You are on page 1of 131

DECISION

## Operations research is a scientific method of analysis of a problem. This methodology is a

combination of analytical and mathematical methods in place to help a decision maker to
make a decision. Founded in England during the Second World War, it was used to solve
military problems (investment radar, convoy management, etc.)..
She is to receive as much information about the problem in order to offer solutions but
certainly not to decide which is best. The solution chosen depends primarily on the interests
of the maker.

______________________________________________________________________________

## Table des matires

INTRODUCTION...........................................................................5
I. PRSENTATION DE LA RECHERCHE OPRATIONNELLE.................................................................5
II. DOMAINES D'APPLICATION....................................................................................................5
2.1) Les problmes combinatoires.................................................................................5
2.2) Les problmes alatoires........................................................................................5
2.3) Les problmes de concurrence...............................................................................5
III. PROPRITS DE LA R.O. INTERDISCIPLINAIRE.........................................................................5

PROGRAMMATION LINEAIRE................................................7
I. PROBLMATIQUE DE LA PROGRAMMATION LINAIRE...................................................................7
1.1) Introduction............................................................................................................7
1.2) Exemple...................................................................................................................7
1.3) Forme canonique....................................................................................................8
1.4) Formulation gnrale...........................................................................................10
1.5) Interprtation gomtrique...................................................................................10
1.6) Forme standard.....................................................................................................12
I. CONVEXIT.......................................................................................................................13
II. MTHODE DU SIMPLEXE.....................................................................................................13
3.1) Exemple avec deux variables................................................................................13
3.2) Mthode des tableaux...........................................................................................15
3.3) Mthode des 2 phases et mthode M....................................................................24
3.4) Paramtrisation des coeff. de la fn co.................................................................28
III. DUALIT :......................................................................................................................35

PROBLEMES DE TRANSPORT................................................51
I. EXEMPLE DE L'USINE...........................................................................................................51
1.1) Problme : rpartition des expditions.................................................................51
1.2) Modlisation du problme....................................................................................52
1.3) Reprsentation graphique.....................................................................................53
1.4) Mthode plus rapide (des regrets)........................................................................54
1.5) Changement de base.............................................................................................54
1.6) Cas de dgnrescence.........................................................................................58
I. RECHERCHE DUNE SOLUTION INITIALE..................................................................................58
2.1) Rgle du coin Nord-Ouest ("hasard")..................................................................58
2.2) Rgle de Balas-Hammer :.....................................................................................59

___________________________________________________________________
A.BENHARI

Page 2

______________________________________________________________________________

LES GRAPHES.............................................................................63
I. DFINITION VOCABULAIRE................................................................................................63
1.1) Graphe..................................................................................................................63
1.2) Chemins................................................................................................................64
I. MATRICES ASSOCIES UN GRAPHE......................................................................................65
2.1) Matrice latine........................................................................................................65
2.2) Matrices boolenne et arithmtique.....................................................................66
II. CONNEXIT FORTE CONNEXIT.........................................................................................67
3.1) Connexit..............................................................................................................67
3.2) Forte connexit.....................................................................................................67
3.3) Fermeture transitive.............................................................................................68
3.4) Recherche des classes fortement connexes, des circuits hamiltoniens.................69
3.5) Mthode de Georges DEMOUCRON...................................................................69

## CHEMIN DE VALEUR OPTIMALE.........................................73

I. ALGORITHME DE FORD.......................................................................................................73
I. ALGORITHME DE FORD-FULKERSON.....................................................................................74
2.1) flot travers un rseau.........................................................................................74
2.2) Procdure..............................................................................................................75
2.3) Recherche dun flot complet initial.......................................................................76
II. PROBLME DAFFECTATION.................................................................................................79

ORDONNANCEMENT................................................................82
I. INTRODUCTION...................................................................................................................82
I. MTHODES DORDONNANCEMENT.........................................................................................83
2.1) Mthode MPM......................................................................................................83
2.2) Mthode PERT......................................................................................................85
2.3) Comparaison des deux mthodes..........................................................................86
I. INTRODUCTION.........................................................................................................89
II. LES CHANES DE MARKOV ESPACE D'TATS DISCRET...........................................................91
I. GRAPHE DES TRANSITIONS CLASSIFICATION DES CHANES.......................................................93
II. PROCESSUS DE MARKOV TEMPS DISCRET...........................................................................96
III. REPRSENTATION DUN PROCESSUS DE MARKOV..................................................................96
IV. EVOLUTION TEMPORELLE DUN PROCESSUS DE MARKOV........................................................98
V. ANALYSE DUN PROCESSUS DE MARKOV SIMPLE....................................................................99
VI. COMPORTEMENT DUN PROCESSUS DE MARKOV LONG TERME............................................102
VII. PROCESSUS DE MARKOV RCOMPENSE ............................................................................109
VIII. LES ALTERNATIVES ET LA POLITIQUE OPTIMALE................................................................118

FIABILIT...................................................................................123
I. INTRODUCTION.......................................................................................................123
I. GENERALITES - TERMINOLOGIE........................................................................123
2.1) Fonction de dfaillance et fn de fiabilit............................................................123
2.2) Taux davarie ou taux de dfaillance.................................................................124
II. LOIS UTILISEES......................................................................................................127
3.1) Loi exponentielle.................................................................................................127

___________________________________________________________________
A.BENHARI

Page 3

______________________________________________________________________________
3.2) Loi de Weibull.....................................................................................................127
III. FIABILIT DUN SYSTME ET DE SES COMPOSANTS...............................................................128
4.1) Systme structure en srie................................................................................128
4.2) Systme structure parallle..............................................................................128
4.3) Systmes structure mixte..................................................................................129
IV. EXERCICES............................................................................................................130
5.1) Exercice n 1.......................................................................................................130
5.2) Exercice n 2.......................................................................................................130
5.3) Exercice n 3.......................................................................................................130

INTRODUCTION
___________________________________________________________________
A.BENHARI

Page 4

______________________________________________________________________________

INTRODUCTION
I.

## Prsentation de la Recherche Oprationnelle

La recherche oprationnelle est une mthode d'analyse scientifique d'un problme. Cette
mthodologie est un mlange d'analyse et de mthodes mathmatique runies pour aider un
dcideur prendre une dcision. Cre en Angleterre durant la seconde guerre mondiale, elle
servait rsoudre les problmes militaires (placements de radar, gestion des convois, etc.).
Elle consiste recevoir un maximum d'information sur le problme afin de proposer des
solutions mais surtout pas de dcider laquelle est la meilleure. La solution choisie dpend
surtout des intrts du dcideur.

## II. Domaines d'application

La recherche oprationnelle a maintenant de nombreux domaines d'application dont:

## 2.1) Les problmes combinatoires

Essentiellement lorsque l'on a trop de combinaisons pour les traiter cas par cas. Par exemple
20! Pour un ordinateur qui traite 1M/sec, cela mettrai 77 096 ans!!! C'est le premier domaine
dapplication avec l'utilisation des graphes et de la programmation linaire.

## 2.2) Les problmes alatoires

Notamment la gestion de files d'attente. Par exemple: un guichet supporte une arrive de
personne toutes les 4 minutes en moyenne et la sert en 3 minutes. On pourrait croire qu'un
seul employ suffit mais un modle mathmatique pourra dmontrer qu'il faut en fait 2
employs (pour grer les heures de pointes).

## 2.3) Les problmes de concurrence

Notamment tout ce qui concerne la thorie des jeux.

## III. Proprits de la R.O. interdisciplinaire

Economie

Informatique
B.D.
Recherche
Oprationnelle

Outils
mathmatique

___________________________________________________________________
A.BENHARI

Page 5

______________________________________________________________________________

Programmation
Linaire

___________________________________________________________________
A.BENHARI

Page 6

______________________________________________________________________________

PROGRAMMATION LINEAIRE
I.

## Problmatique de la programmation linaire

1.1) Introduction

## Un programme linaire est un programme mathmatique, i.e. problme consistant trouver

un extremum (maximum ou minimum) dune fonction plusieurs variables, vrifiant en outre
un systme dquations ou dinquations, ces fonctions tant linaires.

1.2) Exemple
a) Agriculteur
Un agriculteur possde 40ha, 63 000 euros et 840 jours de travail. Il dsire semer du mas, du
bl et du soja qui ont les cots et les rapports suivants:
Mas
Bl
soja

Prix (euros/ha)
1500
1800
1050

Temps (jour)
18
27
15

Rapports (euros/ha)
420
510
360

## On peut synthtiser les contraintes de cette faon:

1500 x1 + 1800 x2 + 1050 x3 63 000
18 x1 + 27 x2 + 15 x3 840
x1 + x2 + x3 40
x1, x2, x3 IR+
x1, x2, x3 0
Et la fonction conomique max z = 420 x1 + 510 x2 + 360 x3

___________________________________________________________________
A.BENHARI

Page 7

______________________________________________________________________________

b) Usine
De la mme faon, une usine produit du "A" et du "B" avec du "M1" et du "M2" avec les
caractristiques suivantes:
A
B
Stocks
M1
2
1
8
M2
1
2
7
M3
0
1
3
gains
4
5
Mise en quations avec x1 le nombre de "A" et x2 le nombre de "B" sachant que x1et x2 0
Bilan de M1: 2 x1 + x2 8
Bilan de M2: x1 + 2 x2 7
Bilan de M3: x2 3
Le critre tant un max z = 4 x1 + 5 x2

## 1.3) Forme canonique

Tout programme linaire peut tre mis sous forme canonique, c'est dire un systme avec un
ensemble d'inquation et une fonction optimiser.
n

max z = c j .x j

Fonction conomique

j=1

a ij .x j
j=1

x j 0,

b i , pour
pour

1i m
1 jn

m: contraintes
n: nbre de variables x1,,xn

## Il y a m contraintes propres et n contraintes impropres (de positivit), et n variables naturelles.

Une solution admissible est un n-uplet qui vrifie toutes les contraintes ; parmi ces solutions
admissibles celle(s) pour la(les)quelle(s) la fonction conomique est maximale, sappelle(nt)
solution(s) optimale(s).
Proprit : Tout programme linaire peut tre mis sous forme canonique.
Min(z)=max(z)
n

a ij .x j
j=1

b i a ij .x j b i
j=1

n
a i .jx j bi
n
j= 1
a i .jx j = bi
n
j= 1
a .x b
j= 1 i j j i

()

## xj 0 xj 0 changement de variable xj = xj dans le PL

___________________________________________________________________
A.BENHARI

Page 8

______________________________________________________________________________
si certaines variables nont pas de condition de signe, on pose xi = xi xi, avec xi 0 et xi 0.
Remarque: 2 x1 + x2 12 est impossible rsoudre avec cet outil.

___________________________________________________________________
A.BENHARI

Page 9

______________________________________________________________________________

## 1.4) Formulation gnrale

max Z(x) = <c, x>
(P) Ax b
x 0

Remarques:

## <c, x> = + c.x

A IRmxn b IRm , c IRn , x IRn
x 0 V i xi 0
= {x IRn / x 0 Ax b} ensemble des solutions ralisables
On ne suppose pas priori qu'il existe un maximum
= 0 le problme n'a pas de solution ralisable
Exemple: Max Z(x) = x
= {x / x 0 x -1}
= 0 le problme a une solution optimale
Exemple: Max Z(x) = x
= {x / x 0}
= 0 Z(x) non born sur
Exemple: Max Z(x) = x
= {x / x 0}

m azx= x1 + x 2
Le systme :

2x 1 + x 2 1

x1 + 3x 2 1 0
x 4
1

## (PL1) est associ la reprsentation graphique suivante.

x1 , x 2 0
Dans cet exemple, la solution optimale est x1=1, x2 = 3, z = 2

___________________________________________________________________
A.BENHARI

Page 10

______________________________________________________________________________
4
3
2
1

3,
9

3,
6

3,
3

2,
7

2,
4

2,
1

1,
8

1,
5

1,
2

0,
9

0,
6

0,
3

___________________________________________________________________
A.BENHARI

Page 11

______________________________________________________________________________
Soit le systme:
-2x1 + x2 1
x1 + 3x2 10
x1 4
max z = -x1 + x2
D1
D1 -2x1 + x2 = 1
x2 = 2x1 + 1

A
D3 x1 4
x2 = 2x1 + 1
k

D3

D2 3x2 = 10 x1
x2 = 10/3 (1/3)x1

-1

D2

x2 x1 = k
x2 = x1 + k
z a pour maximum 2 atteint en x1 = 1, x2 = 3

A x2 = 1
x1 = 0

- 2 x1 + x2 + t1 = 1
x1 + 3x2 + t2 = 10
x1
+t3 = 4

## 1.6) Forme standard

On introduit des variables dites d'cart. La forme standard dun PL est telle que :
On maximise une fonction conomique linaire des variables
Les variables sont assujetties des contraintes :

positives)

## Impropres : conditions de positivit (des variables naturelles et des

variables dcart)
Thorme : tout programme linaire peut tre crit sous forme canonique ou sous forme
standard.
n

max z = c j .x j
j=1

a ij .x j + x n +i = b i , pour 1 i m
j=1

x j 0,
x n +i 0,

pour
pour

1 jn
1i m

___________________________________________________________________
A.BENHARI

Page 12

______________________________________________________________________________
Ecriture matricielle :
max ( tc x)
Ax=b
x 0
avec :
x1
c1

a 11

a 21
x = x n , c= c n x, c Rn+m, A =

a
0
x

m1

n +m
b1

, b Rm
b
m

I.

a 1n
a 2n

a mn

1
0

0 0

1 0
,AM

0 1

(R), b=

m,n+m

Convexit

## C IRn est convexe SSI x C , et y C , [0,1] x + (1- )y C

L'intersection d'un nombre fini de convexes est convexe. Un polydre convexe est
l'intersection d'un nombre fini d'ensembles du type A , B , C .
Thorme : L'ensemble des solutions ralisables d'un programme linaire est convexe.
x est un point extrmal d'un convexe (ou point anguleux, ou sommet) SSI il n'existe pas:
x' , x C x' x tels que x = x' + (1- )x avec ]0,1[
Thorme : Tout point x d'un polydre convexe born IRn
convexe de points extrmes de .

## est combinaison linaire

Remarque : Dans le cas o est un polydre non born, il existe un thorme analogue
utilisant la notion de rayons extrmaux.

## II. Mthode du simplexe

3.1) Exemple avec deux variables
Soit le systme S1:
-2x1 + x2 + t1
=1
x1 + 3x2 + t2 = 10
x1
+ t3 = 4
x1 , x2 , t1, t2 , t3 0
max z = -x1 + x2

___________________________________________________________________
A.BENHARI

Page 13

______________________________________________________________________________
Ici, x1 = 0 , x2 = 0 est une solution de base admissible avec z = 0, c'est dire qu'elle fait
partie de la zone graphique concerne et qu'elle rpond toutes les conditions poses.
On a les variables hors base: x1 , x2 et les variables en base: t1 , t2 , t3
Essayons de faire crotre x2 , avec x1 = 0
t1 = 1 x2 0

t2 = 10 3x2 0
t3 = 4

x2 1
x2 10/3
pas de contrainte

## On trouve donc une deuxime solution admissible: x1 = 0 , x2 = 1 ,

t1 = 0
, t2 =7 , t3 = 4
z = 1 = x2 - x1
hors base
base
On veut crire tout le monde en fonction de x1 et de t1.
Donc le systme S2:
x2 = 1 + 2x1 - t1
t2 = 10 - x1 3(1 + 2x1 t1) = 7 - 7x1 + 3t1
t 3 = 4 - x1
x1 , x2 , t1, t2 , t3 0
z = 1 + 2x1 - t1 - x1 = 1 + x1 t1
2ime tape:
Faisons crotre x1 (avec t1 = 0):
S2 devient donc avec t1 = 0:
x2 = 1 + 2x1 0
t2 = 7 - 7x1 0
t 3 = 4 - x1 0

x1 -1/2
x1 1
x1 4

## On fait rentrer x1 dans la base en posant x1 = 1, et on a donc hors base: t1 = 0 , t2 = 0 et en

base x2 = 3 , t3 = 3 , z = 2
Donc le systme S3:
x1 = 1/7 ( 7 + 3t1 - t2)
x2 = 1 + 2/7 (7 + 3t1 - t2) - t1
t3 = 4 1/7 (7 +3t1 - t2)
x1 , x2 , t1, t2 , t3 0
z = 1 + 1 + 3/7 t1 1/7 t2 - t1 = 2 4/7 t1 1/7 t2
Et ici la solution optimale est donc maximum !!!

