ duit e e une consommation en unit´ s par minute de : e Cu = 2000 = 4. 1667 = 395. d’un temps de production de 0. la e e demande moyenne du poste aval par journ´ e de 8 heures de travail. Soit Tr . 96 k . 1667 8 × 60 Soit k = 100 pi` ces. La m´thode Kanban e Les donn´ es du probl` me sont les suivantes : e e e • Cu .

Les techniques de juste a temps ` Si l’on veut prendre une marge de s´ curit´ de α = 10 % : e e Ne ≥ (1 + α)Tr Cu 1. l’arbitrage entre le coˆ t de lanceu ment et le coˆ t de possession justifie une production par lot de taille economique u ´ optimale : Qe = 600 pi` ces. ´ e Supposons maintenant que. 83 = = 4. augment´ d’une marge de s´ curit´ e e e α: (1 + α)Cu Tr • du lot economique Qe produit par le poste amont : ´ Qe le tout divis´ par k. 3541. ` e . 35 k 100 Ce qui correspond a 11 conteneurs de 100 pi` ces. k 100 Il faudra donc au moins 5 etiquettes en permanence dans le syst` me. e ´ c’est-` -dire a 6 conteneurs (Qe /k). Il faudra donc ajouter ces 6 conteneurs aux 5 pr´ c´ dents. la capacit´ d’un conteneur : e e (1 + α)Cu Tr + Qe k Ne ≥ (6. Ce qui donne ici : e ` e Ne ≥ (1 + α)Cu Tr + Qe 435 + 600 = = 10. 1 × 395. au poste amont. Il faudra donc attendre d’avoir six etiquettes a ` accroch´ es au planning du poste amont avant de pouvoir lancer en fabrication de e quoi remplir le premier conteneur. e e Le nombre de conteneurs dans la boucle correspond donc en g´ n´ ral a la e e ` somme : • du stock correspondant au seuil d’alerte.1) Le r´ sultat est arrondi a l’entier sup´ rieur.98 Chapitre 6. c’est-` -dire au stock permettant de a faire fonctionner le poste aval durant Tr .

Une entreprise fabrique de fa¸ on r´ guli` re e c e e les produits A. Flux tendus.2. la manutention d’un conteneur d’un poste a e ` l’autre n´ cessite dix minutes. souhaitant fabriquer ces produits sur une ligne de production pilot´ e par Kanban. D utilise 1 G 1E 1F Cette entreprise. C utilise 1 D. la capacit´ des ´ ee ` e e conteneurs est de 250 pi` ces.1. Quelle ` e e am´ lioration devrait-on r´ aliser pour pouvoir fonctionner ainsi ? e e 6. Exercices 99 6. X et Y. B utilise . le poste M2 fabrique la pi` ce e e C. organise ses machines de la fa¸ on suivante : e c ----> M3 | ------> M2 ------| | -----> M4 M1 L’entreprise. On retiendra pour l’ensemble des calculs un coefficient de s´ curit´ e e de 20 %. Sachant que : • le poste M1 fabrique les pi` ces D. F et G. Voici la ` e nomenclature pour ces produits : 1C 1C A utilise . devant produire 20 A et 30 B par jour (de 8 heures). souhaite ne pas d´ finir au hasard le nombre de Kanban et la taille des containers a e ` mettre en place pour piloter la production entre M1 et M2. Calcul du nombre d’´ tiquettes. (a) D´ terminer le nombre de tickets a mettre en circulation dans la boucle. la e e taille economique des lots en amont s’´ l` ve a 500 pi` ces.Section 6. e ` (b) V´ rifier l’´ quilibre entre la charge et la capacit´ du poste amont. e e . C et D a partir des produits achet´ s E. le poste M3 assemble la pi` ce A. Les caract´ ristiques e e de la production sont les suivantes : l’atelier fonctionne 8 heures par jour. e e e (c) On d´ cide maintenant de r´ duire la taille des s´ ries de fabrication de e e e 500 a 250. la chaˆne consomme 2 000 sous-ensembles par jour. La r´ gularit´ de la production incite la direction a mettre en place e e ` un syst` me d’appel par l’aval entre ces deux postes. Un atelier de fabrication de sous-ensembles approvisionne la chaˆne de montage de petits articles electrom´ nagers situ´ e dans un bˆ timent ı ´ e e a proche. B. le ramassage des tickets s’effectue toutes les e heures. le poste M4 assemble la pi` ce B. le temps d’attente moyen au planning amont peut etre estim´ a trente ˆ e` minutes.5. Calculer le nombre de lancements r´ alis´ s par jour.5 Exercices 6. il faut une heure pour ı r´ gler la machine de l’atelier et cinq secondes pour produire une pi` ce.

L’entreprise d´ sire organiser sa production en e utilisant le syst` me de kanban. e ` Il faut 30 minutes de nettoyage de la machine de pr´ paration avant chaque e lot. La chaˆne de production est compos´ e de deux postes : le ı e premier assure la pr´ paration des l´ gumes et le second r´ alise le conditione e e nement. e e 6. e` • le poste M1 fabrique aussi 2 autres pi` ces (X et Y) n´ cessitant des e e r´ glages diff´ rents de ceux de D. e e ´ (a) Quel est le temps de r´ action du poste de pr´ paration ? e e (b) V´ rifiez l’´ quilibre entre la charge et la capacit´ dans ce cas. e e e (c) Quel est le nombre total d’´ tiquettes dans le syst` me. • les pi` ces D. La p´ riodicit´ du ramassage des tickets est e e e fix´ e a 10 minutes. Les techniques de juste a temps ` • la fabrication des pi` ces D n´ cessite 0. tenir compte du nombre maximum de lancements e admissibles par jour. e e Le transfert des l´ gumes de l’unit´ de pr´ paration vers l’unit´ de condie e e e tionnement prend 5 minutes. (a) Quel est le flux journalier de production de la pi` ce D ? e (b) Combien de r´ glages de s´ ries de pi` ces D pouvez-vous faire par jour ? e e e (c) Quelle est la taille du container de la pi` ce D ? e (d) Quel est le nombre de Kanbans qui doivent etre utilis´ s entres les postes ˆ e M1 et M2 ? Pour d´ terminer la taille du lot minimum qui doit etre e ˆ lanc´ au poste M1. La fabrication des 2 autres pi` ces e e e peut occuper le poste M1 pendant 2 heures 15 minutes par jour (d’une traite).5 heure de r´ glage du poste et e e e 0. a raison de huit heures par jour. e • le temps de transport des containers entre les postes M1 et M2 peut etre ˆ estim´ a 10 minutes. • le retour de l’´ tiquette peut se faire entre M2 et M1 en 5 minutes.3. Il est envisag´ e ` e e de faire travailler l’unit´ de pr´ paration par lots economiques de 400 kg. Conditionnement de surgel´ s. Une entreprise produit des l´ gumes surgel´ s e e e en sachets de 1 kg. Le directeur d´ sire utiliser le poste de conditionnement a sa pleine e ` capacit´ qui est de 3200 sachets par jour. sont transport´ es dans des containers e e ne pouvant pas supporter plus de 50 kg de charge. ensuite le traitement de chaque kilo de l´ gumes prend 3 secondes. pesant chacune 5 kg. On ne prend aucune marge de s´ curit´ . Le e temps d’attente moyen en amont de l’unit´ de pr´ paration est de 10 minutes. si on d´ sire e e e s’assurer une marge de s´ curit´ de 15 % ? e e .08 heure de fabrication unitaire. La capacit´ des conteneurs est de 200 kg.100 Chapitre 6.

Partie III Les d´ cisions strat´ giques e e 101 .

.

1 Introduction Lors de tout projet de grande envergure (construction d’un bateau. Le probl` me est de d´ terminer dans quel ordre doivent s’enchaˆner les a e e ı diverses tˆ ches de mani` re a minimiser le temps total d’ex´ cution du projet. 103 . les travaux d’´ lectricit´ et de e e e e plomberie peuvent etre men´ s de pair..1) e ` e e o a ne peuvent s’ex´ cuter qu’apr` s que d’autres soient termin´ es.. On ne peut monter les murs que lorsque les fondations sont termin´ es. D’autres tˆ ches e a peuvent s’ex´ cuter simultan´ ment. a e ` e Prenons un exemple tir´ de Giard [4]. Par exemple.Chapitre 7 L’ordonnancement de projets 7.). a d’ordonnancement.. de divers types de contraintes.1: Construction d’un bˆ timent. electricit´ ´ e 3 2 coulage dalle b´ ton e 3 7 chauffage 4 8 et 6 plˆ tre a 10 9 et 5 finitions 5 10 Tableau 7. Certaines tˆ ches (voir tableau 7. on e e e ne peut commencer les fondations que lorsque le terrassement est fini. Par exemple. dans les probl` mes ˆ e e No 1 2 3 4 5 6 7 8 9 10 11 tˆ che a dur´ e (jours) pr´ alables e e terrassement 5 fondations 4 1 colonnes porteuses 2 2 charpente toiture 2 3 couverture 3 4 ma¸ onnerie c 5 3 plomberie.. On veut construire un nouveau bˆ timent e a de mani` re a pouvoir d´ m´ nager au plus tˆ t. On doit tenir compte. d’un avion. un probl` me crucial qui se pose est celui du calendrier d’ex´ cution a e e des tˆ ches. d’un bˆ timent.

e e Le probl` me d’ordonnancement avec des contraintes de localisation temporelle e et de succession temporelle seulement est appel´ probl` me central d’ordonnane e cement. elle. on ne coule pas les fondations avant la fin du terrassement). e Algorithmiquement.104 Chapitre 7.1). a savoir : e e e ` • la m´ thode du potentiel d´ velopp´ e en France dans les ann´ es 60 et qui ase e e e socie a chaque tˆ che un nœud du r´ seau. e e a Figure 7.2). • Les contraintes disjonctives expriment le fait que deux tˆ ches ne peuvent a avoir lieu en mˆ me temps sans que l’on puisse dire laquelle doit etre effectu´ e e ˆ e avant l’autre (par exemple.1: Graphe de la m´ thode des potentiels. en effet. le r´ soudre graphiquement et pr´ senter graphiquement l’ordonnancement. tandis que les relations d’ant´ riorit´ ` a e e e sont repr´ sent´ es par des arcs entre les tˆ ches (voir figure 7. en raison des conditions climatiques). associe chaque tˆ che a un arc du r´ seau. e . Il s’agit de d´ terminer le calendrier de d´ but de chacune des tˆ ches de e e a mani` re a terminer le chantier au plus vite en respectant les contraintes temporelles. les deux m´ thodes de r´ solution sont equivalentes. une mˆ me grue est utilis´ e sur deux chantiers). e e` Figure 7. aussi bien pour sa e formulation que pour sa r´ solution. repr´ senter le probl` me sur un e e e graphe. e ` Nous allons voir que ce probl` me utilise la notion de graphe. ou a a apr` s une telle date (par exemple.2: Graphe de la m´ thode des potentiels. On peut. e ´ • la m´ thode PERT d´ velopp´ e parall` lement aux Etats Unis d’Am´ rique e e e e e et qui. L’ordonnancement de projets • Les contraintes de localisation temporelle expriment la localisation d’une tˆ che dans le temps : une tˆ che ne peut commencer avant une telle date. et chaque relation a ` e d’ant´ riorit´ a un nœud (voir figure 7. e • Les contraintes de succession temporelle expriment les relations d’ant´ e riorit´ entre les tˆ ches : une tˆ che ne peut commencer avant la fin d’une autre e a a (par exemple. mais e e ´ la m´ thode du potentiel permet d’´ crire le graphe de r´ seau de mani` re plus e e e e syst´ matique (sans ajouter d’arc fictif). e e Il existe deux m´ thodes de r´ solution pour ce probl` me.

.n. ` Formulons maintenant les contraintes du probl` me central d’ordonnancement.2. .1) • Les contraintes de succession temporelle expriment que la tˆ che j ne peut a d´ buter avant que toute tˆ che i pr´ alable a j ne soit finie : e a e ` a e ` a ti + di ≤ tj .3) Remarquez que vu la pr´ sence des contraintes de succession temporelle (7.2 Formulation du probl` me e Fixons-nous les notations suivantes. ∀i sans successeur (7. ∀ tˆ che i ant´ rieure a la tˆ che j (7.2). autrement dit : e min z = tf − t0 qui consistera a minimiser tf si on se fixe initialement t0 = 0. Nous avons n tˆ ches a ex´ cuter. a 7. et tf (= tn+1 ) note le temps de fin de chantier.2) • Les contraintes de fin de chantier expriment que toute tˆ che i doit etre finie a ˆ avant la fin de chantier : ti + di ≤ tf . Formulation du probl`me e 105 7. . indic´ es a ` e e e e e i = 1. D´ signons par t0 le temps de d´ but d’ex´ cution a e e e e du chantier. On ajoute un nœud 0 qui e a e .3) pout e a e e toute tˆ che n’ayant pas de successeur. ∀i sans pr´ d´ cesseur e e (7.1) pour toute tˆ che n’ayant pas de pr´ d´ cesseur et (7.3 Repr´ sentation graphique du probl` me e e On associe donc au probl` me central d’ordonnancement un graphe dont les some mets repr´ sentent les diverses tˆ ches du probl` me. e il suffit d’´ crire (7. e a Formulons maintenant l’objectif : il s’agit simplement de minimiser le temps de r´ alisation du chantier. e´ Les variables du probl` me sont les suivantes : ti note le temps de d´ but e e d’ex´ cution de la tˆ che i. e Elles sont de trois types : • Les contraintes de localisation temporelle expriment que la tˆ che i ne peut a commencer avant le d´ but de chantier : e ti ≥ t0 .Section 7. Utilisons egalement la notation di pour d´ signer la dur´ e d’ex´ cution ´ de la tˆ che i (qui est ici une donn´ e). suppos´ egalement connu.

1). Enfin. Ensuite. j) ∈ A o` A note l’ensemble des arcs du r´ seau. On doit donc avoir a e e a t1 + d1 ≤ t2 . Le probl` me central d’ordonnancement se formule donc e e ainsi : min tf (−t0 ) (7. e Reprenons l’exemple.3: graphe associ´ . On fait de mˆ me pour repr´ senter toutes les contraintes de type (7.4) s. Ici. Par exemple. fin de chantier. pour les seules tˆ ches qui a a ne sont suivies d’aucune autre.3).c. quand toutes les tˆ ches sont dans le graphe. On trace le nœud 2 et on le relie au nœud 1 par un arc de longueur d1 . On peut construire syst´ matiquement le graphe associ´ e e au probl` me d’ordonnancement de la mani` re suivante (voir figure 7. u e 3 4 0 0 1 5 2 4 7 3 8 3 9 2 2 6 5 4 2 5 3 10 4 10 11 5 12 Figure 7.q. 2. L’ordonnancement de projets correspond a la date de d´ but de chantier et un nœud f = n + 1 qui correspond ` e a la fin de chantier. Remarquez qu’il s’agit de la repr´ sentation a e des contraintes (7.3) : e e 1. ti + di ≤ tj .106 Chapitre 7. la tˆ che 1 doit pr´ c´ der la tˆ che 2. seule la tˆ che finition ´ ` e a a est dans ce cas. Il a s’agit ici de repr´ senter les contraintes du type (7. et il faut que cette tˆ che soit finie pour la fin du chantier. e e 3. d´ but de chantier par un arc de longueur nulle. on les relie au nœud n + 1. Dans l’exemple.2). ∀(i. e seule la tˆ che 1 est dans ce cas. On relie d’abord toutes les tˆ ches qui peuvent etre effectu´ es sans pr´ alable a ˆ e e au nœud 0. avec un arc de longueur egale a la dur´ e de la tˆ che. on prend une tˆ che d´ j` dans le graphe et on examine si elle pr´ c` de a ea e e d’autres. e . Les arcs du r´ seau repr´ sentent les diverses contraintes qui ` e e peuvent toutes se mettre sous la forme suivante ti + di ≤ tj en d´ finissant d0 = 0.

e -40 10 4 0 0 1 5 2 4 3 2 2 4 2 5 3 10 5 6 3 5 3 9 -5 10 4 11 12 7 8 Figure 7. Enfin.3.Section 7. supposons que la tˆ che 9 doive ´ a commencer au plus tard 5 jours apr` s le d´ but de la tˆ che 8 : e e a t9 ≤ t8 + 5 ⇔ t9 − 5 ≤ t8 . nous allons dire un mot des conditions sous lesquelles ce probl` me est e r´ alisable. Ceci se repr´ sente en joignant les nœuds 5 et 0 par un arc de “longueur” -40. Ceci se repr´ sente en joignant les nœuds 0 et 3 par un arc de longueur 10.4: Trois autres types de contraintes. Contrainte du type ecart maximum. ˆ . Avant de voir l’algorithme qui permet de r´ soudre le probl` me d’ordonnane e cement. e 3. les contraintes temporelles peuvent venir de divers services et e etre incompatibles entres elles. Ceci se repr´ sente en joignant les nœuds 9 et 8 par une arc de “longueur” -5. Contrainte de localisation temporelle du type max. e 2. En effet. supposons que la tˆ che 5 doive etre commenc´ e avant 40 : a ˆ e t5 ≤ t0 + 40 ⇔ t5 − 40 ≤ t0 . Ensuite. Supposons d’abord que la tˆ che 3 ne puisse commencer avant 10 : a 10 ≤ t3 ⇔ t0 + 10 ≤ t3 . Repr´sentation graphique du probl`me e e 107 Disons un mot de la repr´ sentation des trois autres types de contraintes que e l’on peut rencontrer dans les probl` mes d’ordonnancement de projets : e 1. Contraintes de localisation temporelle du type min.

108

Chapitre 7. L’ordonnancement de projets

7.4

Existence d’une solution

Supposons que nous ayons la situation suivante. Tˆ che Dur´ e pr´ alable a e e 1 d1 3 2 d2 1 3 d3 2 Cette situation est repr´ sent´ e a la figure 7.5. e e `
2 d1 1 d3 d2 3

Figure 7.5: Circuit de longueur positive. On voit ici que le graphe contient un circuit (cycle avec tous les arcs dans ´ le mˆ me sens) dont la somme des longueurs des arcs est positive. Ecrivons les e contraintes correspondantes : t1 + d1 ≤ t2 t2 + d2 ≤ t3 t3 + d3 ≤ t1 En sommant et en simplifiant, on obtient la condition suivante : d1 + d2 + d3 ≤ 0 On peut alors montrer le r´ sultat suivant. e Lemme 7.1 Les contraintes temporelles sont compatibles entre elles si et seulement si le graphe associ´ ne comporte aucun circuit de longueur (somme des e longueurs des arcs le constituant) strictement positive. Remarquez qu’un cycle avec une somme des longueurs n´ gative ne pose pas de e probl` me. Par exemple, a la figure 7.4, la tˆ che 8 de longueur 3 doit etre finie avant e ` a ˆ que ne commence la tˆ che 9 et la tˆ che 9 doit commencer end´ ans les 5 jours de a a e d´ but de la tˆ che 8 : e a t8 + 3 ≤ t9 t9 − 5 ≤ t8 Ceci se repr´ sente, comme vu ci-dessus, par une fl` che de 8 vers 9 de longueur 3 e e et une fl` che retour de longueur -5. Ceci ne pose pas de probl` me, la somme des e e “longueurs” etant n´ gative. ´ e

Section 7.5. Calcul de l’ordonnancement au plus tˆt o

109

7.5

Calcul de l’ordonnancement au plus tˆ t o

Nous allons maintenant voir un algorithme de calcul de l’ordonnancement au plus tˆ t. L’ordonnancement au plus tˆ t d´ termine les dates de d´ but au plus tˆ t des o o e e o e diff´ rentes tˆ ches, not´ es ti , en partant du nœud de d´ but de chantier. e a e Illustrons les choses sur l’exemple. La tˆ che 1 peut commencer au plus tˆ t en a o 0 puisqu’elle est reli´ e au au nœud 0, d´ but de chantier, par un arc de longueur e e nulle. La tˆ che 2 peut commencer d` s la fin de la tˆ che 1, c’est-` -dire a e a a t2 = t1 + d1 = 5 et ainsi de suite, on marque t3 = 9, t4 = 11, t5 = 13, ... Lorsqu’un sommet (comme le sommet 9) a plus d’un pr´ d´ cesseur (8 et 6), on e e d´ termine la date au plus tˆ t par un maximum : e o t9 = max {t6 + d6 , t8 + d8 } = 16. Il faut, en effet, que les deux tˆ ches pr´ c´ dentes soient finies avant de pouvoir a e e d´ buter la tˆ che 9. On arrive ainsi a d´ terminer la dur´ e totale minimum qui est e a ` e e ici de 35 jours. L’ordonnancement au plus tˆ t est illustr´ a la figure 7.6 o` le temps de d´ but o e` u e au plus tˆ t est indiqu´ au dessus des nœuds. o e
9 3 2 0 0 0 0 1 5 5 2 4 4 2 6 9 7 3 12 8 5 3 11 11 4 2 3 20 10 10 16 4 9 30 11 5 35 12 13 5

Figure 7.6: Ordonnancement au plus tˆ t. o

7.6

Ordonnancement au plus tard

Certaines tˆ ches sont telles que si on retarde leur date de d´ but, cela aura des a e r´ percussions sur la date de fin de chantier. Par exemple, si on retarde la date e de d´ but de la tˆ che 11 (finition), cela va directement retarder la date de fin de e a

110

Chapitre 7. L’ordonnancement de projets

chantier. De mˆ me, si on retarde la tˆ che 10 (plˆ tre), cela va retarder la date de e a a d´ but de la tˆ che 11 (finition) qui elle-mˆ me retarde la date de fin de chantier. e a e Par contre, si on retarde le d´ but de la tˆ che 5 (couverture), cela n’aura pas de e a r´ percussion, car ce n’est pas a partir de ce nœud que son successeur (10) a et´ e ` ´e marqu´ mais bien a partir du nœud 9. On voit donc que l’on peut retarder la date e ` de d´ but de la tˆ che 5 sans cons´ quence sur la date de fin de chantier jusqu’` un e a e a certain point. En effet, t5 = 13, t10 = 20, et d5 = 3. Autrement dit, la date de d´ but de la tˆ che 5 peut etre retard´ e jusqu’` la valeur : e a ˆ e a t10 − d5 = 20 − 3 = 17 sans retarder la date de d´ but de la tˆ che 10. On dit que 17 est la date de d´ but au e a e plus tard de la tˆ che 5. C’est-` -dire que la tˆ che 5 peut etre commenc´ e a cette a a a ˆ e ` date au plus tard sans allonger la dur´ e totale minimale des travaux. e On notera une date de d´ but au plus tard par ti . On peut calculer l’ordonnane cement au plus tard de la mani` re suivante (voir figure 7.7). Partant du nœud fin, e pour lequel la date de d´ but au plus tard co¨ncide avec la date de d´ but au plus tˆ t e ı e o t12 = t12 = 35, on retranche a la date au plus tard la dur´ e de la derni` re tˆ che. On d´ termine ainsi ` e e a e la date de d´ but au plus tard de la tˆ che 11 : e a t11 = t12 − d11 = 35 − 5 = 30. On marque ensuite a rebours les nœuds 10, 5, ... `
9 3 4 0 0 0 0 0 1 0 5 5 2 5 4 9 2 2 11 9 7 10 3 12 8 13 11 4 15 11 6 5 3 16 4 9 16 2 13 5 17 3 20 10 20 10 30 11 30 5 35 12 35

Figure 7.7: Ordonnancement au plus tard. Lorsqu’un nœud a plusieurs successeurs, on ne peut marquer ce sommet que si tous ses successeurs directs sont marqu´ s. Prenons, a titre d’illustration, le cas e ` du nœud 3. Dans ce cas, il faut prendre le minimum : t3 = min{t4 − d3 , t6 − d3 } = min{15 − 2, 11 − 2} = 9, sans quoi on retarderait la date de fin de chantier.

Section 7.7. Chemin critique et calcul des marges

111

7.7

Chemin critique et calcul des marges

On voit directement que l’on a deux sortes de tˆ ches. a • Les tˆ ches critiques sont celles qui servent a marquer de proche en proche a ` le sommet n + 1 a partir du sommet 0. Elles forment ce que l’on appelle ` le chemin critique qui donne l’ensemble des tˆ ches a surveiller en premier a ` si l’on veut respecter le d´ lai minimum de r´ alisation du projet. Le chemin e e critique, illustr´ en hachur´ a la figure 7.7, peut etre d´ termin´ de la mani` re e e` ˆ e e e suivante. Partant du nœud n + 1, on ne retient que les sommets qui ont permis de joindre n+1 a partir du nœud 1. Il s’agit, dans l’exemple, des ` nœuds 12,11,10,9,6,3,2,1 et 0. • Pour toutes les autres tˆ ches, c’est-` -dire les tˆ ches non critiques, on peut a a a d´ terminer la marge d’une tˆ che comme la diff´ rence entre son temps de e a e d´ but au plus tard et au plus tˆ t : e o mi = ti − ti (7.5)

et donc la marge mi est strictement positive pour les tˆ ches non critiques a tandis qu’elle est nulle pour les tˆ ches critiques. a i 4 5 7 8

mi 4 4 1 1 On peut interpr´ ter les tˆ ches critiques comme l’ensemble des tˆ ches pour e a a lesquelles tout retard sur leur date de d´ but aura des r´ percussions sur la date de e e fin de chantier. C’est donc l’ensemble des tˆ ches a surveiller en premier si l’on a ` veut respecter le d´ lai minimum de r´ alisation du projet. e e Il est a remarquer qu’il peut y avoir plusieurs chemins critiques pour un ` probl` me. e Si l’on veut r´ duire la dur´ e du projet, e e Principe 1 : il ne sert a rien de r´ duire la dur´ e de tˆ ches non critiques. Cela ne ` e e a ferait qu’augmenter leur marge. Principe 2 : il faudra r´ duire simultan´ ment la dur´ e de tous les chemins critiques. e e e Il est aussi a remarquer que, d` s que l’on a r´ duit la dur´ e du chemin critique, ` e e e d’autres chemins critiques peuvent apparaˆtre. ı

` a Ce probl` me se rencontre pour certaines contraintes de succession tempoe relle. La e a e ` longueur de l’arc correspondant a la dur´ e de la tˆ che en question. 3 6. 5 2. e ` a e a 4. il n’en va pas toujours de mˆ me. L’algorithme de r´ solution est tr` s semblable e e e a celui de la m´ thode du potentiel. Illustrons les choses sur un exemple. aux Etats-Unis en 1958 pour la e e ` e planification de la construction des sous-marins Polaris. l’extr´ mit´ terminale de l’arc repr´ sentant la tˆ che i a a e e e a co¨ncidera avec l’extr´ mit´ initiale de l’arc repr´ sentant la tˆ che j. 2 3. sur cet exemple. d’une ` u e ` oe part. le graphe de la m´ thode du potentiel et celui de la m´ thode e e PERT sont tr` s proches. 4 5. La diff´ rence majeure r´ side donc dans la ` e e e construction du graphe : le graphe de la m´ thode PERT est souvent plus difficile a e ` construire que celui de la m´ thode du potentiel car on peut etre amen´ a introduire e ˆ e` des arcs fictifs qui ne correspondent a aucune tˆ che. parall` lement a la m´ thode du potentiel. 2 1.8 o` l’on a not´ . a cˆ t´ de chaque arc. 5 Figure 7. 3 10. 3 8. 5 9.8: Graphe associ´ pour la m´ thode PERT. Elle se distingue de la m´ thode du potentiel par le fait que les tˆ ches ne sont plus associ´ es aux nœuds e a e mais bien aux arcs du r´ seau. d’autre part. ` a Dans la m´ thode PERT. si la e tˆ che j doit suivre la tˆ che i. e e Si. le num´ ro correspondant a la tˆ che. Les sommets ` e a sont utilis´ s pour traduire les relations de succession temporelle. L’ordonnancement de projets 7. Ainsi.8 L’ordonnancement par la m´ thode PERT e La m´ thode PERT (pour Program Evaluation Review Technique) s’est d´ velope e ´ p´ e. Supposons que la tˆ che 1 pr´ c` de les a e e . la dur´ e de la tˆ che. chaque tˆ che est donc associ´ e a un arc du graphe. ı e e e a Ceci permet de tracer le graphe pour l’exemple d´ j` consid´ r´ pour la m´ thode ea ee e du potentiel.112 Chapitre 7. La construction du e e graphe PERT pose parfois un probl` me qui peut etre r´ solu en ajoutant un arc e ˆ e fictif qui ne correspond a aucune tˆ che. Ceci est fait a la figure 7. 10 11. 4 7.

4 4 − 113 On pourrait tracer le graphe de la figure 7. on e e a e e prend le maximum. Mais ce graphe introduit une contrainte 1 4 2 3 Figure 7. en soustrayant au temps du nœud suivant not´ es ti e ` le temps de la tˆ che. En cas de plusieurs pr´ d´ cesseurs. e ¯ . suppl´ mentaire qui dit que la tˆ che 4 doit pr´ c´ der la tˆ che 2.9. que nous noterons ti .8. la tˆ che 4 e a a est issue d’un nœud o` la date au plus tard est de 11 (comme la date au plus tˆ t) u o . En cas de plusieurs successeurs. Par exemple. On additionne au temps ` e du nœud pr´ c´ dent le temps de la tˆ che.Section 7. on prend le minimum. L’ordonnancement par la m´thode PERT e tˆ ches 2 et 3 et que la tˆ che 4 pr´ c` de la tˆ che 3 : a a e e a Tˆ che pr´ alable a e 1 − 2 1 3 1. on d´ termine les dates de d´ but e e au plus tˆ t des nœuds. Pour r´ soudre la e a e e a e difficult´ .10: Arc fictif. il faut ajouter un arc fictif de longueur nulle entre l’extr´ mit´ de la e e e tˆ che 1 et le d´ but de la tˆ che 3. on d´ termine les dates au plus tard des nœuds. D’abord. a Il est a souligner que ces dates au plus tard des nœuds ne fournissent pas les ` dates de d´ but au plus tard des tˆ ches issues du nœud.10. L’ordonnancement se calcule ainsi. Ensuite. Ceci est illustr´ a la figure 7. par marquage a partir de la fin. a e a e` 1 2 4 3 Figure 7. Ceci est fait par marquage des nœuds o a partir de l’origine comme dans la m´ thode du potentiel.9: Introduction d’un contrainte.

2 11 0 9 9 1 Chapitre 7. Il faut donc poursuivre les calculs a pour avoir la date de d´ but au plus tard des tˆ ches. e a On calcule la marge de la tˆ che (i. 3 12 13 8. qui. j) liant les nœuds i et j comme : a mij = tj − (ti + dij ) Autrement dit. 5 0 5 5 2. 5 0 7. 3 1 9.6) 0 5 9 11 13 11 0 0 0 4 4 0 12 16 20 30 1 0 0 0 Date au plus tard 0 5 9 15 17 11 10 13 16 20 30 Un chemin critique peut alors se construire a partir du nœud de fin en ne retenant ` que les arcs critiques.11: Ordonnancement par la m´ thode PERT. elle-mˆ me. Les r´ sultats sont indiqu´ s au tableau o e a e e ci-dessous. 2 4 6. L’ordonnancement de projets 4. la marge est la diff´ rence entre : e • la date de fin au plus tard de la tˆ che tj et a e • sa date de fin au plus tˆ t ti + dij . Les marges des tˆ ches sont indiqu´ es entour´ es d’un carr´ a e e e a la figure 7. 4 0 Figure 7. ` .11. la marge de la tˆ che. Tˆ che a Date au plus tˆ t o Marge 1 2 3 4 5 6 7 9 1 8 9 10 11 (7. 3 20 10. 10 0 30 30 11. 5 0 35 35 0 0 1. 4 20 16 16 0 13 17 4 5.114 11 3. e o e e On obtient alors les dates au plus tard des tˆ ches en additionnant a la date au plus a ` tˆ t du nœud de d´ part. e pourtant cette tˆ che a une marge de 4 jours. se calcule comme sa date o de d´ but au plus tˆ t augment´ e de sa dur´ e.

e e e e Notons par mi la pente. l’objectif de la minimie e e e a sation du coˆ t total d’ex´ cution des tˆ ches peut s’´ crire: u e a e n min z = i=1 [ci (di ) + mi (di − di )] n = K+ i=1 mi di Le premier terme etant constant. on a consid´ r´ la dur´ e de chaque tˆ che comme donn´ e. Or la a e ee e a e dur´ e d’une tˆ che particuli` re i peut varier en fonction. Nous allons voir ici comment a ˆ e arbitrer entre les deux crit` res : diminution de la dur´ e d’ex´ cution des tˆ ches et e e e a donc du chantier et. augmentation des coˆ ts d’ex´ cution des tˆ ches. on obtient le graphique de la figure 7. r´ duire la dur´ e de e e e e e chaque tˆ che moyennant un cout suppl´ mentaire.9 La minimisation des couts ˆ Jusqu’` pr´ sent. Pour une dur´ e di comprise entre les bornes inf´ rieure et sup´ rieure. La minimisation des coˆts u 115 7. u e a varie lin´ airement en fonction de la dur´ e. Sa dur´ e d’ex´ cution di peut varier entre une dur´ e e a e e minimale (incompressible) di et une dur´ e maximum di . il revient au mˆ me de minimiser le seul second ´ e . On voit donc que l’on pourra. de l’achat ou de la location de mat´ riel e e suppl´ mentaire. d’autre part.12: Coˆ t d’ex´ cution de la tˆ che i. de l’eme a e bauche de personnel suppl´ mentaire. Si l’on admet que le coˆ t e u ci mi di di di Figure 7. u e a e Consid´ rons la tˆ che i. en g´ n´ ral. par exemple. le coˆ t de la tˆ che i est alors calcul´ par l’´ quation suivante : e u a e e ci (di ) = ci (di ) + mi (di − di ) Si on r´ p` te la mˆ me op´ ration pour chacune des tˆ ches.12.9.Section 7.

e e a tf = le temps de fin de chantier. Il s’agit de minimiser le coˆ t direct d’ex´ cution u e des tˆ ches. ∀i sans pr´ d´ cesseur • Les contraintes de succession temporelle s’expriment comme : ti + di ≤ tj . Nous avons donc comme variables du probl` me : e ti = le temps de d´ but de la tˆ che i. cette fois.116 Chapitre 7. Expression de l’objectif. qui d´ pend lin´ airement de leur dur´ e : a e e e n min z = i=1 mi di 3. L’ordonnancement de projets terme et on obtient l’objectif suivant : n min z = i=1 mi di . ´ e On peut donc formuler le probl` me comme suit. des variables pour le probl` me. ∀i < j • Les contraintes de fin de projet s’expriment comme : ti + di ≤ tf . Expression des contraintes. e 1. • Les contraintes de localisation temporelle s’expriment comme : e e ti ≥ t0 . 2. ∀i sans successeur • Les contraintes de bornes sur la dur´ e s’expriment comme : e di ≤ di ≤ di • On ajout une borne sur la date de fin de chantier. nomm´ e λ : e tf ≤ λ . e a di = la dur´ e d’ex´ cution de la tˆ che i. les di etant. Choix des variables.

q  ti + di ≤ tf ≤λ i ≤ di ≤ di (bornes sur la dur´ e) e ˆ e La borne sup´ rieure sur tf a du etre ajout´ e car il est clair. au vu de la forme des e fonctions de coˆ t ci (di ) que sinon on aura tendance a prendre di = di pout toute u ` tˆ che et donc a augmenter au maximum la dur´ e du chantier. e e` cD ( ) di = di . Tout d’abord. La minimisation des coˆts u 117 Le probl` me de minimisation des coˆ ts d’ex´ cution des tˆ ches se formule donc e u e a comme suit : n cD (λ) = min z =    t0 ≤ ti         ti + di ≤ tj         tf        d i=1 mi di pour toute tˆ che i sans pr´ alable. le param` tre λ doit etre sup´ rieur a une certaine valeur mie ˆ e ` nimum λ qui correspond au temps d’ex´ cution minimum lorsque toutes les e tˆ ches sont a leur dur´ e minimum di .13.9. ∀i di = di . P (λ) a (borne sur tf ) s.Section 7. a ` e . on obtient un graphique du genre de e e celui repr´ sent´ a la figure 7. a ` e On peut alors r´ soudre ce probl` me en fonction du param` tre λ.c. En ajoutant e e e le terme constant que nous avions n´ glig´ . a e e pour toute tˆ che i sans successeur.13: Forme de la fonction de coˆ t direct d’ex´ cution des tˆ ches u e a Ce graphique appelle plusieurs commentaires : 1. a e pour toute tˆ che i pr´ c´ dent j. ∀i Figure 7.