___________________________________________________________________
A.BENHARI

Page 14

______________________________________________________________________________

## 3.2) Mthode des tableaux

a) PL1 sous forme standard

m az x= x1 + x 2
2x 1 + x 2 + x 3 = 1

x 1 + 3x 2 + x 4 = 1 0

x1 + x 5 = 4

x1 , x 2 , x 3 , x 4 , x 5 0
Sous forme de tableau :
coef
1
10/3

bi
x1
x2
t1
1
2
1
1
10
1
3
0
4
1
0
0
Z
1
1
0
La solution admissible de base (solution initiale) est:

t2
0
1
0
0

t3
0
0
1
0

## x1=x2=0 (donc ce sont les variables Hors Base)

et t1 =1, t2= 10, t3= 4 (en base) avec z = 0.
Comme le coefficient de x2 est le plus petit positif, on va faire entrer x2 en base:
coef
-1/2
1
4

bi
1
7
4
Z-1

x1
2
7
1
1

x2
1
0
0
0

t1
1
-3
0
-1

t2
0
1
0
0

t2
2/7
1/7
-1/7
-1/7

t3
0
0
1
0

t3
0
0
1
0

x2
t2 L2 3L1
t3
L4 L1

## on va faire entrer x1 en base et en sortir t2:

bi
3
1
3
Z2

x1
0
1
0
0

x2
1
0
0
0

t1
1/7
-3/7
3/7
-4/7

x2
x1
t3

___________________________________________________________________
A.BENHARI

Page 15

______________________________________________________________________________
On a obtenu la solution optimale , puisque les coefficients de la fonction conomique sont
tous ngatifs ou nuls, une augmentation de t2 ou de t1, variables hors base entranerait une
diminution de la valeur de Z.
Conclusion : solution optimale : x1=1, x2=3, z =2

___________________________________________________________________
A.BENHARI

Page 16

______________________________________________________________________________

b) Exercice 1
Soit le programme linaire suivant sous sa forme canonique:
x1 + x2 14
-2x1 + 3x2 12
avec x1, x2 0
2x1 - x2 12
max z = x1 + 3x2
1. Mettre sous forme standard
On introduit donc les variables d'cart t1, t2 et t3:
x1 + x2 + t1 = 14
-2x1 + 3x2 + t2 = 12
avec x1, x2, t1, t2, t3 0
2x1 - x2
+ t3 = 12
max z = x1 + 3x2
2. Proposer une rsolution graphique
D2
D1 x1 + x2 = 14
x2 = 14 x1

30

D2 x2 = 2/3 x1 + 4

D3

12

D3 x2 = 2 x1 - 12
D1
si x1 = 0 et k = 0 alors x2 = 0
car x2 = (k x1) / 3
donc 0 x2 = -(1/3) x1
12 x2 = 4 = (1/3) k
30 x2 = 8 x1 = 6

Z = 30 pour x1 = 6 et x2 = 8
3. Trouver une solution optimale par la mthode des tableaux
coef(bi/ai1)
14
4
-2

bi
14
12
2
Z

x1
1
-2
2
1

x2
1
3
-1
3

t1
1
0
0
0

## Solution de base admissible: x1 = x2 = 0

t2
0
1
0
0

t3
0
0
1
0

dfinit
t1
t2
t3

t1 = 14
t2 = 12
t3 = 2

___________________________________________________________________
A.BENHARI

Page 17

______________________________________________________________________________
On prend celui qui fait augmenter le plus Z donc ici on choisit de faire rentrer x2 en base car
son coeff sur Z est de 3.
coef
10*3/5
4*(-3/2)
16*3/4

6
-6
12

bi
10
4
16
Z-12

x1
5/3
-2/3
4/3
3

x2
0
1
0
0

t1
1
0
0
0

t2
-1/3
1/3
1/3
-1

t3
0
0
1
0

dfinit
t1 L1 - L2
x2 L2/3
t3 L3 + L2
LZ - 3L2

L1 : t1 en fonction de x1, x2
L'2 : x2 en fonction de t2
L'1 : t1 en fonction de t2, x2

L1 14
L'2 4
L'1 10

1
-2/3
5/3

1
1
0

1
0
1

0
1/3
-1/3

0
0
0

L3 12
L'2 4
L'3 16

2
-2/3
4/3

-1
1
0

0
0
0

0
1/3
1/3

1
0
1

## Donc x1 = 0 = t2 ; x2=4 ; t1=10 ; t3=16 ; z=12

On fait maintenant sortir t1 de la base, et donc rentrer x1:
bi
6
8
16-(4/3)*6 = 8

Z-12-18

x1
1
0
0
0

x2
0
1
0
0

t1
3/5
2/5
-4/5
-9/5

t2
-1/5
1/5
3/5
-2/5

t3
0
0
1
0

dfinit
x1
x2
t3

## z=30 ; x1 = 6 ; x2=8 ; t1=t2=0 ; t3=8

c) Exercice 2
Soit le programme linaire suivant sous sa forme canonique:
3x1 + x2 8
x1 + 2x2 6
avec x1, x2 0
3x1 + 2x2 9
max z = x1 + x2
1. Mettre sous forme standard
On introduit donc les variables d'cart t1 et t2:
3x1 + x2 + t1 = 8
x1 + 2x2 + t2 = 6
avec xi, ti 0
3x1 + 2x2
+ t3 = 9
max z = x1 + x2

___________________________________________________________________
A.BENHARI

Page 18

______________________________________________________________________________
2. Trouver une solution optimale par la mthode des tableaux
coef (bi/ai1)
8/3
6
9/3

bi
8
6
9
Z

x1
3
1
3
1

x2
1
2
2
1

t1
1
0
0
0

t2
0
1
0
0

## Solution de base admissible: x1 = x2 = Z = 0

t3
0
0
1
0

dfinit
t1
t2
t3

t1 = 8
t2 = 6
t3 = 9

On choisit alors celui qui a le coefficient le plus important pour faire augmenter Z. Ici, Coef
x1 = Coef x2 = 1 donc on le choisit au hasard.
Faisons rentrer x1 en base:
3x1 + t1 = 8
x1 + t2 = 6
3x1 + t3 = 9

8 3x1 0
6 x1 0
9 3x1 0

8/6 x1
6 x1
3 x1

coef (bi/ai1)
8
2
1

bi
8/3
10/3
1
Z-8/3

x1
1
0
0
0

x2
1/3
5/3
1
2/3

t1
1/3
-1/3
-1
-1/3

t2
0
1
0
0

L2
-L'1
L'2

6
-8/3
10/3

1
-1
0

2
-1/3
5/3

0
-1/3
-1/3

1
0
0

0
0
0

L3
-3L'1
L'3

9
-8
1

3
-3
0

2
-1
1

0
-1
-1

0
0
0

1
0
1

Lz
-L'1
L'z

Z
-8/3
Z-8/3

1
-1
0

1
-1/3
2/3

0
-1/3
-1/3

0
0
0

t3
0
0
1
0

dfinit
x1 L1/3
t2 L2-L'1
t3 L3-3L'1

0
0
0

## Z-8/3 = 2/3 x2 1/3 t1

Ici, la solution est donc x1 = 8/3

t2 = 10/3

t3 = 1 x2 = t1 = 0

Z = 8/3

## Ce n'est pas la solution optimale. On fait donc rentrer x2 en base et sortir t3

A.BENHARI

Page 19

______________________________________________________________________________
coef (bi/ai1)
7/2
5/4
-1

bi
7/3
5/3
1
Z-10/3

L'1
1/3L''3
L'1-1/3L''3

8/3
1/3
7/3

L'2
5/3L''3
L'2 5/3 L''3
L'z
2/3L''3
L'z-2/3L''3

10/3
5/3
5/3

x1
1
0
0
0

x2
0
0
1
0

t1
2/3
4/3
-1
1/3

t2
0
1
0
0

t3
-1/3
-5/3
1
-2/3

1
0
1

1/3
1/3
0

1/3
-1/3
2/3

0
0
0

0
1/3
-1/3

0
0
0

5/3
5/3
0

-1/3
-5/3
4/3

1
0
1

0
5/3
5/3

-1/3
-2/3
1/3

0
0
0

0
2/3
-2/3

Z 8/3
2/3
Z 10/3

0
0
0

2/3
2/3
0

## Solution: x1 = 7/3 ; x2 = 1 ; t2 = 5/3 ; t1, t3=0

dfinit
x1 L'1-1/3L''3
t2 L'2-5/3L''3
x2
Lz-2/3L''3

Z = 10/3

Faisons rentrer t1 et sortir t2 de la base (on fait sortir t2 car il a le coefficient le plus petit
positif).
bi
3/2
5/4
9/4
Z-15/4

x1
1
0
0
0

x2
0
0
1
0

L''1
L'''2
L''1-2/3L''2

7/3
5/4
3/2

L''2
L'''2
L''3 L''2

-1
5/4
9/4

L''z
L'''2
L''z+1/3L''2

Z-10/3
5/4
Z-15/4

t1
0
1
0
0
1
0
1

t2
-1/2

-1/4
0
0
0

1
0
0
0
0
0

t3
1/2
-5/4
-1/4
-1/4

dfinit
x1 L''1-1/3L''3
t1 L'2-5/3L''3
x2
Lz-2/3L''3

2/3
1
0

-1/2

-1/3
-5/4
1/2

0
0
1

1
1
0

-1

0
-5/4
-1/4

0
0
0

1/3
1
0

-1/4

-2/3
-5/4
-1/4

Ici, on a la solution optimale car les coefficients de la fonction conomique sont tous
ngatifs.
Z = 15/4 pour x1 = 3/2 ; x2 = 9/4 ; t1 = 5/4 ; t2, t3 = 0

A.BENHARI

Page 20

______________________________________________________________________________

d) Exercice 3
Soit le programme linaire suivant sous sa forme canonique:
x1 - x2 3
-x1 + 2x2 4
avec x1, x2 0
2x1 + x2 8
max z = x1 + x2
1. Mettre sous forme standard
On introduit donc les variables d'cart t1 et t2:
x1 - x2 + t1 = 3
-x1 + 2x2 + t2 = 4
avec xi, ti 0
2x1 + x2
+ t3 = 8
max z = x1 + x2
2. Trouver une solution optimale par la mthode des tableaux
coef (bi/ai1)
3
-4
4

bi
3
4
8
Z

x1
1
-1
2
1

x2
-1
2
1
1/2

t1
1
0
0
0

t2
0
1
0
0

t3
0
0
1
0

dfinit
t1
t2
t3

t1 = 3
t2 = 4
t3 = 8

coef (bi/ai1)
-3
7
2/3

bi
3
7
2
Z-3

x1
1
0
0
0

x2
-1
1
3
3/2

t1
1
1
-2
-1

t2
0
1
0
0

t3
1/3
-1/3
1/3
-1/2

t2
0
1
0
0

t3
0
0
1
0

dfinit
x1
t2
t3

## On fait rentrer x2 en base et sortir t3:

bi
11/3
19/3
2/3
Z-4

x1
1
0
0
0

x2
0
0
1
0

t1
1/3
5/3
-2/3
0

dfinit
x1 L1+L'3
t2 L2-L'3
x2 L'3

Mais on voit que ce n'est pas la seule solution (notamment grce au graphique) et on peut
donc continuer en faisant rentrer t1 et sortir t2.

A.BENHARI

Page 21

______________________________________________________________________________
bi
12/5
19/5
16/5
Z-4

x1
1
0
0
0

x2
0
0
1
0

t1
0
1
0
0

t2
-5
3/5
2/5
0

t3
2
-1/5
1/5
-1/2

dfinit
x1
t1
x2

## En fait, il y a une infinit de solutions optimales sur le segment [AB].

e) Exercice 4
Soit le programme linaire suivant sous sa forme canonique:
-x1 + x2 + 5x3 2x4 5
x1
- 3x3 + x4 = 7
avec xi 0
x1 + x2 + 4x3 -3x4 = 4
max z = 13x1 + 6x2 - 2x3 - 10x4
1. Mettre sous forme standard
On introduit donc une seule variable d'cart t1:
-x1 + x2 + 5x3 2x4 - t1 = 5
x1
- 3x3 + x4
=7
x1 + x2 + 4x3 -3x4
=4

avec xi, ti 0

bi
5
7
4
Z

x1
-1
1
1
13

x2
1
0
1
6

x3
5
-3
4
-2

x4
-2
1
-3
-10

t1
-1
0
0
0

bi
5
7
-1
Z-30

x1
-1
1
2
19

x2
1
0
0
0

x3
5
-3
-1
-32

x4
-2
1
-1
2

t1
-1
0
1
6

dfinit
x2

## Si l'on veut que L2 dfinisse x1:

on aura L'1 L3 + L2 ; L'3 L3 - 2L2; L'4 L4 - 19L2

A.BENHARI

Page 22

______________________________________________________________________________
bi
12
7
-15
Z-163

x1
0
1
0
0

x2
1
0
0
0

x3
2
-3
5
25

x4
-1
1
-3
-17

t1
-1
0
1
6

dfinit
x2
x1

Si l'on veut que L3 dfinisse x4 (car le second membre est ngatif donc x4 ayant un
coefficient ngatif, cela se simplifie): on aura L'3 L3/-3.
bi
17
2
5
Z-78

x1
0
1
0
0

x2
1
0
0
0

x3
1/3
-4/3
-5/3
-10/3

x4
0
0
1
0

t1
-4/3
1/3
-1/3
1/3

dfinit
x2
x1
x4

On arrive donc ici un simplexe et maintenant, on peut chercher optimiser z. Pour cela, on
fait rentrer t1 en base et on sort x1:
on a donc L'1 L1 + 4/3 L2 ; L'2 3L2 ; L'3 L3 + 1/3 L2; L'4 L4 1/3 L2
bi
25
6
7
Z-80

x1
4
3
1
-1

x2
1
0
0
0

x3
-5
-4
-3
-2

x4
0
0
1
0

t1
0
1
0
0

dfinit
x2
t1
x4

## Et on obtient donc la solution optimale pour x2 = 25 , x4 = 7 , x1 = x4 = 0 (t1 = 6 )

. z = 80 .
Sinon en passant par le systme:
1/3 x3 4/3 t1 + x2 = 17
4/3 x3 + 1/3 t1 + x1 = 2
5/3 x3 - 1/3 t1 + x4 = 5
max z = 78 + (-10/3 x3 + 1/3 t1)
Et si x1 = x4 = x2 = 0 , on a donc:
1/3 x3 4/3 t1 17
4/3 x3 + 1/3 t1 2
5/3 x3 - 1/3 t1 5
max z = 18 -10/3 x3 + 1/3 t1

A.BENHARI

Page 23

______________________________________________________________________________

## 3.3) Mthode des 2 phases et mthode M

Ces mthodes sont utiliser si les second membres ne sont pas tous positifs.

a) Exemple 1 :

m a zx= 2x1 + 3x 2
x1 + x 2 6

## Soit le Programme Linaire dont la forme canonique est la suivante : 2x 1 x 2 4

2x + x 2
1 2
x1 , x 2 0
m azx= 2x1 + 3x 2
En le mettant sous la forme standard :

x1 + x 2 + x 3 = 6

2 x1 x 2 + x 4 = 4
2x + x + x = 2
1 2 5
x1 , x 2 , x 3 , x 4 , x 5 0

La difficult de cette tude provient du fait que lon na pas une solution admissible initiale,
en fixant x1=x2=0 (variables hors-base) car on aurait alors x3=6 0 (valable), mais x4=4 0
(non valable) et x5 = 2 0 (non valable). Il faut donc commencer par chercher une premire
solution admissible. On pourrait essayer se ramener au simplexe.
Ou alors, on introduit des variables artificielles : x6 et x7, associes un coefficient de la
fonction conomique ngatif, (pour que la solution optimale du PL avec ces deux variables
artificielles soit obtenue avec x6 et x7 nulles, cest--dire la solution optimale du nouveau PL
est la mme que celle du PL sans ces deux variables artificielles).
Le Programme Linaire devient :

A.BENHARI

Page 24

______________________________________________________________________________

m a xz = 2 x1 + 3x2 M x6 M x7
x1 + x2 + x3 = 6

2 x1 x2 + x4 x6 = 4
2x + x + x x = 2
1 2 5 7
x1, x2 , x3 , x4 , x5 , x6 , x7 0

sont hors base).

## b) Mthode des 2 phases :

Pour la suite de l'exemple, on utilisera les noms de variables suivants:
x1 + x2 + t1
=6
2x1 + x2 - t2 + V1 = 4
avec xi, ti 0
2x1 - x2
- t3+ V2 = 2

A.BENHARI

Page 25

______________________________________________________________________________
o 1re phase:
Cherchons dans le systme maximiser une nouvelle fonction conomique z' = -V1 V2
V1 = 4 2x1 x2 + t2
V2 = 2 2x1 + x2 + t3
z' = -4 + 2x1 + x2 - t2 - 2 + 2x1 x2 - t3 = -6 + 4x1 - t2 - t3
coef (bi/ai1)
6
2

bi
6
4
2
Z'+6
Z

x1
1
2
2
4
2

x2
1
1
-1
0
3

t1
1
0
0
0
0

t2
0
-1
0
-1
0

t3
0
0
-1
-1
0

V1
0
1
0
0
0

V2
0
0
1
0
0

dfinit
t1
V1
V2

bi
5
2
1
Z'+2
Z-2

x1
0
0
1
0
0

x2
3/2
2
-1/2
2
4

t1
1
0
0
0
0

t2
0
-1
0
-1
0

t3

1
-1/2
1
1

V1
0
1
0
0
0

V2
-1/2
-1

-2
-1

dfinit
t1
V1
x2

t3
-

-
0
-1

V1
-

-1
-2

Ici, L1 L1 - L3
coef (bi/ai1)
10/3
1
-2

coef (bi/ai1)
14/3
-2
-6

bi
7/2
1
3/2
Z'
Z-6

x1
0
0
1
0
0

x2
0
1
0
0
0

t1
1
0
0
0
0

t2

-
-
0
2

dfinit
t1
x2
x1

## Fin de la premire phase: solution initiale de (S): x1 = 3/2 , x2 = 1 , t1 = 7/2 , z = 6

o 2ime phase: simplexe classique sur (S)
On a hors base: t2 et t3 , et en base: x1 , x2 et t1.
bi
14/3
10/3
8/3
Z 46/3

x1
0
0
1
0

x2
0
1
0
0

t1
4/3
2/3
1/3
-8/3

t2
1
0
0
0

t3
-1/3
1/3
-1/3
-1/3

dfinit
t2
x2
x1

## La solution optimale est donc pour x1 = 8/3 , x2 = 10/3 , t2 = 14/3 , et z = 46/3

A.BENHARI

Page 26

______________________________________________________________________________

## c) Mthode M ou des perturbations :

x1 + x2 + t1
=6
-2x1 - x2 + t2 - V1 = - 4
avec xi, ti 0
-2x1 + x2
+ t3- V2 = - 2
max z = 2x1 + 3x2 - MV1 - MV2 avec M > 0 aussi grand
coef (bi/ai1)
6

bi
6
4
2
Z

-2

x1
1
2
2
2

x2
1
1
-1
3

t1
1
0
0
0

t2
0
-1
0
0

t3
0
0
-1
0

V1
0
1
0
-M

V2
0
0
1
-M

dfinit
t1
V1
V2

Ici, nous n'avons pas tout fait un tableau du simplexe car les coefficients de z ne sont pas nul
pour V1 et V2. On fait rentrer x2 dans la base et sortir V1: L'1 L1 - L2
bi
2
4
6
Z-12

x1
-1
2
4
-4

x2
0
1
0
0

t1
1
0
0
0

t2
1
-1
-1
3

t3
0
0
-1
0

V1
-1
1
1
-M-3

t1
1
1
1
-3

t2
1
0
0
0

t3
0
0
-1
0

V2
0
0
1
-M

V2
0
0
1
-M

dfinit
t1
x2
V2

## On fait rentrer t2 dans la base et sortir t1.

bi
2
6
8
Z-18

x1
-1
1
3
-1

x2
0
1
0
0

dfinit
t2
x2
V2

Erreur de raisonnement: Le premier tableau n'est pas un tableau du simplexe, il aurait donc
fallu commencer par le ramener une forme de vrai tableau du simplexe.
o Mthode correcte:
Il faut modifier la ligne "z" pour obtenir un vrai tableau du simplexe:
bi
x1
x2
6
1
1
4
2
1
2
2
-1
Z+4M 2+2M 3+M
Z+6M 2+4M
3

A.BENHARI

t1
1
0
0
0
0

t2
0
-1
0
-M
-M

Page 27

t3
0
0
-1
0
-M

V1
0
1
0
0
0

V2
0
0
1
-M
0

dfinit
t1
V1
V2
L'4 L4 + ML2
L'4 L4 + ML3

______________________________________________________________________________
Le tableau initial du simplexe est donc:
coef (bi/ai1)
6
2
1

bi
x1
6
1
4
2
2
2
Z+6M 2+4M

x2
1
1
-1
3

t1
1
0
0
0

t2
0
-1
0
-M

t3
0
0
-1
-M

V1
0
1
0
0

V2
0
0
1
0

t1
1
0
0
0

t2
0
-1
0
-M

t3

1
-
1+M

V1
0
1
0
0

V2
-
-1

-1-2M

t1
1
0
0
0

t2

-
-
2

t3
-

-
-1

V1
-3/4

-2-M

dfinit
t1
V1
V2

coef (bi/ai1)
10/3
1
-2

bi
5
2
1
Z+2M-2

x1
0
0
1
0

x2
3/2
2
-
4+2M

dfinit
t1
V1
x1

bi
7/2
1
3/2
Z-6

x1
0
0
1
0

x2
0
1
0
0

dfinit
t1
x2
x1

## 3.4) Paramtrisation des coeff. de la fn co.

Pour moduler les rsultats obtenus par la mthode du simplexe, on peut paramtrer certains
des coefficients.