Cette valeur λ correspond au temps d’ex´ cution du projet lorsque toutes les tˆ ches sont a leur dur´ e maximum. On note ´ e cI (λ) ces coˆ ts indirects. u ceci ne tient compte que des couts directs d’ex´ cution des tˆ ches.118 Chapitre 7.14: Coˆ ts totaux. le temps maximum. on aura syst´ matiquement ` e di = di et l’objectif devient constant. 3.14. e a ` e Comment va-t-on alors choisir le temps optimum ? A voir la forme de la courbe cD (λ) a la figure 7. ˆ e a Il existe aussi des couts indirects li´ s a la dur´ e du chantier : ˆ e ` e • les frais d’assurances. • les salaires de l’encadrement. Ensuite. il vaudrait mieux prendre λ = λ. comme a la figure 7. e e Tous ces frais sont evidemment croissants avec λ. L’ordonnancement de projets 2. e . on obtient la courbe de coˆ t total dont on peut ` u d´ terminer le minimum : e cT (λ) = cD (λ) + cI (λ) On a donc arbitr´ entre les deux objectifs de diminution des coˆ ts et de diminution e u du temps d’ex´ cution. Si on additionne les deux courbes (coˆ ts directs et coˆ ts u u u indirects). Enfin. a partir d’une certaine valeur λ de λ. remarquons que la fonction c(λ) est convexe. Mais ` cT ( ) cT ( ) cI ( ) cD ( ) ∗ Figure 7.14. d´ croissante et lin´ aire e e par morceaux. e • et les p´ nalit´ s par jour de retard. • les frais de location du mat´ riel. la dur´ e du chantier.

10 Exercices ´ 7. Consid´ rons les diff´ rentes tˆ ches a effectuer a e e a ` pour construire un bˆ timent. a e e No tˆ che a dur´ e e 1 Commande d’une piste 6 2 Construction d’un port provisoire 3 3 Commande de mat´ riel portuaire e 2 4 Pose d’une voie ferr´ e e 4 5 Construction d’une cit´ administrative e 7 6 Construction du port d´ finitif e 2 7 Construction de l’installation mini` re e 4 8 Equipement portuaire d´ finitif e 3 pr´ alables e 2 2 2 1 et 4 3 et 6 (a) Construire le graphe relatif a la m´ thode du potentiel. a No 1 2 3 4 5 6 7 8 9 10 11 12 tˆ che a fondations murs plomberie int´ rieure e electricit´ ´ e toit plomberie ext´ rieure e menuiserie sols peinture int´ rieure e finitions int´ rieures e peinture ext´ rieure e finitions ext´ rieures e dur´ e e 6 10 5 7 6 4 8 4 5 6 9 2 pr´ alables e 1 2 2 2 5 3 et 4 7 7 8 et 9 6 11 . on veut que la tˆ che 7 ne commence a pas avant 8 trimestres ? Recalculer les dates de d´ but au plus tˆ t.2. Exercices 119 7. Construction d’un bˆ timent. e (c) Comment modifier le graphe si. e e 7. L’´ quipement d’un ensemble minier e comporte les tˆ ches suivantes dont la dur´ e est exprim´ e en trimestres.Section 7. e o e D´ terminer le chemin critique. les dates de d´ but au plus tard. e (d) Comment modifier le graphe si on veut en plus que la tˆ che 8 ne a commence pas apr` s 4 trimestres ? Dites si le probl` me reste soluble. Equipement d’un ensemble minier. ` e (b) Calculer les dates de d´ but au plus tˆ t.1.10. les e o dates de d´ but au plus tard. Elles sont reprises ci-dessous.

au plus tard. Comment r´ soudre e e e cette disjonction ? La date de fin des travaux est-elle affect´ e ? e 7. e e (a) Tracer le graphe correspondant a la m´ thode PERT.2 avec leur dur´ e (en semaines) et leurs pr´ alables.120 Chapitre 7. De combien peut-on r´ duire la dur´ e totale a e e des travaux et a quel coˆ t ? ` u No 1 2 3 4 5 6 7 8 9 10 11 12 13 tˆ che a dur´ e e S´ lection des equipements e ´ 1 Choix de la m´ thode de production e 2 Proc´ dures de contrˆ le de qualit´ e o e 2 Choix des mati` res premi` res e e 2 R´ ception des equipements e ´ 7 Commande des mati` res premi` res e e 1 R´ ception des mati` res premi` res e e e 3 Essais de production 2 Premi` re fourniture aux magasins e 6 Conception du conditionnement 4 Production du conditionnement 5 R´ union des vendeurs e 1 Formation des vendeurs 1 pr´ alables e 1 2 1 1 4 6 5. . L’ordonnancement de projets (a) Tracez le graphe relatif a la m´ thode du potentiel. Une entreprise d´ cide de commercialiser un nouveau e e produit.2: Lancement d’un nouveau produit. il est possible de r´ duire la dur´ e des tˆ ches 5 et 11 de e e a une ou deux semaines au prix d’un coˆ t suppl´ mentaire de 100 000 u e euros par semaine de r´ duction pour la tˆ che 5 et de 200 000 euros par e a semaine pour la tˆ che 11. ` e (b) Calculez les dates de d´ but au plus tˆ t. e e e Pour cela. les marges et d´ terminez le(s) e o e chemin(s) critique(s). les marges et le e o chemin critique. ` e (b) Calculez les dates de d´ but au plus tˆ t. La m´ thode PERT. La planification de ce lancement fait apparaˆtre les tˆ ches reprises ı a au tableau 7.3 et 7 8 et 11 1 10 11 12 Tableau 7. (c) L’entreprise voudrait r´ duire la dur´ e totale d’ex´ cution des travaux. (c) Les tˆ ches 9 (peinture int´ rieure) et 11 (peinture ext´ rieure) doivent etre a e e ˆ disjointes car effectu´ es par les mˆ mes ouvriers.3.

u (a) Tracer le graphe correspondant a la m´ thode du potentiel. e Tˆ che a 1 2 3 4 5 dur´ e e tˆ ches a frais directs (jours) pr´ alables e (euros) 4 30 000 6 40 000 5 1 50 000 8 2 et 3 50 000 7 4 10 000 Tableau 7. heures machine) sont donn´ es au tableau 7. Donner ` e e la forme de la courbe repr´ sentant les variations de ce coˆ t en fonction e u de tf . D´ crire sur un a e e mˆ me graphique l’´ volution du coˆ t indirect CI . Exercices 121 7. des frais d’assurance et des frais financiers e pour un montant total de 10 000 + 5 000 tf et aussi une p´ nalit´ de e e 10 000 euros par jour de retard au del` du 22` me jour. des frais de location de mat´ riel. l’entreprise supporte aussi des frais indirects. Quelle valeur u e donner a cette dur´ e ? ` e . D´ terminer num´ riquement l’´ volution du coˆ t direct CD en e e e u fonction de tf en partant du r´ sultat de la question (b) et en r´ duisant e e progressivement la dur´ e tf de fa¸ on a ce que le coˆ t direct soit toujours e c ` u minimal. du coˆ t direct CD et e e u u du coˆ t total en fonction de la dur´ e de fin de chantier. les variations du coˆ t mie ´ e nimal direct total CD obtenu a l’aide du programme pr´ c´ dent. On consid` re un chantier de construction qui fait ˆ e intervenir cinq tˆ ches dont les dur´ es. u ´ Ecrire le programme exprimant la minimisation du coˆ t direct pour u une dur´ e totale tf donn´ e. On commencera par exprimer les coˆ ts e e u a e directs c3 et c5 des tˆ ches 3 et 5 comme fonctions des dur´ es d3 et d5 qui deviennent variables. ` e (b) D´ terminer les dates de d´ but au plus tˆ t au plus tard et le chemin e e o critique.3: Minimisation des coˆ ts.3.Section 7. (c) Les dur´ es des tˆ ches 3 et 5 peuvent etre r´ duites jusqu’` 3 et 5 jours e a ˆ e a au prix d’accroissements de coˆ ts de 20 000 et 10 000 euros par jour.4. u Ces frais indirects comportent les salaires de l’encadrement.10. Minimisation des couts. les tˆ ches pr´ alables et les frais directs a e a e (main d’œuvre. (e) En plus des coˆ ts directs. en fonction du param` tre tf . u (d) On d´ sire etudier.

e o (d) Donner tous les chemins critiques. Une soci´ t´ met a l’´ tude le lancement ee ` e d’un nouveau produit. e e Que sugg´ rez-vous ? e . e (b) V´ rifier sur le graphique que le probl` me est soluble (expliquer suce e cinctement pourquoi).4: Lancement d’un nouveau produit.5: R´ duction possible de la dur´ e.000 euros I 6.4.G C 6 J Ne peut commencer avant le d´ but de la 14` me semaine.F Recouvrement possible avec C de 3 semaines B 3 D.000 euros F 15.5. Lancement d’un nouveau produit. Les tˆ ches sur lesquelles il est possible d’agir a ainsi que le coˆ t correspondant a leur diminution de dur´ e d’une seu ` e maine sont donn´ s a la table 7. L’ordonnancement de projets 7.5.H. (c) Calculer les dates de d´ but au plus tˆ t. e e tˆ che dur´ e ancˆ tre(s) a e e observations A 7 C.122 Chapitre 7. ´ (a) Etablir le graphique de la m´ thode du potentiel. au plus tard. (e) Le directeur commercial souhaite raccourcir la dur´ e d’ex´ cution du e e projet d’une semaine. e ` tˆ che a coˆ t u C 10.000 euros B 5. Ce lancement n´ cessite la r´ alisation de 10 tˆ ches e e a dont les caract´ ristiques sont donn´ es au tableau 7. les marges.000 euros Tableau 7. e e D 3 E 2 D F 5 J et I G 4 H 5 I 7 G et H J 4 E et B Tableau 7.

le choix de la capacit´ de production qui d´ pend : e e • de la pr´ vision de la demande a long terme. e u • la disponibilit´ des mati` res premi` res. on peut citer la localisation de la nouvelle usine TOYOTA pr` s de Valenciennes. e 2. la d´ cision de localisation du centre qui d´ pend de : e e • la localisation des clients. la configuration du centre de production : il s’agit de d´ terminer comment e les diff´ rents equipements et postes de travail doivent etre dispos´ s. qui est situ´ e au cœur de l’Europe et dans le pays e e europ´ en le plus protectionniste en faveur de ses marques nationales. e e ` Vu l’incertitude sur la demande. e o e A titre d’exemple. . e ` • de la volont´ de l’entreprise de dominer un march´ . on implante souvent une nouvelle usine par phases successives. e e e e • la qualit´ des hˆ pitaux. ` • la volont´ de p´ n´ trer un march´ local difficile. • la disponibilit´ et le coˆ t de la main d’œuvre. C’est le cas de la nouvelle usine de Toyota pr` s de e Valenciennes.. e e • de la possibilit´ de r´ pondre rapidement a des variations de demande. la qualit´ du cadre de vie.1 Introduction Les d´ cisions d’implantation d’un centre de production incluent e 1. 123 . 3. . Nous e ´ ˆ e commencerons le chapitre en examinant ce point.Chapitre 8 Conception d’un centre de production 8. e e e • les aides nationales et locales a l’investissement.

On parle de configuration a poste fixe lorsque l’op´ rateur doit se d´ placer e e entre deux op´ rations. 2. . l’atelier carrosserie. e ` 3. Il existe au moins trois types de configurations possibles : 1. e . La configuration en ateliers sp´ cialis´ s est utilis´ e lorsqu’il y a une grande e e e vari´ t´ d’articles diff´ rents a produire.. du volume de trafic entre deux services de sorte que deux services avec un flux important soient localis´ s proches l’un de l’autre. .124 Chapitre 8. e dans un garage. La configuration en terme de produit est utilis´ e lorsqu’il y a une demande e importante et continue de quelques produits.2.1 Configuration en ateliers sp´ cialis´ s e e Illustrons cette configuration par l’exemple tir´ de Mac Clain [13] d’une maternit´ e e qui regroupe les diff´ rents services concern´ s sur un mˆ me etage d’un hˆ pital : e e e ´ o • accueil • salle d’attente • consultation pr´ natale e • echographie ´ • salle d’accouchement Une question cruciale pour une bonne organisation de ce type de configuration est la localisation relative de ces diff´ rents services. l’atelier de peinture. On peut citer comme exemples : e • un client qui se d´ place entre les diff´ rents rayons d’un super march´ . e e e • un magasinier qui se d´ place entre les diff´ rents rayonnages d’un mae e gasin de stockage de carrelage. Conception d’un centre de production 8. Par exemple. On organise la production soit en ligne (c’est le cas des lignes d’assemblage d’automobiles) soit en industrie de process (c’est le cas des raffineries de p´ trole). 8. On peut alors regrouper dans un ee e ` atelier l’ensemble des machines assurant une fonction donn´ e.2 Configuration d’un centre de production Il s’agit donc ici de d´ terminer la mani` re de disposer les equipements et les e e ´ postes de travail les uns par rapport aux autres . On doit tenir compte de : e 1.

4 3 2 1 0 -1 Supposons que l’on note l’int´ rˆ t d’ˆ tre proche par la grille de poids suivante : ee e : Absolument n´ cessaire e : Sp´ cialement important e : Important : G´ n´ ralement proche e e : sans importance : a eviter `´ On peut alors d´ finir la matrice de poids wik mesurant l’importance pour le e service i d’ˆ tre proche du service k donn´ e au tableau 8. On peut alors concevoir une localisation des diff´ rentes services qui e minimise la somme des flux entre services pond´ r´ e par la distance entre ces ee services. On peut egalement. On peut mesurer la distance djl entre les o e e` emplacements j et l.2.2. Configuration d’un centre de production 2. du fait qu’il peut y avoir r´ pulsion entre deux services. Elles sont reprises au tableau 8.1 illustre cette matrice dans le cas de la maternit´ . On obtient egalement une ´ matrice sym´ trique de distances. e 125 Une matrice de proximit´ peut etre utilis´ e pour indiquer la proximit´ voulue e ˆ e e A : Absolument n´ cessaire e S : Sp´ cialement important e I : Important G : G´ n´ ralement proche.2. e . e ´ ACCUEIL G SALLE D'ATTENTE I CONSULTATIONS S ECOGRAPHIE A SALLE ACCOUCHEMENT X Figure 8.1. Remarquez que la e e matrice est sym´ trique.Section 8. e e : sans importance X : a eviter `´ La figure 8. donner une matrice de flux entre les diff´ rents o e e services.1: Matrice de proximit´ . e Les cinq services sont a placer a une des cinq places disponibles sur le plateau ` ` de l’hˆ pital repr´ sent´ a la figure 8. e plutˆ t que de noter la proximit´ .

Conception d’un centre de production wik i=1 i=2 i=3 i=4 i=5 k=1 k=2 k=3 k=4 k=5 1 1 2 3 −1 4 2 3 4 −1 Tableau 8.2: Disposition relative des locaux a affecter. e j =2 j =1 d14 j =3 j =5 j =4 Figure 8. ` djl j=1 j=2 j=3 j=4 j=5 l=1 l=2 l=3 l=4 l=5 5 5 7 5 4 4 2 3 2 3 1 7 4 5 2 2 4 3 3 1 Tableau 8.1: Matrice de poids mesurant l’importance d’ˆ tre proches.2: Matrice des distances entre locaux.126 Chapitre 8. .

∀i = 1. e .2. c’est-` -dire o` i est mis en place j et k u a u en place l. . a ee Les contraintes sont de deux types : • ”Toute place j est occup´ e :” e n xij = 1. . j. ´ e c’est-` -dire les plus proches l’un de l’autre ceux qui y ont le plus grand int´ rˆ t. le poids dans la matrice de proximit´ . L’objectif minimise la somme des distances entre les paires de lieux (j. . Dans ce cas. pond´ r´ e par l’importance d’une localisation proche des paires de services ee ´ ` (i. on mettra donc comme coefficient des wik les plus elev´ s. ∀j = 1. 1}. On ` ` choisit ici comme variables : xij = 1 si le service i est localis´ en place j. ∀i. . Nous ne verrons pas. l). e Expliquons la forme de cette fonction objectif : on ne retrouvera dans cet objectif que les termes o` xij xkl = 1.n i=1 La contrainte indique que chaque place j est occup´ e par un seul service i.Section 8. e` Il faut bien sˆ r egalement imposer le caract` re entier des variables : u ´ e xij ∈ {0. l’objectif peut s’´ crire de la mani` re suivante : e e n n n n min i=1 k=1 j=1 l=1 wik djl xij xkl avec djl la distance entre les localisations j et l et wik . Configuration d’un centre de production Formulation du probl` me de localisation e 127 Nous allons maintenant formuler le probl` me comme un probl` me d’affectation e e quadratique. On a donc 5 services a localiser a une des 5 places possibles. e = 0 sinon. les djl les plus faibles. e • ”Tout service i est plac´ :” e n xij = 1.n j=1 La contrainte indique que chaque service i est plac´ a une place j. Afin de minimiser ce produit. . de m´ thode de r´ solution de ce e e probl` me. . dans le cadre de ce cours. k). pour autant que xij et xkl soient egaux a un.

e e a Label A B C D E F G H I J K L M N Total Temps 2 7 5 2 15 7 6 4 9 10 4 8 6 15 100 Objet placer le chassis sur la chaˆne ı attacher B4 sur chassis attacher B2 sur B1 attacher B3 sur B1 tester SA1 attacher SA1 sur chassis attacher B6 a B5 ` attacher SA2 au chassis attacher B7 au chassis attacher B9 a B8 ` attacher B10 a B8 ` attacher B11 a B8 ` attacher SA3 au chassis tester l’appareil Pr´ d´ cesseurs e e A C. ` u a e e e La figure 8.D A. e` Illustrons ceci sur l’exemple suivant tir´ de Mac Clain [13]. On a repr´ sent´ ce e e e e e graphe a la figure 8. Le tableau 8. de 3 sous´ e e e ` ensembles not´ s SA1 a SA3. Une ligne d’assemblage est dite parfaitement equilibr´ e e e si chaque poste de travail est occup´ a 100 %. Un appareil e electrom´ nager est constitu´ de 11 composants. Le probl` me principal r´ side dans l’´ quilibrage de la chaˆne : il faut que les e e e ı diff´ rentes op´ rations prennent le mˆ me temps car la chaˆne tourne a la vitesse de e e e ı ` ´ l’op´ rateur le plus lent.3 fournit les tˆ ches. La somme des temps des diff´ rentes tˆ ches est de 100 minutes. on peut citer les usines d’assemblage automobiles ou les tunnels de lavage de voitures (car-wash).K A.128 Chapitre 8. Conception d’un centre de production 8.3: Equilibrage d’une chaˆne. leurs dur´ es et e ` a e leurs pr´ alables.2 Configuration en ligne de production Lorsqu’un produit est fabriqu´ en grande quantit´ .E B.G A J.L tous ´ Tableau 8.3 pr´ sente egalement une affectation possible des tˆ ches a cinq e ´ a ` .3 o` chaque tˆ che est repr´ sent´ e par son label et sa dur´ e. not´ s B1 a B11. A titre d’exemple.2. on peut gagner en efficacit´ e e e en organisant la production en ligne. ı On peut tracer un graphe de pr´ s´ ance qui n’est rien d’autre que le graphe ee de la m´ thode du potentiel (sans nœud de d´ part ni d’arriv´ ).

4 Poste 4 B.K.5 Poste 1 D.2 G.2 A.2.D 16 min E.10 L.15 Poste 2 F.Section 8.3: Une affectation possible. Configuration d’un centre de production 129 C.C.9 E.H.N 21 min Figure 8.8 K.15 M. .7 I.6 J.F 22 min G.7 H.B.I 19 min J.6 opérateur 1 opérateur 2 opérateur 3 opérateur 4 opérateur 5 A.L 22 min M.4 Poste 3 Poste 5 N.

Trouver l’affectation qui e e minimise le retard d’´ quilibre est un probl` me en nombres entiers particuli` rement e e e difficile a r´ soudre. N. L. e Il y a donc un temps mort de 10 minutes. D} . H. On obtient : e a E. Le temps total de montage pour ce choix est de : e 5 op´ rateurs × 22 minutes par cycle = 110 homme-minutes. K. ce sont celles sans e e e e e pr´ d´ cesseur : e e S = {J. ı a ` R´ solution du probl` me d’´ quilibre de la chaˆne e e e ı Voyons maintenant comment r´ soudre le probl` me. 1% 110 Une mesure de la qualit´ de la solution est pr´ cis´ ment ce rapport du temps e e e mort sur le temps total de montage. F. Remarquons qu’ici on n’a pas atteint l’objectif d’un equilibrage parfait qui ´ impliquerait de construire 3 articles par heure avec un temps de cycle de 20 minutes. J. Une heuristique qui permet de trouver rapidement une solution ` e (sans garantie qu’elle soit optimale) est la suivante. e On va alors remplir ces postes de la mani` re suivante : e Pas1. Ce rapport est appel´ retard d’´ quilibre et se e e calcule par la formule suivante : RE = avec n c T = = = nc − T nc nombre de postes de travail. Ici fixons nous une dur´ e maximum de 19 minutes. temps d’un cycle somme des temps individuels. A. M. Au d´ but. ce qui correspond a un pourcentage de ` temps mort de : 10 = 9. I. Conception d’un centre de production op´ rateurs. C. G. on utilise comme score 1 la dur´ de la tˆ che. A. Remarquons qu’il n’est pas toujours possible d’atteindre l’´ quilibre parfait de la e chaˆne puisque les tˆ ches ne sont pas divisibles a l’infini. B.130 Chapitre 8. Mettre a jour l’ensemble des tˆ ches disponibles (c’est-` -dire les tˆ ches dont ` a a a tous les pr´ d´ cesseurs imm´ diats sont affect´ s). ` a a e Ici. D Pas 2. On se fixe une dur´ e maximum e pour chaque poste de travail. Attribuer un score a chaque tˆ che et classer les tˆ ches par score d´ croissant. G. C. K.

Configuration d’un centre de production 131 Pas 3. S = {D} : D en 2. M. D} : K en 2.9 M. B. I. A. A. D} : M en 4. K. 81% nc 7 × 19 On voit que la solution n’est pas d’une tr` s grande qualit´ . K. L. = {A. D} : J en 1.4 A. = {K. = {I.7 N.10 C.15 G. A.2 18 19 16 10 15 7 15 Le d´ tail des it´ rations est repris ci-dessous : e e S S S S S S S = {J.6 K.15 F. K. = {L. On remplit alors progressivement le tableau suivant. D} : B en 3. D} : C en 2.2 L. H.6 E. Ainsi. M. On peut utiliser e e plutˆ t un second score qui consiste a additionner a la dur´ e de la tˆ che. M. A.4 B. S = {F } : F en 6. S = {E} : E en 5.8 D. D} : H en 4. K. G. S = {N } : N en 7 On peut alors calculer le retard d’´ quilibre de cette solution : e RE = nc − T 7 × 19 − 100 = = 24. M. F. = {G. Le calcul du second score (voir figure 8.5 I. A. D. C. C.7 H. S = {M. Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Poste 6 Poste 7 J. D} : I en 3. I. G. on ajoute le temps a ` e a des tˆ ches F. Affecter la tˆ che avec le score le plus elev´ dans le premier poste o` la a ´ e u capacit´ et les contraintes de pr´ s´ ance ne sont pas viol´ es : e ee e J au poste 1. J. D} : G en 1. Aller en au Pas 2. B. B. = {C.4) donne les a r´ sultats suivants : e 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 tˆ ches suivant ce second score est le suivant : a A. D} : L en 2. H. H et N. E. S = {H.2. D} : A en 1. N . a la dur´ e de la tˆ che A.Section 8. C. celles de o ` ` e a toutes les tˆ ches qui la suivent. S = {B.

I.8 K.9 M.6 F. = {C. K.7 H.6 D.5 K. J. I} : D en 1.1 %.6 J. H} : M en 5. G. B. S = {B.10 L. e e e S S S S S S S = {A. I.10 19 19 15 19 13 15 Le d´ tail des it´ rations est donn´ ci-dessous. Conception d’un centre de production C. D.4 B.2 A. K.4 M. G} : A en 1. M. E. F.15 D. F } : K en 2. B. F. B.2 H. G. S = {G. I. On peut alors calculer le retard d’´ quilibre de cette solution : e RE = 19 × 6 − 100 = 12. G.15 C. S = {F. = {D.15 Figure 8. G. S = {M.5 E. K.4 J. H} : F en 5.2 E. H} : I en 4. I} : J en 1. M } : B en 3. B.4: Graphe des pr´ alables e On remplit le tableau comme suit Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Poste 6 A. F. J. K.2 G. = {K. M } : G en 4. 3% 19 × 6 On voit que la solution est meilleure sans etre optimale puisque la solution pr´ sent´ e ˆ e e a la figure 8. C. G.3 est meilleure avec un retard d’´ quilibre de 9. I} : C en 1. K. e e .8 G. S = {H} : H en 4 = {L. I} : E en 2.7 I. = {J.132 Chapitre 8. I. J. = {E. G. M.7 N.9 F.15 L. B.6 B. G. S = {I.7 I. D. On peut egalement ` e ´ agir sur la dur´ e maximum de 19 qui est un param` tre de l’heuristique.4 N. F } : L en 3. S = {N } : N en 6. B.

en petites quantit´ s (un ou e e ` e deux rouleaux). .3 Configuration a poste fixe ` Lorsque l’op´ rateur voyage entre les diff´ rentes op´ rations. . ´ ` e Pour le placement optimal des rouleaux. On d´ stocke.Section 8. e e ` o Le probl` me principal r´ side dans la localisation des aires de stockage de e e mani` re a minimiser soit e ` • le coˆ t total de manipulation en mettant les produits les plus utilis´ s aux u e endroits les plus accessibles. on peut citer : • les magasins en self-service o` le client se d´ place de rayon en rayon. On approvisionne le stock en grandes quantit´ s (de l’ordre de 200 roue leaux d’un mˆ me type). Il y a deux mani` re de stocker : e ` • Stocker a des places d´ di´ es : une r´ f´ rence donn´ e sera toujours a la mˆ me e e ee e ` e place. Le stockage est rendu n´ cessaire par la diff´ rence entre la taille e e economique d’un lot a la production et la taille moyenne d’un lot demand´ . de tapis-pleins. Configuration d’un centre de production 133 8. u e • les entrepˆ ts de stockage de carrelages. etc. L’inconv´ nient est que o e l’on perd beaucoup de place car chaque emplacement est rempli a 50 % en ` moyenne. Comme exemples. on a int´ rˆ t a placer les articles ee ` ayant le plus fort taux de rotation de stock aux emplacements les plus accessibles. . la e e e distance dans l’all´ e. Ce qui facilite le contrˆ le et l’information. o • une infirmi` re qui se d´ place d’une chambre a l’autre dans un hˆ pital. on parle de conception e e e ` a poste fixe. par exemple.2. ` • Stocker a la premi` re place disponible : ceci n´ cessite un syst` me infore e e matique de localisation : chaque lot est localis´ par le num´ ro de l’all´ e. Cas d’un entrepˆ t : o Illustrons ce cas par l’exemple de la soci´ t´ Sommer qui produit en grandes s´ ries ee e ses diff´ rentes r´ f´ rences de tapis pleins qui sont vendues en quelques unit´ s a ses e ee e ` clients qui sont les centres de bricolage et les surfaces sp´ cialis´ es en revˆ tement e e e de sol. a la demande. .. • le temps maximum d’acc` s dans le cas. de la localisation de e centres d’intervention d’urgence.2. e . et la hauteur dans le rayon.

dans un service hospitalier. e ` Les donn´ es num´ riques sont les suivantes : e e 1. e Remarquez qu’ici souvent la solution impliquera des localisations multiples afin de bien couvrir une zone : par exemple. ´ 3. Une ann´ e comporte 52 semaines d’ouverture du magasin. une capacit´ de 2 000 unit´ s par semaine sera suffisante et la e e e compagnie fera un profit de 16 000 $ par semaine. une capacit´ suppl´ mentaire e e e de 5 000 unit´ s par semaine sera n´ cessaire pour un profit de 40 000 $ e e par semaine hors frais d’amortissement du capital. La solution. e e 8. on aura diverses antennes d´ localis´ es permettant d’atteindre rapidement des villages e e d´ centr´ s. Par exemple. Une capacit´ de 2 000 unit´ s par semaine e u e e peut etre construite pour 800 000 $. Si le succ` s du produit e est mitig´ . on veut localiser le local des ´ e infirmi` res de mani` re a avoir un temps de r´ action aupr` s de chaque patient aussi e e ` e e court que possible. Mod´ lisation de la demande : il y a incertitude sur la demande future du e produit. La dur´ e de vie des equipements est de 20 ans. est de construire un etage circulaire ´ avec le local des infirmi` res au centre. e e e ` Cas des centres d’intervention d’urgence : Dans ce second cas. e .3 D´ cisions de capacit´ e e Nous allons illustrer les d´ cisions de choix d’une capacit´ sur l’exemple tir´ de e e e Mac Clain [13] d’une boulangerie industrielle qui fournit les supermarch´ s de sa e r´ gion et qui s’attend a une croissance de la demande.134 Chapitre 8. e e 2. l’objectif est de minimiser le temps d’acc` s au client le plus e eloign´ . Les surcapacit´ s sont ´ ` e e sans valeur. Une capacit´ de 5 000 unit´ s par semaine ˆ e e peut etre construite pour 1. dans le cas des pompiers. Une capacit´ de 2 000 peut etre ˆ e ˆ etendue a une capacit´ de 5 000 pour 1 million de $. On suppose que les b´ n´ fices sont comptabilis´ s en fin e e e d’ann´ e. dans ce cas. La demande est connue au bout d’un an.5 millions de $. Donn´ es de coˆ t d’investissement. Si le succ` s du produit est important. Conception d’un centre de production La solution adopt´ e chez Sommer est le d´ dicacement par zone : on place le e e produit dans la premi` re place disponible dans une zone (assez large) correspondant e a son taux de rotation. Ceci est donc un compromis entre une capacit´ de stockage ` e r´ duite et la rapidit´ d’acc` s aux produits a forte rotation de stock.

000 800.000 16.000 16.000 16.3.500. La probabilit´ de succ` s du lancement du produit est estim´ e a 20 % sur e e e ` base d’exp´ riences d’introduction d’autres produits. de la formule suivante pour le calcul d’annuit´ s : e n t=1 1 1+i t = 1 − (1 + i)−n i (8. Un carr´ repr´ sente une d´ cision. e Les diff´ rents choix possibles peuvent etre utilement illustr´ s sur un arbre de e ˆ e d´ cision tel que celui de la figure 8. 1. on va s´ lectionner la capacit´ d’esp´ rance de e e e e ´ e profit la plus elev´ e.000.000 0 0 construire 2000 ne rie nc ute e ha and m de +3000 faible demande ons tru ire Figure 8. dans le calcul de la VAN. est de 25 % l’an. la somme actualis´ e des profits e e e futurs moins l’investissement initial.Section 8. Profit. Nous aurons besoin. Le facteur d’actualisation. e ´ Pour le choix d’une capacit´ .5: Arbre de d´ cision e repr´ sente un etat du monde. Un cercle e e e e haute demande Investiss. D´cisions de capacit´ e e 135 4.500.000 800.000 +24. Ce cas e .1 On appelle valeur nette pr´ sente.000 +1.5. 5. n´ cessaire car les profits sont r´ partis dans le e e futur.000 800. D´ finition 8.000 40.1) Consid´ rons la construction initiale de 5 000 en cas de demande forte.000 c s on tr r ui 0 e5 00 faible demande rester à 2000 1.000 16.

est illustr´ a la figure 8. 25)−20 = 3. La VAN se calcule donc comme suit : e` V AN = (40 000 × 52) − 1 500 000 1. La VAN se calcule comme suit : e 20 V AN = (16 000 × 52) × t=1 1 1.000 Figure 8. .136 F Nt Chapitre 8.500. 20 t -1. 25 D’o` la valeur nette au bout d’un an de : u V AN = 40 000 × 52 × 3. 25 t = 1 − (1. Consid´ rons maintenant la construction de 2000 en cas de demande haute et e sans investissement suppl´ mentaire.6: Construction de 5 000 en cas de demande forte. Consid´ rons maintenant la construction initiale de 5 000 en cas de demande e faible.1) a notre exemple : ` 20 t=1 1 1. Conception d’un centre de production 40. 953883 0. 25 t − 800 000 = 2 489 631..000 × 52 0 1 2 3 . 25 t − 1 500 000 1 1. . La VAN se calcule comme suit : 20 V AN = (16 000 × 52) × t=1 1 1. 25 t − 1 500 000 = 1 789 631. 953883 − 1 500 000 = 6 724 077. 25t t=1 20 20 t=1 = (40 000 × 52) × Appliquons la formule (8.6.

942 0. 25 t = 1 − (1. 25 On obtient une valeur nette au bout d’un an de l’investissement suppl´ mentaire : e V AN1 = 24 000 × 52 × 3.1) a la somme des facteurs d’actualisation : ` 19 t=1 1 1.000 -1. 25)−19 = 3. 20 t -800. L’investissement initial de 2 000 rapporte 16 000 $ durant 20 ans et l’investissement de d´ but de 2` me ann´ e rapporte un suppl´ ment de profit de e e e e 24 000 durant 19 ans.000 × 52 0 1 2 3 .000 Figure 8. en cas de e e demande forte.3.. La VAN au temps 1 de e` l’investissement suppl´ mentaire se calcule comme suit : e 19 V AN1 = (24 000 × 52) × t=1 1 1. ` ea´e e . il faut ajouter la VAN de l’investissement initial de 2 000 qui rapporte 16 000 durant 20 ans : V AN0 = 3 920 058 20 1 1 + (16 000 × 52) × 1. On en conclut que l’on a int´ rˆ t a faire l’investissement puisque la VAN est positive. 25 t=1 1.7: Construction de 2 000 (+3000) en cas de demande forte.Section 8. 1. 25 1 = 3 920 058 + 2 489 631 = 5 625 677. 25 t − 800 000 Enfin.7. Consid´ rons la construction initiale de 2 000 augment´ e de 3 000. .000.000 × 52 16. D´cisions de capacit´ e e F Nt 137 40. 942 − 1 000 000 = 3 920 058. Appliquons la formule (8. 25 t − 1 000 000. le cas d’une demande faible avec un investissement initial de 2 000 est identique au cas de la construction initiale de 2 000 et d’une demande forte lorsque l’on reste a 2 000. ee ` Pour obtenir la VAN de ce cas. Ce cas est illustr´ a la figure 8. Il a d´ j` et´ calcul´ plus haut.

la facilit´ d’acc` s. Remarquons que le r´ sultat d´ pend crucialement de la probabilit´ e e e e de succ` s du produit (voir exercice ci-dessous). les taxes locales. le coˆ t de construction. la disponibilit´ . • Construire 2 000 : E(V AN ) = 0. En conclusion.4 D´ cisions de localisation e La d´ cision de localisation d’un centre de production doit etre analys´ e en tenant e ˆ e compte de plusieurs crit` res : e 1. il vaut mieux construire une petite capacit´ et etendre apr` s un e ´ e an si n´ cessaire. On peut alors e e e e calculer les profits esp´ r´ s dans chacun des deux cas d’investissement initial : e e • Construire 5 000 : E(V AN ) = 0. l’attraction des clients. Conception d’un centre de production D´ cision e construire 5 000 construire 5 000 construire 2 000 + 3 000 construire 2 000 construire 0 construire 0 demande forte faible forte faible forte faible VAN 6 724 077 1 789 631 5 625 677 2 489 631 0 0 Tableau 8.4: Calcul de la VAN Les r´ sultats dans les diff´ rents cas sont r´ sum´ s au tableau 8. les coˆ ts de transport. 2 × 6 724 077 + 0. e u 3.138 Chapitre 8. e e u 2. e 8. 8 × 1 789 631 = 2 776 520 $. u 4. 8 × 2 489 631 = 3 116 840 $. qualification et le coˆ t de la main d’œuvre. . 2 × 5 625 677 + 0.4.

on aura recours le plus souvent a des emplacements multiples afin ` .Section 8. dans la localisation d’une e usine de production de b´ ton. e e • localiser une usine : le coˆ t de la main d’œuvre et la disponibilit´ des u e mati` res premi` res sont pr´ pond´ rants. D´cisions de localisation e 5. la disponibilit´ des mati` res premi` res. Par exemple. ri = coˆ t unitaire de transport venant de i. e 139 L’importance relative de ces crit` res d´ pend du type d’activit´ a localiser : e e e` • localiser un super-march´ : les coˆ ts de transport et l’attraction des clients e u sont pr´ pond´ rants. e e e e Les mod` les de localisation optimale consid` rent g´ n´ ralement un seul crit` e e e e e re. Si l’on veut minimiser le nombre total de e tonnes-kilom` tres de produit transport´ . on a int´ rˆ t a se situer au centre de e e ee ` gravit´ des clients et fournisseurs.4. e ´ e Disons un mot de ces deux techniques qui correspondent chacune a un choix ` d’objectif : • La technique du centre de gravit´ . e e Clj = tonnes vers le client j. les attitudes des autorit´ s locales et nationales. on a int´ rˆ t a se situer au centre de gravit´ des e ee ` e carri` res et des gros clients. e Fixons-nous la notation suivante: M Pi = tonnes de mati` re premi` re venant de i. Lorsque le crit` re temps d’acc` s est le plus e e e e important. e e e 6. u Le centre de gravit´ se calcule ainsi : e m m ri x i M P i + x ∗ Rj xj Clj j=1 m j=1 m j=1 m j=1 = i=1 m i=1 ri M Pi m + + + Rj Clj y∗ = ri y i M P i i=1 m i=1 ri M Pi Rj yj Clj Rj Clj • La m´ thode de discr´ tisation. u Rj = coˆ t unitaire de transport vers j. Deux techniques sont appliqu´ es suivant l’objectif poursuivi : la technique de e gravit´ si on veut minimiser les coˆ ts totaux de transport ou celle de discr´ tisation e u e si on veut minimiser le temps d’acc` s au client le plus eloign´ .

Par exemple. e Par contre.8: Centre de gravit´ e d’avoir un bon acc` s a tous. e ` un repr´ sentant de commerce a int´ rˆ t a se localiser a 6 km de la premi` re et 3 e ee ` ` e kilom` tre de la seconde ville. a int´ rˆ t a se localiser au ee ` centre des deux villes (` 4. Conception d’un centre de production Cl 1 MP 2 MP 1 Cl n Cl 2 MP m Figure 8. on veut minimiser le temps d’acc` s au client le e plus eloign´ .140 Chapitre 8. pour un centre d’intervention d’urgence.000 =6 = 3. Ce qui conduit a implanter des antennes d´ centralis´ es.000 9 Figure 8.000 i Pi Pour minimiser le nombre de kilom` tres a parcourir pour desservir les deux villes.000 0 1 2 3 4 5 x∗ 6 7 8 2.9: Calcul du centre de gravit´ e e La formule du centre de gravit´ nous donne ici (avec xi la coordonn´ e de la e ville i et Pi .9 o` deux villes sont situ´ es a 9 kilom` tres de distance l’une de l’autre.000 + 9 × 2. lors de la localisation d’un centre e ` d’intervention de pompiers.5 kilom` tre de chaque ville). ´ e ` e e Illustrons la diff´ rence entre ces deux objectifs sur un exemple simple illustr´ a e e` la figure 8. a e . u e ` e 1. sa population) : x∗ = i x i Pi 0 × 1.

347 0.035 0.5: Coˆ ts de transport et demandes.326 0. Les e e e coˆ ts de transport entre les diff´ rentes usines et les diff´ rents clients sont donn´ s u e e e au tableau 8.040 0.039 0.041 0.6 0.351 1. Utilisation de la programmation math´matique e 141 8.032 0.5 Utilisation de la programmation math´ matique e Pour terminer ce chapitre.041 0.023 0. u e On veut d´ terminer le plan de distribution qui minimise la somme des coˆ ts de e u production et des coˆ ts de transport.6 en u e $ par kg.024 0.8 0.018 0. Les coˆ ts de production sont donn´ s au tableau 8.032 0.7 Tableau 8.8 0.5.8 4 1.5 et 8.6 en millions de e e kg par jour.037 0.024 0.035 Demande du client (106 kg/jour) 0.029 0.029 0.041 0.050 0.5 e en millions de kg par jour.6: Coˆ ts et capacit´ s de production.9 0.6.034 0.026 0.021 0. Les demandes des clients sont donn´ es au tableau 8.029 0.5 0.8 0.6 0.047 0.9 0.Section 8.5 0. u .019 0. nous allons illustrer l’utilit´ de la programmation math´ e e matique dans les d´ cisions de localisation et de choix de capacit´ s sur un exemple e e egalement tir´ de tir´ de Mac Clain [13].027 0.034 0.5 en $ par kg.020 0. ´ e e Les diff´ rentes donn´ es du probl` me sont reprises aux tableaux 8.048 0.6 Tableau 8.034 0. u Usine Coˆ t de production ($/kg) u Capacit´ de production (106 kg/jour) e A B C 0. Les capacit´ s de production sont donn´ es au tableau 8.018 0.019 0. Vers le le client 1 2 3 4 5 6 7 8 9 10 Coˆ t de l’usine ($/kg) u A B C 0.

Conception d’un centre de production Nous allons formuler le probl` me comme un probl` me de programmation e e math´ matique : e • Choix des variables. ı ` 2. ˆ e Les alternatives possibles sont : 1. le coˆ t de fourniture d’un million d’unit´ de l’usine i vers le client u e j. Ce coˆ t est la somme du coˆ t de production et du coˆ t de transport. Construire une nouvelle C de 4 millions de kg/jour. Construire une nouvelle C de 2 millions de kg/jour. Elles sont de deux types : – “Respecter la capacit´ de l’usine i :” e 10 xij ≤ CAPi j=1 o` CAPi note la capacit´ de l’usine i. Examinons maintenant le probl` me de la e e e localisation d’une nouvelle usine. u u u • Expression des contraintes. • Expression de l’objectif. le nombre de millions de kg produits a l’usine i et livr´ s au client ` e j. . u e – “Satisfaire la demande du client j :” 3 xij = DEMj i=1 o` DEMj note la demande du client j. 3. Il s’exprime simplement par : 3 10 min i=1 j=1 cij xij avec cij .142 Chapitre 8. u La solution optimale peut etre trouv´ e par l’algorithme du Simplexe puisqu’il ˆ e s’agit d’un probl` me purement lin´ aire. Notons xij . Accroˆtre l’usine B a 6 millions de kg par jour. Supposons que l’usine C doive etre remplac´ e.

335 0.020 millions par an pour un investissement ´ additionnel de 16 millions de $. hors frais fixes d’investissement. quel que soit le facteur d’actualisation. Utilisation de la programmation math´matique e 143 Les alternatives 6 millions B 2 millions C 4 millions C coˆ t fixe u 18 millions de $ 18 millions de $ 34 millions de $ coˆ t marginal u 0. Il s’agit de r´ soudre successivement quatre probl` mes lin´ aires not´ s (LP1) a (LP4) e e e e ` au tableau 8. u Les alternatives (LP1) situation actuelle (LP2) 6 millions B (LP3) 2 millions C (LP4) 4 millions C coˆ t journalier u 2 561 600 2 547 300 2 533 100 2 469 700 18 millions 18 millions 34 millions coˆ t fixe u Tableau 8.320 Tableau 8.7: Donn´ es de coˆ t des alternatives.8.7. u e Effectuons une comparaison des 3 alternatives et de la situation actuelle.5.326 0.Section 8. e u Leurs coˆ ts respectifs sont donn´ s au tableau 8. Calculons l’´ conomie de (LP3) sur 300 jours de u e e production par rapport a la situation actuelle : ` (2 561 600 − 2 533 100) × 300 = 8 555 000 Soit une economie de 8. e u Une premi` re conclusion qui peut etre tir´ e de ce tableau est que (LP2) peut e ˆ e etre elimin´ car ayant un coˆ t fixe identique a celui de (LP3).8: Donn´ es de coˆ t des alternatives.555 millions par an pour un investissement initial de 18 ´ millions de $. une alternative qui ˆ ´ e u ` a un coˆ t journalier inf´ rieur. A nouveau. . Dans la colonne “coˆ t journalier”. On choisira donc la solution (LP4) : construire la nouvelle usine C a 4 ` millions de kg par jour. Calculons maintenant l’´ conomie additionnelle de (LP4) par rapport a (LP3) : e ` (2 533 100 − 2 469 700) × 300 = 19 020 000 Soit un economie additionnelle de 19. cet investissement est hautement profitable. Cet investissement est certainement rentable. on donne la somme du coˆ t de u u production et du coˆ t de transport.

La d´ cision ´ e e d’ouverture de la nouvelle usine peut etre mod´ lis´ par la variable binaire : ˆ e e yD ∈ {0. 1} avec yD valant 1 si l’usine D est ouverte et z´ ro sinon. l’usine A n’est plus utilis´ e du e tout et peut etre ferm´ e. dans la solution de (LP4). Cette variable interviendra aussi dans la fonction objectif. . e e e Remarquez enfin que l’utilisation de variables binaire conduit a un probl` me en ` e nombres entiers. ce qui va assurer qu’une seule des deux capacit´ s est s´ lectionn´ e. on peut ecrire : e ´ 10 x4j ≤ 2yD + 5yD j=1 avec la contrainte suppl´ mentaire que e yD + yD = 1. Il peut etre r´ solu par application de la m´ thode de branch e ` ˆ e e and bound.144 Chapitre 8. e Cette variable binaire interviendra dans la contrainte de capacit´ de la nouvelle e usine comme suit : 10 x4j ≤ 2yD j=1 En effet. Conception d’un centre de production Remarquons que. Ainsi. a la somme ` des coˆ ts de transport. si l’usine D est ferm´ e. u u Remarquez aussi que les variable binaires peuvent etre utilis´ es pour d´ cider ˆ e e du niveau de la capacit´ d’une nouvelle usine parmi un nombre discret de valeurs e possibles. Il s’agit d’un probl` me plus difficile a r´ soudre que les probl` mes e ` e e lin´ aires (LP1) a (LP4). le membre de droite est nul et rien ne peut sortir e de l’usine. Ceci u u conduit a l’expression suivante pour l’objectif : ` 4 10 4 min z = i=1 j=1 cij xij + i=2 Ki y i o` Ki est le coˆ t fixe d’ouverture de l’usine i. En effet. on peut ajouter le coˆ t fixe du nouvel investissement. Prenons l’exemple de l’oue e verture eventuelle d’une nouvelle usine D de 2 millions de capacit´ . si l’usine D peut avoir comme capacit´ 2 millions ou 5 millions e d’unit´ s. terminons ce chapitre en illustrant l’importance de l’utilisation de variable binaires dans les d´ cisions de choix de capacit´ . ˆ e Enfin.

Equilibrage d’une chaˆne. une lampe doit sortir de la chaˆne toute les c secondes pour respecter cet objectif. Tˆ che Temps (secondes) Pr´ alables a e A 22 B 14 A C 27 D 40 B.3 e e mais avec une probabilit´ de succ` s du produit de 50 %.2. Pour les donn´ es d’investissement de la section 8. Autrement dit. a ı (e) Calculez le retard d’´ quilibre de votre solution. e (c) d´ terminer la probabilit´ de succ` s du produit pour laquelle la d´ cision e e e e optimale change. e e (a) recalculer les valeurs pr´ sentes nettes des trois investissements.9. Pour l’exemple de la section 8. Que vaut c ? ı (b) Repr´ sentez sur un graphique de r´ seau les relations d’ant´ riorit´ .Section 8. e ı 8.2.3. e e e e (c) Calculez le score 2 pour chacune des tˆ ches de montage. e (b) calculer le retard d’´ quilibre de la chaˆne ainsi obtenue. Exercices 145 8. ı (a) au moyen d’un heuristique au choix. ` ı (a) D´ terminez le temps maximum de cycle de la chaˆne d’assemblage e ı pour respecter cet objectif.C E 9 F 41 D.9: Montage de lampes a la chaˆne. . Montage en chaˆne d’une lampe. Le montage d’une lampe de bureau ı n´ cessite la r´ alisation de 7 tˆ ches (not´ es A a G) dont les temps el´ mentaires e e a e ` ´e de montage et les pr´ alables sont donn´ s au tableau 8. a (d) En utilisant l’heuristique de score 2. d´ terminer une r´ partition entre e e 7 op´ rateurs de temps de cycle maximum de 18 minutes.6.2. e (b) expliquer pourquoi la d´ cision optimale change. Choix d’une capacit´ . e 8.E G 12 F Tableau 8. d´ terminez une affectation des 7 e tˆ ches aux postes de travail successifs de la chaˆne.1.6 Exercices ´ 8. L’objectif de proe e duction est de 9 000 lampes par mois de 20 jours (un jour = 8 heures).

e e e e e e Au bout d’un an. u En cas de succ` s (demande forte) le restaurant de 500 couverts est pleinement e utilis´ et rapporte un b´ n´ fice annuel de 200 (milliers d’euros). Les b´ n´ fices annuels sont comptabilis´ s en fin d’ann´ e. Ouverture d’un restaurant. • si l’installation comporte 500 couverts. quelle d´ cision initiale d’investise e e sement prendra l’investisseur ? .146 Chapitre 8. e (c) Sachant que la probabilit´ de succ` s (demande forte) a et´ estim´ e a e e ´e e ` 55% sur base d’une etude marketing. On n´ glige la valeur e e de l’installation au bout de 20 ans. e • si l’installation comporte 250 couverts. l’ind´ pendant peut agrandir son e restaurant a 500 couverts avec un coˆ t additionnel de 700. u • de 500 personnes (coˆ t de l’investissement : 1000 milliers d’euros). Le succ` s est connu au bout de la e e e premi` re ann´ e. Le facteur d’actualisation est de 10%.000 euros. Un ind´ pendant envisage d’ouvrir un restaue rant dans le centre de Bruxelles.000 euros. Conception d’un centre de production 8.4. (a) On demande de dessiner l’arbre de d´ cision relatif a ce probl` me. e ` e (b) On demande de compl´ ter le tableau suivant : e Cas D´ cision e 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´ tail de vos calculs. l’ind´ pendant peut diminuer la e capacit´ en revendant une partie des installations pour 200. Il doit d´ cider s’il ouvre un restaurant e • de 250 personnes (coˆ t de l’investissement : 500 milliers d’euros). ` u L’ind´ pendant va exploiter le restaurant durant 20 ans. on demande de calculer ´ • la VPN esp´ r´ e si la premi` re d´ cision consiste a ouvrir un resee e e ` taurant de 500 couverts • la VPN esp´ r´ e si la premi` re d´ cision consiste a ouvrir un resee e e ` taurant de 250 couverts (d) Etant donn´ les r´ sultats ci-dessus. En cas de e e e demande faible. une capacit´ de 250 couverts est suffisante et rapporte un e b´ n´ fice annuel de 100 (milliers d’euros).

Section 8.6. Exercices

147

8.5. Ouverture de d´ pˆ ts. Une firme travaille uniquement pour 4 gros clients e o situ´ s a Bruxelles, Charleroi, Namur et Ostende, respectivement. Elle veut e ` r´ organiser sa distribution et a la possibilit´ de satisfaire la demande de ses e e clients a partir de 3 d´ pˆ ts diff´ rents, a Anvers, Li` ge et Mons, respec` e o e ` e tivement. Si un d´ pˆ t est ouvert une ann´ e, cela repr´ sente un coˆ t fixe e o e e u (administration, gardiennage, etc. . . ) de 25 pour Anvers, 15 pour Li` ge et e 15 pour Mons. Les capacit´ s annuelles de ces d´ pˆ ts, si ils sont ouverts, e e o sont de 40, 25 et 25 respectivement. Le directeur des ventes de cette firme consulte ses fiches de commandes des derni` res ann´ es et estime que, pour l’ann´ e prochaine, il devra livrer 20, 12, e e e 9 et 14 unit´ s du produit a ses quatre clients. Les coˆ ts de transport d’une e ` u unit´ de produit entre les usines et les villes sont donn´ s au tableau 8.10. e e Coˆ t de transport Bruxelles u Anvers Li` ge e Mons 100 120 70 Charleroi 150 170 30 Namur 180 80 90 Ostende 90 210 140

Tableau 8.10: Coˆ ts unitaires de transport. u Sachant que l’approvisionnement d’un client peut se faire a partir de plusieurs ` d´ pˆ ts, on veut d´ terminer : e o e • quels d´ pˆ ts la firme doit-elle ouvrir l’ann´ e prochaine ? e o e • comment organiser le transport entre les d´ pˆ ts et clients? e o pour minimiser la somme des coˆ ts fixes d’ouverture et des coˆ ts variables u u de transport. Les coˆ ts de production sont identiques dans les trois usines et u n’entrent donc pas en consid´ ration. Formuler le probl` me. e e 8.6. Probl` me de localisation de centre de distribution de pneus. Un important e groupe de fabrication de pneus envisage de restructurer son r´ seau europ´ en. e e Pour le moment, il dispose d’un centre de production par pays qui lui coˆ te, u

148

Chapitre 8. Conception d’un centre de production sur base annuelle, les frais fixes suivants : Pays Frais fixes (106 euros) Belgique Espagne France Portugal 1,2 4 6 2 500.000 pneus 3.000.000 pneus 400.000 pneus 2.000.000 pneus Capacit´ e Demande

10.000.000 pneus 6.000.000 pneus 1.500.000 pneus 1.000.00 pneus

On envisage de desservir les mˆ mes march´ s qu’actuellement avec un nome e bre moins important de centres de production ouverts. La demande domestique sur base annuelle est donn´ e ci dessus. Les frais de transport d’un pneu e du pays i au pays j sont connus et not´ s ctij . e (a) Repr´ sentez le probl` me par un graphique de r´ seau. Indiquez sur e e e celui-ci les donn´ es du probl` me. e e (b) Formuler math´ matiquement le probl` me du choix des usines a consere e ` ver ouvertes a l’avenir dans le groupe en supposant que la demande ` demeure stable. On veut minimiser la somme des coˆ ts fixes et des u coˆ ts de transport des pneus. u

Partie IV Les techniques d’optimisation

149

. . ` ´ e 151 .n • A chaque etape. On note par st l’´ tat initial de la p´ riode t.. 9. en planification de la production : ´ • les etapes sont les diff´ rentes p´ riodes de planification. On note par xt la d´ cision prise ´ e ˆ e a la p´ riode t.1 Introduction La programmation dynamique a pour but de traiter les mod` les o` une s´ quence e u e ˆ optimale de d´ cisions doit etre prise. dont la e e ´ r´ solution est triviale. Les mod` les dynamiques r´ pondent aux caract´ ristiques suivantes : e e e • Ils comportent une certain nombre de p´ riode de temps qui seront not´ es : e e t = 1. e e Par exemple. et en proc´ dant a rebours. Elle est largement utilis´ e en planification de e e la production pour d´ terminer les lancements de production en cas de coˆ ts fixes e u de lancement de production. e e ` e e • la d´ cision xt prise a la p´ riode t est le niveau de production de la p´ riode. On part d’un sous probl` me. e L’id´ e g´ n´ rale des proc´ dures de r´ solution en programmation dynamique e e e e e est la suivante. on etend progressivement e e ` ´ le probl` me en incluant les etapes pr´ c´ dentes et en calculant la politique optimale e ´ e e a chaque etape en se basant sur la politique optimale de l’´ tape suivante. celui de derni` re etape. 2. ` e • Chaque etape est caract´ ris´ e par un certain nombre d’´ tats initiaux pos´ e e e sibles. Ensuite.Chapitre 9 La programmation dynamique. e e • la variable d’´ tat st indique le niveau initial du stock de la p´ riode t. une d´ cision doit etre prise.

on a repr´ sent´ chaque etat par un cercle. Cependant en sacrifiant un peu a u ` la premi` re etape. 9. Son etat de d´ part est l’´ tat e e ´ ´ e e 1 et son etat d’arriv´ e est l’´ tat 10.1. Il va donc d´ terminer son itin´ raire de mani` re a choisir la route la plus e e e ` sˆ re en minimisant la somme des polices d’assurance pour le passage d’´ tat en u e etat.1: Probl` me du voyageur. A la ´ ´ ´ figure 9. Ceux-ci sont indiqu´ s au dessus des arcs a la e e e e ` figure 9. on choisirait le chemin 1 → 2 → 6 → e e 9 → 10 avec un coˆ t total d’assurance de 13.152 Chapitre 9. Il effectue son voyage en quatre e etapes. Il s’agit du e probl` me du voyageur devant traverser l’ouest am´ ricain il y a plus d’un si` cle. e Le voyageur souscrit a chaque etape une police d’assurance dont le coˆ t refl` te ` ´ u e le degr´ d’ins´ curit´ du voyage. A chaque etape. En effet. e e . ´ e e 2 4 2 3 1 4 3 4 4 1 5 7 3 3 3 2 4 6 6 7 5 4 8 6 10 3 9 4 3 1 Figure 9. La programmation dynamique. ´ Remarquez d’abord que l’approche tr` s simple qui consiste a choisir a chaque e ` ` etape la police la moins ch` re ne conduit pas a une solution globalement la moins ´ e ` ch` re. En effet. e e ı C’est ici qu’intervient la programmation dynamique qui permet de calculer la solution optimale sans faire de l’´ num´ ration explicite.1. Cependant sur e e ce petit exemple. en suivant cette strat´ gie. il a le choix de se diriger vers plusieurs etats. par exemple la e ´ ´ e route 1 → 4 → 6 → 9 → 10 permet un coˆ t total de 11. va nous permettre e d’introduire la terminologie employ´ e en programmation dynamique.2 Le probl` me du voyageur e Un exemple purement fictif. elles sont d´ j` au nombre de 3 × 3 × 2 = 18 et lorsque le nombre ea d’´ tapes et/ou le nombre d’´ tats croˆt. on peut gagner aux etapes ult´ rieures. e e e Son point de d´ part et sa destination sont connus. tir´ de Hillier et Lieberman [7]. u Une autre m´ thode serait d’´ valuer toutes les routes possibles. cela devient vite un travail prohibitif.

xt ) est le coˆ t a l’´ tape t d’aller de st vers xt . xt note la destie nation de l’´ tape t. 6. 7} {8. .. 4.Section 9. 9} 10. Il peut s’´ crire : e 4 min z = t=1 ct (st . 3. Ici.1 Formulation en un probl` me dynamique e La formulation d’un probl` me dynamique comporte cinq etapes : e ´ ´ 1. Dans notre exemple. Le probl`me du voyageur e 153 9.2. 4} {5. e ´ ´ Elles sont not´ es : e t = 1. 6. 2. On peut ici donner les valeurs possibles de st a chaque etape : e ` ´ s1 s2 s3 s4 = ∈ ∈ ∈ 1 {2. st note l’´ tat de d´ part e de l’´ tape t. La d´ finition des etapes. L’objectif est ici de minimiser le coˆ t total du u voyage. L’expression de l’objectif.. 3. Dans notre exemple. Ici les etapes sont les quatre etapes du voyage.4 e e 2. 9} 3. On peut donner les valeurs possibles de xt a chaque e ` etape : ´ x1 x2 x3 x4 ∈ ∈ ∈ = {2. Le choix des variables de d´ cision. 4} {5. u . Le choix des variables d’´ tat.2. 7} {8. L’expression des relations entre les variables. xt ) u ` e o` ct (st . les contraintes expriment que la destination d’une etape (xt ) est le point de d´ part de la suivante (st+1 ) : ´ e s1 s2 s3 s4 x4 = = = = = 1 x1 x2 x3 10 5.

9 = 4 auxquels il faut ajouter le coˆ t additionnel u u ∗ de l’´ tape 4 donn´ dans la table 9.3 Proc´ dure de r´ solution e e La programmation dynamique commence avec une petite portion du probl` me e original. on consid` re le probl` me de e e e e e fin de voyage. e e ´ Fixons-nous deux notations utiles pour la proc´ dure de r´ solution.1.l’´ tat de d´ part. La programmation dynamique.2 On note par ft∗ (st ) le coˆ t de la meilleure strat´ gie a l’´ tape t. e D´ finition 9. en d´ terminant la nouvelle solution optimale a ´ e e ` partir de la pr´ c´ dente. trouve la solution optimale pour cette portion du probl` me. l’´ tat ´ ` e 10. Le tableau 9. e ∗ ∗ La programmation dynamique va d´ terminer successivement f4 (s4 ). si on est dans e t ` e l’´ tat st a l’´ tape t. e ´ e e e ∗ s4 x∗ f4 (s4 ) 4 8 9 10 10 3 4 Tableau 9. A l’it´ ration suivante. on elargit d’une unit´ le nombre d’´ tapes a effectuer. f3 (s3 ). Pour t = 4. e ´ e e ` On peut ensuite d´ duire la strat´ gie optimale pour la troisi` me etape en fonction e e e ´ de la strat´ gie optimale pour la derni` re etape. Si le voyageur est dans l’´ tat 5 (s3 = 5). sa a ´ ` u destination finale est connue : x4 = 10.154 Chapitre 9. c’est-` -dire lorsque le voyageur n’a plus qu’une etape a effectuer.8 = 1 ou c5. si e u e ` e ` e on est dans l’´ tat st a l’´ tape t. Pour ce probl` me la solution ´ ` e optimale est evidente : le voyageur doit aller directement a sa destination.1: Coˆ ts minimaux de la derni` re etape u e ´ Consid´ rons le cas t = 3.1 On note par x∗ (st ) la meilleure strat´ gie a l’´ tape t.1 reprend les coˆ ts minimaux de la derni` re etape ainsi que la d´ cision optimale en fonction de s4 . Ensuite on e elargit progressivement le probl` me. c’est-` -dire lorsque le voyageur a encore deux etapes e a ´ ` a effectuer. il peut aller vers 8 ou 9 a des ` e coˆ ts respectifs de c5. 9. Il s’agit de f4 (8) = 3 s’il va vers 8 et de e e ∗ f4 (9) = 4 s’il va vers 9. Pour le probl` me du voyageur. lorsqu’il n’y a plus qu’une etape a faire. e ∗ ∗ f2 (s2 ) et enfin f1 (s1 ) pour chaque etat possible st a l’´ tape t et utiliser par exemple ´ ` e ∗ ∗ f2 (s2 ) pour calculer f1 (s1 ). Le coˆ t total minimum de 1 + 3 = 4 est obtenu s’il va u . e e e ` e D´ finition 9.

Section 9.3. Proc´dure de r´solution e e
∗ x∗ f3 (s3 ) 3

155

s3 5 6 7

x3 = 8

x3 = 9

1+3=4 4+4=8 6+3=9 3+4=7 3+3=6 3+4=7

8 9 8

4 7 6

Tableau 9.2: Coˆ ts minimaux de la troisi` me etape. u e ´
∗ e e vers 8, donc x∗ = 8 et f3 (5) = 4. On proc` de de mˆ me pour s3 = 6 et s3 = 7 et 3 on obtient les valeurs donn´ es dans la table 9.2. e

La solution pour le probl` me o` il reste trois etapes (t = 2) est obtenue de e u ´ mani` re similaire. Elle est illustr´ e a la table 9.3. Les etats destination sont cette e e ` ´ fois au nombre de trois : il s’agit de x2 = 5, x2 = 6 ou x2 = 7 tandis que les etats ´ de d´ part possibles sont s2 = 2, s2 = 3 ou s2 = 4. Pour les etats de d´ part 2 ou 4, e ´ e la destination optimale peut etre au choix 5 ou 6 puisque le coˆ t total est le mˆ me. ˆ u e s2 2 3 4 x2 = 5 3+ 4 =7 4+ 4 =8 x2 = 6 2+ 7 =9 1+ 7 =8 x2 = 7 4 + 6 = 10 x∗ 2 5
∗ f2 (s2 )

7 + 4 = 11 4 + 7 = 11 6 + 6 = 12 5 ou 6 5 + 6 = 11 5 ou 6

11 7 8

Tableau 9.3: Coˆ t minimaux de la deuxi` me etape. u e ´ Enfin, pour le probl` me de premi` re etape (t = 1), le coˆ t minimum de la e e ´ u police optimale est a nouveau donn´ en fonction de l’´ tat destination de l’´ tape ` e e e comme la somme du coˆ t de premi` re etape plus le coˆ t minimum des etapes u e ´ u ´ ult´ rieures. On obtient les r´ sultats de la table 9.4. e e s1 1 x1 = 2 x1 = 3 x1 = 4 x∗ 1
∗ f1 (s1 )

2 + 11 = 13 4 + 7 = 11 3 + 8 = 11 3 ou 4 Tableau 9.4: Coˆ t minimaux de la premi` re etape. u e ´

11

On faut maintenant identifier une politique optimale. Pour t = 1, le voyageur doit donc se diriger initialement vers l’´ tat 3 ou 4. Supposons qu’il choisisse e ∗ x1 = 3. Pour t = 2, la strat´ gie optimale pour s2 = 3 est x∗ = 5 (voir tableau e 2 9.3), ce qui dans l’´ tape t = 3 conduit a l’´ tat s3 = 5. La strat´ gie optimale pour e ` e e ∗ s3 = 5 consiste a choisir x3 = 8 (voir tableau 9.2). On se retrouve en s4 = 8 et on `

156

Chapitre 9. La programmation dynamique.