## Exemple : (Faure : Guide de la R.O., T.2 : les applications)

Un agriculteur veut mettre en valeur un espace de 40 hectares, il dispose dun montant annuel
de 63 000 u.m.(units montaires), de 840 journes de travail et se propose de semer du mas,
du bl et du soja. La prparation la culture cote 1500 u.m. par ha pour le mas, 1800 u.m.
par ha pour le bl et enfin 1050 u.m. par ha pour le soja. La culture dun ha ncessite : 18
journes de travail pour le mas, 27 journes pour le bl et 15 journes pour le soja. Les
rapports esprs sont respectivement proportionnels : 420 u.m. pour le mas, 510 u.m. pour
le bl et 360 u.m. (compte tenu dune prime dencouragement) pour le soja.
a.
Quels sont les choix de lagriculteur ?
b.
Lagriculteur apprend que la prime dencouragement la culture du soja est
susceptible dtre modifie. Il dsire savoir quel taux de prime il devrait changer la
distribution des cultures rvles par le P.L.
c.
Supposons maintenant que les moyens sous la forme du travail humain se trouvent
soumis une limitation variable. Quelle est alors la meilleure occupation des sols ?

A.BENHARI

Page 28

______________________________________________________________________________
o a. Forme Canonique :

## m a zx= 4 2 x01 + 5 1 x02 + 3 6 x03

x1 + x 2 + x 3 4 0

## 1 5 0x01 + 1 8 0x02 + 1 0 5x03 6 3 0 0 0

1 8x + 2 7x + 1 5x 8 4 0
2
3
1
x1 , x 2 , x 3 0

## On introduit les variables d'carts et on simplifie:

x1 + x2 + x3 + t1
= 40
10x1 + 12x2 + 7x3 + t2 = 420
avec xi, ti 0
6x1 + 9x2 + 5x3
+ t3 = 280
max z = 420x1 + 510x2 + 360(1+ )x3
coef (bi/ai1)
40
60
280/5=56

bi
40
420
280
Z

x1
1
10
6
420

x2
1
12
9
510

x3
1
7
5
360+360

t1
1
0
0
0

t2
0
1
0
0

t3
0
0
1
0

dfinit
t1
t2
t3

t3
0
0
1
0

dfinit
x3
t2
t3

## Si 360 (1+ ) 510 1+ 510/360=17/12

5/12
On fait rentrer x3 dans la base et sortir t1:
bi
x1
40
1
140
3
80
1
Z60-360
40(360+360 )

x2
1
5
4
150360

x3
1
0
0
0

t1
1
-7
-5
-360-360

t2
0
1
0
0

## Si > 5/12, la solution optimale est 40 ha de soja

Si =5/12:
coef (bi/ai1)
40
35
280/9

bi
40
420
280
Z

x1
1
10
6
420

coef (bi/ai1)

bi

x1

A.BENHARI

x2
1
12
9
510

x3
1
7
5
510

t1
1
0
0
0

t2
0
1
0
0

t3
0
0
1
0

dfinit
t1
t2
t3

x2

x3

t1

t2

t3

dfinit

Page 29

______________________________________________________________________________
80/4=20
140
280/5=56

A.BENHARI

80/9
140/3
280/9

1/3
2
2/3
Z-510*210/9 80

0
0
1
0

4/9
1/3
5/9
680/3

Page 30

1
0
0
0

0
1
0
0

-1/9
-4/3
1/9
-510/9

t1
t2
x2

______________________________________________________________________________
bi
20
40
80/9

x1
3/4
7/4
1/4
-120

Z - 49300/3

x2
0
0
1
0

x3
1
0
0
0

t1
9/4
-
-5/4
-510

t2
0
1
0
0

t3
-1/4
-5/4
1/4
0

dfinit
x3
t2
x2

## Si < 5/12 mme dmarche

En divisant la premire ligne par 30, la troisime par 150 et la dernire par 3, on trouve le
tableau suivant :
Z
14
17
12
0
0
0
40
1
1
1
1
0
0
420
10
12
7
0
1
0
280
6
9
5
0
0
1

Z 420
510
40
1
1
63000 1500 1800
840 18
27

360
1
1050
15

0
1
0
0

0
0
0
1

z
40
420
280

14
1
10
6

z4760/9
8 8/9
46 2/3
31 1/9

2 2/3
1/3
2
2/3

0
0
0
1

2 5/9
4/9
1/3
5/9

0
1
0
0

z5320/9
1 1/9
23 1/3
15 5/9

0
0
1
0

0
0
0
1

2 1/9
2/5
1/6
4/9

0
1
0
0

z4180/7
20/7
160/7
100/7

0
0
1
0

17
1
12
9

0
0
1
0

0
0
0
1

12
1
7
5

0
1
0
0

0
1
0
0

38/7
18/7
3/7
8/7

0
0
1
0
0
0
1
0

0
0
0
1

Cff
40
35
31,11

1 8/9 Cff
1/9 26,666
1 1/3 23,33
1/9 46,666

1 1/3 1/9
cff
1/6
1/9 2,8571
1/2 2/3
140
1/3
5/9
35
3/7
3/7
4/7
1/7

5/7
2/7
5/7
3/7

## Solution optimale : z = 4180/7, cest--dire 4180/7*60 u.m ;

x1 = 160/7 22,85 ha, x2= 100/7 14,28 ha , x3 = 20/7 2,85 ha
Rq : dans cet exemple, toutes les ressources sont puises (crdit, journes de travail) et la
terre est intgralement occupe. Cela provient du fait que le premier P.L. mis sous forme
dgalit est un systme de Cramer.
A.BENHARI

Page 31

______________________________________________________________________________
b. Pour paramtrer alors suivant la valeur de la prime accorde au soja, remplaons dans
la matrice optimale le coefficient de x3 de la fonction conomique par 12(1+ ), avec
1.
Le nouveau tableau est :
Z4180/7240/7

20/7
160/7
100/7

38/7216/7

0
1
0

0
0
1

1
0
0

18/7
3/7
8/7

3/7+36/7

3/7
4/7
1/7

2/7
5/7
3/7

La solution avant paramtrage tait x1 = 160/7, x2 = 100/7, x3 = 20/7. Cette solution nest
optimale que si tous les coefficients de la fonction conomique sont ngatifs :

## 1 = 38/7 216/7 0 19/108

2 = 3/7 + 36/7 0 1/12

Bilan :

A.BENHARI

Page 32

______________________________________________________________________________
1

5/2

19/108

1/12

+
+

+
2
+

3
On va donc garder la solution prcdente si ]19/108, 1/12[
Si 19/108, 1 est le plus coefficient positif de la fonction conomique, donc on fait
rentrer x4 dans la base.
Z4180/7240/7

38/7216/7

20/7
160/7
100/7

0
1
0

0
0
1

1
0
0

18/7
3/7
8/7

3/7+36/7

3/7
4/7
1/7

2/7
5/7
3/7

Coeff
10/9
6400/21
25/2

Z5320/9
10/9
70/3
140/9

0
0
1
0

19/9+12
7/18
1/6
4/9

0
0
0
1

0
1
0
0

4/3
1/6

1/3

1/9
1/9
2/3
5/9

## Cette solution est stable si 19/9 + 12 0, cestdire si 19/108, ce qui est

justement le cas. Donc si 19/108, la solution optimale consiste cultiver 70/3 ha de
mas et 140/9 ha de bl, il reste alors 10/9 ha non cultivs. Le profit est alors de 5320/9 u.m.,
indpendant de , mais cest un hasard.
Si 1/12,
Z4180/7240/7
20/7
160/7
100/7

38/7216/7

0
1
0

0
0
1

1
0
0

18/7
3/7
8/7

3/7+36/7

3/7
4/7
1/7

2/7
5/7
3/7

Coeff
20/3
40
v1/100

Z580/7240
20
40
20

7/4

0
0
1

1
0
0

23/4 27

9/4
3/4
5/4

3/7+36/7

0
1
0

1/4
5/4
1/4

## Les coefficients de la fonction conomique sont ngatifs si :

9 0 1/12 vrai
23/4 27 0
vrai car 0
5/4 + 3 0 5/12
Donc la solution pour [1/12, 5/12] est 20 ha de soja et 20 ha de bl, pour un gain de
580+240
Si 5/12, on fait rentrer x6, puisque le coefficient 5/4 + 3 est positif, et on fait sortir
x2.
Z680
40
140
80

A.BENHARI

212
1
3
1

512
1
5
4

0
1
0
0

1212
1
7
5

Page 33

0
0
1
0

0
0
0
1

______________________________________________________________________________
Cette fois, les coefficients de la fonction conomique sont tous ngatifs et la solution optimale
dans ce cas est de cultiver 40 ha de soja, pour un gain de 480+480 u.m.

A.BENHARI

Page 34

______________________________________________________________________________
Bilan :
Mas
Bl
Soja
Gain

19/108
1/12
70/3
160/7
140/9
100/7
0
20/7
5320/9
4180/7+240/7

5/12
0
20
20

0
0
40

580+240

480+480

Remarque : si prend exactement les valeurs limites : 19/108, 1/12, 5/12, les solutions
optimales sont les mmes par les deux procds de calcul, pour les valeurs plus grandes et
plus petites que la limite.

III. Dualit :

m a zx= 1 4x1 + 1 7x 2 + 1 2x 3
Reprenons lexemple ci-dessus :

x1 + x 2 + x 3 4 0

1 0x1 + 1 2x 2 + 7x 3 4 2 0
6 x + 9 x + 5x 2 8 0
1 2 3
x1 , x 2 , x 3 0

X1
X2
X3
Min
Y1
1
1
1
40
Y2
10
12
7
420
Y3
6
9
5
280
max
14
17
12

Cest--dire :

## m i zn' = 4 0y1 + 4 2 y02 + 2 8 y03

y1 + 1 0y 2 + 6 y 3 1 4

y1 + 1 2y 2 + 1 7y 3 1 7
y + 7 y + 5y 1 2
1 2 3

y1 + 1 0y 2 + 6y 3 y 4 = 1 4

y1 + 1 2y 2 + 1 7y 3 y 5 = 1 7
y + 7 y + 5y y = 1 2
1 2 3 6

y1 , y 2 , y 3 0

A.BENHARI

y1 , y 2 , y 3 , y 4 , y 5 , y 6 0

Page 35

______________________________________________________________________________

## m i zn' = 4 0y1 + 4 2 y02 + 2 8 y03 + M 7y + M 8y + M 9y

y1 + 1 0y 2 + 6y 3 y 4 + y 7 = 1 4

y1 + 1 2y 2 + 9y 3 y 5 + y8 = 1 7
y + 7 y + 5y y + y = 1 2
1 2 3 6 9
y1 , y 2 , y 3 , y 4 , y 5 , y 6 , y 7 , y8 , y 9 0

On introduit des variables dcart, sinon on na pas de solution initiale admissible : y1=0,
y2=y3=0 et y4 = 14 et y5 = 17 et y6 = 12. Le coefficient M reprsente ici une valeur trs
grande (plus grande que toutes les valeurs numriques apparaissant dans les calculs, et M )
On a alors une solution admissible du nouveau PL : y1= = y6 = 0, y7=14, y8= 17, y9 = 12.
On cherche minimiser z ou maximiser z=z
Z 40 420 280
0
0
0
M M M
14
1
10
6
1
0
0
1
0
0
17
1
12
9
0
1
0
0
1
0
12
1
7
5
0
0
1
0
0
1
Ce tableau nest pas encore un tableau du simplexe car les variables de la base sont y 7, y8 et y9
et la fonction conomique z dpend de ces variables ! ! !
1re transformation : (la ligne de z est remplace par L1+ML2)
Z
+14M

40
+M

420
+10M

280
+6M

0M

14
17
12

1
1
1

10
12
7

6
9
5

1
0
0

0
1
0

0
0
1

1
0
0

0
1
0

0
0
1

## 2me transformation : (la ligne de z est remplace par L1+ML3+ML4)

Z
+43M

40
+3M

420
+29M

280
+20M

14
17
12

1
1
1

10
12
7

6
9
5

1
0
0

0
1
0

0
0
1

1
0
0

0
1
0

0
0
1

Rq : comme M est trs grand, 420+29M > 0 et est le plus grand de tous les coefficient. Donc
on fait rentrer y2 dans la base. Pour voir quelle variable sort de la base, dterminons la
colonne des coefficients relatifs :
Coeff

14/10=1,4
17/12 1,4166
12/7 1,7142
Donc il faut faire sortir y7 de la base. Le tableau rsultant est :

A.BENHARI

Page 36

______________________________________________________________________________

## Z+588 +12/5M 2 +M/10

7/5
1/10
y8
1/5
1/5
y9
11/5
3/10
y2

0 28+13/5M 42+19/10M
1
3/5
1/10
0
9/5
6/5
0
4/5
7/10

M
0
1
0

M 4229/10M
0
1/10
0
6/5
1
7/10

0
0
1
0

0
0
0
1

coeff
7/3
1/9
11/4

## On limine la colonne de y7 puisque la variable est maintenant hors base.

on

limine

Z +5320/9+19/9M 10/9+7M/18
y2
4/3
1/6
y3
1/9
1/9
y9
19/9
7/18

0
1
0
0

0 70/3+1/6M 140/9+4/9M M
0
1/2
1/3
0
1
2/3
5/9
0
0
1/6
4/9
1

140/913/9M M
1/3
0
5/9
0
4/9
1

coeff
1/8
1/1
7/38

Pour liminer y9, on va choisir une variable HB ayant un coefficient dans la fonction conomique
positif

A.BENHARI

Page 37

______________________________________________________________________________
y2
y3
y1

Z +4180/7
3/7
5/7
38/7

0
0
0
1

0
1
0
0

0
0
1
0

160/7
4/7
5/7
3/7

100/7
1/7
3/7
8/7

20/7
3/7
2/7
18/7

On a donc obtenu une solution de base admissible : y1= 38/7, y2= 3/7, y3=5/7, y4, y5, y6 tant
des variables HB.
De plus cette solution est optimale (ce ne sera pas toujours le cas), car tous les coefficients de
la fonction conomique sont ngatifs.

colonnes

Lignes

Pr. : les solutions optimales du dual et les solutions optimales du primal sont associes :
n primal
colonnes
sol. primal
x1 x2 x3
x4
x5
x6
x1
1 0 0 3/7 4/7
5/7
160/7
y4
x2
0 1 0 8/7 1/7
3/7
100/7
y5
x3
0 0 1 18/7 3/7
2/7
20/7
y6
x4
0 0 0
1
0
0
0
y1
x5
0 0 0
0
1
0
0
y2
x6
0 0 0
0
0
1
0
y3
coeff primal 0 0 0 38/7 3/7 5/7
y4 y5 y6
y1
y2
y3
n dual
lignes
NB : on aurait pu ne prendre quune seule variable artificielle en transformant la matrice
initiale du problme :

x1 + 1 x2 2 + 9x 3 x 5 = 1 7
0x + 2x + x + x x =3
(L L )

x1 1 x0 2 6x 3 + x 4 = 1 4
x1 + 1 x22 + 9x 3 x 5 = 1 7
0x + 5x + 4x x + x = 5 (L L )

x 1 7 x 2 5x 3 + x 6 = 1 2
1

## Le tableau ne ncessite alors plus quune variable artificielle :

z
17
3
5

40
1
0
0

40
12
2
5

280
9
1
4

0
0
1
0

0
1
1
1

Exercices :

Mthode du Simplexe
A.BENHARI

Page 38

0
0
0
1

M
1
0
0

______________________________________________________________________________
S1)

Ecrivez le problme PL suivant sous forme standard avec des M.d.D. non
ngatifs:
Max z = 2x1 + 3 x2 + 5 x3

S2)

## Considrons lensemble de contraintes suivant:

x1 + 7 x2 + 3x3 + 7 x4 46
3 x1 - x2 + x3 + 2 x4 8
2 x1 + 3 x2 - x3 + x4 10
Rsolvez par la mthode du simplexe le problme obtenu lorsque la fonction objectif
est donne par:
a)
b)
c)
d)
e)

S3)

max z
max z
max z
min z
min z

=
=
=
=
=

2x1
- 2x1
3x1
5x1
3x1

+ x2
+ 6x2
- x2
- 4x2
+ 6x2

- 3x3
+ 3x3
+ 3x3
+ 6x3
- 2x3

+ 5x4
- 2x4
+ 4x4
+ 8x4
+4x4

## Rsolvez le problme suivant par la mthode du simplexe

max z = 5x1 + 4x2 + 3x3
s.c.