` e choisit x∗ = 10 a l’´ tape 4 (voir tableau 9.1). Une des routes optimales est donc 4 le parcours suivant : 1 → 3 → 5 → 8 → 10 et donnant un coˆ t total de : u
∗ f1 (1) = 11

Cette solution est illustr´ e au tableau 9.5. e t 1 2 3 4 8

st 1 3 5

x∗ 3 5 8 10 t Tableau 9.5: Solution optimale pour le probl` me du voyageur. e

9.4

Un probl` me d’affectation de ressources rares e

Nous illustrons le fait que le champs d’application de la m´ thode de r´ solution e e est tr` s large sur un deuxi` me exemple egalement tir´ de Hillier et Lieberman e e ´ e [7] : il s’agit du probl` me de l’organisation mondiale de la sant´ . On suppose e e que l’OMS dispose de 5 equipes m´ dicales a affecter a 3 pays pour mener a ´ e ` ` ` bien une campagne de vaccination. L’OMS doit d´ terminer combien d’´ quipes e e envoyer dans chacun des trois pays de mani` re a maximiser l’efficacit´ g´ n´ rale e ` e e e de l’affectation. La mesure de l’efficacit´ est donn´ e en terme d’ann´ es-homme e e e de vie suppl´ mentaire. Ces donn´ es sont reprises au tableau 9.6. On suppose que e e chaque pays doit b´ n´ ficier d’au moins une equipe. e e ´ Nombre d’´ quipes Pays 1 Pays 2 Pays 3 e 1 45 20 50 2 70 45 70 3 90 75 80 Tableau 9.6: Milliers d’ann´ es-homme suppl´ mentaires. e e

9.4.1

Formulation comme un probl` me dynamique e

´ 1. D´ finition des etapes. Bien qu’il n’y ait pas de succession temporelle, on e peut imaginer que les trois etapes d’un processus dynamique consistent en ´ l’affectation successive aux trois pays puisque lorsqu’une equipe est affect´ e ´ e

Section 9.4. Un probl`me d’affectation de ressources rares e

157

a un pays, elle n’est plus disponible pour les autres pays. On a donc identifi´ ` e les etapes. ´ 2. Choix des variables d’´ tat. Comment identifier les etats ? Autrement dit, e ´ quelle est l’information n´ cessaire a une etape pour pouvoir d´ terminer la e ` ´ e politique optimale ? Il s’agit simplement du nombre d’´ quipes m´ dicales e e e qui restent disponibles. Notons st le nombre d’´ quipes encore disponibles au d´ but de l’´ tape t. On peut donner les valeurs possibles de st : e e s1 = 5 s2 ∈ {2, 3, 4} s3 ∈ {1, 2, 3} 3. Choix des variables de d´ cision. Notons xt le nombre d’´ quipes m´ dicales e e e affect´ es au pays t. On peut donner les valeurs possibles de xt : e x1 ∈ {1, 2, 3} x2 ∈ {1, 2, 3} x3 ∈ {1, 2, 3} 4. Relations entre les variables. Les relations de r´ currence entre les variables e s’´ crivent ici : e s1 = 5 s2 = s 1 − x 1 s3 = s 2 − x 2 En g´ n´ ral, on peut ecrire la relation suivante : e e ´ st+1 = st − xt . Il faut egalement ajouter la condition qu’au moins une equipe soit envoy´ e ´ ´ e dans chaque pays : xt ≥ 1, ∀t = 1, 2, 3 5. L’expression de l’objectif. L’objectif est ici de maximiser l’efficacit´ de e l’allocation. Il peut s’´ crire : e
3

max z =
t=1

Bt (xt )

e e ´ e o` Bt (xt ) mesure le b´ n´ fice de l’allocation de xt equipes m´ dicales au pays u t.

158

Chapitre 9. La programmation dynamique.

9.4.2

R´ solution par la programmation dynamique e

A l’´ tape t = 3, les etats possibles vont de 1 (il faut au moins une equipe pour le e ´ ´ pays 3) jusqu’` 3 (on a au moins affect´ une equipe au pays 1 et une equipe au pays a e ´ ´ 2). A la derni` re etape, on a int´ rˆ t a affecter toutes les equipes encore disponibles e ´ ee ` ´ (voir tableau 9.7).
∗ s3 x∗ f3 (s3 ) 3 1 1 50 2 2 70 3 3 80

Tableau 9.7: Calculs de l’´ tape 3. e A l’´ tape 2, les etats possibles vont de 2 (il faut au moins une equipe pour le e ´ ´ pays 2 et une equipe pour le pays 3) a 4 (on a au moins attribu´ une equipe au pays ´ ` e ´ 1). A la deuxi` me etape, au gain de l’´ tape, il faut ajouter le gain r´ sultant pour e ´ e e l’´ tape 3 avec s3 = s2 − x2 . Le d´ tail des calculs est donn´ au tableau 9.8. e e e
∗ s2 x2 = 1 x2 = 2 x2 = 3 x∗ f2 (s2 ) 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’´ tape 2. e De mˆ me a l’´ tape 1, au gain de l’´ tape, il faut ajouter ceux des etapes suivantes e ` e e ´ avec s2 = s1 − x1 . Le d´ tail des calculs est donn´ au tableau 9.9. e e
∗ s1 x1 = 1 x1 = 2 x1 = 3 x∗ f1 (s1 ) 1 5 45 + 125 = 170 70 + 95 = 165 90 + 70 = 160 1 170

Tableau 9.9: Calculs de l’´ tape 1. e La solution optimale est calcul´ e ci-dessous. e t 1 2 3 st 5 4 1 x∗ 1 3 1 t Elle donne un gain de 170 000 hommes-ann´ es. e

e ` e u e e Une unit´ fabriqu´ e le mois t peut etre utilis´ e pour satisfaire la demande de fin e e ˆ e de mois. e e ckage limit´ e a 2 unit´ s. La demande pr´ visionnelle de fin de mois d’un composant est donn´ e au tae e bleau 9. Pour cela. xt ) = cpt (xt ) + cs st + ft+1 (st + xt − dt ) .10: Demande pr´ visionnelle et capacit´ de production. On s’interdit toute rupture de stock. d´ finissons la variable d’´ tat de la p´ riode t suivante : e e e st = stock au d´ but de la p´ riode t.5. ` 159 9. On une capacit´ de stoe e P´ riode t e Capacit´ de production a 200 e ` Capacit´ de production a 250 e ` Demande pr´ visionnelle fin t e 1 2 3 2 2 2 3 1 3 3 3 4 4 3 3 2 5 3 3 4 Tableau 9. La fabrication de ce composant n´ cessite un certain nombre de r´ glages e e ind´ pendants du nombre d’unit´ s fabriqu´ es. de 250 en heures suppl´ mentaires. Le coˆ t est de 200 en heures u e u normales.10.Section 9. Application a la planification de la production.10 donne la production e maximale en heures normales et heures suppl´ mentaires. Le coˆ t de stockage est de 10 par unit´ stock´ e par mois. e e D´ finissons aussi la variable de d´ cision de la p´ riode t suivante : e e e xt = production a la p´ riode t. d’un coˆ t de e u u e u possession du stock pendant le mois t ainsi que du coˆ t des etapes ult´ rieures : u ´ e ∗ ft (st . Ce coˆ t est la somme du coˆ t de production de l’´ tape t.1 Formulation en un probl` me dynamique e Nous allons tout d’abord formuler le probl` me en un probl` me de programmation e e dynamique. 9. ` Nous allons maintenant voir comment la programmation dynamique permet de r´ soudre des probl` mes de planification de la production en pr´ sence de coˆ ts de e e e u production non convexes. ` e On d´ finit la fonction e ft (st . Illustrons ceci sur un exemple. Le e e e u coˆ t direct d´ pend de la main d’œuvre disponible. Le coˆ t de lancement est de 150.5 Application a la planification de la production. Le tableau 9.5. xt ) comme etant le coˆ t de la meilleure planification pour les p´ riodes restantes si on ´ u e e e e ` est dans l’´ tat st au d´ but de la p´ riode t et que l’on d´ cide de produire xt a la e p´ riode t.

e e o` dt note la demande pr´ visionnelle qui est donn´ e au tableau 9. Ce dernier est la somme d’un coˆ t e u ` e u fixe de lancement de 150. La relation ` ´ ` ´ liant les variables d’´ tat et de d´ cision est la suivante : e e st+1 = st + xt − dt On s’interdit toute rupture. La programmation dynamique. Remarquez qu’en pr´ sence de e e e coˆ t de lancement le cout de production n’est pas convexe.2: Coˆ t non convexe. Ce qui se traduit par un stock final non n´ gatif : e xt ≥ 0. . ∀t. Ceci peut etre v´ rifi´ u ˆ ˆ e e a la figure 9. Ce qui limitera a trois les etats du monde possibles a chaque etape.2 qui illustre la fonction de coˆ t pour t = 5. ` u cp 5(x5 ) 1500 1250 1000 750 550 350 350 200 250 1 2 3 4 5 6 x5 Figure 9.10. a payer pour autant qu’il y ait production. ∀t. u La capacit´ de stockage est limit´ e a 2 unit´ s : e e ` e st ≤ 2. de e 250 par unit´ produite en heures suppl´ mentaires. et d’un coˆ t ` u direct de main d’œuvre qui est de 200 par unit´ produite en heures normales. La fonction u cpt (xt ) d´ note le coˆ t de production a l’´ tape t.160 Chapitre 9.

dans le cas o` s4 = 0 et x4 = 2. A l’´ tape 4.570 3 1. On peut egalement produire 4 ou 5 mais pas plus ´ vu la capacit´ de stockage limit´ e a 2 unit´ s.250 1.550 On obtient le tableau de coˆ ts suivant : u ∗ s4 x4 = 0 x4 = 1 x4 = 2 x4 = 3 x4 = 4 x∗ f4 (s4 ) 4 0 − − 1.130 1.000 = 1.5.020 1.000 si s5 = 0 et x5 = 4 r´ sulte du seul coˆ t de production u e u qui se calcule comme suit : 150 + 3 × 200 + 250 = 1000.000 1. le coˆ t correspond ´ e u u a l’application de la formule : ` ∗ f4 (s4 .330 − 2 1.5.510 1. Le coˆ t de 760 si s5 = 1 et x5 = 3 r´ sulte de la somme du coˆ t de stockage d’une u e u unit´ pendant un mois et du coˆ t de production des trois unit´ s : e u e 1 × 10 + 150 + 3 × 200 = 760. x4 ) = cp4 (x4 ) + f5 (s4 + x4 − d4 ) = (150 + 400) + 1.020 .510 1 − 1. le coˆ t e u e u des etapes ult´ rieures. Si le stock initial s5 = 1.010 1.500 − − 4 3 2 1. Ce qui explique qu’il faut au moins produire 4 unit´ s si e e s5 = 0 mais pas plus de 6 sinon le stock final sera sup´ rieur a deux unit´ s.000 760 570 Par exemple le coˆ t de 1. on a d4 = 2.320 1. On obtient les coˆ ts suivants : e e ` e u ∗ s5 x5 = 2 x5 = 3 x5 = 4 x5 = 5 x5 = 6 x∗ f5 (s5 ) 5 0 1 2 − − 570 − 760 770 1.320 2 1.260 − 1. on a d5 = 4. Ainsi.550 1.020 1. on e e peut se contenter de produire 3.2 R´ solution par la programmation dynamique e Nous allons maintenant r´ soudre le probl` me par la programmation dynamique. e e A l’´ tape 5.Section 9. ` 161 9. Application a la planification de la production.140 − − 0 1. On doit e ` e aussi respecter la capacit´ de production de 6 unit´ s.360 1. On ajoute au coˆ t de production de l’´ tape.

une unit´ disponible a 200 (+ 10 de coˆ t e e e ` u de stockage) au mois pr´ c´ dent. on a pr´ f´ r´ ne pas produire la seule unit´ dee eee e mand´ e car une unit´ en premi` re etape mˆ me en heures suppl´ mentaires et avec e e e ´ e e un coˆ t de stockage revient mois cher (260) qu’une seule unit´ en heure normale u e a la p´ riode 2 (350). On se retrouve e avec un stock s4 = 0.330 2.090 2.270 2. il est optimal e de produire 3.040 − − 4 2. on se retrouve avec s2 = 1. Il y a.820 1 2. La strat´ gie optimale est de produire x3 = 4. La strat´ gie optimale est de produire x4 = 3.040 A l’´ tape 2. on a d2 = 1. On se retrouve avec un stock s5 = 1 et on produit x5 = 3 : t= dt st x∗ t 1 2 0 3 2 1 1 0 3 4 0 4 4 2 0 3 5 4 1 3 Remarquez qu’en p´ riode 2.520 2.570 2. La strat´ gie ´ e optimale pour la deuxi` me p´ riode est de ne produire rien du tout. Partant de s1 = 0. on a d3 = 4. On a une capacit´ de production a 200 limit´ e a deux e e ` e ` unit´ s.840 2 2.080 2.520 2 2. e e .270 2 2.820 2.510 2.320 On d´ termine ensuite la politique optimale. La demande etant de 2.630 2. e u A l’´ tape 3.370 3.320 3. soit une unit´ e e de plus que la demande. On obtient le tableau de coˆ ts suivant : e u ∗ s2 x2 = 0 x2 = 1 x2 = 2 x2 = 3 x∗ f2 (s2 ) 2 0 − 2.510 1 − 2. on produit une unit´ de ` e e e plus que la demande pour eviter de produire a 250 en p´ riode 5 la quatri` me unit´ ´ ` e e e demand´ e cette p´ riode.162 Chapitre 9.340 3 3. On d´ termine semblablement le tableau de coˆ ts e suivant : ∗ s3 x3 = 2 x3 = 3 x3 = 4 x3 = 5 x3 = 6 x∗ f3 (s3 ) 3 0 − − 2. en effet.410 − − 0 2.600 − 0 2. Remarquez aussi qu’en p´ riode 4. la demande est de 2 et on a le tableau de coˆ ts suivant : e u ∗ s1 x1 = 2 x1 = 3 x1 = 4 x∗ f1 (s1 ) 1 0 3.280 − 3 2.290 2.860 2.520 4 2. La programmation dynamique. On se retrouve e e avec un stock s3 = 0.290 A l’´ tape 1.

Application a la planification de la production.3 Algorithme en cas de cout convexe ˆ Signalons qu’il existe un algorithme plus efficace dans le le cas ou il n’y a pas de ` cout fixe et que les couts marginaux sont croissants. e e e 2. etc. e ` e Les demandes et capacit´ s r´ siduelles sont donn´ es par : e e e P´ riode t e Capacit´ r´ siduelle a 200 e e ` Capacit´ r´ siduelle a 250 e e ` Demande r´ siduelle e 1 0 3 0 2 1 3 0 3 3 3 4 4 3 3 2 5 3 3 4 En p´ riode 3. et calculer les capacit´ s r´ siduelles. e ` e -une production a 200 en p´ riode 2 (1 unit´ ). e e 3.5. e e e Appliquons cette proc´ dure au mˆ me exemple en supposant qu’il n’y a pas de coˆ t e e u fixe de lancement de production. puis modifier e e e e en cons´ quence les capacit´ s de production r´ siduelles. la demande est de 1. En effet. la demande est satisfaite par : e -une production en p´ riode 1 a 200 (2 unit´ s). Elle est satisfaite par : e -une production en p´ riode 3 a 200 (3 unit´ s). En p´ riode 1. ` e e . e ` e Les demandes et capacit´ s r´ siduelles sont donn´ es par : e e e P´ riode t e Capacit´ r´ siduelle a 200 e e ` Capacit´ r´ siduelle a 250 e e ` Demande r´ siduelle e 1 0 3 0 2 2 3 1 3 3 3 4 4 3 3 2 5 3 3 4 En p´ riode 2. satisfaire la demande de p´ riode 3 en utilisant les moyens de production les e plus avantageux de la p´ riode 3 ou des p´ riodes pr´ c´ dentes.5. satisfaire la demande de p´ riode 2 en utilisant les moyens de production les e plus avantageux des deux premi` res p´ riodes. . ` 163 9. le ˆ ˆ coˆ t de production devient convexe et une proc´ dure plus efficace consiste a u e ` 1.Section 9. dans ce cas. . Elle est satisfaite par : e -une production en p´ riode 2 a 200 (1 unit´ ). la demande est de 4. puis modifier en cons´ quence e e e les capacit´ s de production r´ siduelles. satisfaire la demande de p´ riode 1 en utilisant les moyens de production les e plus avantageux de la p´ riode.

la demande est de 2. Elle est satisfaite par : e -une production en p´ riode 5 a 200 (3 unit´ s). on a encore avanc´ u e des productions (une unit´ de demande de p´ riode 3 produite a la p´ riode 2. e ` e Les demandes et capacit´ s r´ siduelles sont donn´ es par : e e e P´ riode t e Capacit´ r´ siduelle a 200 e e ` Capacit´ r´ siduelle a 250 e e ` Demande r´ siduelle e 1 0 3 0 2 0 3 0 3 0 3 0 4 1 3 0 5 3 3 4 En p´ riode 5. e ` e -une production a 200 en p´ riode 4 (1 unit´ ). Les demandes et capacit´ s r´ siduelles sont donn´ es par : e e e P´ riode t e Capacit´ r´ siduelle a 200 e e ` Capacit´ r´ siduelle a 250 e e ` Demande r´ siduelle e 1 0 3 0 2 0 3 0 3 0 3 0 4 3 3 2 5 3 3 4 En p´ riode 4. ´ e . ` e e Les demandes et capacit´ s r´ siduelles sont donn´ es par : e e e P´ riode t e Capacit´ r´ siduelle a 200 e e ` Capacit´ r´ siduelle a 250 e e ` Demande r´ siduelle e 1 0 3 0 2 0 3 0 3 0 3 0 4 0 3 0 5 0 3 0 Par diff´ rence avec les capacit´ s initiales. Mais la deuxi` me cause d’anticipation de production. la demande est de 4. et une e e ` e unit´ de demande de p´ riode 5 produite a la p´ riode 4) pour b´ n´ ficier des capacit´ s e e ` e e e e encore disponibles en heures normales qui coˆ tent moins cher que la production en u heures suppl´ mentaires. a disparu. La programmation dynamique. on obtient les capacit´ s utilis´ es a chaque e e e e ` etape et donc le plan optimal de production et stockage (st est le stock de d´ but t) ´ e suivant : P´ riode t 1 2 3 4 5 e dt 2 1 4 2 4 st 0 0 1 0 1 ∗ xt 2 2 3 3 3 Remarquez que. Elle est satisfaite par : e -une production en p´ riode 4 a 200 (2 unit´ s).164 Chapitre 9. par rapport au cas avec coˆ t de lancement. a e e ` savoir eviter de mettre en route une production pour une faible quantit´ .

Ventes de livres.1.6. ` (c) Donner le plan optimal de production et de stockage.6 Exercices 9. Exercices 165 9. e e Nombre de vendeurs R´ gion 1 e 1 4 2 6 3 9 4 11 R´ gion 2 e 3 6 8 10 R´ gion 3 e 5 7 12 12 Il y a 6 vendeurs mais il est d´ cid´ d’en envoyer au mois un dans chaque e e r´ gion. Un editeur de livres educatifs doit d´ cider du nombre de ´ ´ e vendeurs qu’il envoie dans chacune des r´ gions du pays pour maximiser le e nombre de ventes.3. les commandes a honorer pour le d´ but des p´ riodes 13 e ` e e a 16. ` u (a) Formuler le probl` me de planification comme un probl` me dynamique.Section 9.800 euros). Au d´ but de la e douzi` me semaine. Une soci´ t´ de construction ee automobile doit planifier la production du moteur M200. sont les suivantes : ` P´ riode e 13 14 15 16 Besoins totaux 4 5 2 3 La fabrication du moteur M 200 demande une semaine et le coˆ t de lancement u dans l’atelier moteurs est estim´ a 500 euros. 9. Le coˆ t variable unitaire est de e` u 300 euros pour les trois premi` res unit´ s produites au cours d’une semaine e e et de 400 euros pour les unit´ s suivantes. Formuler et r´ soudre par la programmation dynamique. e e (b) Sachant qu’au d´ but de semaine 12.000 euros) et heures suppl´ mentaires (coˆ t direct de 1. e e 9. Plan de production hebdomadaire optimal. Le tableau qui suit donne l’augmentation du nombre de ventes dans chaque r´ gion en fonction du nombre de vendeurs envoy´ s.400 u e u euros). ` e u Les capacit´ s de production ainsi que les demandes pr´ visionnelles sont e e . La capacit´ de stockage est limit´ e e e e a deux moteurs et le coˆ t unitaire hebdomadaire de stockage est de 50 euros. Fabrication en heures suppl´ mentaires et au moyen d’int´ rimaires. Elle peut aussi faire appel a des int´ rimaires (coˆ t de 1. il ne reste aucun M200 en stock.2. e d´ terminer le plan de production optimal du moteur M200 pour les e semaines 12 a 15. Une e e soci´ t´ dispose d’une certaine capacit´ de production en heures normales ee e (coˆ t direct de 1.

800 euros 5 ` Demande 12 2 3 12 10 2 1 5 5 17 13 4 5 15 15 3 3 5 5 21 18 Le coˆ t de stockage se r´ duit au seul coˆ t d’immobilisation du capital.166 Chapitre 9. La programmation dynamique. donn´ es au tableau suivant pour les cinq prochains mois : e P´ riode t e 1 Production a 1. .000 euros et stock´ pendant un mois.000 euros 15 ` Production a 1. Donnez la politique optimale de production et de stockage. En clair. u e u Le taux annuel de possession du capital utilis´ est de 24 %. Un calcul semblable est fait pour les produits fabriqu´ es a 1.400 euros ou e ` 1.800 euros. un e produit fabriqu´ a 1.000 = 20 euros. repr´ sente un coˆ t e` e e u d’immobilisation du capital de 2% × 1.400 euros 2 ` Production a 1.

e e Lorsqu’il n’y a que deux variables de d´ cision.Chapitre 10 La programmation lin´ aire. on parle de probl` e e mes en nombres entiers. Il s’agit respectivement e e d’un chassis en aluminium et d’un chassis en bois. Il s’agit d’une entreprise e de fabrication de chassis qui envisage la production de deux nouveaux mod` les e au moyen des capacit´ s r´ siduelles de ses trois ateliers. en plus. e e Lorsque les contraintes et/ou la fonction objectif sont non lin´ aires. e 10.1 Introduction On parle de programme lin´ aire lorsque l’on veut minimiser ou maximiser une e fonction objectif lin´ aire sous des contraintes purement lin´ aires. il ne viendrait plus a l’id´ e de les programmer soi-mˆ me. ` e e La derni` re partie de ce chapitre sera consacr´ e a la pr´ sentation du solveur d’Excel e e ` e qui dispose d’une impl´ mentation de ces algorithmes. Le premier produit n´ cessite e 167 . e e Lorsque les variables doivent prendre des valeurs enti` res. Il s’agit de l’algorithme du Simplexe. e Il est a remarquer que ces m´ thodes de r´ solutions etant mises en œuvre dans des ` e e ´ logiciels commerciaux. un probl` me lin´ aire peut etre e e e ˆ r´ solu de mani` re purement graphique. On devrait a proprement parler de probl` mes lin´ aires en ` e e nombres entiers car on impose. un algorithme mis en œuvre sous la forme d’un programme informatique s’av` re n´ cessaire. aux contraintes et a la fonction objectif ` d’ˆ tre lin´ aires. e 10. Nous verrons au chapitre 12 une technique de r´ solution de ces e e e probl` mes : il s’agit de la m´ thode de branch and bound. on parle e de probl` mes non lin´ aires. Nous ne verrons pas d’algorithme de r´ solution de e e e ces probl` mes dans le cadre de ce cours. Lorsqu’il y a un plus grand nombre de e e variables.2 Un simple exemple Nous prenons un exemple tir´ de Hillier et Lieberman [7].

168 Chapitre 10.q.c.1) . La programmation lin´aire. l’objectif du probl` me s’´ crit simplement : e e max z = 3x1 + 5x2 .1: Marges. e La question qui se pose est la suivante : “Combien faut-il produire de chassis de chaque type par semaine pour maximiser le profit net ?” Si on choisit comme variables x1 et x2 les quantit´ s de chaque bien a produire e ` par semaine. Les marges unitaires. e e e Produit 1 (heures/produit) Atelier 1 1 Atelier 2 0 Atelier 3 3 Marge 3$ Produit 2 Capacit´ disponible e (heures/produit) (heures/semaine) 0 4 2 12 2 18 5$ Tableau 10. Tandis que les contraintes du probl` mes proviennent de la capacit´ limit´ e des e e e trois ateliers : x1 ≤ 4 2x2 ≤ 12 3x1 + 2x2 ≤ 18 Le probl` me se formule donc comme suit : e max z = 3 x1 + 5 x2   x1                  s. 3x1 x1 2x2 + 2x2 x2 ≤ 4 ≤ 12 ≤ 18 ≥ 0 ≥ 0 (10. e le passage dans le premier atelier pour fabriquer le cadre en aluminium et dans le troisi` me atelier o` le verre est mont´ sur le chassis. temps d’usinage et capacit´ s.1. Tandis que le second produit e u e n´ cessite le passage dans le deuxi` me atelier pour fabriquer le cadre en bois et dans e e le troisi` me atelier o` le verre est mont´ sur le chassis. les e u e temps de fabrication de chacun des produits dans chacun des ateliers ainsi que les capacit´ s hebdomadaires r´ siduelles de ces ateliers sont donn´ s au tableau 10.

R´solution graphique e 169 10. e e` x2 (4) 10 8 6 4 2 0 2 4 (3) (5) 6 8 x1 (1) (2) Figure 10.1 On appelle r´ gion r´ alisable. ˆ e e ´ La premi` re etape consiste a repr´ senter graphiquement la r´ gion r´ alisable. c’est l’ensemble des points (x1 . On voit ici clairement que le syst` me est sous-d´ termin´ . x2 ) satisfaisant les in´ galit´ s de (10. Pour ce faire. e ´ ` e e e D´ finition 10.1. l’ensemble des valeurs de variables e e e de d´ cision qui satisfont toutes les contraintes. On va devoir choisir e e e entre ces diff´ rents plans de production. le probl` me peut e e ` e e etre r´ solu de mani` re graphique en suivant le processus suivant en trois etapes. on obtient le polygone hachur´ a la figure 10. e e ` e e Lorsque l’on fait l’intersection des cinq demi-plans correspondant aux cinq in´ gae lit´ s.3 R´ solution graphique e Dans le cas d’un probl` me lin´ aire a deux variables de d´ cision.1) : e e                    x1 3x1 x1 2x2 + 2x2 x2 ≤ 4 (1) ≤ 12 (2) ≤ 18 (3) ≥ 0 (4) ≥ 0 (5) Graphiquement une in´ galit´ telle que 3x1 + 2x2 ≤ 18 correspond a un demi-plan e e ` limit´ par la droite obtenue en prenant l’in´ quation a l’´ galit´ (ici 3x1 + 2x2 = 18).Section 10.3.1: Ensemble de production. et c’est la deuxi` me etape e e ´ . e Dans le cas de l’exemple.

e e Sur base de cet exemple.2 ` o` l’on a repr´ sent´ z = 15. En effet. Enfin. on tire une deuxi` me observation : e . 30 et 36. on va consid´ rer des valeurs successives de l’objectif : e z = 3x1 + 5x2 = k. Comme on maximise le profit on a int´ rˆ t a prendre la droite ee ` d’isovaleur la plus elev´ e possible. u e e x2 9 z = 30 z = 15 (2. Les points d’une de ces ` e droites sont donc le lieu de tous les points donnant la mˆ me valeur du profit (d’o` e u le nom de droite d’isovaleur de la fonction objectif). Ceci est fait a la figure 10. on va repr´ senter graphiquement des lignes d’isovaleur de la e e fonction objectif : z = 3x1 + 5x2 . La programmation lin´aire. On voit a la figure 10. l’optimum sera d´ termin´ e ´ e e e graphiquement comme le plan de production situ´ sur la droite d’isoprofit la plus e ´ e elev´ e.2: Droites d’isoprofit. Pour se ramener dans ˆ e e le plan. On a e ` e e alors la tr` s important remarque suivante : e Observation 1 : Pour maximiser l’objectif.170 Chapitre 10. 6) 6 4 2 0 z = 36 2 5 6 10 x1 Figure 10. e de la r´ solution.2 a ´ e ` qu’il s’agit du point x∗ = (2. il faut prendre la droite d’isovaleur de l’objectif qui ` touche encore la r´ gion r´ alisable et qui donne la plus grande valeur a l’objectif. Justifions ce choix. il faut se restreindre a la r´ gion r´ alisable. on remarquera que l’expression de la fonction objectif fait intervenir trois variables et ne peut donc etre repr´ sent´ e que dans l’espace. 6). Bien sˆ r. il faut que le plan de production soit ´ e u encore r´ alisable : autrement dit. c’est-` -dire celle qui donne le profit le plus elev´ . Ce qui correspond graphiquement a des droites parall` les. et c’est la troisi` me etape de la r´ solution.

Retour e en ii). ´e ´e Observation 3 : Mˆ me si tout un cˆ t´ du polygone est optimal.Section 10. En fait.6) puis vers le point (2. on se dirige vers le point (0.3). 6) 2x2 = 12 (4. e x1 = 0 10 (0. L’algorithme du Simplexe appliqu´ a notre exemple fonctionne ainsi : partant e` de (0. si l’objectif oe avait et´ z = 3x1 + 2x2 . on a que tout le cˆ t´ du polygone est optimal. Afin de e e e limiter le nombre de sommets a examiner. En conclusion. 6) (4 . Par exemple. 9) 8 (0. on peut toujours choisir une solution e oe ` optimale correspondant a un sommet. 3) 3x1 + 2x2 = 18 2 (4.6) et (4. ı ` oe iii) D´ terminer le sommet y ∗ a l’autre bout du cˆ t´ et poser x∗ = y ∗ . l’optimum du probl` me (voir figure 10. STOP : le x courant est optimal. 0) x1 = 4 (2. e e 171 On peut alors se demander si la solution optimale sera toujours a un sommet de ` la r´ gion r´ alisable.3) aurait et´ optimum.6). l’algorithme du Simplexe proc` de de la ` e mani` re suivante : e i) Choisir comme point de d´ part un sommet x∗ de la r´ gion r´ alisable.3.0). Trouver un cˆ t´ le long e oe ∗ duquel z croˆt. tout le segment entre (2. S’il n’y en n’a pas. 0) 8 x2 = 0 Figure 10. 6) 4 2 (0 . R´solution graphique e Observation 2 : ` On constate que la solution optimale est a un sommet de la r´ gion r´ alisable. e e e oe ii) D´ terminer les cˆ t´ s passant par ce sommet x∗ . 0) (6 . on peut voir qu’il suffit d’´ valuer la valeur de l’objectif en e chacun des sommets pour d´ terminer l’optimum d’un probl` me lin´ aire. lorsque la ligne d’iso-marge est parall` le a un cˆ t´ du e e e ` oe polygone.3: Sommets de la r´ gion r´ alisable e e .

2: Exemple de probl` me lin´ aire. e e La premi` re chose a faire est de rentrer les donn´ es num´ riques du probl` me et e ` e e e les formules de calcul de la fonction objectif ainsi que du membre de gauche des contraintes. e e coefficients d’une mˆ me equation ainsi que sa formule de calcul ont et´ rang´ s dans e ´ ´e e une mˆ me ligne qui contient comme commentaire le nom de l’´ quation (Atelier e e . on obtient la e formulation suivante : max = 3x1 + 5x2   x1      2x2   s. La programmation lin´aire. le nombre de chassis en bois fabriqu´ s par semaine. on peut rentrer. En posant x1 . On remarquera au tableau 10.4 Le solveur d’Excel Le solveur d’EXCEL est un r´ solveur d’´ quation ainsi qu’un optimiseur exploitant e e les techniques de la programmation lin´ aire. de la programmation en nombres e entiers et de la programmation non lin´ aire. Pour la clart´ du mod` le. Comme le probl` me est lin´ aire.2 que les e A 1 2 3 4 5 6 7 8 Production de chassis Profit : Atelier 1 : Atelier 2 : Atelier 3 : x1 positif : x2 positif : B C en alu en bois 3 1 0 3 1 0 5 0 2 2 0 1 D E b =B3*$B$2+C3*$C$2 =B4*$B$2+C4*$C$2 4 =B5*$B$2+C5*$C$2 12 =B6*$B$2+C6*$C$2 18 =B7*$B$2+C7*$C$2 0 =B8*$B$2+C8*$C$2 0 Tableau 10. le nombre de chassis en aluminium fabriqu´ s par e e semaine et x2 .q. Rappelons la formulation e de ce probl` me.  3x1 + 2x2   x  1     x2 ≤ 4 ≤ 12 ≤ 18 ≥ 0 ≥ 0 Nous allons maintenant r´ soudre le probl` me au moyen du solveur d’Excel. e 10. les coefficients e e num´ riques sous forme d’une matrice.172 Chapitre 10. il est indispensable de mettre egalement des e e ´ commentaires.c. e Illustrons ceci sur l’exemple de l’entreprise de fabrication de chassis tir´ de e Hillier et Lieberman [7] introduit au d´ but du chapitre.