S4)

2 x1 + 3 x2 + x3 5
4 x1 + x2 + 2 x3 11
3 x1 + 4 x2 + 2 x3 8
x1, x2, x3 0

## Rsolvez le problme suivant par simple inspection, puis par la mthode du

simplexe
max z = 5 x1 - 6 x2 + 3 x3 - 5 x4 + 12 x5
s.c.

A.BENHARI

Page 39

______________________________________________________________________________
S5)

## Rsolvez le problme suivant par la mthode du simplexe :

On doit organiser un pont arien pour transporter 1600 personnes et 90 tonnes de
bagages. Les avions disponibles sont de deux types: 12 du type A et 9 du type B. Le
type A peut transporter, pleine charge, 200 personnes et 6 tonnes de bagages. Le type
B, 100 personnes et 6 tonnes de bagages. La location dun avion du type A cote
800.000 F; la location dun avion du type B cote 200.000 F.

S6)

## Les dictionnaires ci-dessous ont t obtenus aprs excution de quelques itrations de

la mthode du simplexe sur diffrents problmes. Quelles conclusions pouvez-vous
tirer sur base de linformation contenue dans ces dictionnaires?
Les conclusions possibles sont par exemple:
. la solution courante est optimale, et vaut ...;
. le problme est non born parce que ...;
. le problme est non ralisable parce que ...;
. la solution courante nest pas optimale; dans ce cas, calculez la solution optimale.

a)

min z

b)

max z

c)

max z
s.c.

## Dualit & Sensibilit

DS1) Suite de lexercice S6a).
Quel est le cot rduit de chacune des variables du problme?

## DS2) Suite de lexercice S3).

a) Si le coefficient de la variable x2 dans la fonction objectif augmentait de 2 units,
quel serait leffet produit sur la solution optimale et la valeur optimale du problme?
Et si cette augmentation tait de 4 units?
b) Quel est le cot rduit de chacune des variables du problme?
c) Quel est le prix dual de chacune des contraintes dingalit du problme?

## DS3) Considrons le programme linaire suivant, exprim sous forme standard:

A.BENHARI

Page 40

______________________________________________________________________________
min z = 2x1 + x2
s.c.
a) Calculer le dictionnaire associ la base B dfinie par les variables de base x 1, x2, x5
.

## DS4) Soit le problme (P):

max z = 2x1 + 4x2 + 4x3 - 3x4

et son inverse

a)

## Formulez le problme dual de (P).

b)
Sur base des informations fournies (et donc, sans utiliser la mthode du
simplexe ni la mthode graphique), calculez la solution optimale de (P) et celle de son
dual. Expliquez la mthode que vous utilisez.
c)

## Si la fonction objectif de (P) est remplace par

max z = 3x1 + 4x2 + 4x3 - 3x4 ,
la base B donne ci-dessus reste-t-elle optimale? Justifiez votre rponse.

## DS5) Soit le problme suivant (P):

max z = 100x1 + 50x2 + 25 x3

A.BENHARI

Page 41

______________________________________________________________________________
La base optimale de (P) est

## a) Ecrivez le dual de (P)

b) Quelle est la solution optimale du programme (P) et celle de son dual?
c) Dans quel intervalle peut varier le membre de droite de la contrainte (2) sans
affecter loptimalit de B ?

## DS6) Soit le problme de programmation linaire

max z = 60x1 + 30x2 + 20x3

optimale

## a) Calculez la solution optimale et la valeur optimale du problme.

b) Calculez et interprtez le prix dual de la contrainte (2).

## DS7) Soit le problme de programmation linaire

max z = 30 x1 + 20x2

## a) Rsolvez le problme graphiquement.

b) Sur base de a), dterminez la base optimale B.
c) Pourrait-on dduire les prix duaux sur base de cette information?
DS8) Soit le problme de programmation linaire (P):
min z = 500x1 + 500x2 + 500x3 + 300x4 + 425x5
A loptimum de (P), on a x1 = x2 = x3 = x5 = 0
a) Trouvez la solution optimale et la matrice de base optimale pour (P).
b) A partir de la matrice de base, calculez la valeur optimale des variables duales.
c) Ecrivez le problme dual de (P).
A.BENHARI

Page 42

______________________________________________________________________________

## DS9) Soit le problme de programmation linaire

max z = 4x1 + 5x2 + 6x3

## a) Formulez le dual et rsolvez-le (par inspection)

b) Utilisez a) et le thorme de dualit forte pour rsoudre le primal.

## DS10) Soit le problme de programmation linaire:

min z = 2x1 + 3x2

A.BENHARI

Page 43

______________________________________________________________________________
Son dual scrit
max w = 30y1 + 10y2
Dterminez si les solutions suivantes sont ralisables et optimales:
a)
b)
c)

( x1 = 10, x2 = 10/3; y1 = 0, y2 = 1, y3 = 1)
(x1 = 20, x2 = 10; y1 = 1, y2 = 4, y3 = 0)
(x1 = 10/3, x2 = 10/3; y1 = 0, y2 = 5/3, y3 = 1/3)

## DS11) Considrons le programme linaire suivant

max z = 5x1 + 2x2 + 3x3
La solution optimale est donne par le dictionnaire final
max z
+
z

x1 +

s.c.

x, s

23x2

+ 7 x3

= 150

5 x2

+ 2 x3

= 30

10 x2

8 x3

+ s2

= 10

## a) Ecrivez le problme dual associ.

b) Dterminez la matrice de base optimale B. Dduisez-en la solution optimale du
dual.
c) Dans quel intervalle peut varier c1 (idem c2, c3) sans affecter loptimalit de la
solution?
d) Dans quel intervalle peut varier b1 (idem b2) sans affecter loptimalit de la base
B?
e) Dterminez les prix duaux.
DS12) Considrons le problme de lexercice DS11.
a) Supposons que le M. de D. des contraintes devienne (30 + , 40 - ), o est
un paramtre non ngatif. Dterminez les valeurs de pour lesquelles la base B
reste optimale.
b) Pour chacune des fonctions objectif suivantes, trouvez la nouvelle solution
optimale en utilisant la procdure danalyse de sensibilit.
i) max z = 12x1 + 5x2 + 2x3
ii) min z = 2x2 - 5x3

A.BENHARI

Page 44

______________________________________________________________________________
DS13) Voici la formulation dun petit problme de transport impliquant 3 entrepts et 2
clients:
min z = 3x11 + 2x12 + 4x21 + x22 + 2x31 + 3x32
(remarquez que le problme est non quilibr).
Ce problme a t mis sous forme standard en introduisant des variables dcart s 1 , s2
et s3 dans les trois premires contraintes, puis rsolu par un logiciel utilisant la
mthode du simplexe. Voici quelques informations sur la solution optimale:

les variables en base loptimum sont x11, x12, x22, x31 et s1;
le cot rduit de x21 et celui de x32 sont gaux 2;
les prix duaux des contraintes sont donns par (y1, y2, y3, y4, y5) = (0, -1, -1, 3, 2).

## a) Mettez le problme sous forme standard (comme suggr ci-dessus) et formulez

son problme dual.
b) Utilisez linformation donne plus haut pour calculer la solution optimale du
problme et le cot de transport correspondant.
c) Si le cot unitaire de transport entre lentrept 2 et le client 1 diminuait de 1 unit
(passant ainsi de 4 3), quelle serait lincidence de ce changement sur la solution
optimale et la valeur optimale calcules prcdemment?
d) Le gestionnaire du troisime entrept saperoit quil a commis une erreur en
valuant ses stocks: il possde en fait 55 units en stock. En supposant que la base
optimale ne soit pas affecte, quel sera leffet de cette correction sur le cot de
transport optimal?

A.BENHARI

Page 45

______________________________________________________________________________

Files dattente
F1)

## Le responsable dun parking du centre-ville a compt le nombre de voitures gares

dans son parking diffrents instants de la journe. En moyenne, il en a trouv 150. Il
sait par ailleurs que, toujours en moyenne, 40 voitures par heure pntrent dans le
parking et y trouvent une place.
Estimez le temps moyen pass par chaque voiture dans le parking. Expliquez votre
approche.

F2)

## Des clients arrivent dans un restaurant selon un processus de Poisson au taux de 20

clients par heure. Le restaurant ouvre ses portes 11 heures.
Trouvez:
a)
b)

F3)

## la probabilit davoir 20 clients dans le restaurant 11 h 12 sachant quil y en

avait 18 11 h 07.
la probabilit quun nouveau client arrive entre 11 h 28 et 11 h 30 sachant que
le dernier client est arriv 11 h 25.

## Des patients arrivent une clinique selon un processus de Poisson. On dispose de

linformation suivante: si X reprsente lintervalle de temps coul entre deux arrives
successives, alors
Pr [x > 30x > 15] = 0,6
Soit N(t) le nombre de clients qui se prsentent durant un intervalle de t minutes.
Calculez Pr [ N(15) = 0 ]. Justifiez votre rponse.

F4)

Les articles dun stock sont vendus selon un processus de Poisson au taux de 5 articles
par jour. Le stock initial est de 80 articles.
a)
b)
c)

Trouvez la probabilit que 10 articles soient vendus durant les 2 premiers jours.
Dterminez la probabilit quil ny ait plus darticles en stock aprs 4 jours.
Dterminez le nombre moyen darticles vendus sur une priode de 4 jours.

A.BENHARI

Page 46

______________________________________________________________________________
F5)

Des clients se prsentent une agence de banque au rythme moyen de 10 clients par
heure. Ils y sont servis par lunique employ de lagence, auprs duquel chaque client
passe 5 minutes en moyenne. Selon les donnes recueillies par le directeur de
lagence, les arrives de clients et les temps de service semblent caractristiques de
processus de Poisson.
a)
b)

## Quel modle dcrit adquatement ce systme? Expliquez.

Estimez le temps moyen pass par chaque client dans le systme.

## Le directeur de lagence dcide de licencier son employ et de le remplacer par un

employ plus qualit, x fois plus rapide que lemploy actuel, o x est un paramtre au
moins gal 1.
c)
d)

F6)

Un aroport possde une seule piste rserve aux dcollages (et une autre rserve aux
atterissages). En moyenne, la tour de contrle reoit 15 demandes dautorisation de
dcoller par heure; ces demandes surviennent selon un processus de Poisson. Par
ailleurs, la dure moyenne de chaque dcollage est de 3 minutes, mais varie de faon
alatoire selon une loi exponentielle (par dure de dcollage , on entend le temps
coul entre le moment o la tour donne un avion lautorisation de dcoller et le
moment o elle peut accorder cette autorisation un (ventuel) avion suivant).
a)
b)
c)
d)
e)

F7)

F8)

Estimez le temps moyen pass par chaque client dans ce nouveau systme.
Que doit valoir x pour que le temps ainsi calcul en c) soit rduit 5 minutes?

## Quel modle dcrit adquatement ce systme? Expliquez.

Estimez le nombre moyen davions en file dattente, cest--dire ayant
demand, mais pas encore reu, lautorisation de dcoller.
Estimez le temps moyen pass par chaque avion en file dattente (dfini
comme en b)).
Quelle est la probabilit quun avion qui demande lautorisation de dcoller ne
reoive pas immdiatement cette autorisation, et doive donc attendre?
Par mesure de scurit, on voudrait rduire 2 le nombre moyen davions
grs par la tour de contrle (cest--dire, en file dattente ou en cours de
dcollage) tout instant. A combien faut-il rduire la dure moyenne de
chaque dcollage pour atteindre ce but?

Des voitures arrivent un poste de page selon un processus de Poisson avec une
moyenne de 90 voitures par heure. Le temps moyen de passage ce poste est de 38
secondes. Les automobilistes se plaignent de longues attentes ce poste. Les autorits
locales dsirent alors rduire le temps de passage 30 secondes en installant un
nouveau dispositif automatique. Mais cette modification sera justifie seulement si,
sous lancien systme, le nombre moyen de voitures dans la file dpasse 5. De plus, le
pourcentage de temps creux (cest--dire sans voitures) sous le nouveau systme ne
devrait pas excder 10%.
Le nouveau dispositif peut-il tre jusitifi?
Linfirmerie dune grosse entreprise emploie deux infirmires qui soccupent des
incidents bnins (petits accidents, malaises, etc.) survenant durant les heures de travail.
Les arrives des patients linfirmerie forment approximativement un processus de

A.BENHARI

Page 47

______________________________________________________________________________
Poisson; en moyenne, il arrive deux patients par heure. Chaque patient est soign par
une seule infirmire (elles ont des qualifications identiques) et le traitement dure une
demi-heure en moyenne (la dure du traitement suit une loi exponentielle).
a)
b)

F9)

Une agence de banque est modlise par un systme de files dattente M/M/2. Les
clients sy prsentent au rythme de 8 clients par heure. Le temps de service est de 5
minutes par client.
a)
b)
c)
d)

F10)

## Quelle est la distribution de probabilit de la variable alatoire temps coul

entre deux arrives de clients successives ?
Calculez la probabilit quun client qui se prsente lagence soit servi sans
attendre.
Calculez le temps dattente moyen par client.
Interprtez ce systme M/M/2 comme un processus de naissance et de mort
particulier.
(Quelle est la valeur des paramtres de ce processus?)

Dans un systme de files dattente M/M/2 le temps de service moyen est de 5 minutes
et la dure moyenne entre deux arrives successives est de 8 minutes.
a)
b)
c)

F11)

## Quel modle de files dattente dcrit-il adquatement cette situation? Prcisez

tous les paramtres du modle.
En moyenne, combien de patients se trouvent-ils dans la file dattente un
instant quelconque de la journe? Combien de temps doivent-ils attendre avant
dtre pris en charge par une des infirmires?

## Quelle est la probabilit quun client qui se prsente doive attendre?

Quelle est la probabilit quun serveur au moins soit libre?
Quelle est la probabilit que les deux serveurs soient libres?

## Etablissez le diagramme de transition et les quations dquilibre dun systme de files

dattente M/M/3 dans lequel un maximum de 5 clients peuvent tre simultanment
prsents.
Dterminez les probabilits long terme pn (n 0).

F12)

## Un systme de files dattente ne peut contenir plus de 4 clients.

Le taux darrive est = 10 clients par heure et le taux de dpart est = 5 clients
par heure. Ces deux taux sont indpendants du nombre n de personnes dans le
systme. Nous supposons que les processus darrive et de dpart suivent une
distribution de Poisson. Dessinez le graphe de transition; puis dterminez ce qui suit:

A.BENHARI

Page 48

______________________________________________________________________________
a)
b)
c)
d)
e)

## les quations dquilibre dcrivant le systme;

les probabilits stationnaires;
le nombre moyen Ls de clients dans le systme;
le taux darrive moyen eff;
le temps moyen Wq pass dans la file.

f)
Solutions des exercices
S2)
S3)
S4)
S5)
S6)

## d) Solution optimale: (z*, x*, s*)=(-40/3, 0, 10/3, 0, 0, 68/3, 34/3, 0).

Solution optimale: (z*, x*, s*)=(13, 2, 0, 1, 0, 1, 0).
Solution optimale: (z*, x*, s*)=(450, 90, 0, 0, 0, 0, 0).
Solution optimale: (z*, x*, s*)=(4600, 7/2, 9, 0, 22, 17/2, 0).
a) Il existe une infinit de solutions optimales; b) Dictionnaire non
optimal; c) Dictionnaire non optimal.

DS1)
DS2)

## Cot rduit de x1=1, de x5=5; les autres sont nuls.

a) i)Pas de changement; ii) x2 peut entrer en base. Nouvelle solution optimale:

DS3)
DS4)
DS5)
DS6)
DS7)
DS8)
DS9)
DS10)
DS11)
DS12)
DS13)

(z*, x*, s*)=(14, 0, 1, 2, 0, 6, 0); b) Cot rduit de x2=3; c) Prix duaux=1, 0, 1 resp.
b) Oui.
b) x*=(0, 2, 2, 0), y*=(4, 0); c) Oui.
b) (x*, s*)=(15/4, 25/4, 0, 0, 35/4, 0, 40), y*=(25/2, 0, 75/2, 0); c) [65/4, +[.
a) (z*, x*)=(280, 2, 0, 8, 24, 0, 0); b) y2*=10.
b) xB=(x1, x2, s3); c) y*=(5, 5, 0).
a) x4*=150, s1*=0, s2*=0; b) y*=(300,0).
a) y*=4/3; b) x1*=11/3.
a) Ralisables; b) Pas ralisables; c) Ralisables et optimales.
b) y*=(5, 0); c) c1[3/2, +[, c2]-, 25], c3]-,10]; d) b1[0, 40], b2[30, +[.
a) [0,5]; b) i) La solution optimale est inchange; ii) Faire entrer x3 en base.
b) z*=290, xB*=(40, 10, 50, 50, 10); c) Pas de changement; d) Valeur optimale: 285.

F1)
F2)
F3)
F4)
F5)
F6)
F7)
F8)
F9)
F10)
F12)

WS=3h45.
a) 0,2623; b) 0,4866.
0,6.
a) 0,1251; b) 0,000137; c) 20,0055.
a) M/M/1; b) WS=30 minutes; c) WS=30/(6x-5) minutes; d) x=11/6.
a) M/M/1; b) Lq=9/4; c) Wq=9 minutes; d) 1-p0=3/4; e) 1/=2,66 minutes.
p0=1/4. Le systme amlior est rejet.
a) M/M/2; b) Lq=1/3; Wq=10 minutes.
b) 5/6; c) Wq=37,5 secondes.
a) 0,1487; b) 0,8513; c) 0,5238.
b) pi=2i/31, i=0,...,4; c) LS=3,16; d) eff=4,84; e) Wq=27,2 minutes.

A.BENHARI

Page 49

______________________________________________________________________________

Problmes de
TRANSPORT

A.BENHARI

Page 50

______________________________________________________________________________

PROBLEMES DE TRANSPORT
I.

Exemple de l'usine

## m usines fournissent n clients : lusine i (1 i m) produit ai units, le client j rclame bj

units. On suppose que le cot de transport de lusine i au client j est proportionnel la
quantit transporte et que le cot unitaire de ce transport est cij, la quantit transporte de i
vers j tant linconnue xij.