.4) de la mani` re suivante : e e Figure 10. ). 5. Dans la zone “Cellule a d´ finir”. . la fonction ` ` u objectif. Il faut donc pr´ alablement avoir calcul´ ce membre de gauche. e 1. les coefficients se rapportant a une mˆ me variable e ` e ont et´ rang´ en colonne sous le nom de la variable (x1 .4: Param` tres du solveur. x2 ). pour ´e e comprendre les formules. mettre les r´ f´ rences des cellules conteee nant les variables (ici $B$2:$C$2) . choisir le sous-menu “Solveur”. mettre la r´ f´ rence de la cellule contenant la ee formule de calcul du membre de gauche (pour l’atelier 1 : $D$4). 4. De mˆ me. que l’on a choisi de placer la valeur de x1 en cellule $B$2$. ´ ` 3. e e . mettre la r´ f´ rence de la cellule de calcul ee de l’objectif (ici $D$3). o` se trouvent les variables. Remarquez ici. Il reste maintenant a indiquer a Excel. Dans la zone “Contraintes”.Section 10. soit juste en dessous du commentaire x1 tandis que celle de x2 est plac´ e e en cellule $C$2. Ceci peut etre ˆ mis en œuvre en Excel (voir la copie d’´ cran 10. Le solveur d’Excel 173 1. le membre de gauche. choisir “ajouter une contrainte”. Dans la zone “Cellules variables”. de droite et le sens des contraintes. Le menu suivant apparaˆt : ı Cellule : Relation : Contrainte : Pour chaque contrainte : • Dans la zone “Cellule”. . Dans la zone “Egale a”. Dans le menu “Outils”. choisir Max ou Min (ici Max).4. soit juste en dessous du commentaire x2. ` e 2. Atelier 2.

mettre le sens de la contrainte (par exemple. e Le tableau 10. Ainsi. on aurait pu rentrer les e trois contraintes de capacit´ s en bloc par la commande suivante : e $D$4 : $D$6 <= $E$4 : $E$6 2. La programmation lin´aire. Excel d´ termine le nom d’une variable ou le nom d’une contrainte en prenant e le premier commentaire situ´ a gauche de la cellule et le premier commentaire e` situ´ au dessus de la cellule de calcul de la variable ou de la contrainte. Lancer la commande “R´ soudre”. On peut rentrer par groupe les e contraintes ayant mˆ me sens.6) a laquelle correspond une e e ` valeur maximum de l’objectif (36). Il est a remarquer qu’il e ` indique directement dans les cases des variables la valeur de ces variables. auquel cas les contraintes de positie e vit´ peuvent etre supprim´ es. On a rentr´ les contraintes une par une.174 Chapitre 10. dans l’exemple. 6. e . On peut egalement ´ directement entrer une valeur.3 pr´ sente la solution du solveur. On obtient bien la solution d´ termin´ e graphiquement (2.3: Solution du solveur Plusieurs remarques sur les particularit´ s du solveur d’Excel s’imposent e ici : 1. On peut egalement e e e ´ choisir l’option ”Suppos´ non n´ gatif”. e ˆ e 7. pour l’atelier 1 : <=). choisir ”Mod` le suppos´ lin´ aire”. mettre la r´ f´ rence de la cellule contenant ee le membre de droite (pour l’atelier 1 : $E$4). e • Dans la zone “Relation”. • Dans la zone “Contrainte”. Mais cela n’est pas a conseiller sauf s’il ` s’agit de la valeur ”0” qui n’est pas susceptible de varier. A 1 2 Production de chassis 3 Profit : 4 Atelier 1 : 5 Atelier 2 : 6 Atelier 3 : 7 x1 positif : 8 x2 positif : B 2 3 1 0 3 1 0 C 6 5 0 2 2 0 1 36 2 12 18 2 6 4 12 18 0 0 D E b en alu en bois Tableau 10. Dans ”Option”.

Les contraintes de positivit´ des variables doivent etre entr´ es explicitement. la boˆte de dialogue illustr´ e a la figure 10. e e e 4. e 6.Section 10. e e ceci contrairement a la convention de certains optimiseurs qui consid` rent ` e par d´ faut des variables non n´ gatives. a ` e e e e ` savoir x∗ = 2 1 x∗ = 6 2 z ∗ = 36 10. comme indiqu´ plus haut. sans quoi ˆ e Excel consid´ rerait qu’il s’agit d’une variable ind´ pendante et effacerait sa e e formule de calcul. e e e e on a tout int´ rˆ t a s´ lectionner l’option “Mod` le suppos´ lin´ aire”.5. Si le mod` le est lin´ aire (contraintes lin´ aires et fonction objectif lin´ aire). e ı e ` ı Elle laisse le choix entre garder dans les cellules variables la solution obtenue par le solveur soit r´ tablir la solution initiale (g´ n´ ralement z´ ro partout). • la commande “modifier la contrainte”. soit qu’il ait trouv´ la solution optimale. Remarquez enfin que pour modifier le mod` le on peut utiliser : e • la commande “supprimer la contrainte”.5 Les rapports du solveur Lorsque le solveur a termin´ . ce qui ee ` e e e e d´ clenchera l’algorithme du Simplexe plutˆ t qu’un algorithme g´ n´ ral de e o e e programmation non lin´ aire. l’option ”suppos´ non n´ gatif”. La solution du solveur correspond bien a celle d´ termin´ e pr´ c´ demment. soit qu’il e e ne parvienne pas a en trouver (probl` me non r´ alisable ou non convergence de ` e e l’algorithme de r´ solution). Remarquez que l’on peut directement e e entrer la contrainte sous la forme suivante : $B$2 : $C$2 >= 0 soit en utilisant. Seules les variables non calcul´ es (les variables ind´ pendantes du mod` le) e e e ˆ doivent etre rentr´ es dans la section variables. Les rapports du solveur 175 ˆ 3. 5. Ainsi.5 apparaˆt. si l’on avait cale cul´ dans une cellule le nombre d’heures pass´ es dans l’atelier 1. cette cele e lule contiendrait une variable (au sens math´ matique du terme) mais ne e devrait pas etre rentr´ e dans les cellules variables pour Excel. Cette e e e e boˆte permet egalement de g´ n´ rer trois types de rapport : ı ´ e e .

1 Le rapport des r´ ponses e Le rapport des r´ ponses (voir figure 10.5: Rapports possibles du solveur. e • les informations sur l’objectif : la r´ f´ rence de la cellule. e • le rapport de sensibilit´ . e Figure 10. 10. La programmation lin´aire.6) fournit : e Figure 10. le nom. • le rapport des r´ ponses. la valeur ee originale et finale de la “cellule cible (` Maximiser)”. e • le rapport des limites.6: Rapports des r´ ponses.5.176 Chapitre 10. a .

le coˆ t r´ duit. Il suffira de mettre “de i” a gauche de la ligne et “vers j” en haut de la colonne pour ` que le nom de la variable a l’intersection de la ligne et la colonne se voit attribuer le ` nom “de i vers j” par le rapport d’Excel. la concae t´ nation du premier commentaire rencontr´ dans la mˆ me ligne que la cellule et e e e du premier commentaire rencontr´ dans la mˆ me colonne que la cellule. son status (active ou non a la solution finale). • les informations sur les contraintes : la r´ f´ rence de la cellule. la formule de calcul.Section 10. aux destinations. le nom.5. les variables seront stock´ es dans un tableau o` les e e u lignes correspondront.7) fournit : e Figure 10. la ee valeur originale et finale des “cellules variables”. Les rapports du solveur 177 • les informations sur les variables : la r´ f´ rence de la cellule. le coefficient dans la fonction u e . la ee valeur finale du membre de gauche.7: Rapport de sensibilit´ .5. Excel fait. en B1 le commentaire ”en alu” et en C1. e • les informations sur les variables : la r´ f´ rence de la cellule. On a egalement utiliser cette facilit´ pour ´ e notre exemple. Ceci e e est particuli` rement utile si l’on a des variables a deux indices comme dans un e ` probl` me de transport.2 Le rapport de sensibilit´ e Le rapport de sensibilit´ (voir figure 10. le nom. e e Remarquez que pour d´ terminer le nom. aux origines et les colonnes. par exemple. le commentaire ”en bois”. ainsi que la marge (valeur de l’´ cart entre les ` e deux membres de l’in´ galit´ ). le nom et la ee valeur finale de la variable. en mettant en A2 le commentaire ”Production de chassis”. En effet. 10. dans chaque cas.

8: Rapport des limites. e objectif. e ` • la limite sup´ rieure.178 Chapitre 10. e e Nous verrons au chapitre 11 que le cout r´ duit mesure l’accroissement de ˆ e l’objectif par unit´ d’accroissement de la variable. c’est-` -dire la plus petite valeur de la variable qui satisfait e a les contraintes en maintenant les autres variables fix´ es a leur valeur.8) fournit pour chaque variable : Figure 10. c’est-` -dire plus grande valeur de la variable qui satisfait e a les contraintes en maintenant les autres variables fix´ es a leur valeur. le nom et la ee valeur finale du membre de gauche de la contrainte. l’accroissement et la diminution maximale de ce coefficient avant qu’une variable ne change de valeur. le prix cach´ . nous verrons au chapitre 11 que le prix cach´ mesure l’accroissee e ment de l’objectif par unit´ d’accroissement du membre de droite de la contrainte. La programmation lin´aire. • sa limite inf´ rieure. l’augmentation et la diminution maximum de ce membre de droite telle que le prix cach´ reste le mˆ me.3 Le rapport des limites Le rapport des limites (voir figure 10. De mˆ me.5. e ` . la valeur du e membre de droite. e Ce prix cach´ s’interpr` te donc comme l’augmentation de profit si on dispose d’une e e heure suppl´ mentaire dans l’atelier. C’est donc le prix maximum que l’on est prˆ t e e a payer pour cette heure. • les informations sur les contraintes : la r´ f´ rence de la cellule. ` 10. Pour un produit non fabriqu´ . e e le coˆ t r´ duit s’interpr` te donc comme la perte de profit si on fabrique un unit´ du u e e e produit.

2. Combien la soci´ t´ doit-elle acheter de d´ chets par e ee e an a chacune des villes ? ` (a) Formuler math´ matiquement le probl` me (choix des variables. exprese e sion des contraintes et de l’objectif).1. e (b) R´ soudre graphiquement. Exercices 179 10. Une entreprise peut fabriquer un mˆ me produit ˆ e dans deux usines diff´ rentes. l’entreprise d´ sire produire a coˆ t e e ` u minimum.000 a tonnes de journaux mis sur le march´ par an.Section 10. le prix que la soci´ t´ re¸ oit e ee c pour la vente de journaux chute et donc la compagnie ne d´ sire pas vendre e plus que cette quantit´ . e e exprim´ es en quantit´ de produit par jour. Les capacit´ s de production de ces deux usines. Au del` de 6. Enfin. D’autre part. e e la production totale doit permettre de satisfaire au moins une demande de 8 unit´ s par jour. e 10. Ville .000 La soci´ t´ offre aux villes un prix de 35 euros par tonne de d´ chet. Sachant que les coˆ ts variables unitaires sont de 2 pour la e u premi` re usine et de 3 pour la seconde.6 Exercices 10. Recyclage du papier.000 Ville 2 15 30 20.500 tonnes de listing d’ordinateur par an. La r´ partition entre m´ nages e e e et soci´ t´ s est diff´ rente d’une ville a l’autre expliquant un pourcentage ee e ` diff´ rent de listes d’ordinateur et de journaux dans les d´ chets. sont de 7 pour la premi` re usine et e e e de 10 pour la seconde. on suppose que le nombre d’heures de main d’œuvre que l’on peut affecter globalement a cette production est de 60 ` par jour.6. Ces poure e centages ainsi que la quantit´ maximum de d´ chets que peuvent fournir par e e an ces deux villes sont reprises au tableau suivant : Listes Journaux Offre % % tonnes par an Ville 1 5 20 10. Une soci´ t´ de tri de d´ chets et recyclage de paee e pier peut se fournir en d´ chets aupr` s de deux villes. Son rˆ le consiste a e e o ` s´ parer les listes d’ordinateur et les journaux. Or chaque unit´ produite n´ cessite 10 heures de main d’œuvre dans e e la premi` re usine alors qu’elle n’en n´ cessite que 5 dans la seconde. Pour couvrir ses frais fixes. Elle ee e doit d´ cider du montant optimal de d´ chets a acheter a chaque ville pour e e ` ` minimiser son coˆ t d’achat. ´ (a) Ecrire le programme lin´ aire correspondant. la soci´ t´ doit au u ee moins collecter 1. La minimisation des couts.

De mˆ me. Le mois dernier. La marge e ` e unitaire de la compagnie est de 42 euros pour P et 48 euros pour Q.4. P et Q qu’un grossiste lui ach` te. u e Indication : calculer d’abord le prix de l’heure dans chacun des ateliers et le temps n´ cessaire dans chacun des ateliers par produit.000 6. 700 unit´ s de P2 ont et´ produites. une partie est directement proportionnelle au nombre d’heures pass´ es a la production (les frais variables). Ce coˆ t de transport ` e u .000 11. e (b) D´ terminer graphiquement le plan d’achat optimal et en d´ duire le coˆ t e e u d’achat minimum. Chaque produit doit passer dans deux ateliers (usinage et finition). n´ cessitant 700 e e ´e e heures dans l’atelier usinage et 350 heures dans l’atelier finition. Chaque soir. Une partie du coˆ t de ´ u production est ind´ pendante du nombre d’heures pass´ es a la production (les e e ` frais fixes). L’entreprise dispose egalement d’une section administration.180 Chapitre 10.3.200 heures par mois pour l’atelier e d’usinage et de 500 heures par mois pour l’atelier de finition.600 Finition 40. Planification de production sur cout variable. (c) D´ terminer graphiquement les productions qui maximise la marge sur e coˆ t variable. Le mois pass´ . on a observ´ la e ` e e r´ partition suivantes entre frais fixes et frais variables : e Section frais fixes frais variables Administration 50. Une entreprise fabrique ˆ deux produits P1 et P2 . 10. Formuler le programme lin´ aire correspondant a la maximisation de la marge sur e ` coˆ ts variables (choix des variables. Fabrication et transport de produits frais. (a) Calculer les marges sur coˆ ts variables (diff´ rence entre prix de vente u e et coˆ t variable de production) par unit´ de chacun des deux produits.000 Il y a egalement un coˆ t de conditionnement du produit qui est de 8 euros ´ u par unit´ du produit P1 et de 6 euros par unit´ du produit P2 . Les prix de e e vente unitaires sont de 55 euros et 43 euros respectivement. u 10. La production d’une compagnie se r´ duit a 2 produits frais. expression des contraintes et de u l’objectif). les produits frais sont achemin´ s chez le grossiste par un transporteur e qui facture a la compagnie 2 euros par kg transport´ . La programmation lin´aire. e (b) Les capacit´ s de production sont de 1.000 0 Usinage 60. 500 unit´ s de P1 ont et´ produites grˆ ce e ´e a a 750 heures de travail dans l’atelier usinage et 250 heures dans l’atelier ` finition.

a des besoins vitaux en eau qui sont repris en avant derni` re ligne du e tableau ci-dessus. • Expression des contraintes.5.600 kg de M et de 1. Chaque ville.200 kg de N. Le captage est possible aupr` s de 3 sources d’offre maximum donn´ e e e (le captage est limit´ pour ne pas diminuer trop le niveau des nappes soutere raines). Organisation de la distribution d’eau. Le probl` me est la r´ partition ` e e de l’eau disponible entre ces quatre villes durant la saison s` che.Section 10. La compagnie de transport d’eau est oblig´ e de fournir e ces quantit´ s au minimum. Chaque e ville. • Expression de l’objectif (Conseil : Calculez d’abord la marge nette de frais de transport de chaque produit).100 kg par e e jour. Exercices 181 vient en d´ duction de la marge. • Choix des variables.6. qui peut e . Une agence pour l’eau est charg´ e e du captage de l’eau et de la fourniture des agglom´ rations situ´ es dans son e e district. La capacit´ de transport est de 2. (b) D´ terminer graphiquement la solution optimale. (a) Formuler le probl` me de la maximisation du revenu net de la compae gnie. a une demande effective. Le tableau ci-dessous donne en derni` re colonne l’offre de chaque e source. e 10. Coˆ t de u fourniture venant de Source 1 Source 2 Source 3 Besoin minimum Demande maximum Destination Ville Ville Ville Ville 1 2 3 4 16 13 22 17 14 13 19 15 19 20 23 30 50 70 70 0 30 10 60 Offre de la source 50 60 50 Il y a quatre villes a servir dans ce district. Les produits P et Q s’´ laborent a partir de 2 mat´ riaux M et N selon e ` e les recettes pr´ sent´ es au tableau suivant. Consid´ rons une journ´ e o` la e e e e u Produit P Q Poids (en kg) Poids (en kg) Poids total du composant M du composant N (en kg) 4 3 7 2 1 3 compagnie dispose de 1.

(a) Formuler le probl` me de transport comme un probl` me lin´ aire. vu l’´ loignement g´ ographique. La programmation lin´aire. e e e (b) R´ soudre au moyen du solveur d’EXCEL.182 Chapitre 10.) e On se demande comment organiser le transport de toute l’eau disponible de sorte a assurer a toutes les villes leurs besoins minimaux en ne d´ passant ` ` e pas la demande maximum tout en minimisant les coˆ ts totaux de fourniture u de l’eau pour le district. On ˆ ´ e e e ne livrera jamais plus que cette demande effective. e etre plus elev´ e (elle est donn´ e en derni` re ligne du tableau ci-dessus). sauf la ville 4 qui ne peut etre ˆ e ˆ aliment´ e a partir de la source 3. Chacune des villes peut etre aliment´ e par n’importe quelle source. Cependant. e . e ` e e le coˆ t unitaire de fourniture d´ pend a la fois du lieu de production et du lieu u e ` de consommation de l’eau (voir le tableau ci-dessus pour les donn´ es.

Pour voir l’effet de tels changements de donn´ es. si le sommet optimal du probl` me original reste optimal pour le nouveau mod` le. une solution na¨ve consiste a e ı ` appliquer le Simplexe au nouveau probl` me et bien sˆ r on peut en d´ duire l’effet e u e sur l’objectif. nous voir comment va varier la valeur optimale de l’objectif d’un programme lin´ aire lorsque l’on modifie certains coefficients du probl` me e e (coefficients objectif ou du membre de droite). 11. Nous verrons come e ment les d´ terminer graphiquement pour un exemple a deux variables et comment e ` d´ terminer le domaine de validit´ de ces prix cach´ s. Nous allons d’abord envisager le cas de la variation des coefficients du membre de droite des contraintes.1 Introduction Dans ce chapitre. le cas de la variation des coefficients de la fonction objectif. e Enfin. Mais nous allons voir dans ce chapitre que. nous verrons que le taux de variation de l’objectif est donn´ par la e ` valeur des variables a l’optimum. nous terminerons en donnant l’interpr´ tation d’une autre information e que l’on peut tirer de la solution optimale d’un probl` me lin´ aire. g´ n´ ralement la solution e e num´ rique d’un probl` me lin´ aire est moins significative que de savoir comment e e e l’objectif va bouger si l’on modifie certaines donn´ es du probl` me. e e e Nous verrons ensuite. Nous allons voir que la variation de la valeur optimale de l’objectif d’un programme lin´ aire en fonction des coefficients du e membre de droite est donn´ e par la valeur des “prix cach´ s”. u e 183 . Nous verrons qu’il y a aussi un domaine de validit´ pour ces valeurs optimales des variables. on peut pr´ dire sans e e e r´ soudre le nouveau probl` me l’effet de variation des donn´ es sur la valeur de e e e la fonction objectif. a savoir la valeur e e ` des coˆ ts r´ duits des variables. En effet. C’est l’objet e e de ce que l’on appelle l’analyse postoptimale.Chapitre 11 Analyse postoptimale. Ici.

13/2). Analyse postoptimale.184 Chapitre 11. 5 . quel est l’impact sur la valeur optimale de la fonction objectif ?” Pour des variations de membre de droite suffisamment faibles pour que le mˆ me e sommet reste optimal.c.1) : e x ∗ = (5/3. 6). ` Une augmentation de capacit´ du deuxi` me atelier de b2 = 12 a b2 = 13 donne e e un d´ placement du point optimal vers (voir figure 11.q. En cons´ quence de quoi. la valeur optimale de l’objectif ne change pas : e z ∗ = z ∗ = 36 D’o` une variation nulle de l’objectif.2.2 Variation par rapport au second membre La question qui se pose est ici la suivante : “Si on augmente la capacit´ disponible e d’une ressource. ı e e 11.1 que le nouveau point optimal reste le mˆ me e x ∗ = x∗ = (2. 11. on peut r´ pondre a cette question de la mani` re suivante : e ` e Le “prix cach´ ” (not´ yi ) mesure l’augmentation de la fonction objectif si l’on e e ∗ accroˆt d’une unit´ la capacit´ disponible (bi ).1 Calcul des prix cach´ s e Nous allons illustrer ceci sur sur l’exemple introductif du chapitre 10 dont l’´ nonc´ e e est rappel´ ci-dessous. On peut voir a la figure 11. la nouvelle valeur de l’objectif est donn´ e par : e e z ∗ = 37. e max z = 3 x1 + 5 x2   x1                  s. ce qui se traduit par une valeur nulle du u premier prix cach´ : e ∗ ∆z = z ∗ − z ∗ = 0 = y1 . 3x1 x1 2x2 + 2x2 x2 ≤ 4 ≤ 12 ≤ 18 ≥ 0 ≥ 0 Consid´ rons tout d’abord une augmentation de capacit´ du premier atelier de e e ` ` b1 = 4 a b1 = 5. En cons´ quence de quoi.

1: Analyse postoptimale. Comme on peut le voir a la figure 11. si on utilise la forme alg´ brique de l’algorithme e du Simplexe. e e e Remarquer que dans la pratique. D’o` un accroissement de l’objectif qui d´ termine la valeur du deuxi` me prix u e e cach´ : e 3 ∗ ∆z = z ∗ − z ∗ = = y2 . En cons´ quence de quoi. 13/2) 6 4 2 0 0 2 2x2 = 13 x1 = 4 2x2 = 12 x1 = 5 3x1 + 2x2 = 18 4 .Section 11. Variation par rapport au second membre x2 z = 3x1 + 5x2 185 9 8 (5/3. consid´ rons une augmentation de capacit´ du troisi` me atelier de b3 = e e e 18 a b3 = 19. 6 8 x1 Figure 11. la nouvelle valeur de l’objectif vaut : e z ∗ = 37 D’o` une augmentation d’objectif qui d´ termine la valeur du troisi` me prix cach´ : u e e e ∗ ∆z = z ∗ − z ∗ = 1 = y3 .2. e e e .2. cela donne un d´ placement ` ` e du point optimal vers : x ∗ = (7/3. e e C’est ainsi que tout bonne impl´ mentation de l’algorithme du Simplexe fournit e cette information (voir le rapport de sensibilit´ d’Excel pr´ sent´ au chapitre 10). 2 Enfin. ces prix cach´ s sont calcul´ s automatiquement par l’algorithme. 6). ∗ Le r´ sultat peut aussi etre interpr´ t´ dans l’autre sens : y3 est la perte de profit e ˆ ee si on diminue d’une unit´ la capacit´ du troisi` me atelier.

Pour le troisi` me atelier. la solution optimale reste en (4. z = 3x1 + 5x2 10 3x1 + 2x2 = 19 8 6 4 2 3x1 + 2x2 = 18 0 2 4 6 8 x1 (7/3.9).2 Analyse de sensibilit´ au membre de droite e Remarquons. Au del` de ce point. et ceci est l’objet de l’analyse de sensibilit´ qu’il y a une limite de e validit´ de chaque prix cach´ . y2 change : ` a ∗ y2 = 0. une diminution en dessous de b2 = 6 va changer le sommet optimal : e en effet.2: Variation de capacit´ de l’atelier 3. 18]. si e e e l’effet d’une augmentation de b1 sera nul sur la valeur optimum de l’objectif quel que soit b1 ≥ 4. . On en d´ duit le domaine de validit´ de y2 = 3/2 : e e b2 ∈ [6. en dessous e de b1 = 2. dans le cas de la premi` re ressource. au del` de b2 = 18. De mˆ me. il n’en va pas de mˆ me d’une diminution. il sera a l’intersection des contraintes (1) et (2) et non plus a l’intersection ` ` ∗ des contraintes (2) et (3). Analyse postoptimale. En effet. 6) x1 = 4 2x2 = 12 Figure 11. la solution optimale reste en (0. En effet. Pour le deuxi` me atelier.2.6). e 11. +∞]. au del` de b3 = 24. On a donc d´ termin´ le domaine de e e ∗ validit´ de y1 = 0 : il s’agit de l’intervalle : e b1 ∈ [2. la solution optimale va changer. e a Le sommet optimum n’est plus a l’intersection des contraintes (2) et (3) mais bien ` ∗ a l’intersection des contraintes (3) et (5). e a ∗ Le sommet optimal et y3 changent : ∗ y3 = 0.186 x2 Chapitre 11.

. e ∗ On en d´ duit le domaine de validit´ de y3 = 1 : il s’agit de l’intervalle : e e b3 ∈ [12. Ces informations sont donn´ es dans le rapport de sensibilit´ du solveur d’Excel. Une contrainte non liante est une contrainte o` u la variable d’´ cart est non nulle. on peut pr´ dire cette variation de l’objectif pour autant que le e sommet optimal ne change pas. une diminution en dessous de b3 = 12 va changer le sommet optimal.Section 11. La ressource n’est e e pas enti` rement utilis´ e : il ne sert donc a rien d’augmenter son stock disponible. e e ` 11. 24]. Ceci a une interpr´ tation economique.x∗ ) reste la mˆ me. x∗ .3 Variation des coefficients objectifs La question qui se pose ici est la suivante :“Si on augmente le prix de vente unitaire ou si l’on diminue le coˆ t de production unitaire. En effet. Le nouveau profit vaut donc : z∗ = n j=1 (cj + ∆cj )x∗ j On en conclut que pour une variation unitaire du coefficient cj .3. e e Ces informations sont fournies sous la forme d’une augmentation admissible et d’une diminution admissible. . la solution optimale x∗ = (x∗ . j . l’augmentation de z ∗ est exactement la valeur optimale de la variable x∗ . Seul le profit optimal e 1 2 n change. tant que le sommet optimal ne change pas. Elle sont reprises ci-dessous : Contrainte augmentation admissible diminution admissible Atelier 1 Atelier 2 Atelier 3 +∞ 6 6 2 6 6 Remarquons finalement que l’on a toujours une valeur nulle du prix cach´ e pour une contrainte non liante. Par exemple. la premi` re contrainte e e x1 ≤ 4 ´ a un “prix cach´ ” nul. Variation des coefficients objectifs 187 De mˆ me. quel est l’impact sur la valeur de u l’objectif ?” A nouveau. .

La “valeur de la j eme variable a l’optimum” (not´ e x∗ ) mesure l’augmenta` ` e j tion de la fonction objectif si l’on accroˆt d’une unit´ la marge unitaire cj . A la figure 11. par exemple. on constate que le coefficient c1 peut descendre jusqu’` ce que a l’objectif z = c1 x1 + 5x2 soit parall` le au segment e 2x2 = 12. ı e Nous allons a nouveau l’illustrer sur le mˆ me exemple introductif. D’apr` s ` e e le r´ sultat enonc´ ci-dessus.188 Chapitre 11. .3. 1 x∗ = 6. Analyse postoptimale. Autree ment dit. les augmentations de profit pour une augmentation e ´ e unitaire de la marge des produits valent respectivement :      x∗ = 2. 2 Supposons que la marge sur le premier produit augmente d’une unit´ . Le coefficient c1 peut augmenter jusqu’` ce que l’oba a jectif z = c1 x1 + 5x2 soit parall` le au segment e 3x1 + 2x2 = 18.3 que la pente de l’objectif ne varie pas suffisamment ` pour changer le sommet optimum qui reste en : x∗ = 2 1 x∗ = 6 2 On en d´ duit la nouvelle valeur de l’objectif : e z ∗ = 4 × 2 + 5 × 6 = 38 L’augmentation de l’objectif correspond bien a la valeur de x∗ : ` 1 ∆z ∗ = 38 − 36 = 2 = x∗ 1 11. c’est-` -dire lorsque c1 = 0. On veut. l’objectif devient : max z = 4x1 + 5x2 On constate a la figure 11. e e d´ terminer l’intervalle de variation maximum de c1 autour de 3 tel que le sommet e optimal ne change pas.3.1 Analyse de sensibilit´ aux coefficients objectif e Consid´ rons maintenant la question l’analyse de sensibilit´ .

on a le mˆ me sommet optimal et donc la mˆ me solution optimale. 15/2]. Celui-ci e peut d´ croˆtre jusqu’` ce que l’objectif z = 3x1 + c2 x2 soit parall` le au segment e ı a e 3x1 + 2x2 = 18.Section 11. Ceci ne se produit jamais. Ceci se produit lorsqu’il y a egalit´ des pentes : ´ e −3 −3 = . On en conclut que tant que : c2 ∈ [2. e e Effectuons l’analyse de sensibilit´ pour le second coefficient objectif. 6) z = 4x1 + 5x2 = 38 z = 3x1 + 5x2 = 36 189 Figure 11. .3. +∞[. 5 2 c’est-` -dire lorsque c1 = 15/2. e Ceci se produit lorsqu’il y a egalit´ des pentes : ´ e −c1 −3 = . On en conclut que tant que a c1 ∈ [0.3: Analyse de sensibilit´ de c1 . c2 peut augmenter jusqu’` ce que a a l’objectif z = 3x1 + c2 x2 soit parall` le au segment e 2x2 = 12. e e Ces intervalles de sensibilit´ sont donn´ s dans le rapport de sensibilit´ du e e e solveur d’Excel (voir chapitre 10). Dans l’autre sens. on a le mˆ me sommet optimal et donc la mˆ me solution optimale. c2 2 c’est-` -dire lorsque c2 = 2. Variation des coefficients objectifs x2 10 8 6 4 2 0 2 4 6 8 10 12 x1 (2.

190 Chapitre 11. elle diminuerait le profit d’autant. le chassis 3. ı e Nous illustrerons cette notion sur l’ exemple de planification de la production de chassis auquel on adjoint un troisi` me chassis mixte aluminium bois. On perd 1/3 de x1 . x1 +x3 ≤ 4 2x2 +2x3 ≤ 12 3x1 +2x2 +3x3 ≤ 18 x1 . Ici. est n´ gatif.c. bien qu’ayant une marge unitaire sup´ rieure au chassis 1. Analyse postoptimale. not´ dj . e le coˆ t r´ duit s’interpr` te comme l’oppos´ de l’augmentation minimale de prix u e e e pour que la production devienne int´ ressante. consomme plus de e ressources. ` e ` Le “cout r´ duit” de la variable hors base xj . il faut donc augmenter sa marge d’au moins deux unit´ s. traduisant le fait que si la production de ce chassis u e e e etait positive. on en tire que x∗ ≤ 5. A nouveau. L’effet sur z ∗ de la production d’une unit´ du produit 3 vaut donc : e ∆z ∗ = −1/3 × 3 − 1 × 5 + 1 × 4 = −2 = d3 Le coˆ t r´ duit. x∗ ) = (2. on va faire un b´ n´ fice de 4 mais on va e e e retirer en capacit´ respectivement 1. 2 et 3 heures pour les deux autres productions. x∗ . 2 et 3 heures.q. Pour qu’il devienne int´ ressant de ´ e produire le chassis. Supposons que x∗ = 5. pour lequel e la marge unitaire est de 4 et les temps unitaires de fabrication dans les trois ateliers sont respectivement de 1. 2 2 ∗ De (3) on tire que x1 ≤ 5/3. 6. e Ce qui revient a diminuer les membres de droites des contraintes qui deviennent : `        x1 3x1 2x2 +2x2 ≤ 4 − x3 = 3 (1) ≤ 12 − 2x3 = 10 (2) ≤ 18 − 3x3 = 15 (3) e De (2). 11. x3 ≥ 0 La solution optimale de ce probl` me est d´ termin´ e par le solveur d’Excel : e e e (x∗ . le solveur d’Excel e fournit cette information (voir chapitre 10). not´ d3 .4 Cout r´ duit des variables hors base ˆ e On appelle variables hors base celles dont la valeur est a z´ ro a l’optimum. . La formulation de ce probl` me est donc : e max z = 3x1 +5x2 +4x3 s. mesure l’augmentation ˆ e e de la fonction objectif si l’on accroˆt d’une unit´ la valeur de la variable xj . En effet. On perd une unit´ de x2 . 0) et z ∗ = 36 1 2 3 On constate que seuls sont rentables les chassis 1 et 2. x2 . Si on produit une unit´ de x3 .

Sensibilit´ du membre de droite. Au service de la soci´ t´ se trouvent 4 employ´ s qui travaillent chacun e ee e 40 heures semaine et dont les salaires sont fixes (ind´ pendant du volume de e production). (2) 0. x2 ) d´ termin´ e en a).c. (a) D´ terminer graphiquement la solution optimale.8 heure Tableau 11.75 $ ee e e u l’unit´ .5 heure Usinage 1.3. Mais e e la direction a promis de ne jamais exiger plus de 35 heures suppl´ mentaires e par semaine. x2 ≥ ≤ ≤ ≥ 9.75 heure 0. e e e 11. Chaque semaine.Section 11.1: Prix unitaires et quantit´ s de facteurs. (1) 8.5 Exercices 11. L’usinage se fait sur deux machines. Une firme fabrique et met sur le march´ e e 2 produits A et B.2. Interpr´ tation de la solution. a-t-on int´ rˆ t a augmenter la capacit´ du premier ou du second ee e atelier ? (c) Jusqu’` quel niveau est-il int´ ressant d’augmenter cette capacit´ ? a e e 11. e la soci´ t´ peut se procurer 400 unit´ s du mat´ riau requis au coˆ t de 4. e e ` (b) Si l’unit´ de capacit´ suppl´ mentaire coˆ te le mˆ me prix pour les deux e e e u e ateliers. Soit le probl` me lin´ aire suivant : e e e Min z = 0x1 s.1. (a) D´ terminer la valeur des prix cach´ s a l’optimum. Exercices 191 11.1.5. e e (b) D´ terminer l’intervalle maximum de variation de c1 autour de z´ ro qui e ∗ ∗ pr´ serve la solution optimale (x1 .5 heure 0.q. Pour le probl` me lin´ aire formul´ a e e e e ` l’exercice 3 du chapitre 10. e e Produit A Produit B Prix de vente 60 $ 41 $ Mat´ riau requis e 2 unit´ s e 1 unit´ e Main-d’œuvre 0. Les heures suppl´ mentaires sont pay´ es 15 $ de l’heure. disponibles chacune a ` . 3x1 5x1 3x1 + x2 + 4x2 + 2x2 − x2 x1 . (3) 0. Le prix de vente unitaire et les ressources n´ cessaires e pour fabriquer une unit´ sont donn´ es au tableau 11. Sensibilit´ aux coefficients objectif.

expression de l’objectif et des contraintes).375 19.125 -67.375 -1.E+30 -36.625 15 0 0 0 9.0E+30 Les ouvriers souhaiteraient que l’on ne fasse plus appel aux heures suppl´ mentaires. Ils exigent une augmentation de 10 $ par e heure.5 1.75 1. On peut e e ins´ rer des publicit´ s dans la presse locale. Analyse postoptimale.5 0 Coefficient objectif 60 41 -15 -4. (a) Formuler le probl` me de la maximisation du revenu net (choix des e variables. On estime que chaque $ de e e publicit´ investi pour A augmente sa demande de 8 unit´ s et chaque $ investi e e pour B augmente sa demande de 4 unit´ s.0E+30 1.75 -1 -1 Valeur minimum 20.33 -24. (b) Un logiciel d’optimisation vous fournit le listing suivant : Section contraintes : No Nom Valeur finale L1 matprem 0 L2 maxmatp 400 L3 mainoeuv 160 L4 maxhsupp 30 L5 usinage 316 L6 demandeA 40 L7 demandeB 60 L8 maxpub 65 Section variables : No Nom Valeur finale C1 produitA 40 C2 produitB 320 C3 heuresup 30 C4 matierep 400 C5 pubpourA 0 C6 pubpourB 65 Prix cach´ e 24. Ils estiment que le prix de 15 $ n’est pas une compene sation financi` re suffisante.0E+30 35. Le budget publicit´ maximum est e e de 65 $ par semaine.125 35.5 Valeur maximum 67. La demande de base du produit est au maximum de 50 unit´ s par semaine pour A et de 60 unit´ s pour B.5 Membre de droite 0 400 160 35 320 50 60 65 Valeur minimum -80 320 155 30 316 40 40 60 Valeur maximum 5.333 190 1.3333 405.192 Chapitre 11. Faut-il mieux pour l’entreprise ne plus recourir aux heures suppl´ mentaires ou acc´ der a la demande ? e e ` (c) Quel serait le revenu net que tirerait la soci´ t´ de 10 $ de d´ penses ee e suppl´ mentaires en publicit´ chaque semaine ? e e .0E+30 0 1.75 32.0E+30 1.0E+30 100 75 Co^t u r´duit e 0 0 0 0 -36. raison de 160 heures par semaine.

1 On appelle probl` me en nombres entiers la maximisation d’une e e fonction lin´ aire sous des contraintes lin´ aires lorsqu’en plus toutes les variables e e doivent etre enti` res. par exemple des disjonctions e en gestion de projet (voir chapitre 7). • des probl` mes avec des conditions logiques.Chapitre 12 La programmation en nombres entiers. etc. e e e e D´ finition 12. ˆ e D´ finition 12. • des probl` mes de choix parmi un nombre limit´ de valeurs. il existe e e une m´ thode g´ n´ rale connue sous le nom de m´ thode de branch and bound qui e e e e permet de r´ soudre bon nombre de probl` mes en nombres entiers. par exemple e e des choix de capacit´ (voir chapitre 8). 12. on ne dispose pas d’un algorithme g´ n´ ral qui permette de e e r´ soudre efficacement tous les probl` mes en nombres entiers. Cependant. de r´ soudre : e e • des probl` mes avec cout fixe de mise en route (voir chapitre 5 sur la planie ˆ fication de production). Au contraire. . e • des probl` mes de m´ lange avec nombre limit´ d’ingr´ dients.1 Introduction La programmation en nombres entiers permet de mod´ liser et. grˆ ce a la m´ thode e a ` e que nous pr´ senterons dans ce chapitre. e L’algorithme du Simplexe fournit une m´ thode de r´ solution g´ n´ rale pour tous e e e e les probl` mes lin´ aires. en programmation e e en nombres entiers.2 On appelle probl` mes mixtes entiers (MIP en anglais pour Mixed e e Integer Programming) les probl` mes comportant un certain nombre de variables e positives et un certain nombre de variables enti` res. quelle que soit leur forme. .. e e 193 .

12.1.1 Probl` mes avec couts fixes e ˆ Exemple 12. e u La repr´ sentation math´ matique de ce coˆ t fixe n´ cessite : e e u e 1. y) = Ky + mx qui devient donc purement lin´ aire. La programmation en nombres entiers.2 Formulation des probl` mes mixtes e Nous allons voir quelques probl` mes classiques n´ cessitant le recours a la proe e ` grammation mixte enti` re. u e Cette fonction est repr´ sent´ e a la figure 12. le coˆ t fixe de u ´ production. la modification de la fonction objectif en : c(x. e . e 12. e ˆ On veut repr´ senter un coˆ t de production qui est nul en l’absence de production e u et qui. u On veut donc pouvoir exprimer la fonction de coˆ t suivante : u Si x = 0.2. ainsi que d’un coˆ t proportionnel.1 Probl` mes avec cout fixe de mise en route de la production. vaut la somme d’une constante K. dans le cas contraire. c(x) = 0. o` x d´ note le niveau de production. le taux marginal etant m. l’ajout d’une variable indicatrice d’une production positive : y= 1 si x > 0 0 si x = 0 2.1) x Figure 12.194 Chapitre 12. e e ` c(x) m K (12. Si x > 0.1: Repr´ sentation d’un coˆ t fixe. c(x) = K + mx.

et y ∈ {0. 1} avec M une borne sup´ rieure sur la quantit´ produite (x). e o yi =  0 sinon Expression des contraintes : Il faut d’abord exprimer que la demande de chaque client est satisfaite. Ceci peut s’´ crire de la mani` re suivante : e e m   xij = dj . .2). repr´ sente l’ouverture du d´ pˆ t : `ˆ e e o 1 si le d´ pˆ t i est ouvert. n i=1 .2).. on peut imaginer le probl` me de l’approvisionnement des stations e services d’une compagnie p´ troli` re. l’optimiseur va automatiquement choisir y ∗ = 0.Section 12. . l’ajout des contraintes suivantes : x ≤ M y. lorsque x = 0.2. La demande annuelle de ces clients. peut e ˆ ` etre satisfaite a partir de m d´ pˆ ts. u les relations (12. u Choix des variables : Le choix le plus evident est de consid´ rer xij comme etant la partie de demande ´ e ´ du client j satisfaite a partir de l’entrepˆ t i (voir figure 12. e o e e o e Par exemple.2 Le probl` me de localisation simple. Un exemple de mise en application de ces coˆ ts e u fixes est fournit par l’exemple localisation simple qui suit. par les relations (12. . Il y a n clients pour un e certain produit. Par contre. not´ e dj pour le client j. e e 195 (12. pour ce faire. astreintes a etre binaires.2) permettent les choix y = 0 ou y = 1. de plusieurs e e emplacements possibles pour ses d´ pˆ ts. Le coˆ t fixe revient ici a l’ouverture du e o u ` d´ pˆ t. j = 1.2) Remarquons que si x > 0. La capacit´ du d´ pˆ t i est not´ e si . Elle dispose. Le coˆ t de transport entre un d´ pˆ t et une station d’essence repr´ sente le e o u e o e coˆ t du transport routier par camion citerne. on a que y = 1 et on tient compte du coˆ t fixe de mise en route de production. Cependant. Formulation des probl`mes mixtes e 3. comme on minimise. Exemple 12. Une seconde s´ rie ` o e de variables yi . Le coˆ t de transport unitaire entre le d´ pˆ t i e o u e o et le client j est donn´ par cij alors que l’utilisation du d´ pˆ t i implique un coˆ t e e o u fixe annuel d’ouverture du d´ pˆ t de fi . la solution qui evite le ´ coˆ t fixe ! u Il y a de nombreuses applications de cette mod´ lisation des coˆ ts fixes par la e u programmation mixte enti` re.

1} j=1 (12. soit il n’y a aucun pr´ l` vement au d´ pˆ t ( n xij = 0) et e o ee e o j=1 yi = 0 ou yi = 1 sont admissibles pour (12.196 Chapitre 12. l’algorithme de a u ∗ minimisation des coˆ ts choisira yi = 0 comme solution. .3) impose de respecter la capacit´ du d´ pˆ t. D’autre part. s’il y a u pr´ l` vement au d´ pˆ t ( n xij > 0). Cependant. En effet. comme ouvrir le d´ pˆ t e o (c’est-` -dire prendre yi = 1) implique un coˆ t fixe d’ouverture. e En effet.3) Expression de l’objectif : L’objectif est simplement la minimisation des coˆ ts totaux et s’exprime donc u comme : m n m min z = i=1 j=1 cij xij + i=1 fi yi On peut maintenant d´ montrer que yi est bien une indicatrice d’ouverture du e d´ pˆ t i. Elles peuvent s’´ crire de la mani` re suivante : o e e n xij ≤ si yi et yi ∈ {0. si l’on fait la somme sur tous les entrepˆ ts des parties de la demande du o client j satisfaites a partir de ces entrepˆ ts. La programmation en nombres entiers. on doit obtenir exactement la demande ` o du client. 1 1 2 si xij 2 dj i j m n Figure 12. La seconde s´ rie de contraintes exprime la liaison entre l’utilisation d’un ente repˆ t et son ouverture. Ceci e e e o est une fa¸ on tr` s classique d’exprimer des coˆ ts fixes d’ouverture via l’utilisation c e u d’une variable binaire. dans ce cas seul yi = 1 est admissible et ee e o j=1 la premi` re contrainte de (12.3).2: Probl` me de localisation simple.

Formulation des probl`mes mixtes e 197 12. e Cette disjonction peut etre r´ solue par la programmation mixte 0/1. e Un exemple typique est celui des probl` mes de gestion de projets avec contrainte e disjonctive. sans que l’on puisse dire laquelle doit etre effectu´ e en premier lieu. le syst` me (12. Deux cas sont possibles pour la variable binaire : e e e 1. est u donn´ e. dont la valeur est 1 si la tache i est r´ alis´ e e e e avant la tˆ che j et 0 dans le cas contraire : a 1 si la tˆ che i est effectu´ e avant j. a ˆ a   .5) devient : ` ti + di ≤ tj tj + dj ≤ ti + M La premi` re contrainte exprime donc que la tˆ che i doit etre finie avant que ne e a ˆ commence la tˆ che j. Les deux tˆ ches ne peuvent donc avoir lieu simule a ˆ tan´ ment. u e D´ montrons l’´ quivalence. e e Math´ matiquement. sa dur´ e. a e yij =  0 sinon On remplace alors la condition de disjonction (12.2. a 2.Section 12.4) e a e o` ti est la variable indiquant le temps de d´ but de la tˆ che i et di . Pour rappel. Cas ou yij = 1 : dans ce cas. on peut ecrire ceci par la condition suivante : e ´ soit ti + di ≤ tj si i est r´ alis´ e avant j e e tj + dj ≤ ti si j est r´ alis´ e avant i e e (12.4) par les contraintes suivantes :   ti + di ≤ tj + M (1 − yij )  t + dj ≤ ti + M yij (12. on doit d´ terminer l’enchaˆnement e e ı des tˆ ches du projet de mani` re a le r´ aliser dans le meilleur d´ lai.2 Probl` mes avec contrainte logique e Parfois des probl` mes de gestion de production comportent une condition logique. soit mettent a ˆ e e ´ en œuvre la mˆ me machine. dans ces probl` mes. Cas yij = 0 : dans ce cas.5)  j  yij ∈ {0. Il se peut que a e ` e e deux tˆ ches doivent etre effectu´ es par la mˆ me equipe d’ouvriers. En ˆ e effet. La seconde contrainte e exprime que la tˆ che j doit etre finie avant que ne commence la tˆ che i. 1} o` M note une borne sup´ rieure sur la date de fin des travaux.2.5) devient : e ti + di ≤ tj + M tj + dj ≤ ti La premi` re contrainte est automatiquement satisfaite. La seconde contrainte est automatiquement satisfaite. le syst` me (12. d´ finissons la variable binaire yij .

Autrement dit : e e e yi = 1 si xi > 0 0 si xi = 0 On introduit alors les contraintes suivantes : mi yi ≤ xi ≤ Mi yi et yi ∈ {0. Deux cas sont possibles pour la variable xi : e e 1. Alors. par exemple. par la contrainte (12. par les contraintes (12. La condition (12. e On a donc bien que yi est une indicatrice de pr´ sence de l’ingr´ dient i dans le e e m´ lange.6) o` mi est une borne inf´ rieure sur la teneur de xi dans le m´ lange et Mi est une u e e borne sup´ rieure sur la teneur de xi dans le m´ lange.3 M´ lange avec nombre limit´ d’ingr´ dients e e e Il s’agit egalement d’un probl` me g´ n´ rique conduisant a une formulation mixte ´ e e e ` enti` re. le nombre maximum d’ingr´ dients dans le m´ lange. est e ˆ e e celui du chargement de hauts fourneaux o` le nombre de charbons disponibles u est souvent nettement sup´ rieur au nombre de charbons qui peuvent etre charg´ s e ˆ e simultan´ ment.2. La programmation en nombres entiers.7) exprimera donc bien que au plus k ingr´ dients seront pris e dans le m´ lange. e e La condition du nombre maximum d’ingr´ dients dans le m´ lange s’exprime e e alors simplement par : n yi ≤ k. e e D´ montrons l’´ quivalence. la variable yi doit valoir 1 et exprime bien que l’ingr´ dient i est dans le m´ lange. Soit xi = 0.198 Chapitre 12.6).6). 1} (12. e . Alors. 12. d’un probl` me de m´ lange d’huiles o` cinq huiles e e u sont disponibles mais o` des contraintes techniques impliquent que seulement trois u huiles diff´ rentes peuvent etre pr´ sentes dans le m´ lange. d´ finissons la variable binaire yi e e e e indiquant la pr´ sence de l’ingr´ dient i dans le m´ lange. Ce nombre etant limit´ par le nombre de portes de chargement du e ´ e haut fourneau. Soit xi > 0. Si xi e ˆ e e note la quantit´ d’ingr´ dient i dans le m´ lange. e e 2. la variable yi doit valoir 0. Un autre exemple.7) avec k. Ce probl` me peut etre r´ solu par la programmation mixte z´ ro/un. e e e e C’est le cas. i=1 (12. les variables binaires indiquant la pr´ sence d’un ingr´ dient dans le m´ lange.

24 cm ou 47 cm.q. Cette m´ thode peut egalement etre appliqu´ e aux probl` mes avec variables binaires e ´ ˆ e e (z´ ro-un).4 Choix parmi un nombre discret de valeurs Dans beaucoup de probl` mes industriels. lors du dimensionnement d’une canalisation de transport e d’eau. Par exemple. 1}. On peut a nouveau mod´ liser ce choix par l’utilisation de variables binaires. . ∀i = 1. on doit choisir parmi les valeurs suivantes pour le diam` tre : e 12 cm. d´ finissons la variable x comme etant le diam` tre choisi et d´ finissons yi une e ´ e e indicatrice du fait que le diam` tre num´ ro i a et´ choisi : e e ´e yi = 1 si x = di 0 si sinon.4 La contrainte (12. .c. 2.3. En ` e effet. 17 cm. lors du dimensionnement d’un appareile lage. .8) fera en effet qu’une seule indicatrice vaudra un. s. x ≥ 0 et entiers. Elle peut egalement etre appliqu´ e aux probl` mes mixtes (MIP). On peut alors ecrire la relation suivante pour le choix du diam` tre : ´ e x = 12y1 + 17y2 + 24y3 + 47y4 avec la contrainte qu’un seul diam` tre doit etre choisi : e ˆ y1 + y2 + y3 + y4 = 1 et bien sˆ r en imposant le caract` re binaire de chaque indicatrice : u e yi ∈ {0.Section 12.8) 12.3 Principe de la m´ thode de branch and bound e La m´ thode de “branch and bound” ou encore appel´ e m´ thode de s´ paration et e e e e evaluation que nous allons maintenant d´ crire est destin´ e a r´ soudre les probl` mes ´ e e ` e e en nombres entiers du type suivant : z ∗ = max cT x Ax ≤ b. on doit choisir sa capacit´ parmi les valeurs commerciales existant sur le e march´ .2. Principe de la m´thode de branch and bound e 199 12. c’este ´ ˆ e e a-dire aux probl` mes comportant un certain nombre de variables enti` res et un ` e e certain nombre de variables continues. (12.

9).4) appartient a la e ` ` r´ gion r´ alisable : e e ∗ z(4. x1 x1 8. e e e e ` (3) x2 (2) P0 P1 P2 P3 (1) 5 4 z = 150 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 x1 Figure 12. x2 ≥ 5. e e Comme l’objectif est de maximiser.9) s. le point (4. 4) = 15 × 4 + 50 × 4 = 260 ≤ zP N E . Nous illustrons la m´ thode sur l’exemple suivant tir´ de Norbert et al [15] dont e e on a l´ g` rement modifi´ la fonction objectif : e e e z ∗ = max z = 15x1 + 50x2                 −x1 + 2x2 ≤ ≤ . Par exemple. La programmation en nombres entiers.3: Repr´ sentation de la r´ gion r´ alisable. a ´ Question 1 : comment construire une borne inf´ rieure sur z ∗ ? e La r´ ponse a cette question est a la fois simple et difficile. e e e Remarquons qu’une fa¸ on de r´ soudre le probl` me serait de construire une c e e borne sup´ rieure sur z ∗ et une borne inf´ rieure sur z ∗ et ensuite de raffiner ces e e bornes jusqu’` les egaliser. l’optimum du probl` me ne pourra qu’ˆ tre e e sup´ rieur a la valeur de z en ce point. 0 et entiers La r´ gion r´ alisable est repr´ sent´ e a la figure 12. (12. il suffit de donner une solution r´ alisable pour (12.c. pour e ` ` trouver une borne inf´ rieure.q.3.    x1 + 2x2 ≤ 14. En effet.200 Chapitre 12.

Le “crit` re de choix de la variable de branchement” adopt´ ici est de prendre e e la variable la plus distante d’un entier. Diff´ rents choix sont possibles et de ce choix peut d´ pendre l’efficacit´ e e e de la m´ thode de r´ solution. On va effectuer un branchement sur cette variable. 75 z0 = 305. on obtient comme solution de la relaxation lin´ aire le point not´ e e P0 a la figure 12. C’est aussi le premier pas de la m´ thode de branch and bound que nous e allons maintenant d´ crire sur l’exemple. Le choix de cette variable est e e heuristique.Section 12. Une alternative. Comme on maximise sur un ensemble r´ alisable plus large. Cette s´ paration e e n´ cessite le choix d’une variable de s´ paration. l’optimum e ainsi obtenu ne pourra qu’ˆ tre sup´ rieur a l’optimum du probl` me en nombres e e ` e entiers. Comme x1 ne peut prendre que des valeurs enti` res. Application a l’exemple ` 201 Cependant trouver en g´ n´ ral une solution r´ alisable pour un probl` me en nombres e e e e entiers n’est pas une mince affaire. Cette solution est inacceptable car les variables ne sont pas enti` res. il n’y a e .4.4 Application a l’exemple ` Pas 0. 5 x2 = 4. Cependant. R´ soudre la relaxation lin´ aire. e e Pour cet exemple. e 12. Brancher sur une variable non enti` re.3 : ` x1 = 4. Question 2 : comment construire une borne sup´ rieure sur z ∗ ? e Une fa¸ on de r´ pondre a cette question est de r´ soudre le probl` me lin´ aire que c e ` e e e l’on obtient a partir de (12. e est de prendre la variable la plus proche d’un entier. Dans notre exemple. il s’agit de la variable x1 . e La seconde id´ e de la m´ thode de branch and bound est (comme le nom l’indique) e e d’op´ rer une s´ paration : la r´ gion r´ alisable va etre s´ par´ e en deux sous-r´ gions e e e e ˆ e e e dont aucune ne peut contenir la solution optimale non enti` re P0 . parfois utilis´ e. e ∗ elle fournit une premi` re borne sup´ rieure sur z : e e z ∗ ≤ 305.9) en laissant tomber les contraintes d’int´ gralit´ des ` e e variables. Une fa¸ on simple de choisir cette variable est de e e c prendre la variable la plus distante d’un entier. Pas 1.

Le nœud 1 est le mod` le ` e e e e original avec en plus la restriction x1 ≤ 4. on obtient deux souse e mod` les. tandis que le nœud 2 correspond au mod` le original avec en plus la restriction x1 ≥ 5. 50 x2 = 4. x2 = 4. La programmation en nombres entiers. aucune perte de g´ n´ ralit´ d’imposer que e e e soit x1 ≤ 4 soit x1 ≥ 5 Cependant imposer cette condition va eliminer la solution courante P0 de la relaxa´ tion lin´ aire. on obtient les deux solutions suivantes : e Noeud 1 : x1 = 4.4. 5 z2 = 300. 5. e e e on imposera : soit xk ≤ N soit xk ≥ N + 1 En imposant s´ par´ ment l’une et l’autre conditions. 5 x2 4 4 x1 5 z2 = 300 x1 = 5 x 2 = 4. a un probl` me lin´ aire.202 Chapitre 12. Dans notre exemple.4: Arbre de branch and bound. Ce que l’on repr´ sente par une diae e e e gramme du type de celui de la figure 12. 75 x1 z1 = 285 x1 = 4 x 2 = 4. en e e e ´ . Remarquez que les valeurs atteintes par la fonction objectif sont moins elev´ es ´ e que dans la relaxation lin´ aire pr´ c´ dente. Noeud 2 : x1 = 5. On a ici num´ rot´ les nœuds e e e dans l’ordre o` ils ont et´ g´ n´ r´ s. x2 = 4. 5 x2 5 z3 = 290 x1 = 6 x2 = 4 z4 = ∞ Probl` eme non r´ ealisable Figure 12. u ´e e ee On peut maintenant r´ soudre les relaxations lin´ aires correspondant aux proe e bl` mes fils et fille. Ceci n’est pas etonnant : on a. En g´ n´ ral si la variable choisie xk a la valeur fractionnaire N + . Le nœud 0 au mod` le original. un mod` le fils et un mod` le fille. Chaque nœud de cette figure correspond z 0 = 305 x1 = 4. z1 = 285.

Choisir une variable pour brancher. On a une premi` re borne inf´ rieure sur la e e valeur optimale de la fonction objectif et on a donc que : 290 ≤ z ∗ Il est clair egalement qu’il n’y a aucune raison de continuer a diviser le nœud 3 ´ ` pour lequel la solution optimale du probl` me en nombres entiers a et´ obtenue. nous adoptons la r` gle de choix e e e heuristique suivante : Le “crit` re de choix du nœud a diviser” adopt´ ici est de prendre la la ree ` e laxation lin´ aire fournit la meilleure (c’est-` -dire la plus grande en cas de e a maximisation) valeur de la fonction objectif. On va donc continuer en choisissant un des deux nœuds ` pour le diviser a nouveau. e e Pas 1. A nouveau. ajout´ des contraintes et donc restreint l’espace des solutions r´ alisables. e ´e On dit que le nœud 3 est coup´ . On r´ sout e e e` e graphiquement les relaxations lin´ aires (voir figure 12.Section 12. Diviser a nouveau un nœud fils ou fille en deux. on choisit donc le nœud 2 et on r´ p` te le Pas 1. Pour cet exemple. aucune des deux solutions n’est acceptable car toutes les deux comportent des parties fractionnaires. on peut en conclure que la borne sup´ rieure sur z ∗ est : e e z ∗ ≤ max(z1 . e e Ici seule la variable x2 est non enti` re. z2 ) = 300. x2 = 4. e e Comme les deux sous-r´ gions forment une repr´ sentation contenant l’ensemble e e des solution enti` res. Application a l’exemple ` 203 effet. ` Ici. Pas 2. Ce ` e e n’est pas etonnant vu que l’on rajoute de plus en plus de contraintes. z3 = 290.3) et on obtient les solutions e suivantes : Noeud 3 : x1 = 6. Ceci est illustr´ a la figure 12. On la choisit donc pour op´ rer le branchement suivant : soit x2 ≤ 4 soit x2 ≥ 5 On ajoute s´ par´ ment chacune de ces contraintes aux contraintes du probl` me 2 e e e et on g´ n` re ainsi les nœuds 3 et 4. Le choix du nœud a diviser est a nouveau heuristique ` ` et peut a nouveau avoir une grande influence sur le temps total mis pour r´ soudre ` e le probl` me.4. ´ . Noeud 4 : non r´ alisable e Noter que.4. Pour l’illustration de la m´ thode. on a obtenu une solution enti` re dont la valeur correspone dante de la fonction objectif est 290. au nœud 3. e Remarquons aussi que le nœud 4 a conduit a un probl` me non r´ alisable.

lorsque la relaxation lin´ aire obtenue est non r´ alisable (cas du nœud 4). Remarquons. En effet. Signalons. trouv´ et aussi prouv´ que la solution du nœud 3 etait la solution e e ´ optimale du probl` me en nombres entiers. En effet. pour notre exemple. On a ainsi. 3. .204 Chapitre 12. La m´ thode est termin´ e puisqu’il n’existe plus de nœud a diviser. On n’a donc aucun espoir de trouver en poursuivant les e e calculs a la branche 1 de trouver une solution enti` re meilleure que 290. lorsque la relaxation lin´ aire obtenue fournit une solution enti` re (cas du e e nœud 3). certaines impl´ mentations demandent une borne inf´ rieure et sup´ rieure e e e e sur chaque variable. e En conclusions. il y a trois raisons de couper une branche dans l’arbre : 1. que l’on peut egalement couper la branche du ´ nœud 1. On d´ tere e ` e mine la solution optimale comme etant la meilleure solution enti` re trouv´ e. e e Si la r´ gion r´ alisable de la relaxation lin´ aire n’est pas born´ e. Il ´ e e s’agit du point P3 suivant : x∗ = 6 1 x∗ = 4 2 auquel correspond une valeur optimale de l’objectif de z ∗ = 290. On est ainsi garanti d’un nombre fini de branches dans l’arbre. pour terminer. qu’il existe une seconde m´ thode g´ n´ rale pour r´ e e e e soudre les probl` mes en nombres entiers. e Enfin terminons par les remarques g´ n´ rales suivantes. e e 2. on aurait du diviser la branche 1. Dans le ` e cas contraire. lorsque la valeur de la borne sup´ rieure est inf´ rieure a la valeur de la meile e ` leure solution enti` re obtenue (cas du nœud 1). elle g´ n` re des plans qui “coupent” les solutions fractionnaires. On peut donc couper ` ` le nœud 4. Pour eviter ce e ´ probl` me. pour terminer. Ree e marquons cependant que. La programmation en nombres entiers. il ne sert a rien de continuer a diviser ce nœud. cette m´ thode s’av` re e e moins performante (sauf a exploiter la structure particuli` re du probl` me) que la ` e e m´ thode de “branch and bound” et n’est donc pas celle qui est impl´ ment´ e dans e e e les logiciels commerciaux de programmation mixte. Il s’agit de la m´ thode dite des plans coue e pants. dans ce cas. d’un point de vue algorithmique. la valeur de z1 = 285 est inf´ rieure a la borne inf´ rieure de 290 e ` e qui vient d’ˆ tre trouv´ e. il n’y a pas e e e e de garantie de convergence de la m´ thode de branch and bound.

5 % Charbon 3 17 1% Charbon 4 10 5% Charbon 5 13 1% Charbon 6 9 5% Charbon 7 15 2% Charbon 8 11 1.8 % Le tableau 12. un ensemble d’´ metteurs de t´ l´ vision susceptibles de desservir ces e ee diff´ rentes villes au moindre coˆ t. Exercices 205 12. Par exemple. La derni` re colonne du tableau 12.5. Localisation optimale d’´ metteurs de t´ l´ vision. si on construit l’´ metteur 1. on veut savoir o` implanter. parmi divers emplacements disponibles (au nombre u de 5).1 reprend les prix et teneur en Si des charbons. De plus. Ces charbons sont entr´ s par des bandes porteuses qui sont au nombre de 4.5 % Tableau 12. Elle d´ sire affecter sa flotte d’avions e aux deux lignes int´ rieures ouvertes a la concurrence (les lignes OM et OT). ´ ` u 12. e veut d´ terminer le m´ lange r´ pondant aux sp´ cifications qui soit de coˆ t e e e e u minimum. Pour produire du coke. Probl` me d’affectation de lignes a´ riennes.2 e u e repr´ sente le coˆ t de construction de chaque emetteur. u On demande d’´ crire le programme correspondant a la d´ termination du e ` e nombre d’´ metteurs a construire afin que chaque ville soit desservie par au e ` moins un emetteur et ceci a coˆ t d’investissement total minimum.2. M´ lange de maximum 4 charbons. on m´ lange des e e charbons dans un haut fourneau o` ensuite.Section 12. e ´ 12. permettant e d’avoir au maximum 4 charbons diff´ rents dans le m´ lange.1: Teneurs en Si et prix des diff´ rents charbons. il doit l’ˆ tre a hauteur de minimum e e e ` 5%. on atteindra les e ville de Lille et Dunkerque et son coˆ t de construction est de 25. Valencienne et Basieux).3.5 Exercices 12. Etant donn´ une r´ gion e ee e e comportant quatre villes (Lille. Dunkerque. On suppose qu’il y a 8 charbons disponibles. e ` . De plus. On Charbon Prix Teneur Si Charbon 1 12 2% Charbon 2 14 2. si un e e charbon est pr´ sent dans le m´ lange. Les autres informae u ´ tions donn´ es dans le tableau concernent les villes accessibles par l’´ metteur e e s’il est construit. une r´ action a haute temp´ rature u e ` e produit le coke. Formuler le probl` me. Une petite compagnie a´ riene e e ne dispose de six avions de 150 places.1. on exige que la teneur du m´ lange en Silicium soit d’au plus e 1.