## 1.1) Problme : rpartition des expditions

Objectif: Il faut trouver la rpartition des expditions qui coule la production et satisfait la
demande, tout en rendant le cot total du transport minimal.
Le problme nadmet des solutions que si la demande totale gale la production totale cest--

a i = bi .

dire si

## Si cette condition nest pas vrifie initialement, on cherchera

satisfaire au mieux les exigences de chacun, en crant, soit un client fictif qui rclamerait le
surplus de la production, soit une usine fictive qui fournirait la quantit manquante.

Avec

Client

disponibilit

Usine

cij

aj

Demande

bj

a i = bi
i

## Exemple : grille des cots

On essaye de rpartir les transports pour un cot minimal en tenant compte de la grille des
cots:

A.BENHARI

Usine

Clients
8
3
2

11
7
0

2
1
10

8
4
5

Demande
des clients

Page 51

Disponibilit
des usines
9
10
7
26

______________________________________________________________________________

## 1.2) Modlisation du problme

xij = quantit fournie par l'usine i pour le client j
Cij = cot de transport d'une unit de l'usine vers le client j
min z = c11 x11 + c12 x12 + + c34 x34
min

c ij .x ij
i, j

contraintes de production :

x ij
j=1

= ai

contraintes de consommation :

x ij = b j
i =1

pour 1 i m
pour 1 j n

## contraintes de signe : xij 0

cest--dire :

=9
x1 1+ x1 2+ x1 3+ x1 4

x 2 1+ x 2 2+ x 2 3+ x 2 4
=10

x 3 1+ x 3 2+ x 3 3+ x 3 4 = 7

+ x2 1
+ x3 1
=6
x1 1
x
+ x2 2
+ x3 2
=9
12

x1 3
+ x2 3
+ x3 3 = 8

x1 4
+ x2 4
+ x3 4= 3

(pour l'usine 1)
(pour l'usine 2)
(pour l'usine 3)

## Dans cet exemple, il y a 7 (=n+m) contraintes propres avec 12 inconnues.

Le tableau pourrait donc devenir un tableau du simplexe :
x11 x12 x13 x14 x21 x22 x23 x24 x31 x32 x33 x34 bi
1
1
1
1
9
1
1 1 1
1
0
1 1 1
1 7
1
1
1
6
1
1
1
9
1
1
1
8
1
1
1 3
8 11 2
8
3
7 1 4 2 0 10 5
Mais

x ij = x ij = a i = b j
i

Donc on peut liminer une des contraintes, do il y a m+n-1 quations indpendantes, m+n-1
variables dans une base et une solution de base comportera au plus m+n-1 variables non
nulles.
A.BENHARI

Page 52

______________________________________________________________________________

## 1.3) Reprsentation graphique

On va rechercher une solution initiale:
6
/
/

3
6
/

/
4
4

/
/
3

9
10
7

## On met le maximum dans la case et on

annule ensuite les lignes et les colonnes
suivantes

Ici le cot est de 6x8 + 3x11 + 6x7 + 4x1 + 4x10 + 3x5 = 182 mais on ne sait pas s'il
s'agit de la solution optimale
Sous forme dun arbre, on peut reprsenter autre solution
usines
clients
6
1=6
6

1
2
3

2=9

1
7

9
10
7

3=8
4=3
Remarque : Dans cet exemple, m=3, n=4, toute solution de base comportera au plus 6
variables non nulles. Cette solution est une solution admissible. Pour cette distribution, le cot
est 206. Cette solution de base comporte sept variables nulles. Pour avoir une autre solution
de base, on doit garder hors base 6 de ces variables et mettre la 7me en base.
7

ij
Min z - =
i, j

c .x ij

c ij

## est la variation du cot total , rsultant dune modification

dune unit de la quantit transporte sur la route hors base. Si cette variation est positive, on
a intrt ne rien transporter sur cette route (xij reste Hors Base), sinon on peut transporter
une quantit aussi grande que possible, le cot total diminuant proportionnellement ( xij).
Ex. :
route (3, 2) : incidence sur le cot total de lenvoi
dune unit supplmentaire sur (3, 2) : la production
1
3
9-1
2=9 de lusine 3 est inchange donc le transport (3, 3)
doit dcrotre dune unit donc le transport (2, 3)
2
+1 1+1
3=8
crot dune unit et le transport (2,2) dcrot dune
7-1
3
4=3 unit.
Do c 32 = 1c32 1c33 1c22 + 1c23 = - 16.
On appelle c 32 la somme des regrets. On gagne ici 16 units, la dmarche consiste donc
essayer toutes les possibilits pour diminuer les cots. Pour cela, on interprte ces coefficients
en posant cij = ui + vj (d'o c 32 = -c22 + c23 c33 + c32 ). On va poser ces quations sur des
chemins non nuls (autrement dit, hors bases).
Cette mthode permet pour chaque variable de dterminer un cycle de rquilibrage si cest
possible.
6

A.BENHARI

1=6

Page 53

______________________________________________________________________________

## 1.4) Mthode plus rapide (des regrets)

Dcomposons cij en somme ui + vj.
Dans notre exemple, on cherche ui, vj pour 1 i 3, 1 j 4.

u1 + v1 = c1 1
u + v = c
1 3 13
u1 + v 4 = c1 4

u 2 + v2 = c2 2
u 2 + v3 = c 2 3

u 3 + v 2 = c 3 2

## Il y a donc 6 quations et 7 inconnues. Ce systme a donc une infinit de solutions. On peut

trouver une de ces solutions en choisissant une des inconnues au hasard (u1 = 0)
Alors c12 = c12 ( u 1 + v 3 ) + ( u 2 + v 3 ) ( u 2 + v 2 ) = c12 ( u 1 + v 2 ) ,
Plus gnralement, c ij = c ij ( u i + v j ) , pour (i,j) HB
Effectuons ces calculs grce des tableaux.
Regrets pour la solution initiale :
8
2
8
7
1
10

8
7
16

c11 = c11 ( u 1 + v1 ) = 0

0
0 -6 0
.
3
.
.
-4
.
. -3
-14 -16 . -11

8
7
16

c 32 = c 32 ( u 3 + v 2 ) = c 32 0 16 = 16

-6

Ici plusieurs coefficients sont ngatifs, donc plusieurs routes permettent doptimiser le
transport. La solution nest donc pas optimale (la solution optimale sera trouv lorsque le
tableau des regrets ne contiendra que des coefficients positifs). Amliorons-la en faisant
entrer en base la variable x32 (car cest celle qui rapporte la plus grande diminution).
Autrement dit, on fait passer le maximum par le chemin (3,2).

## 1.5) Changement de base

Faisons donc entrer x32 : on choisit, tant que cela est possible, de nutiliser quun nouveau
chemin, ici (3,2) et donc de faire dcrotre des chemins existants.
6
0
3
nouvelle grille des transports: 6
0 3
2 8
9- 1+

77

A.BENHARI

Page 54

______________________________________________________________________________
Prenons maximum : = 7. Le cot de cette rpartition est 206 7x16 = 94.

A.BENHARI

Page 55

______________________________________________________________________________
Dterminons le tableau des regrets pour savoir si cette solution est optimale :
8
3
0
8
8
En gris, apparat le calcul des u et v
-4
7
1 -3
7
2
0 16 5
0
0

-6

Comme un regret est encore ngatif, la solution nest pas optimale : elle peut tre amliore
en utilisant le chemin (1,2). On fait alors la recherche du nombre maximal dunits de
transport qui peuvent transiter par ce chemin. Dans ce cas, on ne peut utiliser que des chemins
existants sauf (1,2), donc on va comparer les diverses solutions:

6-

Ou

28

7
7
Dans la premire solution, prenons le maximum ( = 6).
Le gain est de 6x3 - 6x8 + 6x2 - 6x1= 6x(-4) = -24
Dans la seconde solution, prenons le maximum ( = 2).
Le gain est de : 2x(3 8 + 11 - 7) = 2x(-1) = -2, ce qui est plus faible que dans le
premier cas. Continuons donc avec la premire solution. On a donc une nouvelle grille des
transports :
6
3
6
2
2
7
Pour cette rpartition, le cot est de 94 24 = 70
La solution est-elle optimale ? Pour le savoir, on ralise le tableau des regrets:
4
3
2
8
4
3
7
1 -3
3
6
0 16 5
-4
0

-2

Comme un coefficient est encore ngatif, on peut encore optimiser la solution en faisant
entrer (2,4) dans les chemins utiliss. Ce qui donne la grille des transports suivante:
6+ 3-
8
1
donc = 2

6
2 2-
6
2
2
7
7
Le cot de cette rpartition est de 64.
Le tableau des regrets est :

A.BENHARI

1
3
6

0
7
0

2
3
19

8
4
8

-5

Page 56

7
3
-4

______________________________________________________________________________
Cette fois-ci, on a atteint la solution optimale puisque tous les regrets sont positifs.
Cependant, cette solution nest pas unique car certains regrets sont nuls. En effet, on ne
changerait rien en utilisant le chemin (1,2) plutt que (2,4).

A.BENHARI

Page 57

______________________________________________________________________________

## 1.6) Cas de dgnrescence

Au cours dun changement de base, il peut arriver que plusieurs variables sannulent
simultanment. Une seule de ces variables sortant de base, les autres restent en base avec une
valeur nulle ; la nouvelle solution est alors dgnre. Dans ce cas, on a le choix de la variable
sortante, on prfre en gnral faire sortir celle qui correspond au cot le moins lev.
Exemple : On vient de trouver une solution dans laquelle un des regrets est nul. Cela signifie
que si le chemin (1,2) tait utilis, le gain serait nul.
8

1-
Le cot de
cette
6 2-
2+
nouvelle
7
solution est
70. Cest galement une solution optimale.

I.

=1
6

1
1
7

8
3

## Recherche dune solution initiale

2.1) Rgle du coin Nord-Ouest ("hasard")
Quantit
disponible

Quantit demand
par les clients

12
23
67
71
9

27
39
56
43
11

61
78
92
91
28

49
28
24
67
6

83
65
53
40
14

35
42
54
49
5

18
32
14
9
73

## La mthode consiste choisir de partir en haut gauche (nord ouest donc).

9
9
/
/
/
/
18, 9
/
2
28
2
/
/
32, 30, 2
/
/
/
4
10
/
14, 10
/
/
/
/
4
5
9
9
11
28
6, 4 14, 4 5
Ici, on a 9 quations avec 24 inconnues dont 9 sont hors base et 15 en base. Le cot est de:
9x12 + 9x27 + 2x39 + 28x78 + 2x28 + 4x24 + 10x53 + 4x40 + 5x49 = 3 700
Ce n'est pas la solution optimale!

A.BENHARI

Page 58

______________________________________________________________________________

## 2.2) Rgle de Balas-Hammer :

12
27
61
49
83 35 18
23
39
78
28
65 42 32
67
56
92
24
53 54 14
71
43
91
67
40 49
9
9
11
28
6
14
5
On choisit le chemin ayant le cot le plus faible et on lutilise pour faire transiter le
maximum de marchandises : ici, cest le chemin (1,1), on y fera passer 9 units de
marchandises.
9
18-9=9
32
14
9
0
11
28
6
14
5
Donc le premier client (cest--dire la premire colonne) est servi.
12
27
61
49
83 35 18
23
39
78
28
65 42 32
67
56
92
24
53 54 14
71
43
91
67
40 49
9
9
11
28
6
14
5
On recommence avec le plus faible cot de transport restant, cest--dire 24 et
(3,4) est utilis pour faire transiter 6 units, la quatrime colonne est alors sature.
9
9
12
27
61
49
83
32
23
39
78
28
65
6
14-6=8
67
56
92
24
53
9
71
43
91
67
40
0
11
28
0
14
5
9
11
28
6
14

le chemin
35
42
54
49
5

18
32
14
9

Puis le chemin (1,2) (coeff. 27) pour faire passer 9 units et saturer la premire ligne, puis
le chemin (2,2) (coeff. 39) pour faire passer 2 units et saturer la deuxime colonne , puis le
chemin (4,5) (coeff. 40) pour faire passer 9 units et saturer la quatrime ligne; puis le chemin
(2,6) (coeff. 42) pour faire passer 5 units et saturer la dernire colonne, puis le chemin (3,5)
(coeff. 53) pour faire passer 5 units et saturer la cinquime colonne, puis le chemin (2,3)
(coeff. 78) pour faire passer 25 units et saturer la deuxime ligne ; enfin, le chemin (3,3)
pour faire passer les trois units restantes.
9 9
2

25
3

0 0 28-25=3
3-3=0
12
23

27
39

61
78

6
0

49
28

A.BENHARI

5
9
14-9=5 ;
5-5=0
83
65

35
42

0
5 32-2=30 ; 30-5=25 ; 25-25=0
14-6=8 ; 8-5=3 ; 3-3=0
9-9=0
0

18
32
Page 59

67
71
9

56
43
11

92
91
28

24
67
6

53
40
14

54
49
5

14
9

______________________________________________________________________________
La solution obtenue a un cot de 3634.

A.BENHARI

Page 60

______________________________________________________________________________

Regrets :
12
-1
29
46
0

27
39
3
3
15

-5
78
92
12
54

51
18
24
56
-14

56
26
53
40
15

5
42
-2
6
18

12
24
38
25

9

## Cot de cette solution : 3634 5*9= 3589

12
5
61
56
61
10
-6
39
78
18
26
42
24
3
92
24
53
-2
41
3
12
56
40
6
0
10
49 -19 10
13
Cette solution nest pas optimale.

12
29
43
30

9
2+

11
28
= 9, donc :
9
9
11
16
3
9

11

28

11

9+

16
3

9-
6
23
37
24

## Cot de cette solution : 3535 3*2= 3529

9
11
28
=9, donc :
18
9
11
7
3
9

6
5
61
54
59
23
39
78
16
24
32
5
2
24
53
49
5
14
56
40
0
16
55 -11 18
Cette solution est optimale.

10
42
54
8
19

25
3

## Cot de cette solution : 3589 6*9 = 3535

6
9
61
56
61
10
23
39
78
18
26
42
30
3
92
24
53
-2
47
3
12
56
40
6
0
16
55 -13 16
19
Cette solution nest pas optimale.

6
23
35
22

11
11

28
18
7+

3-

9
11
28
=3, donc :
18
9
11
10

18
5
6
6

11

28

14
9
5

5
6
6

5
9
14

18
32
14
9

5
18
5

6
6

5
9
14

6
6

5
9
14

5
9
14

5
9
14

18
32
14
9

5-
6

32
14
9

6
9

5
9
14

32

18
32
14
9

2
3

18
32
14
9

___________________________________________________________________
DI GALLO Frdric

Page 61

03/12/2011

LES
GRAPHES

LES GRAPHES
Ces mthodes utilisant les graphes permettent, en gnral, de trouver le chemin le plus court,
ou de faire passer le maximum par un chemin (d'eau par exemple). Les cas concret
d'utilisation sont vidents

I.

Dfinition vocabulaire
1.1) Graphe

## Dfinition : Soit X un ensemble fini et dnombrable : X = {x1, , xn}. Soit une

application de X dans lui-mme ( est l'ensemble des arcs ou trajets existants = {(x1,x2),
(x1,x3), (x1,x6), (x2,x3), (x2,x4), (x3,x4), (x3,x5), (x4,x5), (x6,x5), (x6,x5)}.
On appelle lensemble (X, ) un graphe dordre n (n est le nombre de sommets = card X).
Un graphe est donc un ensemble de liaisons entre des points.
Reprsentation sagittale :
x1

x2

x6

x3
x5

x4

## On peut noter + lapplication successeur : + : X P(X) (ensemble des parties de X).

Par exemple, +(x1) = {x2, x4, x6}. De mme, on peut dfinir -, lapplication
prdcesseur , : X P(X). Ex. : -(x2)={x1}
Prcdents
x1
x2
x3
x4
x5
x6

x1
x2
x1, x2, x3, x6
x3, x4, x6
x1

## Deux sommets relis sappellent sommets adjacents.

Suivants
x2, x4, x6
x3, x4
x4, x5
x5
x4, x5

1.2) Chemins
Un graphe peut tre orient ou non orient.
Ex. :
x

x2

x1

x3

x4

x1

Graphe orient

x4

arte
x3

cycle

## Dans un graphe orient, on parle darcs reliant deux sommets.

On appelle chemin une suite ordonne darcs dans lesquels lextrmit terminale dun arc
concide avec lextrmit initiale du suivant : [x1x2], [x2 x3] = x1 x2 x3 (chane si non orient).
Un chemin pour lequel u1 = uP sappelle circuit.
x2
x1
x2
x1
x3
x5
x3
x4
x5
x4
Chemin

circuit

## Longueur dun chemin = nombre darcs du chemin

Boucle = chemin de longueur 1
a
Un chemin est simple lorsquil ne passe quune seule fois par chacun de ses arcs
Un chemin est lmentaire sil ne rencontre pas plus dune seule fois chaque sommet.
(abcd) = chemin lmentaire
(abbcd) = chemin non lmentaire
(bb) = boucle et circuit lmentaire
(abca) =circuit lmentaire
c
d
(abcabc) = circuit non lmentaire
Un chemin qui passe une fois exactement par chaque sommet est hamiltonien
a

Ex. : (a,b,c,d) est un chemin hamiltonien. Mais il ny a pas de circuit hamiltonien : il faudrait
que d a
NB : dans un graphe dordre n, un circuit hamiltonien est de longueur n, un chemin est de
longueur n 1.
Dans un graphe non orient :
On appelle un arc non orient une arte. Le chemin devient chane, le circuit cycle.

I.

## Matrices associes un graphe

On crit tous les chemins possibles d'un graphe pour trouver les chemins hamiltoniens.

## 2.1) Matrice latine

A

B
A

A
B
C
D
E

B
C
AB AC
BB BC

E
AE

CD
DA
EA

DE
EC

Pour trouver les chemins de longueur 2, on calcule M ; pour les chemins de longueur 3, on
calcule M3 et ainsi de suite.
AEA

ABB
BBB

ABC
AEC
BBC

ACD

CDA
DEA

M =

BCD
CDE

DAB
EAB

DAC
DEC
EAC

DAE
ECD

EAE

## Recherche des chemins lmentaires : avec la multiplication latine, il suffit de ne considrer

que les chemins de Mn-1 qui nont pas de rptition de lettres ; dans lexemple, matrice des
chemins lmentaires de longueur 4, ici chemins hamiltoniens.
AEABC
AEAEA
AEABB AEAEC
ABCDE
ABCDA
AEACD
ABBBB ABBBC
AECDE
AECDA
ABBCD
ACDAB ACDAC
ACDAE
ACDEA
ACDEC
BBBBC
BBCDA BBBBB
BBCDE
BCDAC BBBCD
BCDEA BCDAB
BCDAE
BCDEC
CDABC
CDABB
CDACD
CDAEA
CDAEC
CDEAE
CDEAB
CDECD
CDEAC
DEABC
DEAEA DEABB
DEACD DACDE
DEAEC
DACDA DABBB
DABCD DAEAE
DABBC
DECDA DAEAB
DAECD DECDE
DAEAC
EABBC
EABBB
EACDE
EACDA
ECDAC EABCD
ECDAB
ECDAE
ECDEA
ECDEC EAECD
EAEAB
EAEAE
EAEAC

M =

## 2.2) Matrices boolenne et arithmtique

a) Matrice arithmtique :
B
A

C
M=

M =

1
0
1
1
0

1
1
0
1
1

2
1
0
2
1

1
1
0
0
1

0
0
1
1
1

## Si M est symtrique, le graphe est symtrique.

Si dans M, il y a un 1 (ex. : (A,B)) alors: il y a un chemin de longueur 1 de A B, sil y a un
2 (ex. : (A,C)), il y a un chemin de longueur 2, etc.
On peut connatre l'existence et le nombre de chemin d'une longueur donne mais on ne peut
pas prciser s'il est hamiltonien, simple ou autre
Rappel:
13
24

25

25
87

26 26
36 38

A=

13
24

## N'oublions pas que BA AB !

B=

25
87

1x2 + 3x8 = 26
1x5 + 3x7 = 26
2x2 + 4x8 = 36
2x5 + 4x7 = 38

B= 8 7
26 26
36 38

A=

13
24
12 26
22 52

b) Matrice boolenne :
A
D

B
C

0
M =
0

1
1
0
1

1
1
0
1

0
1

0
M =
1

1
1
1
1

1
1
1
1

1
0

1
3
M =
0

1
1
1
1

1
1
1
1

1
1

Ici, la prsence d'un 1 reprsente l'existence d'un chemin. Dans M, sil y a un 1 cela signifie
quil existe un chemin de longueur au plus 2 entre les deux sommets.
Les matrices boolennes permettent daider lors de la recherche des composantes connexes.
Remarque : si le graphe a une entre (point de dbut, c'est dire que les arcs partent de ce
sommet mais aucun n'y arrive), il y a une colonne de 0 associe ce sommet ; et si le graphe
a une sortie, il a une ligne de 0.

## II. Connexit forte connexit

3.1) Connexit
Un graphe est dit connexe sil existe au moins un chemin entre toute paire de sommets.
Exemple :
A
C

## Ce graphe est non connexe, mais il a 3

composantes connexes.

F
Df. de composante connexe :
On dfinit une relation dquivalence par xi xj si xi et xj (confondus ou non) sont relis
par une chane (On a videmment : xi xi)
Ex :

C
E

X= {A, B, C, D, E, F}
Ce graphe contient deux composantes connexes :
{E} et {A, B, C, D, F}

## Dmo : Cette relation est bien une relation dquivalence :

A A donc la relation est rflexive.
A B et B A : car il existe une chane de A vers B ou de B vers A (lordre ne compte pas),
donc la relation est symtrique
A B et B C A C, donc la relation est transitive
On parle alors des classes dquivalence de cette relation : la classe de x est lensemble des
sommets quivalents x, on lappelle composante connexe de x.
Remarque: un sommet est toujours li lui-mme.

## 3.2) Forte connexit

Un graphe est dit fortement connexe si entre toute paire de sommets, il existe un chemin de A
vers B et un chemin de B vers A.
Soit G =(X, U) un graphe. Si quels que soient A, B X, il existe un chemin de A vers B et un
chemin de B vers A, alors le graphe est fortement connexe. Sinon on dfinit des composantes
fortement connexes.
Exemple : dans lexemple prcdent, il y a quatre composantes fortement connexes qui sont :
{A}, {B, C, D}, {F} et {E}. Dans la suite, on a une composante fortement connexe.
A
B
C
B -> C B -> D
C -> B D -> C -> B
D
F
Remarque : on dfinit l encore une relation dquivalence (en admettant que A est en
relation avec lui-mme).

## 3.3) Fermeture transitive

Fermeture transitive dun sommet x : {ensemble des sommets relis x par un chemin de
longueur n 1} = {x} {t(x)} {tn-1(x)}, o tk(x) = t(tk-1(x)).
A partir dun graphe G, on dfinit une matrice boolenne M, puis on calcule les puissances
Mk. Entre xI et xj, il existe au moins un chemin de longueur k si le terme (i,j) de la matrice M k
vaut 1. Alors dans M+M[2] ++M[k-1], on trouvera 1 en place (i,j) sil existe un chemin de
longueur k-1 entre xi et xj
La fermeture transitive de lensemble X des sommets du graphe G est obtenue en calculant
I+M++M[n-1] = (I+M)[n-1]
2

Exemple :
1

5
0

0
0
M =

0
0

1
0
0
0
0

1
1
0
0
0

0
0
1
0
1

1
1

0
0

1 , I+M=A= 0

0
0

0
0

1
1
0
0
0

1
1
1
0
0

0
0
1
1
1

1
1

0
0

1 , A= 0

0
0

0
1

1
1
0
0
0

1
1
1
0
0

1
1
1
1
1

1
1,

0
1

1

0
0

0
0

1
1
0
0
0

1
1
1
0
0

1
1
1
1
0

1
1

1
1

## et le graphe a cinq composantes fortement connexes.

Remarque : on nest pas toujours oblig de calculer jusqu (I+M)(n-1), on peut sarrter ds
que (I+M)(k-1) = (I+M)(k)

## 3.4) Recherche des classes fortement connexes,

des circuits hamiltoniens
Soit le graphe dordre 7 suivant :
A
B
G
C
F
0

0
0

M= 0
0

0
0
0
0
0
0

0
0
0
0
0
1

0
1
0
0
0
0

0
0
1
0
1
0

1
0
0
0
0
0

D
0

1
0

0
1

1
0

(I+M)6 = 0
0

1 1 1

1
0
0
0
1
0

1
1
1
1
1
1

1
0
0
0
1
0

1
1
1
1
1
1

1
1
1
1
1
1

1
1

1
1

Aprs rorganisation des lignes et des colonnes, on dtermine les classes fortement connexes :
c1 c2 c6 c3 c4 c5 c7

A 1

B 1
F 1

C 0
D
0
E 0

G 0

1
1
1
0
0
0
0

1
1
1
0
0
0
0

1
1
1
1
1
1
1

1
1
1
1
1
1
1

A1 1 B

1
1
1
1
1
1

1
F
1
II
1
1

II

## Recherche des chemins hamiltoniens :

La classe II na que des arcs incidents intrieurement. Donc sil existe un ou plusieurs
chemins hamiltoniens, leur origine doit se trouver dans la classe I et leur extrmit dans la
classe II.
FABGCDE ; ABFEGCD sont les deux chemins hamiltoniens de ce graphe.

A

E
H

## On va essayer de dterminer les successeurs et prdcesseurs de A par des chemins de

longueur quelconque: t-(A) et t+(A)

A
A
B
C
D
E
F
G
H
I
J

B
1

E
1

F
1
1

G
1

t-(A)
0

1
1

1
1
1

1 chemin de long. 2 de G A

1 chemin de long. 1 de I A

1
1

t+(A)

A est le point de dpart de chemin qui vont vers tous les points: t+(A) = {A B C J}
A est l'arrive de chemin qui proviennent de G et de I: t-(A) = {A, I, G}
A n'est li "dans les 2 sens" qu'avec I, G et A: 1re composante fortement connexe: (A, I,G)
t+(A) t-(A)= classe dquivalence ou composante fortement connexe du graphe
Arcs dont lextrmit initiale est A : AB, AF, AG : 1
Arcs dont lextrmit initiale est B, F, G : BE, BF, FB, FE, GI : 2 (si non marqus)
Arcs dont lextrmit initiale est E ou I : ED, EF, IA : 3
Arcs dont lextrmit initiale est D : DH : 4
Arcs dont lextrmit initiale est H : HC, HJ : 5
Pour t-(A), mme travail sur les colonnes, cest--dire recherche des extrmits initiales des
arcs finissant en A, puis en I, puis en G.
t+(A) t-(A) = {A, G, I}

t+(B) X

Pour B :

Pour C :

t-(B)
X (1) A
0
B
C
D
2
E
1
F
X (3) G
H
X (2) I
J

t-(C)
X (5)
X (4)
0
2
X (3)
X (4)
X (7)
1
X (6)
3

A
B
C
D
E
F
G
H
I
J
X

## Composante connexe de B: t+(B) t-(B) = {B, E, F}

t-(B) = {A, B, E, F, G, I}
t+(B) = {B, C, D, E, F, H, J}

Pour C :
t+(C) X

## t+(C) t-(C) = {C, D, H, J}

Conclusion :
Il y a deux chemins hamiltoniens :
GIABFEDHCJ
GIAFBEDHCJ
NB : sil y avait un circuit hamiltonien, il ny aurait quune seule classe dquivalence.
Graphique :
G

B
A

I
I

F
II

C
III

CHEMIN de
VALEUR
OPTIMALE

## CHEMIN DE VALEUR OPTIMALE

I.

Algorithme de Ford

## On a un graphe quelconque, valu par des grandeurs positives.

Problme du voyageur de commerce : aller de A B en passant par un certain nombre
dautres villes, en effectuant un minimum de km.

6
A

C
5

2
2

E
3

Algorithme :
1. On numrote les sommets dans un ordre quelconque (sauf le x1 et xn)
2. i = + sauf 1 = 0
3. pour tout sommet xj pour lequel j - i > V(xi, xj), V reprsentant la valuation de larc,
remplacer j par i + V(xi, xj)
4. sarrter lorsque aucun i ne peut plus tre modifi.

=0
A
A

=2
C
6

E
E=
53

=5
D

=6
1

F
3

=7

GG
Le but est de trouver un=3chemin de A vers B associ la valuation totale la plus faible.
ACDB = 2+3+2=7
AEDB = 5+8+2=15
AEFB = 5+2+1=8

## Chemins de valeur minimale : ACDB, ou AGFB, cot : 7

I.

Algorithme de Ford-Fulkerson
2.1) flot travers un rseau

## Trois chteaux deau A, B, C alimentent quatre villages D, E, F, G.

Le chteau deau A dispose dun dbit de 45 litres/sec
Le chteau deau B dispose dun dbit de 25 litres/sec
Le chteau deau C dispose dun dbit de 20 litres/sec
Le village D aurait besoin dun dbit de
30 litres/sec
Le village E aurait besoin dun dbit de
10 litres/sec
Le village F aurait besoin dun dbit de
20 litres/sec
Le village G aurait besoin dun dbit de
30 litres/sec
Dans la canalisation entre le chteau A et le village D, le dbit maximum est : 10 litres/sec
Dans la canalisation entre le chteau A et le village E, le dbit maximum est : 15 litres/sec
Dans la canalisation entre le chteau A et le village G, le dbit maximum est : 20 litres/sec
Dans la canalisation entre le chteau B et le village D, le dbit maximum est : 15 litres/sec
Dans la canalisation entre le chteau B et le village E, le dbit maximum est : 5 litres/sec
Dans la canalisation entre le chteau B et le village F, le dbit maximum est : 15 litres/sec
Dans la canalisation entre le chteau C et le village F, le dbit maximum est : 10 litres/sec
Dans la canalisation entre le chteau C et le village G, le dbit maximum est : 10 litres/sec.
[10]

[45]
[25]

[15]

[15]

[30]
S

[20]

[10]
[10]

E [10]

[5]

[20]

[15]

[20]

[30]
G

On appelle rseau de transport tout graphe fini, sans boucle, avec une source (ou point de
dpart) et un puits (ou point darrive), o tout arc est valu par un entier positif c(u), nomm
capacit de larc.
Source = entre, sommet sans prdcesseur (ou ajout)
Puits = sortie, sommet sans successeur (ou ajout)
On appelle flux de larc u la quantit (u) (entier naturel) telle que 0 (u) c(u)
Loi de Kirchoff :

( u ) = ( u )

uU x

uU x +

## pour tout sommet x diffrent de lentre et de la

sortie
O Ux- est lensemble des arcs incidents intrieurement x et Ux+ est lensemble des arcs
incidents extrieurement x.
( u )
On appelle flot : flux mis par la source = u
U +
x0

## = flux recueillis par le puits =

( u )

uU x n

2.2) Procdure
1. Trouver un flot complet : flot dont tous les chemins menant de x0 xn ont au moins un
arc satur.
Exemple :

10
A

35
O

25

10
10
10

20

E 10

20

10

20

20
30

G
OCGXn :

O C G Xn
20 10
30

OCFXn :
OBFXn :

## CF satur puis OC satur (CF=10, donc OC = 10+10=20)

O B F Xn
FXn = 10 satur
25 15 10
OB = BF = 10
O B E Xn
BE = 5
15 5
10
OB = (10+)5=15, EXn = 5

O
B
D
Xn
OB = (25+)10
10
15 30
BD=DXn= 10
O
A
G Xn
AG = GXn = 20
45
20 (30-10)=20
OA = 20
O
A E Xn
EXn= 5
25
15
10-5
OA = AE = 5
O
A D
Xn
20
10
20
OA = DXn = 10

OBEXn :
OBDXn :
OAGXn :
OAEXn :

CG = 10 satur
OC = GXn =10

## (Selon la principe du bas vers le haut)

On a dtermin un flot complet dont la valeur est V( ) = 80 (mais n'est pas maximale).
2. Marquage : on va chercher si ce flot est maximal ou non.
Marquer lentre du rseau : +O
Marquer toute extrmit terminale J dun arc non satur (I, J) dont lextrmit initiale I est
marque. On crira +I ct de J.
Marquer lextrmit initiale K de tout arc (K, L) transportant un flot non nul dont
lextrmit finale L est marque. On crira L ct de K
Si on narrive pas marquer la sortie du rseau, le flot est maximal. Si on arrive marquer la
sortie du rseau, le flot nest pas maximal. Dans ce cas, il faut considrer une suite de
sommets marques, formant une chane entre lentre et la sortie et amliorer le flot en
augmentant le flux des arcs joignant les sommets de la suite, en respectant la loi de Kirchoff.
Recommencer tant quil sera ncessaire pour quon ne puisse plus marquer la sortie.

Exemple :
+O
A

35
O

25
20

10
10

-E
B

10
10
20

10

20

+A
E 10

-F
C

+B
D

+D
S

+B
20
F
30
G

On fait partir de O: 80 et sortir de S: 80. Comme le sommet S est marqu, le flot nest pas
maximal. Isolons une chane de sommets marqus pour essayer daugmenter le flot allant de
O S.
+B
+O
10
D
A
10
20
5
35
+A
+D
E 10
O
25
-E
5
S
B
En augmentant larc BD de 10 15, on augmentera DS de 20 25, mais il faut annuler le flot
entre B et E et donc pour quilibrer E, augmenter AE puis OA.
Do voil une meilleure solution :
+O
40
O

A
25

15
10

B
20
C

10
10
10

D
+A
E 10
F

20

25
S

20
30

G
Les antcdents par un arc nul ne peuvent pas tre marqus. Les sommets marqus sont relis
aux autres par des arcs saturs ou nuls.

## 2.3) Recherche dun flot complet initial

procdure de Manuel Bloch (cf. Raynaud)
Cette mthode est plus mcanique, donc plus facile programmer!

arcs bloqus :
on doit bloquer tout arc incident intrieurement un sommet si tous les arcs incidents
extrieurement ce sommet sont saturs ou bloqus :
X
A

on doit bloquer tout arc incident extrieurement un sommet si tous les arcs incidents
extrieurement ce sommet sont saturs ou bloqus :
X
A

Procdure de la recherche :
Posons (i,j) = c(i,j) - (i,j), pour i, j {1, , n}, o c(i,j) est la capacit de larc xixj et
(i,j) le flux de ce mme arc. ij est appel capacit rsiduelle de (i,j)
Au dpart (i,j) =0
on dtermine dans la liste des arcs praticables celui qui a la plus faible capacit rsiduelle,
soit (i0, j0) ( sil y en a plusieurs, on ordonne les arcs soit par lordre lexicographique, soit
par lordre numrique croissant et on choisit le premier de ces arcs)
on dtermine un chemin simple (sans rptition darcs) passant par (i0, j0) form darcs
praticables (cd arcs de capacit rsiduelle au moins gale i0,j0.
Si cest un chemin lmentaire (sans rptition de sommets), on fait passer le flux i,j =
i0, j0 sur tous les arcs (i,j) de ce chemin et on remplace i,j par i,j = i,j - i0,j0 (les arcs
de capacit rsiduelle nulle devenant des arcs saturs)
si ce chemin nest pas lmentaire, on bloque les arcs de capacit la plus faible du circuit
et on recommence.
Pour tous les sommets, il faut ensuite examiner sil reste encore des blocages effectuer,
les effectuer et revenir au dbut.
Arrt de la procdure : la procdure est termine lorsque tous les arcs incidents
extrieurement lentre du rseau (ou incidents intrieurement la sortie du rseau) sont
saturs ou bloqus.
Remarque : on obtient souvent le flot optimal.
Exemple:
B
A

[5]

[4]

[7]

[8]

[9]

[1]
D

[5]
[10]

F
[5]

[5]

[5]
H

[4]

[4]
[5]

I
[6]
G

AB 5
AC 8
BC 7
BE 4
CF 10
CH 5
DC 1
DG 5
DH 4
EI
5
FH 5
FI
5
GI 6
HG 4

10

11

5
8
8
7
4
9
5
0
5
4
5
4
5
5
3

5
5
8
7
4
9
2
0
5
4
5
4
5
2
0

5
5
8
7
4
9
X
0
5
X
5
X
5
2
0

5
5
6
7
4
9
X
0
3
X
5
X
5
0
0

5
5
6
7
4
9
X
0
X
X
5
X
5
0
0

1
5
X
7
0
9
X
0
X
X
1
X
5
0
0

0
5
X
6
0
8
X
0
X
X
X
X
4
0
0

0
5
X
X
0
8
X
0
X
X
X
X
4
0
0

0
1
X
X
0
4
X
0
X
X
X
X
0
0
0

0
X
X
X
0
X
X
0
X
X
X
X
0
0
0

## Col. 1 : situation initiale ; DC est satur et laisse passer 1.

Col. 2 : chemin ADCFHGI ; on refait passer 3 units dans HG
Col. 3 : chemin ACHGI.
Col. 4 : HG satur, donc tous les arcs se terminant par H sont bloqus : CH, DH, FH ; on fait
encore passer 2 units par GI
Col. 6 : comme GI est satur, tous les arcs se terminant par G sont bloqus : DG ; comme tous
les arcs issus de D sont soit bloqus, soit saturs, tous les arcs se terminant en D sont
bloqus : AD; BE est satur 4
Col. 7 : chemin ABEI ; AB reoit encore 1 unit et est satur.
Col. 8 : chemin ABCFI. Comme BE est satur, tous les arcs menant E sont bloqus ou
saturs et les arcs issus de E doivent ltre aussi : EI
Col. 9 : les arcs menant B (AB) sont saturs, donc les arcs issus de B sont saturs ou
bloqus : BC ; FI reoit encore 4 units et est satur
Col. 10 : chemin ACFI.
Col. 11 : tous les arcs sont bloqus ou saturs. Fin de la procdure.
On obtient donc le flot complet suivant :
B 4
E
A

5
7[8]

+A
C

3[9]

1
D
-C

+C
F

5
4[5]

2[5]

4[5]
5
+C
H
4

I
6
G
+D

Est-il optimal ? Marquage. On s'aperoit que I nest pas marqu donc le flux est maximal.