La collectivit´ locale dispose e e e e de 12 v´ hicules de collecte r´ partis comme suit : 4 dans la ville 1. et de 200 sur la ligne OT. x2 ≥ 1. ≥ −3. x1 x1 3x1 x1 4x1 2x1 x1 + x2 + x2 − x2 − 4x2 + x2 − x2 .5. Les temps de trajets entre ces . Consid´ rons le probl` me d’organisation des toure e e e n´ es de v´ hicules pour la collecte des d´ chets. les taxes d’atterrissage. Tourn´ es de v´ hicules. La programmation en nombres entiers. e ` ´ Le nombre de passagers d´ sirant effectuer chaque jour un parcours sur la e ligne OM par cette nouvelle compagnie est 500. ≤ 7. Soit le probl` me en nombres entiers e e suivant : z ∗ = max s. Le coˆ t marginal (frais variables tels que le carburant. Ville ´ Emetteur 1 ´ Emetteur 2 ´ Emetteur 3 ´ Emetteur 4 ´ Emetteur 5 Lille 1 1 Dunkerque 1 Valencienne Basieux Coˆ t u 25 1 30 15 1 1 35 90 1 1 1 1 1 Tableau 12. . ≥ −14. e e 12. e e 12. u etc. (b) R´ soudre par la m´ thode de branch and bound en r´ solvant chaque fois e e e la relaxation lin´ aire de mani` re purement graphique. 1 dans la ville 3 et 4 dans la ville 4. ≤ 20. On d´ sire minimiser le coˆ t d’exploitation en satisfaisant la demande. e u (a) Formuler math´ matiquement le probl` me de la meilleure affectation e e de la flotte de cette compagnie.c.206 Chapitre 12. ) d’un voyage sur la ligne OM est de 4 et de 3 sur la ligne OT.2: Accessibilit´ des villes a partir des emetteurs.q. 3 dans la e e ville 2. . ≥ 0 et entiers R´ soudre par la m´ thode de branch and bound en r´ solvant les relaxations e e e lin´ aires de mani` re purement graphique.4. M´ thode de branch and bound.

e e (b) Formuler le probl` me de minimisation du temps total pour aller a l’ine ` cin´ rateur comme un probl` me en nombres entiers sur r´ seau. On veut d´ terminer comment satisfaire les commandes e accept´ es avec le minimum de bobines m` res. e deux de largeur 64 et deux de largeur 35. le papetier peut. e e (a) Formuler le probl` me comme un probl` me en nombres entiers.Section 12. e e il y a des pertes connues sous le nom de chutes. par exemple. il suffit d’assurer la e ` e coupe transversale d’un certain nombre de bobines m` res. La largeur des bobines m` res e est de 215 cm et leur longueur de 250 m. e .3. Exercices villes et l’incin´ rateur sont les suivants : e Vers ville 1 ville 2 ville 3 De la ville 1 0 10 ∞ De la ville 2 10 0 5 De la ville 3 ∞ 5 0 De la ville 4 ∞ ∞ 5 De l’incin´ rateur e 45 ∞ 20 ville 4 incin´ rateur e ∞ 45 ∞ ∞ 5 20 0 ∞ ∞ 0 207 (a) Repr´ senter sous forme d’un graphique le r´ seau de transport.5. D´ coupe de bobines m` res. e e Leur clients peuvent leur r´ clamer des rouleaux de diverses largeurs et de e diverses longueurs. combiner trois e coupes de largeur 64 cm dans la mˆ me bobine. 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. Les commandes accept´ es par le e papetier sont reprises au tableau 12. mais aussi.3: Commandes accept´ es. Pour satisfaire e les commandes accept´ es.4. par exemple. e e e (c) R´ soudre au moyen du solveur d’Excel. Comme il est fr´ quent que ni la largeur ni la longueur e des bobines m` res ne soient des multiples de celles de rouleaux command´ s. e command´ s est identique a celle des bobines m` res.6. e e (b) R´ soudre au moyen du solveur d’Excel. e 12. Toutes les possibilit´ s sont reprises e au tableau 12. Les papetiers fabriquent des rouleaux de papier e e dont la largeur est fix´ e par les caract´ ristiques des machines de production.

Optimisation du plan directeur de production Une soci´ t´ voudrait etablir ee ´ son plan directeur de production.5. pour des raisons commerciales. 12.5: Optimisation du plan directeur de production. On fera attention a bien e ` distinguer les variables ind´ pendantes des variables d´ pendantes. De plus.7. On suppose que les licenciements et les embauches de personnel ne peuvent se r´ aliser qu’en d´ but de chaque e e trimestre. La programmation en nombres entiers. Ce niveau minimum est donn´ e e au tableau 12. c’est-` -dire les quantit´ s a produire chaque a e ` trimestre ainsi que les ressources a mobiliser chaque trimestre pour pouvoir ` satisfaire la demande a coˆ t total annuel minimum. Le nombre de jours ouvrables est e egalement repris au tableau 12. Ceci afin de faire face aux demandes du d´ but du trimestre suivant. du coˆ t de licenciement et du coˆ t de stockage). Largeur 1 64 3 60 0 35 0 Chute 23 2 3 2 2 1 0 0 2 27 17 4 5 6 1 1 1 2 1 0 0 2 4 31 21 11 7 0 3 1 0 8 9 10 0 0 0 2 1 0 2 4 6 25 15 5 Tableau 12. Les temps partiels sont permis. e e e (b) R´ soudre au moyen du solveur d’Excel. On demande de d´ terminer les engagements et licenciements d´ but de chaque e e trimestre. Il y a un effectif initial de 32 ouvriers et un ´ stock initial de 0. Le u coˆ t de licenciement est de 50 000 euros. Le coˆ t de stockage d’une unit´ u u e pendant un trimestre est de 10 euros. peut produire 150 unit´ s par jour ouvrable. de mani` re a ce que l’effectif du mois soit suffisant pour satisfaire e ` la demande (aucune rupture de stock n’est permise) a coˆ t total minimum ` u (somme du coˆ t d’embauche. La demande pour les 4 ` u prochains trimestres est donn´ e au tableau 12. On suppose qu’un ouvrier e 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 12.4: Modes de coupe.5.5. Le coˆ t d’embauche d’un ouvrier est de 20 000 euros. u u u (a) Formuler le probl` me comme un probl` me lin´ aire. on souhaite avoir un niveau minimum de stock en fin de chaque trimestre. e e .208 Chapitre 12.

LIEBERMAN. Barry RENDER. Olivier BRUEL. MASSON. 8` me edition. [3] EXCEL. 2000. Michel GREIF et e Christian VAN DELFT. [2] BROOKE Anthony. Upper Saddle River. GAMS User’s guide Release 2. Introduction to Operations Research. Alain GARREAU. Organisation et gestion de la production. [6] HEIZEZ Jay. HILLIER et G. 1984. Operations Management.Bibliographie [1] BAGLIN G´ rard. e ´ [8] F. JAVEL. 2007. e Economica. G. Eyrolles. LIEBERMAN. 2006. Management Industriel et Logistique. [10] Lee KRAJEWSKI. e ´ 2000. HILLIER. Linear and Nonlinear Programming. Manoj MALHOTRA et Larry RITZMAN. Addison Wesley. Upper Saddle River. Peare ´ son Education. 2001. 6` me edition. M. San Francisco. 209 .S. Paris.S. 3` me Edition. Microsoft.25. 2003. 8` me edition. Singapour. [12] D. e ` Economica. Optimisation appliqu´ e a la gestion et a l’´ conomie. Mac Graw-Hill International Editions. Guide de l’utilisateur. 1997. David KENDRICK et Alexander MEERAUS. [9] G. 1` re edition. Introduction to Management Sciences. 1992. Paris. The Scientific Press. e ´ ` e [11] LACAZE Dominique. LUENBERGER. [5] GUERET Christelle.S. 1995. Applications of optimization with XPRESS-MP. 3` me Edition. [4] GIARD Vincent. Mac Graw-Hill International Editions. 1992. Pearson Education. Econoe mica. Gestion de la production et des flux.S. Operations Management. Paris. HILLIER et G. Christian PRINS et Marc SEVAUX. 1990.S. [7] F. Boston.

B. Wiley. John Wiley. WILLIAMS. MAC CLAIN. OUELLET et R.O.J. Upper Saddle River. 8` me edition. L. Integer and Combinatorial Optimization. 1988. G. 1992. Pearson e ´ Education. New York. Montr´ al-Paris. Operations Resaerch: an Introduction. PARENT. Model building in Mathematical Programming.P. [14] NEMHAUSER. La recherche op´ rationnelle. Model solving in Mathematical Programming. 1990. 1995.A. WILLIAMS. e Ga¨ tan Morin Editeur. Operations Management: Production of Goods and Services.210 Bibliographie [13] J. [17] M. e e [16] Hamdy TAHA. MAZZOLA. .P. 1992. 2007. et L. R. Prentice Hall. John Wiley. NORBERT. WOLSEY. [18] M.L. [15] Y. THOMAS et J.

σ) P (X > S ∗ ) = 211 .1 La gestion calendaire de stock Cout de gestion : ˆ C(S) = cp Ip (S) + cr Ir (S) (+cc 1) e e avec Ip (S) = stock moyen poss´ d´ : ¯ Ip (S) = S − X + Ir (S) (cas de stock a rotation nulle) ` Ip (S) = S− ¯ X 2 + Ir (S) 2 (cas de stock a rotation non nulle) ` si X ∼Poisson(λ) si X ∼ N (µ.Annexe A Formulaire pour la gestion de production A. σ) et Ir (S) = nombre moyen de demandes non satisfaites : Ir (S) = λP (X > S − 1) − SP (X > S) Ir (s) = σg(tS ) avec : tS = ¯ S−X σ Politique optimale en stock a rotation nulle : ` S ∗ tel que P (X > S ∗ ) ≤ S ∗ tel que cp ≤ P (X > S ∗ − 1) cp + cr cp P (X > S ∗ ) = cr + cp si X ∼ Poisson(λ) si X ∼ N (µ. σ) Politique optimale en stock a rotation non nulle : ` S ∗ tel que P (X > S ∗ ) ≤ S ∗ tel que cp cr + cp 2 ≤ P (X > S ∗ − 1) cp cr + cp 2 si X ∼ Poisson(λ) si X ∼ N (µ.

2 La gestion par point de commande Niveau optimal de commande optimal : q∗ = avec cp D = = 2cc D cp coˆ t unitaire de possession durant un an en stock. e e = demande annuelle. = stock moyen poss´ d´ . A. Point de commande optimal : s∗ = DL avec L = d´ lai d’approvisionnement. Formulaire pour la gestion de production Cons´ quences economiques du choix : e ´ • coˆ t de gestion : u C(S) = cr Ir (S) + cp Ip (S) (+cc 1) • marge nette moyenne : ¯ B(S) = mu X − C(S) avec mu . e e . = quantit´ optimale command´ e. la marge unitaire. exprim´ en ann´ e. u demande annuelle. e e e Calcul du stock moyen poss´ d´ et du nombre moyen de commandes : e e Ip (q ∗ ) = q∗ D et Ic (q ∗ ) = ∗ 2 q Cout de gestion en univers certain : ˆ C(q ∗ ) = cc Ic (q ∗ ) + cp Ip (q ∗ ) = cc avec Ic (q) Ip (q) D q∗ D q∗ + cp q∗ 2 = nombre moyen de commandes par an.212 Annexe A.

q) + cr Ir (s. se calcule par la e c formule de la gestion calendaire : c Ir (s) = λP (XL > s − 1) − sP (XL > s) c Ir (s) = si XL ∼Poisson(λ) si XL ∼ N (µL . q) La quantit´ economique q est d´ termin´ e par : e´ e e q∗ = 2cc D ¯ avec D = X cp 213 Le point de commande s est d´ termin´ en utilisant la gestion calendaire pendant e e le d´ lai d’obtention L (cas de la rotation non nulle) : e P (XL > s∗ ) = cp cr + cp /2 q∗ . q) = cc Ic (q) + cp Ip (s. le point de commande s est d´ termin´ par (cas e e de la rotation non nulle) : s∗ tel queP (XL > s∗ ) ≤ cp cr + cp 2 ≤ P (XL > s∗ − 1) Cons´ quences economique du choix : e ´ • Le stock de s´ curit´ est la diff´ rence entre le point de commande et la dee e e mande moyenne durant L : s∗ − DL • Le nombre de commandes par an est d´ termin´ par : e e Ic (q) = D q • Le nombre moyen de ruptures par commande.Section A. La gestion par point de commande Cout de gestion en cas de demande al´ atoire : ˆ e C(s. le coˆ t unitaire de possession entre deux commandes : cp = c p La demande XL durant L suit une loi Normale de moyenne : µL = Lµ et de 2 variance : σL = Lσ 2 .2. σL ) σL g(tS ) avec tS = ¯ s − XL σL . not´ Ir . Dans le cas de la loi Poisson. D u avec cp .

e e = marge de s´ curit´ . temps total requis par un article. e e Ne ≥ avec Cu Qe k Tr α A. q) = I c (s) q + (s − DL) + r .4 ´ Equilibrage d’une chaˆne de production ı nc − T nc nombre de postes de travail. Formulaire pour la gestion de production • Le nombre moyen de ventes manqu´ es par an s’´ l` ve donc a : e ee ` c Ir (s. 2 2q r A. temps d’un cycle. q) = Ic (q) × Ir (s) • Le stock moyen poss´ d´ en cas de ventes manqu´ es perdues : e e e Ip (s. e = taille economique des lots fabriqu´ s en amont.5 Calcul d’annuit´ s e n t=1 1 1+i t = 1 − (1 + i)−n i avec n i = = nombre d’ann´ es. RE = avec n c T = = = A.3 Les techniques de juste a temps ` D´ termination du nombre d’´ tiquettes : e e (1 + α)Cu Tr + Qe k = consommation du poste aval en unit´ s par minute. . q) = DL c q + (s − DL) + I (S). ´ e = la capacit´ d’un conteneur.214 Annexe A. 2 2 • Le stock moyen poss´ d´ en cas de ventes manqu´ es diff´ r´ es : e e e ee Ip (s. e taux d’actualisation annuel. e = temps de r´ action du syst` me.

0000 0.0011 0.0754 0.0000 0.1393 0.2592 0.0001 0.0369 0.1 0.0265 0.0000 0.0487 0.0001 0.2953 0.25 0.0000 0.0102 0.0000 0.0902 0.1813 0.Annexe B Tables pour la gestion de stocks B.0001 0.0616 0.0022 0.0000 0.0001 0.0000 0.0488 0.0000 0.0000 0.0000 0.45 0.0008 0.0079 0.1 x 0 1 2 3 4 5 Table de la loi Poisson(λ) λ 0.0144 0.3624 0.0047 0.0005 0.3297 0.0012 0.0175 0.3 0.0055 0.2 0.0000 0.2212 0.3935 0.0005 0.0000 0.0000 0.0036 0.0018 0.5 0.0109 0.0000 0.35 0.0000 0.0952 0.0003 0.0000 0.15 0.0002 0.0000 Donne la probabilit´ P [Poisson(λ) > x] e 215 .0000 0.4 0.0000 0.05 0.0002 0.0012 0.0000 0.0000 0.

1912 0.0000 0.6321 0.0000 0.0656 0.75 0. Tables pour la gestion de stocks λ x 0 1 2 3 4 5 6 7 8 0.0341 0.1912 0.0000 0.0073 0.0034 0.0014 0.0001 0.0037 0.0006 0.1219 0.0006 0.0001 0.55 0.2642 0.0000 Donne la probabilit´ P [Poisson(λ) > x] e .0000 0.2093 0.0000 0.5507 0.0000 0.0000 1.0000 0.0045 0.0000 0.0000 0.0000 0.0018 0.85 0.0000 0.4780 0.0549 0.0000 0.0058 0.216 Annexe B.6 0.0004 0.0190 0.0001 0.9 0.0185 0.0025 0.0803 0.5276 0.0000 0.5034 0.7769 0.0000 0.0008 0.1734 0.0000 0.1386 0.0000 0.4231 0.0629 0.0003 0.0000 0.2275 0.0111 0.1558 0.1057 0.0405 0.0023 0.0044 0.5 0.0000 0.0000 0.0000 0.0003 0.0186 0.0000 0.0000 1 0.5934 0.0283 0.7 0.8 0.0002 0.0474 0.0011 0.65 0.0003 0.5726 0.0231 0.0000 0.0000 0.0000 0.0002 0.0001 0.0009 0.0000 0.4422 0.4512 0.0000 0.0091 0.0135 0.

0839 0.3937 0.0267 0.0000 0.8488 0.0000 0.0071 0.0000 6.2149 0.0020 0.0000 4 0.9817 0.0527 0.1334 0.0012 0.0839 0.0006 0.9959 0.0000 4.0000 0.0000 0.3528 0.0000 0.0166 0.5665 0.8647 0.0000 0.0000 0.4562 0.0028 0.0003 0.0137 0.2971 0.0511 0.6425 0.0000 0.0000 0.9596 0.9887 0.9985 0.1528 0.3233 0.8264 0.7127 0.0000 0.1107 0.2424 0.0001 0.2560 0.0081 0.0000 0.9933 0.Section B.0010 0.2084 0.5768 0.0036 0.0160 0.8753 0.0088 0.0538 0.5 0.0000 0.3840 0.0001 0.0000 0.9502 0.0038 0.2746 0.0000 0.7350 0.1424 0.0000 6 0.2378 0.0099 0.0000 0.9734 0.0011 0.1088 0.9380 0.1847 0.0000 3.1905 0.0119 0.5 0.0003 0.1689 0.1.0420 0.1429 0.9570 0.0000 0.0024 0.0171 0.6792 0.0002 0.0142 0.0000 0.0011 0.0000 0.0002 0.0000 0.0000 0.0033 0.6577 0.3712 0.0000 0. Table de la loi Poisson(λ) λ x 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0.0008 0.0000 0.0001 0.0110 0.0000 0.8882 0.0253 0.1226 0.9889 0.0002 0.9826 0.0000 0.0030 0.0000 0.0000 2.0000 0.0017 0.4679 0.0000 0.0000 0.0001 0.0000 0.0001 0.0042 0.7149 0.0011 0.0000 0.0201 0.0000 0.0001 0.0000 0.0426 0.0000 5.0000 3 0.0000 0.6310 0.9389 0.5 0.0000 0.7763 0.0003 0.0001 0.0214 0.0000 217 Donne la probabilit´ P [Poisson(λ) > x] e .0000 0.0000 0.0005 0.0318 0.9698 0.0000 0.0000 0.0000 0.0668 0.0000 0.7983 0.0339 0.0335 0.0004 0.3140 0.0001 0.0009 0.9084 0.0007 0.7619 0.5940 0.0653 0.9116 0.5 0.1056 0.5543 0.4735 0.8009 0.0000 0.0003 0.0000 0.0000 5 0.0014 0.9975 0.9179 0.5 0.0403 0.0681 0.0001 0.0866 0.0045 0.0000 0.0000 0.8641 0.4634 0.4711 0.0002 0.0002 0.0000 0.3272 0.0003 0.0067 0.0055 0.0000 0.5595 0.0045 0.

9907 0.0533 0.1460 0.7313 0.4075 0.0000 0.0053 0.0141 0.5 0.0000 0.9460 0.0002 0.4170 0.0035 0.0001 0.2709 0.9256 0.0046 0.1119 0.0000 0.5 0.0020 0.0000 0.9988 0.0909 0.3113 0.0559 0.9409 0.6144 0.4013 0.0000 7.6595 0.0010 0.0001 0.0082 0.1355 0.9992 0.7798 0.0076 0.6218 0.0128 0.0000 0.0004 0.9953 0.0005 0.9542 0.0004 0.0415 0.9963 0.0000 0.2364 0.0000 0.0020 0.9851 0.2280 0.0000 0.5470 0.4207 0.0009 0.0739 0.1019 0.0024 0.0138 0.0270 0.3470 0.0000 0.0000 0.5421 0.0335 0.9699 0.0000 0.8843 0.0630 0.0000 12 1.9989 0.3547 0.0066 0.7576 0.0003 0.0000 0.9995 0.0005 0.0177 0.0792 0.0030 0.2940 0.5 0.0374 0.0001 0.6993 0.9450 0.9938 0.0001 0.1970 0.0000 0.0177 0.8699 0.9105 0.5443 0.5369 0.9849 0.1513 0.0047 0.0000 10 1.0000 0.0111 0.9999 0.0007 0.4754 0.0002 0.9981 0.0000 0.3380 0.1695 0.0000 Donne la probabilit´ P [Poisson(λ) > x] e .0000 0.9707 0.218 Annexe B.0001 0.0000 0.0000 0.0342 0.7438 0.9998 0.0000 0.0000 0.0089 0.0093 0.0010 0.5401 0.0008 0.9951 0.0116 0.9997 0.0427 0.9182 0.0000 0.2366 0.0000 0.9927 0.7483 0.9972 0.9115 0.0003 0.9988 0.2834 0.1636 0.9214 0.0061 0.0001 0.0016 0.0835 0.0000 1.0000 0.0003 0.0173 0.4240 0.0011 0.0000 8.0043 0.0000 0.0600 0.0000 0.0427 0.9329 0.0000 0.0000 0.7586 0.7932 0.0000 0.4769 0.1242 0.0000 0.0000 0.0007 0.0985 0.0926 0.1841 0.9958 0.6672 0.0001 0.9924 0.0000 0.0037 0.0000 0.0000 0.0322 0.9970 0.4270 0.3032 0.1378 0.0000 0.5503 0.8270 0.0000 0.0000 0.0270 0.0000 0.0000 0.0143 0.0000 0.6468 0.0103 0.0000 0.1013 0.0013 0.0072 0.8450 0.0057 0.0000 9.0040 0.0000 0.0220 0.8351 0.0000 0.1556 0.0030 0.0004 0.6528 0.4782 0.0000 0.6761 0.9625 0.9576 0.9797 0.9995 0.0002 0.9999 0.4126 0.3185 0.0698 0.0002 0.2236 0.3249 0.0000 0.0024 0.2084 0.0216 0.0015 0.0000 0.0010 0.0638 0.9999 0.0001 0.6866 0.0213 0.0000 8 0.0000 0.0003 0.0487 0.0274 0.0001 0.0000 0.9862 0.7680 0.9797 0.0000 0.0000 0.1645 0.2187 0.8679 0.9004 0.0005 0.9994 0.0007 0.0001 0.0000 0.0000 13 1.0000 0.0000 11 1.0000 0.8342 0.8504 0.0001 0.2480 0.9897 0.0000 0.0000 0.0250 0.1095 0.9991 0.0000 0.8568 0.0001 0.9998 0.8088 0.9977 0.0016 0.9002 0.0000 0.0023 0.9893 0.0000 9 0.9597 0.0000 0.9704 0.9998 0.0514 0.6082 0.9788 0.9741 0.0020 0.0000 0. Tables pour la gestion de stocks λ x 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 7 0.5384 0.

6415 0.0000 0.0000 18 1.0022 0.0001 0.7192 0.9696 0.0011 0.0683 0.0252 0.8574 0.0000 1.1385 0.0000 15 1.2577 0.0001 0.0050 0.0000 0.0005 0.4340 0.0004 0.9996 0.0288 0.0479 0.0103 0.9997 0.1248 0.0000 0.9739 0.1011 0.9993 0.9995 0.0000 1.0004 0.1318 0.0033 0.9990 0.3306 0.7991 0.9451 0.0009 0.0000 1.9998 0.0017 0.1945 0.0000 0.0006 0.0131 0.9998 0.9874 0.8650 0.2441 0.0112 0.6368 0.0223 0.9301 0.9960 0.0050 0.0059 0.0765 0.0001 0.0000 1.0010 0.0000 0.9986 0.0327 0.9999 0.0013 0.0001 0.5314 0.0006 0.0041 0.0000 0.Section B.0000 0.7400 0.5343 0.7255 0.9567 0.0026 0.0582 0.7919 0.9684 0.0406 0.4378 0.9083 0.0000 1.0000 1.0062 0.0830 0.0027 0.0002 0.0000 0.8243 0.9820 0.0000 0.0000 17 1.7324 0.0531 0.4319 0.6325 0.0000 0.9999 0.0000 0.0000 0.9780 0.9991 0.3450 0.0000 1.0633 0.0000 0.2511 0.0018 0.0001 0.9929 0.8152 0.0000 0.1805 0.9982 0.9945 0.9972 0.0002 0.0953 0.3407 0.9153 0.1728 0.1878 0.0000 0.1174 0.0000 0.0000 16 1.9979 0.9379 0.5356 0.0000 0.3359 0.8815 0.0367 0.0892 0.0167 0.2693 0.9846 0.8906 0.0007 0.9226 0.0152 0.9626 0.0003 0.6285 0.7133 0.0003 0.0446 0.6249 0.8730 0.9999 0. Table de la loi Poisson(λ) λ x 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 14 1.0088 0.0001 0.2009 0.0001 0.4360 0.3491 0.0000 0.0014 0.0173 0.9924 0.0000 1.9946 0.0195 0.2637 0.0000 0.5333 0.0093 0.9900 0.0000 0.9971 0.0001 0.1449 0.9509 0.4296 0.0002 0.0033 0.0000 0.9858 0.0000 1.0000 1.1.5323 0.8069 0.0075 0.0000 1.0000 219 .0282 0.

9 2.0022 0.0594 0.3936 0.1562 0. Tables pour la gestion de stocks B.0301 0.0021 0.05 0. 1) zj 0.1894 0.0823 0.1446 0.4404 0.1660 0.9 3.0107 0.3409 0.0026 0.0838 0.0041 0.1075 0.0170 0.1210 0.0901 0.0078 0.0051 0.0075 0.0052 0.2 2.7 2.2483 0.0392 0.0104 0.0014 0.1170 0.0681 0.1038 0.0183 0.0039 0.0150 0.2946 0.0013 0.9 1.3050 0.02 0.2327 0.0322 0.0336 0.0018 0.1003 0.2061 0.0062 0.0132 0.3336 0.3557 0.5 2.0764 0.0869 0.0110 0.2206 0.1190 0.4443 0.0048 0.0091 0.1230 0.1056 0.0793 0.1949 0.0166 0.0262 0.0427 0.0212 0.00 0.0655 0.08 0.2296 0.4920 0.2546 0.3121 0.0516 0.0139 0.0020 0.0036 0.2843 0.0735 0.0038 0.4364 0.0934 0.0024 0.0084 0.0027 0.3821 0.0179 0.2877 0.0 Table de la loi normale Z ∼ N (0.0013 0.3594 0.4013 0.0418 0.1635 0.1469 0.6 2.0089 0.4 1.2676 0.0015 0.8 1.4052 0.0129 0.1251 0.2776 0.3669 0.0082 0.2 0.0217 0.2709 0.0384 0.1401 0.3520 0.1292 0.0359 0.0032 0.0188 0.0778 0.4681 0.2514 0.0307 0.1922 0.3156 0.0446 0.0031 0.1271 0.1977 0.3745 0.1762 0.0154 0.0505 0.1685 0.3859 0.3 1.0025 0.0222 0.0069 0.2420 0.0351 0.3707 0.0409 0.0011 0.0057 0.0207 0.0113 0.4721 0.0016 0.0436 0.2090 0.03 0.0011 0.0465 0.0035 0.0951 0.1112 0.0582 0.0281 0.0049 0.0099 0.1314 0.0040 0.0239 0.0668 0.0526 0.0030 0.0548 0.1492 0.0174 0.4801 0.0375 0.0015 0.0012 0.2 P zi 0.0367 0.0968 0.0228 0.0125 0.0019 0.0274 0.4247 0.04 0.0011 0.0233 0.0192 0.1 1.4207 0.0054 0.2119 0.0618 0.0162 0.0268 0.0014 0.0037 0.0043 0.1711 0.0102 0.0087 0.3 0.0019 0.1357 0.0066 0.01 0.0146 0.1379 0.0455 0.0158 0.3632 0.2981 0.6 0.1093 0.0 2.4880 0.3192 0.0606 0.4522 0.0033 0.2743 0.0010 Donne la probabilit´ P (Z > zi + zj ) e .4325 0.2177 0.4840 0.0073 0.1 2.0071 0.3897 0.0244 0.0059 0.2611 0.3264 0.1423 0.4 0.0256 0.0401 0.4960 0.3783 0.1539 0.0016 0.0571 0.2912 0.4286 0.0012 0.2358 0.4483 0.0202 0.3015 0.0708 0.2 1.3300 0.2005 0.1587 0.2643 0.1515 0.0136 0.0197 0.0643 0.1 0.0485 0.220 Annexe B.3446 0.4761 0.0044 0.3372 0.0013 0.0853 0.0694 0.0985 0.1841 0.0 1.0023 0.8 0.0294 0.0143 0.0028 0.0885 0.1020 0.0096 0.4562 0.4602 0.0029 0.0055 0.0047 0.0475 0.5 1.0329 0.09 0.2033 0.2148 0.0021 0.5 0.0064 0.0023 0.1814 0.0749 0.1788 0.0287 0.0068 0.0250 0.4168 0.0116 0.0119 0.0559 0.0314 0.1335 0.06 0.0537 0.0 0.0010 0.4 2.8 2.0026 0.5000 0.0495 0.0122 0.2810 0.2266 0.0808 0.2578 0.4129 0.7 0.0344 0.2236 0.3 2.07 0.2389 0.0630 0.3483 0.0721 0.1131 0.0045 0.0080 0.1736 0.0060 0.4641 0.1611 0.1867 0.0018 0.3974 0.3085 0.6 1.2451 0.0094 0.0918 0.0034 0.4090 0.1151 0.3228 0.0017 0.7 1.

1171 1.6503 0.8906 2.7309 2.5981 0.02 3.4274 1.7088 1.4326 2.4721 2.5120 2.6706 1.2839 2.7047 0.2561 1.0183 1.1513 1.5479 1.8433 1.4821 2.8625 1.5013 1.3726 1.2828 1.6711 2.0702 2.2 -1.0771 1.2916 1.4183 1.3929 2.5318 2.1753 2.1261 2.4456 g(tS ) ti -3 -2.2 -2.8107 2.6801 1.4425 2.7109 2.7182 1.0603 2.2739 1.5949 1.0672 1.9923 0.5363 0.9360 0.0378 1.4784 0.8805 2.4524 2.3636 1.2246 2.0004 0.5107 1.7906 0.9105 2. Table pour le calcul de Ir (S) 221 B.8277 0.7 -1.6811 2.7853 1.3531 2.6772 0.4840 0.7328 0.5855 1.1859 1.6174 0.8 -2.6239 0.5668 0.2 -0.9694 1.01 3.0868 1.3 -1.9440 0.4092 1.9504 2.3096 1.3 -0.4551 1.3037 2.4000 1.6 -1.8812 0.4297 0.5484 0.4643 1.4225 2.1064 2.5 -1.4897 0.0415 0.6 -0.1599 1.7909 2.5186 0.4624 2.04 3.6304 0.6840 0.7758 1.1256 1.03 3.2445 2.9202 0.6896 1.3334 2.9904 2.0304 2.7 -2.9045 0.6 -2.8308 2.2049 2.8128 0.0005 2.2473 1.05 3.3.9402 1.7980 0.3828 2.7010 2.8054 0.1457 2.0749 0.6327 1.9 -0.1428 1.3434 2.2146 2.8889 0.5200 1.7760 0.9519 0.8405 2.5716 2.06 3.5011 0.0918 1.2740 2.1773 1.6992 1.9889 1.9013 1.5918 0.5020 2.1002 1.8581 0.7661 1.0476 1.1342 1.9842 0.0280 1.7508 2.5517 2.6115 2.2650 1.3818 1.0168 0.7374 1.9760 0.7470 1.4509 0.4126 2.1947 1.5606 0.6569 0.6436 0.5915 2.1686 1.3275 1.6513 2.4736 1.9305 1.4458 1.5419 2.2121 1.3186 1.1852 2.7951 1.0250 0.5424 0.0104 2.4922 1.4141 0.8429 0.3989 0.3006 1.00 3.1 0 .7608 2.8353 0.8529 1.2296 1.4728 0.8143 1.5617 2.7686 0.6910 2.5574 1.4244 0.5817 2.0499 0.8735 0.7399 0.1087 1.07 3.6232 1.7614 0.5 -2.4193 0.7279 1.8006 2.3234 2.7833 0.8723 1.8240 1.8047 1.8 -0.8967 0.4366 1.5387 1.7409 2.3909 1.8705 2.5730 0.6370 0.7187 0.3730 2.6109 0.8916 1.8335 1.6045 0.9281 0.4829 1.4564 0.0403 2.5 -0.9207 1.6312 2.2344 2.0666 0.5127 0.1164 2.6611 1.2384 1.4 -1.9004 2.9406 2.1654 2.0086 0.4954 0.3137 2.8 -1.4920 2.0967 1.7566 1.6414 2.9111 1.3 Table pour le calcul de Ir (S) tj 0.4 -0.5304 0.8820 1.9987 1.1556 2.2938 2.4040 0.4349 0.1 -1 -0.5761 1.6043 1.09 3.0505 2.9499 1.0804 2.7 -0.6909 0.9599 0.4090 0.9 -2.5545 0.5855 0.9 -1.3365 1.8207 2.9704 2.4618 0.7209 2.2034 1.6612 2.Section B.6516 1.8203 0.3455 1.2209 1.8506 2.0202 2.0833 1.6138 1.4673 0.9305 2.2543 2.3632 2.4402 0.9597 1.5069 0.3 -2.0582 0.5792 0.2641 2.9204 2.0903 2.6214 2.6704 0.0333 0.6422 1.6014 2.9805 2.4027 2.9123 0.9792 1.5667 1.7542 0.7117 0.8504 0.1359 2.1 -2 -1.7809 2.9680 0.5245 0.0084 1.6636 0.9606 2.6978 0.7471 0.5218 2.7257 0.0574 1.8607 2.08 3.8658 0.1949 2.4 -2.5293 1.3546 1.7708 2.