Exemple de marquage:
B
+

A
C

-C

Si AC < CD :
D

+A

+C

+A

C
E

+C
-D
B

Si AC > CD :
+

+A
C

+C

E
+C

## II. Problme daffectation

Exemple : une administration dsire procder aux mutations de 5 personnes : A, B, C, D et E
et leur offre les postes a, b, c, d et e. Ces fonctionnaires dsirant maximiser leur satisfaction
dcident deffectuer chacun un classement des postes offerts ( de 1 : trs bien 5 : peu
souhait).
A
B
C
D
E

a
1
1
3
1
2

b
2
4
2
2
1

c
3
2
1
3
4

d
4
5
5
5
3

e
5
3
4
4
5

0
0
2
0
1

1
3
1
1
0

2
1
0
2
3

3
4
4
4
2

4
2
3
3
4

## On ne change pas le problme en soustrayant ligne par

ligne, puis colonne par colonne, le plus petit lment de la
ligne ou de la colonne.
Sil y avait un zro par ligne et par colonne, on aurait une
solution optimale immdiate. Mais dans ce cas, ce nest pas
le cas :

0
0
2
0
1

1
3
1
1
0

2
1
0
2
3

1
2
2
2
0

2
0
1
1
2

## Essai : affection A a (0 en (A,a)), B e (O en (B,e), C en c (0 en (C,c)) et E en b (0 en

(E,b)), alors il faut aussi affecter D d (ce qui est le choix qui lui dplat le plus)
Peut-on affecter les postes de faon satisfaire mieux les dsirs des cinq fonctionnaires ?
Avec lessai ci-dessus, lindice de satisfaction est : 1 + 3 + 1 + 5 + 1 = 11 (sil y avait une
solution qui rende tous les fonctionnaires pleinement satisfaits, cet indice vaudrait 5)
Mthode hongroise (daffectation) :
On encadre un zro par ligne et par colonne, tant quon le peut.
a. Marquons toute ligne sans zro encadr
b. marquons toute colonne ayant un zro barr sur une ligne marque
c. marquons toute ligne ayant un zro encadr dans une colonne
marque et revenons b jusqu ce que le marquage soit impossible.
On barre alors les lignes non marques et les colonnes marques :

0
0
/

0
0

0
/

0
/

0
0
0
2
0
1
X2

1
3
1
1
0

2 Soit
1 le 2plusX3
petit nombre du tableau restant.
1 On2 le retranche
0
tous les lments non rays et on lajoute
barrs deux fois.
0 aux
2 lments
1
2 2 1 X1
3 0 2

0
1
3
0
2

0
3
1
0
0

1
1
0
1
3

0
2
2
1
0

1
0
1
0
2

0 0 1 0 1
1 3 1 2 0
3 1 0 2 1
0 0 1 1 0
2 0 3 0 2

## On encadre un zro par ligne et par colonne, tant quon le peut.

d. Marquons toute ligne sans zro encadr
e. marquons toute colonne ayant un zro barr sur une ligne marque
f. marquons toute ligne ayant un zro encadr dans une colonne
marque et revenons b jusqu ce que le marquage soit impossible.
On barre alors les lignes non marques et les colonnes marques :

## Mais on peut avoir les affectations suivantes :

0

0
/

0
/

0
/

0
/

0
0
/

0
/

0
/

0
/
/
0
/
0
0 0
0
/
0
/
0
0
Dont les indices de satisfactions sont les suivants :
1+3+1+2+3=10
2+3+1+1+3=10

0
/

0
0
/

0
/

4+3+1+1+1=10

Comme on trouve cette fois-ci un zro par ligne et par colonne, (et mme de plusieurs
manires diffrentes), on a obtenu une affectation optimale.

ORDONNANCEMENT

ORDONNANCEMENT
Il s'agit de l'utilisation des graphes pour optimiser les enchanements (le chemin critique
dans l'organisation des tches).

I.

Introduction

## Un dcideur a un projet raliser, il le dcompose en macro-tches, puis chacune de ces

tches est dcompose en tches lmentaires. Ces dernires sont articules entre elles par des
contraintes :

Contraintes potentielles :

## Contraintes de succession : telle chose doit se faire compltement ou

partiellement avant une autre.

## la tche i doit tre aux 2/3 commence avant que j commence =

succession partielle

## Localisation temporelle : disponibilit dans le temps. Si par exemple,

un quipement nest disponible quentre les instants t1 et t2
Formalisation :
Soit di :
la dure de la tche i
donnes
dj :
la dure de la tche j
ti :
la date de dbut de la tche i
inconnues
tj :
la date de dbut de la tche j
Contraintes : si i prcde j,
ti + di tj di tj - ti
si 2/3 i prcde j,
ti + 2/3 di tj 2/3 di tj -ti
dune manire gnrale,
ij di tj ti cd ij tj - ti (o ij est une
donne)

## contraintes disjonctives : exclusion mutuelle car les thces ne peuvent

pas se faire en mme temps (exemple : les tches i et j utilisent une mme
ressource : une seule machine, ). [ti, ti + di] [tj, tj + dj] =

## contraintes cumulatives : les moyens sont limits, en main duvre, en

quipement, en budget
Pour illustrer une solution, on peut utiliser un diagramme de GANT :
charpentiers
couvreurs
plombiers
m aon
0

10

20

30

40

50

I.

Mthodes dordonnancement

## Deux mthodes sont principalement utilises pour rsoudre les problmes

dordonnancement contraintes potentielles : les mthodes MPM (franaise) et PERT
(amricaine). Leurs buts sont :
1. dtablir un ordonnancement, i.e. un calendrier si les contraintes sont compatibles en
dterminant pour chaque tche la date ti de dbut de la tche i
2. de minimiser la dure totale du projet.
3. dnumrer les tches critiques, (ce sont celles qui, si elles subissent un retard, dcalent la
fin prvue du projet) et dvaluer les marges des tches non critiques.

## 2.1) Mthode MPM

MPM = mthode des Potentiels Mtra, du Professeur B. Roy
On la reprsente grce un graphe G=(X,U) o les sommets reprsentent les tches
(auxquelles on a ajout une tche de dbut et une tche de fin ) et les arcs traduisent les
contraintes.
Si deux sommets sont lis par un arc, cela signifie que lopration associe lextrmit
initiale de larc doit tre commence pour que puisse dbuter lopration lie lextrmit
terminale de larc.
Succession de deux oprations : a de dure 4, b de dure inconnue, b
a
b
ne pouvant dbuter quune fois a acheve.
4
Si b ne peut dbuter que deux units de temps aprs le dbut de a, on reprsentera les deux
tches ainsi :
a
2
b
Ainsi, sur un graphe MPM, la valeur numrique associe larc (i,j) est le dlai minimum
aprs le dbut de la tche i au bout duquel peut dmarrer la tche j.
Le sommet du graphe reprsente le dbut de la tche a dans un graphe MPM.

## a) Exemple des tches du btiment

La construction d'un btiment ncessite les interventions des personnes suivantes:
Maons-platriers: 1 mois
Couvreur: 1 mois
Electricien: 15 jours
Carreleur: 3 semaines

1m
Dpart
maon

2m
1m
couvreur
1m
3 sem
15j
1,5 m
carrel.
lectric.

Fin
2 m 1s

## b) Exemple: travail de graphe

Dans cette organisation, certaines tches ont de la marge, d'autres non. Le chemin critique
C-F-G- ne doit pas connatre de retard car c'est lui qui impose sa dure. Cette mthode
peut tre complte par des tableaux (qui marcherait aussi avec la mthode PERT).

Tches
A
B
C
D
E
F
G
H
I

Contraintes
Peut dbuter 5 jours aprs lorigine
Peut dbuter ds lorigine
Peut dbuter 3 jours aprs lorigine
Ne peut dbuter que quand A et B sont finis
Quand B est fini
Quand B et C sont finis
Quand D, E, F sont finis
Quand E est fini et que la moiti de C est ralise
Quand D, E, F sont finis
A

5
0

16

14

14

14

20

8
8

18
18
25

I
25
18

Dure
16 j
14 j
20 j
8j
18 j
25 j
15 j
17 j
10 j

15

10
17

10

## De plus en , t = 0, tA = 5, tB = 0, tC =3, tD = max (16+5, 14+0)=21, tE= max(14+0)=14,

tF= max(14+0, 20+3)=23, tG= max (tD+8, tE+18, tF+25)=max(21+8, 14+18, 23+25)=48,
tI= max (tD+8, tE+18, tF+25)=max(21+8, 14+18, 25+23)=48
tH= max (tE+18, tC+10) = 32
t = max(tG+15, tI+10, tH+17)= max(48+15, 48+10, 32+17)=63
Alors le chemin critique est C F G , il y a trois tches critiques, le projet durera au
minimum 63 jours.
t *= t ,
tH* = max( 32, 63-17)= 46, la tche H doit et peut commencer entre le 32me jour et le 45me j.
tI*= max (48, 63-10)=53
tG* = tG = 48, tF* = tF= 23 (ce sont des tches critiques), tC* = tC
tE* = min (tG*-18, tI* - 18, tH* -18)=28
tD*= min (tG* - 8, tI*-8)= 40
tB* = min (tD* -14, tE* -14, tF* -14) = 9
tA* = min (tD* -16)= 26
On peut galement calculer les dates au plus tt et les dates au plus tard par les tableaux
suivants :
Dates au plus tt :
0

5
5

:0 0

:0 3

21

: 16
14
0

14

A :5
B :0

14

23

B : 0 14
20

48

32

48

63

B:0
C:3

8
18
25

D : 21
E : 14
F : 23

10
18

C:3
E : 14

8
18
25

D : 21
E : 14
F : 23

15
17
10

Chemin critique
Chaque colonne de ce tableau est constitue :
Date au plus tt de Xi
Nom du sommet : Xi
Dure de la tche XjXi
Prdcesseur Xj: date au plus tt de Xj
On retrouve le chemin critique en repartant de et en dterminant le chemin qui a permis
de trouver la date au plus tt de ce sommet final.(en gras et soulign dans le tableau)

G : 48
H : 32
I : 48

A:
B:
C :3

0 A

24 B

5 D :40
0
3

16 D :40
E :28
F :23

14 F :23 20
14 H :46 10
14

40

G :48 8
I :53 8

28

G: 48 18
H: 46 18
I: 53 18

23

G: 48 25
I: 53 25

48

:6 15
3

46

53

:6
3

17

:
63

10

## On remplit ce tableau aprs le prcdent en partant du sommet final et de la date

minimale de fin du projet : 63, puis en remontant les calculs. Pour cela, dans chaque colonne
de ce tableau, on a inscrit :
Nom du sommet : Xi
Successeur Xj: date au plus tard de Xj

## Date au plus tard de Xi

Dure de la tche XiXj

## 2.2) Mthode PERT

PERT= Program Evaluation Research of Tascks
Dans cette mthode, on reprsente aussi les tches et les contraintes quelles subissent
travers un graphe G = (X, U), mais les sommets reprsentent des tapes de la ralisation du
projet et les arcs les tches.
Numro de ltape k

Notation :

## Date au plus tard de ltape k

Date au plus tt de ltape k

Lopration est donc reprsente par un arc auquel on associe une valeur numrique, dure
de lopration.
Les sommets sont les aboutissements des oprations, ou reprsentent la ralisation de
certaines tapes ou objectifs partiels du programme (oprations fictives parfois).
Si on veut reprsenter la succession de deux oprations a et b, a durant 4 units de temps et
b 6, on tracera :
b(6)
b ne peut dbuter que quand a est achev, mais il nest pas
a(4)
3
2
1
oblig de commencer immdiatement aprs. Le moment 1 est le
dmarrage de a, linstant 2 est lachvement de a et le moment
o b peut commencer, linstant 3 est lachvement de b.
En revanche, si b peut commencer ds que deux units de temps ont t consacres a, il
faut introduire un autre sommet :
1

a(2)

2
b(6
)

a(4)

63

8

21 40

0
4
3 3

C1
10

7
32 46

18

15

10
63 63

5
13 13

10

10

12
63 63

06

C2

3
14 23

14

B
0 0

16

5 24

9
48 48

17

25

23 23

11
32 46

Chemin critique

## On retrouve que les tches critiques sont C, F et G.

Marges pour ltape 10 par exemple : il y a quatorze jours de marge entre la fin de
lopration qui mne 11 et le dbut de lopration H pour ne pas retarder lachvement des
travaux

## 2.3) Comparaison des deux mthodes

a) Oprations parallles
Soient deux oprations b et c devant satisfaire aux conditions suivantes : seffectuer en
mme temps, succder une mme opration a, prcder une opration d.
Les dures respectives de a, b, c,d sont : 3, 2, 5, 7.
PERT :
a(3)

c(5)

d(7)

b(0) : opration
virtuelle

## On peut interchanger le rle de b et c par

symtrie.
Remarque : on ne peut pas tracer ce style
de graphe, car il ne serait pas simple :
a(3)

c(5)

b(2)

d(7)

b(2)

MPM :

d
3

5
c

## b) Oprations dpendantes et indpendantes

Soient a et b deux oprations de dure respectives 5 et 2 indpendantes, et c et d de dures
respectives 3 et 1 indpendantes, telles que c succde a sans succder b et d succde la
fois a et b.
PERT :

a(5)

MPM :

c(3)

a(0)
b(2)

d(1)

rles symtriques

## c) Oprations composes (successions avec recouvrement)

Situation : certaines oprations peuvent dbuter avant lachvement complet dune
opration :
Exemple : a dure 2 jours ; b, qui dure 7 jours, succde a ; e, qui dure 2 jours, succde b ; c,
qui dure 3 jours, peut dbuter 1 jour aprs le dbut de b ; d ; qui dure 4 jours, peut dbuter 3
jours aprs le dbut de b.
PERT :

MPM :
deux solutions, lune en fractionnant,
lautre non.
4
2
2
1
b3
e
b2
a
b1

## Il faut fractionner lopration en plusieurs

sous-oprations successives :
1

a(2)

b1(1)

b2(2)

b3(4)
5

c(3)
4

e(2)

1
8

d(4)

d
Ou :

1
b

2+1=3
1+2+4=7

PROCESSUS

STOCHASTIQUES

______________________________________________________________________________

PROCESSUS STOCHASTIQUES
I.

INTRODUCTION
On appelle processus stochastique tout problme qui dpend du hasard.

1.1) Historique
La premire ide de la thorie des processus se trouve chez Einstein en 1905 dans l'tude
du mouvement brownien. Puis, vers 1910, Markov dcrit l'alternance des voyelles et des
consonnes dans "Eugne Ouguine" de Pouchkine l'aide d'une chane de Markov.
En 1910, le danois Erlang cre la thorie des files d'attente pour l'aider rsoudre des
problmes de dimensionnement de standards tlphoniques. En 1933, Kolmogorov rdige la
formalisation des processus stochastiques. Depuis, Kendall, Levy, Khintchine, Feller, Dood
ont dvelopp cette thorie.

## 1.2) Dfinition d'un Processus Stochastique

Un processus stochastique est une famille de variables alatoire Xt, t T (T reprsentant
le plus souvent le temps). La variable Xt reprsente l'tat du processus au temps t et
l'ensemble de toutes les valeurs possibles pour cette variable s'appelle espace des tats du
processus.
Elle est not .
Si T = IR+ , temps continu, on parle de processus stochastique
Si T = IN , temps discret, on parle de suite stochastique
Si Xt prend des valeurs finies ou dnombrables, on dit que le processus est espace d'tats
discret, sinon, on parle de processus espace d'tats continu.
Si

## est fini ou dnombrables, on parle de chane.

Un processus est Markovien s'il est sans mmoire (c'est dire qu'il ne dpend pas de ce
qui s'est pass avant). A tous instants u et t avec t>u , la probabilit que X t = y ne dpend pas
de Xs pour s<u et de Xu mais seulement de Xu:

___________________________________________________________________
A.BENHARI

Page 89

______________________________________________________________________________

P (Xt = y / Xs

pour s<u et

Xu=x) = P (Xt = y / Xu = x)

___________________________________________________________________
A.BENHARI

Page 90

______________________________________________________________________________

## II. Les Chanes de Markov espace d'tats discret

En recherche oprationnelle, les processus tudies sont homognes. P (Xt+u = s / Xt =x) ne
dpend pas de t mais seulement de u (et de x et s).
Soit une chane de Markov espace d'tats discret
T = { t0, t1, , tn, }
(souvent confondu avec IN)

## La probabilit de transition est: P (Xn = Ej / Xm = Ei ) pour n>m

Il s'agit de passer de l'tat Ei l'tat Ej en un temps n-m, soit:
Pij = P (Xn = Ej / Xn-1 = Ei ) = P (X1 = Ej / X0 = Ei )
Remarque: le plus souvent, en pratique,

est fini.