0002 0.0005 0.0102 0.0322 0.0019 0.1358 0.04 0.0336 0.0659 0.0041 0.0418 0.0029 0.5 1.0084 0.1381 0.0080 0.0004 0.0196 0.0064 0.0009 0.0007 0.0005 0.3 0.2445 0.1202 0.0174 0.2481 0.0009 0.2009 0.0116 0.0147 0.0950 0.0699 0.5 0.3464 0.1857 0.0267 0.0140 0.0005 0.0083 0.2986 0.0004 0.0539 0.0409 0.0125 0.0007 0.0968 0.0005 0.0071 0.0206 0.3418 0.1023 0.2203 0.0006 0.0107 0.7 2.0105 0.0064 0.0216 0.1119 0.0516 0.0293 0.0025 0.0686 0.0143 0.0436 0.0006 0.0034 0.0012 0.0426 0.0182 0.0609 0.0004 0.0123 0.0188 0.0009 0.0008 0.0028 0.0621 0.0634 0.5 2.4 0.1080 0.3027 0.2374 0.7 0.0024 0.0383 0.2745 0.0015 0.0052 0.0034 0.2668 0.0307 0.0008 0.0986 0.1633 0.0006 0.0211 0.0008 0.0004 0.0287 0.0279 0.0037 0.1742 0.0238 0.0002 0.2 1.0037 0.1140 0.0153 0.0496 0.1947 0.02 0.0017 0.0866 0.0074 0.1477 0.0021 0.0882 0.0009 0.0057 0.0003 0.1181 0.0092 0.3841 0.0026 0.8 2.3154 0.0010 0.0227 0.0061 0.0120 0.2555 0.3697 0.0046 0.1503 0.0005 0.0004 0.0374 0.0006 0.0899 0.0446 0.2270 0.0129 0.1714 0.0094 0.0007 0.1267 0.3649 0.0756 0.1554 0.0818 0.09 0.0158 0.0011 0.0550 0.1528 0.0528 0.0078 0.0003 0.00 0.1099 0.0089 0.0097 0.0366 0.3940 0.0300 0.0673 0.0014 0.0026 0.0016 0.0249 0.0005 0.2945 0.3284 0.3197 0.4 1.9 2 2.1060 0.3602 0.8 1.0017 0.0038 0.0006 0.6 0.0802 0.2904 0.6 2.1245 0.2592 0.1 2.1771 0.1686 0.0068 0.0151 0.0222 0.3 2.0232 0.0030 0.0004 0.1 0.2304 0.0015 0.1004 0.9 1 1.0008 0.0343 0.3556 0.0192 0.2072 0.2339 0.0053 0.1660 0.0274 0.0040 0.0201 0.03 0.1828 0.0584 0.222 g(tS ) ti 0 0.0049 0.0059 0.7 1.0358 0.0351 0.0005 0.1312 0.3890 0.0111 0.0017 0.2040 0.0054 0.0573 0.0024 0.0506 0.2630 0.0849 0.1580 0.0004 0.0025 0.1335 0.0027 0.2706 0.2784 0.0099 0.0020 0.2 2.0179 0.0014 0.0647 0.0044 0.0742 0.2863 0.0046 0.1917 0.2104 0.0005 0.0455 0.0003 Donne g(tS ) = [f (tS ) − tS P (t > tS )] .4 2.0933 0.0787 0.0833 0.0561 0.0034 0.1453 0.9 3 Annexe B.0392 0.0713 0.0039 0.0020 0.6 1.05 0.0056 0.0255 0.0072 0.0166 0.0475 0.0135 0.1160 0.0018 0. Tables pour la gestion de stocks tj 0.0009 0.0113 0.3 1.1 1.0018 0.3373 0.2 0.3509 0.0170 0.0013 0.08 0.0011 0.0045 0.2136 0.1289 0.3069 0.1429 0.0486 0.1978 0.0596 0.06 0.0032 0.0728 0.0012 0.0031 0.1606 0.01 0.2236 0.1404 0.2824 0.1799 0.0400 0.0133 0.0161 0.0087 0.2518 0.0067 0.0004 0.0049 0.0313 0.3989 0.0020 0.0329 0.0915 0.0465 0.07 0.0009 0.0010 0.0043 0.3240 0.0021 0.1887 0.2409 0.0076 0.3111 0.2169 0.0261 0.1223 0.0014 0.0243 0.8 0.3744 0.0771 0.3793 0.3328 0.1042 0.

e 223 . e 1. e b) Expression de l’objectif : maximisation de la somme esp´ r´ e apr` s un ee e an. e` Teneur minimum en magan` se.1 Introduction 1.1 Un probl` me de choix d’investissement e a) Choix des variables : les quantit´ s investies en euros dans A. e Int´ rˆ t minimum garanti de 5 % sur la somme disponible. ee Positivit´ . e Teneur minimum et maximum en silicium. e a) Choix des variables : -nombres de milliers de tonnes de minerais A. B et C -nombre de milliers de tonnes de mangan` se ajout´ dans le m´ lange. e Quantit´ minimum investie sur B et C ensemble.2 Probl` me de chargement de haut fourneau. e e e b) Expression de l’objectif : maximisation de la marge qui est la diff´ rence e entre le chiffre d’affaire et les coˆ ts d’achat et de fonte des minerais u ainsi que le coˆ t d’achat du mangan` se ajout´ . B et C.Annexe A Solutions finales des exercices A. u e e c) Expression des contraintes : • • • • Bilan sur la quantit´ a produire (une tonne). Positivit´ . c) Expression des contraintes : • • • • Respect de la quantit´ totale disponible.

e . e ` b) Expression de l’objectif : minimisation de la somme des coˆ ts d’exploiu tation des lignes en fonction du type d’appareil. u c) Expression des contraintes : • • • • Bilan sur les quantit´ s transport´ es. e ˆ a) Choix des variables : -production en r´ gime normal par mois. Solutions finales des exercices 1. Capacit´ s de production en heures normales. e Positivit´ .5 Production de denr´ es p´ rissables.224 Annexe A. e e Positivit´ . e -nombre de kilos transport´ s par transporteur ind´ pendant par jour. e e Capacit´ de la camionnette. e 1. e -production en heures suppl´ mentaires par mois. e e b) Expression de l’objectif : maximisation du profit net de coˆ t de transport. e e a) Choix des variables : -nombre d’unit´ s fabriqu´ es par jour des produits P et Q. e 1. ` e a) Choix des variables : nombre d’avions de type i affect´ s a la ligne j. e -stock a la fin de chaque mois. • Satisfaction de la demande par ligne. e Capacit´ s de production en heures suppl´ mentaires. e e -nombre de kilos transport´ s par camionnette par jour. e c) Expression des contraintes : • • • • Satisfaction de la demande.3 Probl` me de planification sur cout variable. • Caract` re entier des variables. ` b) Expression de l’objectif : minimisation de la somme des coˆ ts de prou duction en heures suppl´ mentaires et de stockage.4 Affectation a des lignes a´ riennes. e Limite des ingr´ dients disponible. c) Expression des contraintes : • Contrainte sur le nombre d’appareils disponibles de chacun des types. e • Positivit´ .

1 Bˆ timents .Section A. e a) Pourquoi l’algorithme de Johnson ne s’applique pas ? L’algorithme de Johnson ne s’applique pas car les tˆ ches qui doivent a etre effectu´ es sur une mˆ me machine ne sont pas ind´ pendantes : il ˆ e e e faut d’abord r´ gler la machine avant d’usiner les pi` ces. • Positivit´ .2 Ordonnancement en ateliers sp´ cialis´ s e e 2. ` a) Choix des variables : -production de produits standard dans l’atelier A. e e b) Enum´ ration de tous les cas possibles : e • • • • Cas 1 : Cas 2 : Cas 3 : Cas 4 : a<b sur les deux machines. 225 b) Expression de l’objectif : maximiser la marge qui est la diff´ rence entre le e chiffre d’affaire. b<a sur les deux machines. a<b sur M1 et b<a sur M2.travaux publics. u u e c) Expression des contraintes : • Capacit´ des ateliers.6 Ajout d’un produit a la gamme. .2. e A. e e 2. a a) Ordre de prise en compte des travaux : 26 25 30 27 28 29 ` b) Gain en nombre de jours par rapport a l’ordre d’arriv´ e : 3 jours. • Cas 2 : a<b sur M1 et b<a sur M2 : tf = 12 heures. b<A sur M1 et a<b sur M2. les coˆ ts de main d’oeuvre et les coˆ ts des mat´ riaux. Ordonnancement en ateliers sp´cialis´s e e 1. e c) Ordre s’il y a un temps interm´ diaire de 2 jours : mˆ me ordre. B et C. e • Limite de vente des produits.2 Usinage de pi` ces sur des machines. c) Diagrammes de Gantt : • Cas 1 : a<b sur les deux machines : tf = 13 heures. -Production de produits de luxe dans l’atelier B et C.

a) Calcul de l’ordonnancement : Place 1 2 3 4 5 3 5 1 Tˆ che 2 4 a b) Diagramme de Gantt : tf = 27.3 Gestion calendaire de stock 3. A.5 jours. B} F E B A D C ` c) Illustrer a l’aide d’un diagramme de Gantt : tf = 8. e . {A.1 Achat de pi` ces de rechange. B}. • Cas 4 : b<a sur les deux machines : tf = 11 heures. 2. {A}. A} B A D C G Pour l’´ tudiant 2 : e {B. A}.4 Ordonnancement avec trois ateliers. a) Ordonnancement qui minimise le temps de r´ alisation du travail ? e B A D C b) Ordonnancement qui minimise le temps de r´ alisation des 7 tˆ ches ? e a Pour l’´ tudiant 1 : e {A. e ` a) Nombre optimal de pi` ces a commander : S ∗ = 3. Solutions finales des exercices • Cas 3 : b<A sur M1 et a<b sur M2 : tf = 17 heures. {B. ` d) Pourront-ils rendre le travail a temps ? oui car l’´ tudiant le plus lent e met 8.5 jours < 10 jours.226 Annexe A.3 Gestion du temps pour la composition d’un travail de groupe. 2. {B}.

e ` Gestion calendaire de stock a rotation non nulle : S ∗ 30. b) Calcul du nombre moyen de ruptures : Ir (s) = 0.82 e e 3.91 euros u Calcul du b´ n´ fice net : B(S) =109.3. e e 3.2 Ventes d’hebdomadaires.605.0275 e e c) Calcul du b´ n´ fice net : B(S) = 95.055 Calcul du stock moyen poss´ d´ : Ip (S) = 11. Gestion calendaire de stock b) Calcul du nombre moyen de ruptures : Ir (S)= 0.5834 Calcul du stock moyen poss´ d´ : Ip (S) = 177. b) Calcul du nombre moyen de rupture : Ir (S) = 0.41 clients par semaine.152 Calcul du stock moyen poss´ d´ : Ip (S) = 3.4152 bottes par semaine. c) Nombre d’invendus : Ip (S) == 0.3 Vente de calculatrices.Section A. 7076.09 euros e e 3. Soit 1.6 Ventes de fleurs.2917 e e c) Calcul du b´ n´ fice net : B(S) = 1 932. Soit 5. 7076.152 e e Calcul du coˆ t de gestion du stock : C(S) = 10. . 227 ` a) Gestion calendaire avec stock a rotation nulle (cas Normale) : S ∗ = 32.80 u 3. ` a) Gestion calendaire de stock a rotation non nulle (cas Poisson) : S ∗ = 16.296 3. e ´ ` a) Gestion calendaire de stock a rotation non nulle (cas Normale) : S = 277.4 Vente de r´ veils electroniques.5 Vente de sapins de No¨ l. b) Nombre moyen de ruptures par semaine : Ir (S) = 2. ` a) Nombre de bottes de fleurs a acheter : S ∗ = 13.0233 Calcul du stock moyen poss´ d´ : Ip (S) = 2. 15 b) Calcul du nombre moyen de ruptures : Ir (S) = 1.63 euros.0233 e e Calcul du coˆ t de gestion du stock : C(S) = 2.

q) = 525.2 Vente de verre de cristal. q) = 430. Servir d’interm´ diaire : B = 4 800. d) Stock moyen poss´ d´ : Ip (s. b) Point de commande : s∗ = 15.693 e e e) Coˆ t de gestion correspondant : C(s. 500) = 4.1045 4. a) Calcul du coˆ t de gestion actuel : C(500. ` a) Niveau de commande : q ∗ = 55. ` c) Nombre de ruptures a chaque commande : Ir (s) = 0.40 euros. 687 = 634.3859. u b) Politique optimale : q ∗ = 300 et s∗ = 300. Solutions finales des exercices A.48 u 4. 4. a) Niveau de la commande optimale : q ∗ = 624. a) Gestion calendaire : S ∗ = 15 avec C(S) = 105. b) Gestion par point de commande : q ∗ = 9 et s∗ = 5 avec C(s.4 Ventes de carafes a eau.4 Gestion de stock par point de commande 4. Gestion par point de commande : B(s. .3 Vente de verre de cristal en univers al´ atoire.320 euros. 88.228 Annexe A. b) Point de commande : s = 300. c c) nombre moyen de refus de vente par commande : Ir (s) = 1. u 4. 52. c) Comparaison des b´ n´ fices dans les trois cas : e e Gestion calendaire : B(S) = 8 965. u c) Le gain est de : 1. Coˆ t de la politique optimale : C(300. q) = 9 074.1 Gestion de l’approvisionnement du stock de transitors.48. q) = 926.5 Vente par correspondance.920 euros. 300) = 2. 12.400 euros. e a) Niveau de commande : q ∗ = 624.687. b) Point de commande : s∗ = 418. c) Coˆ t de gestion : C(q) = 749. Ce qui sur base annuelle (6 fois deux mois) donne : Ca = 6×105. e Conclusion : il vaut mieux utiliser la gestion par point de commande.

La planification de la production 229 A. e a) Lancements du composant E2010 : P´ riode 15 16 17 18 19 20 21 22 e BNt 0 3 30 16 31 21 20 LPt 20 3 30 16 31 21 20 b) Lancements du composant E2040 : P´ riode 15 16 17 18 19 20 21 e BNt 0. e´ b) Plan de production et de stockage : t 1 2 3 4 5 6 7 8 Pt 110 0 110 0 0 110 0 0 St 80 35 85 45 10 90 55 5 c) Coˆ t de lancement de production et de stockage : C = 855.1 Planification de production d’un moteur.5 9 11 13 LPt 17 5.5 9 11 13 22 - .5. 5. Le gain est donc u de : 1 200 − 855 = 345. Alors que le u coˆ t de la politique du lot par lot est de : C = 1 200. ` a)Quantit´ economique a mettre en production : q ∗ = 110. ` a) Besoins nets de moteur pour janvier a avril : t BNt Janvier 0 F´ vrier e 7 Mars Avril 16 11 b) Lancements de production en lot par lot : t LPt Janvier 7 F´ vrier e 16 Mars Avril 11 5.Section A.3 D´ termination des besoins et lancements de production de niveau 2.5 La planification de la production 5.5 0 5.1 Production d’engrenages.

5 Planification des besoins en composants.5 14.5 25.5 11 -16.4 Ajustement charge-capacit´ de niveau 2. b) V´ rification de l’´ quilibre charge capacit´ : Le temps de fabrication e e e amont de 6. Il ne reste plus rien pour la production.5 9 +0. a) D´ terminer les besoins nets et lancements en composant E : e P´ riode e BNt de E LPt de E SFt de E P´ riode e BNt de P1 LPt de P1 SFt de P1 P´ riode e BNt de P2 LPt de P2 SFt de P2 300 0 0 300 0 200 1 0 0 0 1 0 2 0 3 4 5 100 250 250 0 250 250 250 50 2 0 500 150 150 150 3 0 4 170 5 4 525 200 5 - b) D´ terminer les besoins nets et lancements de production de P1 : e 640 370 105 330 1 0 0 570 2 0 3 475 c) D´ terminer les besoins nets et lancements de production de P2 : e 600 600 50 125 A.7 heures par jour.5 23.5 5.1 Flux tendus. ` c) R´ duire la taille des s´ ries de fabrication de 500 a 250 : il faut absolument e e r´ duire le temps de lancement sinon on utilise 8 heures par jour rien e qu’au lancement.230 Annexe A. .6 Les techniques de juste a temps ` 6.5 16. e P´ riode e 16 17 18 19 ajustement LPt de E2010 LPt de E2040 +20. Alors qu’on en dispose de 8.5 -4.5 13 5. Solutions finales des exercices 5. ` a) Calcul du nombre de tickets a mettre en circulation : Ne = 6 conteneurs.

9 et 10. 10 11 36 26 0 5 36 31 12 35 5 40 c) R´ solution de la disjontion : Si on fait 9 avant 11 :tf = 47. a) Graphe de la m´ thode des potentiels : voir cours.7.7 L’ordonancement de projets 7. e a) Temps de r´ action du poste pr´ paration : Tr = 60 minutes. e A. e e 231 b) V´ rifier l’´ quilibre entre la charge et la capacit´ : temps de fabrication e e e = 6. a e e 7.2 Calcul du nombre d’´ tiquettes. L’ordonancement de projets 6.1 Equipement d’un ensemble minier. les dates de d´ but au plus tard : e o e Tˆ che a 1 2 3 4 5 6 7 8 Date plus tˆ t o 0 0 0 3 3 3 7 5 Date au plus tard 1 0 6 3 4 6 7 8 Tˆ ches critiques : 2. Si on fait 11 e avant 9 : tf = 46. a a) Graphe de la m´ thode des potentiels : voir cours.Section A. e b) Dates au plus tˆ t. e b) Dates de d´ but au plus tˆ t. 4. tf = 11.7. b) Nombre de r´ glages pour D :3 r´ glages par jour.2 Construction d’un bˆ timent. a d) La tˆ che 8 ne commence pas apr` s 4 trimestres : probl` me impossible.67 heures < 8 heures : on a donc assez de capacit´ .4. au plus tard et marges : o Tˆ che a 1 2 3 4 5 6 7 8 9 d´ b +tˆ t 0 6 16 16 16 22 23 31 31 e o marge 0 0 2 0 5 5 0 1 0 d´ b +tard 0 6 18 16 21 27 23 32 31 e Chemin critique : 1. . Donc 11 avant 9. e c) Nombre d’´ tiquettes : Ne = 5. e e c) Capacit´ d’un container : 10 pi` ces. 2. a c) La tˆ che 7 ne commence pas avant 8 trimestres : tf = 12. 7. e a) Flux journalier de production de D : 50 D/jour.3 Conditionnement de surgel´ s. e e d) Nombre de Kanbans : Ne = 5 6.

232 7. . 10 11 1 5 0 0 1 5 12 13 10 11 4 4 14 15 c) R´ duction de la dur´ e : Il faut r´ duire les tˆ ches 5 et 11 pour r´ duire la e e e a e dur´ e totale (les deux sont critiques). f . d3 . les e o dur´ es des troisi` me et cinqui` me tˆ ches. Solutions finales des exercices a) Graphe de la m´ thode PERT : il est n´ cessaire d’ajouter une tˆ che fictive e e a entre les tˆ ches 11 et 9. 9. Le surcoˆ t total est donc de 300 000 euros. e u 7. 10. .t5 .4 Minimisation des couts. ˆ a) Graphe de la m´ thode des potentiels : voir cours. i = 1. . 4 et 5. e Annexe A.5 d) Forme de la fonction CD en fonction de tf : e) L’´ volution des coˆ ts direct et indirect : e u tf 20 21 22 23 24 CD 240 220 200 190 180 CI 110 115 120 135 150 CT 350 335 320 325 330 Ce qui donne un temps optimal de fin de projet de t∗ = 22. 3. . c) Formulation du probl` me de minimisation des coˆ ts : e u Les variables : t1 . a b) Dates au plus tˆ t. e b) Ordonnancement: Tˆ che a 1 2 3 4 5 Date plus tˆ t o 0 0 4 9 17 Date au plus tard 0 3 4 9 17 Chemin critique : 1. e e e a L’objectif : C(D) = 350 − 20d3 − 10d5 Les contraintes : t4 − t3 ≥ d3 t4 − t2 ≥ 6 t3 − t1 ≥ 4 t5 − t4 ≥ 8 tf − t5 ≥ d5 3 ≤ d3 ≤ 5 5 ≤ d5 ≤ 7 ti ≥ 0. les dates de d´ buts au plus tˆ t. . 9 et 1. . 11. 5. 8. au plus tard et marges : o Tˆ che a 1 2 3 4 5 6 7 8 9 Date + tˆ t 0 1 3 1 1 3 4 8 10 o Marge 0 3 3 1 0 1 1 0 0 Date + tard 0 4 6 2 1 4 5 8 10 Chemins critiques : 1.3 La m´ thode PERT. Mais une r´ duction au del` de 1 e e a unit´ est inutile. d5 .

8.2 18 17 18 10 15 7 15 Score 2 : Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Poste 6 Poste 7 A.7 I. e) Raccourcir la dur´ e d’une semaine : r´ duire d’une semaine la dur´ e des e e e tˆ ches C.6 E.6 K. au plus tard et des marges : e o Tˆ che a A B C D E F G H I J Date plus tˆ t o 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.6 F. e .2 H.6 N.4 B. Conception d’un centre de production 7.8 D. B et I.15 C.8 G. a) Graphe de la m´ thode des potentiels : voir cours. e c) Calcul des dates de d´ but au plus tˆ t. a A.2 J.7 H.1 Equilibrage d’une chaˆne.5 I. e 233 b) Pourquoi le probl` me est soluble : le graphe ne contient aucun circuit.15 B.15 G.10 C.9 M.15 F.9 M.10 E.5 L.4 A.8 Conception d’un centre de production 8.4 K.Section A. e 8.2 L.4 13 18 15 17 16 6 15 b) Calcul du retard d’´ quilibre : RE = 20.7 D.5 Lancement d’un nouveau produit. ı a) D´ termination du temps de cycle : c = 64 secondes.2 Montage en chaˆne d’une lampe de bureau. H-B-J-F-A et H-I-F-A.7 N.3 %. ı a) Chaˆne a un temps de cycle de 18 minutes au plus : ı ` Score 1 : Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Poste 6 Poste 7 J.

e 8. G : 12 d) Utilisation de l’heuristique de score 2: Poste 1 Poste 2 Poste 3 A.71 33.14 63 49 53 e) Calcul du retard d’´ quilibre : RE = 12.22 D. F : 53.3 Choix d’une capacit´ . 92%.61. e e e 8.4 Ouverture d’un restaurant.42. D : 93. e o a) Variables : millions de tonnes transport´ es du d´ pˆ t i vers le client j. B: 107. E : 62.17 351.234 Annexe A.40 F. e a) Calcul des profits esp´ r´ s dans chacun deux cas : ee Construire 5 000 : E(V AN ) = 4 256 854. e e e 8. Construire 2 000 : E(V AN ) = 4 057 654.7 %. e o e . e e b) Calcul des VAN : Cas 1 2 3 4 VAN (Keuros) 702.12 B.5 Ouverture de d´ pˆ ts.9 G. e e E(V AN ) si la 1` re d´ cision est d’ouvrir un restaurant de 250 : 419.36 475. e c) Probabilit´ de succ` s de basculement de strat´ gie : π = 38. ` a) Arbre de d´ cision relatif a ce probl` me : voir cours. e e o indicatrice de l’ouverture du d´ pˆ t i l’ann´ e prochaine. ee c) Calcul du score 2 : A : 129. Il vaut mieux construire d` s le d´ but une capacit´ de 5 000. e e e b) Pourquoi la d´ cision optimale change ? Comme il y a une plus grande e chance de succ` s du produit. il vaut mieux se lancer directement dans e la production d’une grande capacit´ .41 C.27 E. Solutions finales des exercices b) Graphe de pr´ s´ ances : voir cours.44 c) E(V AN ) si la 1` re d´ cision est d’ouvrir un restaurant de 500 : 401. C : 120. e e d) D´ cision ? Ouvrir 250 et rajouter 250 apr` s un an si n´ cessaire.

e e caract` re binaire des indicatrices. . e – Au moins un vendeur : xt ≥ 1. e e e • Objectif : minimiser la somme des coˆ ts de transport et des frais u fixes d’ouverture des d´ pˆ t. e o e • Contraintes : – capacit´ de production. e e b) Formulation du probl` me : e • Variables : – millions de pneus transport´ es du d´ pˆ t i vers le pays j. e ` e • Objectif : max z = 3 Bt (xt ).Section A.9.1 Ventes de livres. e – Positivit´ du stock : st ≥ 0. -capacit´ de production. e – satisfaction de la demande. e -non n´ gativit´ . e 235 c) Objectif : minimiser la somme des coˆ ts de tranport et des coˆ ts d’ouu u verture des d´ pˆ ts : e o 8. e a) Repr´ sentation par un graphique de r´ seau : voir cours. La programmation dynamique b) Contraintes : -satisfaction de la demande.9 La programmation dynamique 9. a) Formulation en un probl` me dynamique : e • Choix des variables d’´ tat : st = nombre de vendeurs restant. e • Choix des variables de d´ cisions : xt = nombre de vendeurs atte ribu´ s a la r´ gion t.6 Probl` me de localisation de centre de distribution de pneus. e o A. – non n´ gativit´ et caract` re binaire. t=1 • Contraintes : – Relation de r´ currence entre les variables : st+1 = st − xt . e e o – indicatrice de l’ouverture du d´ pˆ t i l’ann´ e prochaine.

` e • Expression de l’objectif : min z = 15 CSst + CP (xt ) avec t=12 0 si xt = 0 CP (xt ) =  500 + 300xt si xt = 1. – Limite du stock : st ≤ 2. 3   500 + 900 + 400(xt − 3) si xt ≥ 4 • Contraintes : – Relation de r´ currence entre les variables : st+1 = st + xt − e dt+1 .236 Annexe A. Solutions finales des exercices b) R´ solution par la programmation dynamique : e R´ gion t 1 e st 6 ∗ xt 1 2 3 5 3 2 3 9. st ≥ 0. e b) R´ solution par la programmation dynamique : voir cours. e e P´ riode t 1 2 3 4 e x∗ 17 14 11 21 t st 0 5 2 0 5 18 0     .3 Fabrication en heures suppl´ mentaires et au moyen d’int´ rimaires. 2. e c) Plan optimal de livraison et de stockage : t 12 13 14 15 x∗ 4 7 0 3 t st 0 0 2 0 9.2 Plan de production hebdomadaire optimal. a) Formulation en un probl` me dynamique : e e • Choix des variables d’´ tat : st = stock de moteurs M200 au d´ but e de la p´ riode t. – positivit´ : xt . e • Choix des variables de d´ cision : xt = fabrications de moteur e M200 a la p´ riode t.

Section A. ˆ a) Marges sur coˆ t variable : m1 =30 et m2 =24. – Positivit´ . u • Contraintes : – Capacit´ journali` re des usines. u • Contraintes : – Limite d’achat dans les deux villes.10 La programmation lin´ aire e 10.2 Recyclage du papier. – Au moins 1 500 tonnes de listings. – Positivit´ . a) Formulation du probl` me lin´ aire : e e • Variables : quantit´ s de d´ chets achet´ es par an par ville. e e – Limite de main d’oeuvre. . ˆ a) Formulation du probl` me lin´ aire : e e • Variables : quantit´ s fabriqu´ es par jour par usine . u b) Formulation du probl` me lin´ aire : e e • Variables : les productions mensuelles des deux produits • Objectif : maximiser la marge totale. e e e • Objectif : minimisation des coˆ ts d’achat. e b) R´ solution graphique : solution optimale : e x∗ = 0 x∗ = 10 000 z ∗ = 350 000 1 2 10.1 La minimisation des couts. e b) R´ solution graphique : solution optimale : e x∗ = 4 x∗ = 4 z ∗ = 20 2 1 10. – Satisfaction de la demande.3 Planification de production sur cout variable. • Contraintes : Respect de la capacit´ des ateliers et positivit´ des e e variables. e e • Objectif : minimisation des coˆ ts de production.10. – Pas plus de 6 000 tonnes de journaux. La programmation lin´aire e 237 A.

1 Sensibilit´ du membre de droite. e ` • Objectif : minimisation des coˆ ts de distribution. e b) Solution d’EXCEL : x∗ = 50 x∗ 12 22 z ∗ = 2.4 Fabrication et transport de produits frais. a) Formulation du probl` me : e • Variables : nombre d’unit´ s fabriqu´ es par jour par produit. e a) Valeurs des prix cach´ s : e ∗ ∗ y1 = 12 y2 = 24.5 Organisation de la distribution d’eau. – Utiliser toute l’offre disponible de chaque source.400 1 2 10.238 Annexe A. u • Contraintes : – Capacit´ de transport. Solutions finales des exercices c) R´ solution graphique : solution optimale : e x∗ = 400 x∗ = 600 z ∗ = 26.400 2 1 10.11 Analyse postoptimale 11. e – Limite d’ingr´ dient N. a) Formulation du probl` me en nombres entiers : e • Variables : quantit´ d’eau allant la source i a la ville j. . e – Limitation d’ingr´ dient M.460 = 20 x∗ = 40 x∗ = 50 24 31 A. – Demande maximum de chaque ville. e e b) R´ solution graphique : solution optimale : e x∗ = 0 x∗ = 700 z ∗ = 29. – Positivit´ . u • Contraintes : – Respect du besoin minimum de chaque ville. e – Non n´ gativit´ . e e • Objectif : maximiser la marge nette de coˆ t de transport.

Si le coefficient e objectif des heures suppl´ mentaires passe de -15 a -25. 75 11.Section A. e e e – Limite de mati` re premi` re. de B. e -publicit´ pour A. e e – Calcul du nombre d’heures suppl´ mentaires. pour B.11.33. Analyse postoptimale 239 b) De quel atelier augmenter la capacit´ ? Du second atelier car l’auge mentation de profit pour une heure en plus est plus grande.5 = 355 $. e e e -heures suppl´ mentaires par semaine. – Limite du budget publicitaire.5 e e et son domaine de validit´ indique que l’on peut augmenter de 10 le e membre de droite. e c) Revenu net de 10 $ suppl´ mentaires en publicit´ ? e e Dans la contrainte de maximum de publicit´ . le prix cach´ est de 35. e e . -quantit´ hebdomadaire de mati` res premi` res. ` b) Augmentation des heures suppl´ mentaires de 15 $ a 25 $ par heure. la solution ne e ` change pas car on peut descendre juqu’` -67. • expression des contraintes: – Calcul de la quantit´ de mati` re premi` re. Donc le b´ n´ fice net serait de 10 × 35. e Actuellement. – Demande maximum de A. A 25 $. a 11. on utilise 30 heures suppl´ mentaires. e – Limite d’usinage. e a) Formulation du probl` me de la maximisation du revenu net : e • choix des variables : -productions hebdomadaires de A et B.3 Interpr´ tation de la solution. on recourre a aux heures suppl´ mentaires. e • expression de l’objectif : maximiser le chiffre d’affaire moins le coˆ t de mati` re premi` re moins le coˆ t des heures suppl´ mentaires u e e u e moins le budget publicitaire. 1 2 b) Intervalle autour de c1 = 0 qui pr´ serve x∗ : e −3 ≤ c1 ≤ 0.2 Sensibilit´ aux coefficients objectif. e a) Solution graphique : x∗ = 3/5 x∗ = 9/5 z ∗ = 9/5. e – Limite du nombre d’heures suppl´ mentaires. c) Jusqu’` quel point ? Augmentation utile jusque b2 = 600.

2) . e respecter le nombre maximum de charbons.4 M´ thode de branch and bound.240 Annexe A. Solution optimale : e z ∗ = 8 x∗ = 4 x ∗ = 4 1 2 12. e -nombre d’avions affect´ s sur la ligne OT.12 La programmation en nombres entiers 12. e • Expression des contraintes : – satisfaire la demande. positivit´ et caract` re entier. u b) Solution optimale: (x∗ . e e .5 Tourn´ es de v´ hicules. b) Objectif : minimiser la somme des coˆ ts fixes de construction.2 Localisation d’´ metteurs de t´ l´ vision. Solutions finales des exercices A. – respecter le nombre d’avions. respecter la teneur minimum dans le m´ lange. u c) Contraintes : Atteindre chaque ville 12. 1 2 z ∗ = 22. respecter la teneur maximum en Si.3 Probl` me d’affectation de lignes a´ riennes : e e a) Formulation du probl` me : e • Choix des variables : -nombre d’avions affect´ s sur la ligne OM. e e 12. 12. e b) Objectif : minimiser le coˆ t d’achat des charbons.1 M´ lange de maximum 4 charbons. e • binaire indicatrice de la pr´ sence du charbon i. e ee a) Variables : binaire indicatrice de la construction de l’emetteur i. e a) Variables : • teneur du m´ lange en charbon i. x∗ ) = (4. e • Objectif : minimiser les coˆ ts d’exploitation des lignes. – caract` re entier des variables. u c) Contraintes : • • • • • produire une tonne.

– Caract` re entier des variables.12.7 Optimisation du plan directeur de production. e e a) Formulation du probl` me en nombres entiers : e • Choix des variables : nombre de bobines-m` res d´ coup´ es suivant e e e le mode i. e • Expression de l’objectif : minimiser la somme des bobines-m` res e d´ coup´ es. • Expression des contraintes : – Satisfaction de la demande. e • Expression de l’objectif : minimiser le temps total pass´ sur le e r´ seau. 12. e e b) Solution d’EXCEL : 200 bobines-m` res sont n´ cessaires.6 D´ coupe de bobines-m` res.Section A. e b) Mettre sous la forme d’un mod` le de calcul en EXCEL : voir cours. Les solutions e e optimales sont multiples. e e – le stock en fin de p´ riode t. e c) Solution d’EXCEL : x∗ = 4 x∗ 12 23 12. e • Objectif : minimiser la somme des coˆ ts d’embauche. • Expression des contraintes : Conservation du nombre de camions en chaque noeud du r´ seau. a) Formulation : • Variables : – l’embauche au d´ but de p´ riode t. e – les effectifs au d´ but de la p´ riode t. La programmation en nombres entiers a) Formulation du probl` me en nombres entiers : e 241 • Choix des variables : nombre de camions allant de la ville i a la ` ville j. z ∗ = 335 = 7 x∗ = 4 x∗ = 12 43 3I . • Les contraintes : – Bilan des effectifs. de licenu ciement et de stockage. e e – le licenciement au d´ but de t.

000 0.000 117 600 38. Solutions finales des exercices – Bilan des stocks.000 32. – Non n´ gativit´ .242 Annexe A.000 0.271 0.000 3. e e b) Solution d’Excel : z ∗ = 5 145 806. 2865 stocks t 1 2 3 4 Embauches Licenciements Effectifs 0.271 85 000 34.000 6.000 0.476 0.795 100 000 . – Contrainte de stock minimum.795 182 061 34.