## 2.1) Probabilits et matrice de transition

On pose Pij = P (X1 = j / X0 = i ) pour (i, j)
(nombre d'lment de )

En supposant que
matrice de transition.

P11 P1r
:
:
:
:
:
:
Pr1 Prr

## et on peut dfinir une matrice P appel

Avec Pij 0
r

P (X = Ej / Xo = Ei) = 1
1

j=1

## Remarque: Toute matrice de transition est stochastique.

Dfinition: Une matrice carre P = (Pij) est stochastique si ses lments sont positifs ou
nuls: i,j , Pij 0 . La somme des lments de chaque ligne est gale 1:
r

P ij = 1 pour tout i.
j=1

## 2.2) Probabilits de transition en m tapes

La probabilit d'aller de i j en m tapes exactement est P ij(m) = P (Xm = j / X0 = i ) et
s'appelle probabilit de transition en m tapes de i j.
Convention: P(0) = I . On a clairement P(0) = P0 et P(1) = P

___________________________________________________________________
A.BENHARI

Page 91

______________________________________________________________________________
Proprit:

## . P(m) = Pm pour tout m IN .

___________________________________________________________________
A.BENHARI

Page 92

______________________________________________________________________________

## En effet, Pij(m) = P (Xm=j / X0=i)

r

P (X

Pkj

k =1
r

(1)

= j / Xm -1 = k) P (Xm -1 = k / X0 = i)
Pik

(m -1)

m -1

=P

k =1

## Conclusion de la rcurrence: P(m) = Pm pour tout m IN .

Proprit: quation de Chapman-Kolmogorov:
. P(n+m) = P(n) P (m) pour tout n, m IN .
(m)

ou Pij(n+m) =

I.

kj

Pik

(n)

k =1

pour i, j , n, m I

## Exemple sur les processus alatoires

Exemple 1
Dans la cour de rcration d'une cole, des enfants s'exercent au ballon. La matrice de
transition dcrit le comportement de tout lve. Ainsi l'lve A, ds qu'il dtient le ballon, le
garde encore trois seconde avec la probabilit 0,1 ou bien l'envoie avec la probabilit 0,5
l'lve B, ce qui prend encore trois seconde, ou bien l'envoie avec la probabilit 0,4 l'lve
H, la dure de la transition tant encore de trois seconde. D'autres lves ont des
comportements plus simples, par exemple, l'lve C s'il reoit le ballon le renvoie toujours
F, la dure de la transition tant aussi de trois secondes, etc. Le surveillant donne un ballon
l'lve A et un ballon l'lve I. que deviennent ces ballons au bout d'un temps assez long?
A
B
C
D
E
F
G
H
I
J
K
L

A
0.1

B
0.5
0.2

H
0.4
0.5

0.3

1
0.3
0.4

0.7
0.2

0.4
1

0.6

1
0.3

0.1
0.2

0.8
1

0.4

0.5

0.1
0.8

0.1

0.1

## Si P (X0 = A) = 1 alors P (X1 = C) = 0 et P (X1 = B) = 0.5

___________________________________________________________________
A.BENHARI

Page 93

______________________________________________________________________________

Si P (X0 = A) = 0.1
P (X0 = B) = 0.8
P (X0 = C) = 0.1
Alors P (X1 = A) = P (X0 = A) x P (X1 = A / X0 = A) = 0.1 x 0.1
r

P (X

P (X1 = B) =

= Ej ) P (X1 = B / X0 = Ej)

k =1

## = 0.1 x 0.5 + 0.8 x 0.2 + 0 x 0.6 = 0.21

Mathmatiquement:
(0) = ( P(X0=E1), P(X0=E2), , P(X0=Er) ) (distribution initiale des probabilits des tats)
. (1) = (0) . M .
ligne

matrice carre

Graphe:
A

D
I

G
C

E
J

## Exemple 2 : le jeu de pile ou face

Le jeu de pile ou face peut tre modlis comme un processus de Markov.
En effet, pour le joueur, le rsultat du jeu est alatoire et fait intervenir deux tats
possibles pile ou face qui peuvent correspondre perdre ou gagner.
Lensemble des tats pour ce jeu est donc (perdre, gagner). De plus, entre un lancer
de la pice et le suivant, le rsultat du jeu peut changer. Il sagit dune transition
entre les deux tats possibles. Pour ce systme deux tats, on dnombre quatre
transitions possibles :
1.

On peut gagner deux fois de suite : gagner gagner. Il sagit dune transition
fictive sans changement effectif dtat.

2.

## On peut perdre au premier lancer et perdre au deuxime. Il sagit dune

transition: perdre perdre.

___________________________________________________________________
A.BENHARI

Page 94

______________________________________________________________________________
3.

## On peut perdre au premier lancer et gagner au deuxime. Il sagit dune

transition: perdre gagner.

4.

## On peut gagner au premier lancer et perdre au deuxime. Il s agit dune

transition: gagner perdre.

## Comme les transitions dun tat vers un autre ont un caractre

probabiliste, lexemple de ce jeu peut tre modlis par un processus de Markov.
Exemple 3 : qualit de la production
Une machine fabrique un certain produit. Ce produit peut tre accept sil rpond
aux normes (tat 1). Ce produit peut tre refus sinon (tat 2). On distingue alors
deux tats possibles : accept ou refus.
On sintresse la squence des produits fabriqus. La squence de
production peut fournir un produit accept (tat 1) suivi dun produit accept
(tat 1). Cest la transition 1->1.
On peut fabriquer un produit accept suivi dun produit non refus.
Cest la transition de 1->2.
On peut fabriquer un produit refus suivi dun produit accept. Cest la
transition de 2->1.
On peut fabriquer un produit refus suivi dun produit refus. Cest la
transition de 2->2.
Comme ces transitions ne sont pas compltement dterministes, on peut
Modliser ce problme de qualit de production par un processus de Markov

## Exemple plusieurs tats

Lexemple du jeu de pile ou face est un exemple de processus de Markov a deux tats.
Lexemple de la qualit de production est galement un processus markovien a
deux tats. Cependant, on peut trouver des processus markoviens avec de nombreux tats.
Exemple 4 : Les niveaux nergtiques de llectron
La physique atomique nous apprend quun lectron ne peut occuper que des tats
dnergie bien spcifiques. Le passage dun niveau nergtique vers un autre
est une transition. De plus, ces changements dtats ne sont pas totalement
prdictibles. Cet exemple reprsente un processus de Markov.

___________________________________________________________________
A.BENHARI

Page 95

______________________________________________________________________________

## Exemple 5 : le jeu de d est un problme plusieurs tats. On compte 6 tats

possibles dans le lanc dun d. Entre deux lancs, on compte 62 , soit 36
transitions possibles.

II.

## Processus de Markov temps discret

Un processus de Markov est dit fini si le nombre dtats du systme est fini.
Un processus de Markov est dit infini si le nombre dtats du systme est infini.
Un processus de Markov est dit temps continu si tout instant, il peut y avoir
transition dun tat vers un autre. Dans le cas contraire, il est dit temps discret.
Dans cette partie du cours, on sintressera uniquement aux processus fini temps
discret et tel que le dlai entre transition soit constant.
Pour tudier les processus de Markov qui sont des processus stochastiques,
il faut spcifier les caractristiques probabilistes lies aux transitions du systme
Une autre caractristique essentielle des processus de Markov tient au fait que ces
systmes sont sans mmoire ou mmoire courte, ce qui signifie que les tats
quoccupera le systme dans le futur ne dpendent pas ou trs peu des tats que le
systme a occup dans le pass et quil occupe au prsent. Soit par exemple un
systme markovien N tats, la probabilit de transition du systme de ltat i vers
ltat j dpend uniquement de i et j mais pas de lhistoire du systme avant son
arrive en i.
Pour dcrire compltement le systme, il reste se donner les probabilits de
transition entre tats. On notera par pij la probabilit pour que le systme qui est
ltat i puisse migrer vers ltat j.

## III. Reprsentation dun processus de Markov

Un processus de Markov peut tre reprsent laide dun graphe dans lequel les
nuds reprsentent les tats du systme et les arcs les transitions. Dans lexemple 1
du jeu de pile ou face, pour un joueur, il ya deux tats : gagner ou perdre. Si on
numrote respectivement ces deux tats par 1 et 2, on obtient le graphe suivant
(Figure 1).

___________________________________________________________________
A.BENHARI

Page 96

______________________________________________________________________________

## Figure 1 : graphe reprsentant un processus de Markov

Pour un systme deux tats, il ya 4 transitions possibles. Pour un
systme 3 tats, on dnombre 9 transitions possibles. De faon gnrale, pour un
systme n tats, on dnombre n2 transitions possibles.
A chaque transition, on associera un nombre pij qui dsignera la
probabilit de transition dun tat i vers un tat j. Pour un systme deux tats,
il ya 4 nombres pij qui dcrivent le systme: (p11, p12, p21, p22). En notation
matricielle, on peut dfinir la matrice de transition P qui scrit comme suit :
p
P = 11
p21

p12
p22

-Comme cette matrice est de nature probabiliste, ses coefficients sont des
nombres rels tels que :
0 pij 1

(1)

## -Dautre part, , comme le systme, aprs chaque transition, se trouve ncessairement

dans lun quelconque de ses tats; on a :
N

p
j =1

ij

=1

i= 1, 2, 3,.., N

(2)

## Cette expression gnrale applique lexemple du joueur, devient :

p11 + p12 = 1
p21 + p22 = 1
Elle signifie que la somme des coefficients de toutes les lignes de la matrice P vaut
lunit. Une matrice vrifiant les conditions (1) et (2) est appele matrice stochastique.

___________________________________________________________________
A.BENHARI

Page 97

______________________________________________________________________________

## IV. Evolution temporelle dun processus de Markov

Droulement du processus dans le temps
Comment volue un processus de Markov dans le temps ? Pour rpondre cette
question, essayons de suivre les diffrentes transitions possibles que peut
effectuer le systme tudi au cours du temps.
Dans lexemple du systme a deux tats 1 et 2, le systme effectue des
transitions des intervalles de temps rguliers.
Sil part de ltat 1, aprs une transition, il peut se retrouver dans ce
mme tat 1 avec la probabilit p11 ou dans ltat 2 avec la probabilit p12 .
Si le systme se trouve en 1, a la deuxime transition, il peut se retrouver
dans ltat 1 avec la probabilit p11 ou dans ltat 2 avec la probabilit p12 .
Sil se trouve ltat 2, la deuxime transition, il peut se retrouver en 1
avec la probabilit p21 ou en 2 avec la probabilit p22 . Le
droulement du processus se dveloppe dans le temps suivant le schma de la
figure 2.

## Fig.2 : Graphe dvolution en partant de ltat 1

Si lon part de ltat 2, le droulement du processus se fait selon le schma suivant
(Fig.3);

___________________________________________________________________
A.BENHARI

Page 98

______________________________________________________________________________

## En conclusion, nous avons affaire un processus qui se dveloppe de faon

arborescente correspondant au nombre de possibilits. Dans la ralit, le systme
suit une seul chemin parmi les chemins possibles.

V.

## Analyse dun processus de Markov simple

Dtermination du processus
Considrons lexemple dun constructeur qui fabrique, chaque semaine, un certain
produit qui peut tre bien vendu ou mal vendu. Si son produit est bien vendu, on
considre quil a russi (etat 1) mais si son produit nest pas bien vendu, il a perdu
et se trouve dans ltat 2.
Il sagit dun systme deux tats. On aura quatre transitions possibles en deux
semaines successives.
Analyse du processus
Bien entendu, dune semaine lautre, il peut gagner durant deux semaines
conscutives, c--d que lon a une transition de ltat 1 vers 1. Il peut perdre durant
deux semaines conscutives, c--d que lon a une transition de ltat 2 vers 2. De
mme, il peut perdre la semaine la premire semaine et gagner la seconde, soit la
transition de ltat 2 vers 1. Enfin, on peut gagner la premire semaine et
perdre la seconde, soit la transition de ltat 1 vers 2. On se donne la matrice de
transition suivante :

___________________________________________________________________
A.BENHARI

Page 99

______________________________________________________________________________
p
P = 11
p21

## p12 0.6 0.4

=
p22 0.55 0.45

On souhaite prdire quelles sont les chances pour que le systme soit dans tel
ou tel tat dans le futur. On notera pi (n) la probabilit pour que le systme
occupe ltat i aprs n transitions.
Ainsi, si le constructeur part initialement partir dun tat de succs, il
peut se retrouver la semaine suivante dans un tat de succs avec la
probabilit p11 ou dinsuccs p12. Donc, au dpart, la semaine 0,
le systme occupait ncessairement ltat 1, dou p1 (0) = 1 et p2 (0) = 0 .
Durant la premire semaine, soit n=1, le systme peut occuper ltat 1 ou
ltat 2. La probabilit pour occuper ltat 1 aprs une transition est :
p1 (1) = p11 = 0.6
La probabilit pour occuper ltat 2 aprs une transition est : p2 (1) = p12 = 0.4
On peut vrifier que : p1 (1) + p2 (1) = 1
0.6

0.4

0.55

0.45

1
0.6
1
0.4

N=0

N=1

N=2

N=3

## Fig.4 : Graphe dvolution en partant de ltat 1

En conclusion, on peut constater quen partant initialement dun tat de succs,
le systme, aprs une transition, a 60% de chance de se retrouver dans ltat de
succs et 40% de chance pour se retrouver dans un tat dinsuccs.
A la deuxime semaine (n=2), pour se retrouver dans un tat de succs en
partant initialement dun tat de succs, il ya deux chemins possibles
(1,1,1) ou (1,2,1). Pour se retrouver dans ltat dinsuccs, il y a
aussi deux chemins possibles (1,1,2) et (1,2,2).

___________________________________________________________________
A.BENHARI

Page 100

______________________________________________________________________________

0.6

0.4

0.55

0.45

1
0.55
2
0.45

N=0

N=1

N=2

N=3

## Fig.5 : Graphe dvolution en partant de ltat 2

Apres deux transitions en partant initialement dun tat de succs, on se retrouve
p1 (2) = p11 p11 + p12 p21

## De mme, la probabilit pour se retrouver dans ltat dinsuccs en partant

initialement de ltat de succs,

## Numriquement, on aura : p1(2)= 0.58 et p2(2)=0.42

On peut vrifier que : p1(2)+p2(2)=1
En conclusion: On peut affirmer quen partant de ltat de succs, le constructeur
aprs deux semaines dispose de 58% de chances de se retrouver dans ltat de succs
et de 42 % de chances de se retrouver dans linsuccs et subir un chec. Il est
possible de continuer poursuivre le droulement du processus et destimer les
probabilits pour le systme de se retrouver dans un tat ou lautre aprs n transitions.
Sur base de ces estimations, le constructeur peut prdire lvolution du systme et
prendre les dcisions adquates et avantageuses.
Il en va de mme si le constructeur part de ltat dinsuccs
initialement. Mathmatiquement, cela signifie que : p1 (0) = 0 et p2 (0) = 1
Les probabilits pour se retrouver dans ltat de succs ou dinsuccs
aprs une semaine (premire transition) sont respectivement :
p1 (1) = p21 = 0.55

et

## On peut vrifier que : p1(1)+p2(1)=1

Apres deux semaines (n=2), ces probabilits deviennent :
p1 (2) = p21 p11 + p22 p21 = 0.5775
et

___________________________________________________________________
A.BENHARI

Page 101

______________________________________________________________________________
p2 (2) = p21 p12 + p22 p22 = 0.4225
On peut vrifier que : p1(2)+p2(2)=1
En analysant le processus pour n=0,1,2,.. et en utilisant les lois de probabilits,
on peut estimer la probabilit dtat la transition n si ltat initial est donne (n=0)
laide de la formule rcursive de Chapman-Kolmogorov-Smulukovski
N

p j (n + 1) = pi ( n) pij
i =1

Dautre part, le systme est ncessairement dans lun des tats du systme, dou :
N

p ( n) = 1
i =1

## Remarque : Du point de vue programmation, il est facile dcrire le code qui

permet de calculer automatiquement les probabilits dtats. Les donnes sont le
nombre dtats N et la matrice de transition P.

1.

## Dans la pratique, on sintresse souvent lvolution du processus aprs un grand

nombre de transitions ( long terme).
Rappelons, qutant connue la probabilit au dpart, la probabilit dtat ltape
n peut sexprimer sous forme vectorielle par la relation rcurrente de
Chapman-Kolmogorov-Smulukovski :
( n + 1) = ( n ) .P

(1)

avec n = 0,1,2,
P reprsente la matrice de transition
( n ) reprsente le vecteur dtat ltape n
En partant de ltat 0 qui est donn, on peut dterminer les probabilits dtat
( n ) de faon rcursive.
Pour

n = 1 ; on a : (1) =(0).P

___________________________________________________________________
A.BENHARI

Page 102

______________________________________________________________________________
pour

n = 2 ; on a :

pour

n = 3; on a :

( 2) =(1).P =(0).P 2

( 3) =(2).P= (0).P3

( n) = ( 0) .Pn

et de faon gnrale :

(2)

## Comme on le voit, en appliquant la relation (2), on peut calculer ( n ) pour n

quelconque.

Exemple 1:
Soit lexemple dun jeu deux tats : perdre ou gagner, avec la matrice de
transition suivante :

0.6 0.4
P=

0.55 0.45
En partant de ltat de succs suivant : (0) = ( 1 (0) 2 (0) ) = ( 1 0 )
On peut calculer (1) :
(1) =(0).P ,

0.6 0.4
= ( 0.6 0.4)
0.4 0.55

## On constate que la somme vaut lunit.

De mme, on peut calculer ( 2) :
( 2) = (1) . P =

0.6 0.4
0.4)
= ( 0.58 0.42)
0.55 0.45

( 0.6

## On constate que la somme vaut lunit.

On peut facilement programmer la formule rcurrente (2) dou les tableaux
suivants qui donne les probabilits dtat pour n croissant.
n

1 ( n)

0.6

0.58

2 ( n)

0.4

0.42

0.579

0.57895

..

0.421

0.42105

..

## En partant de ltat 1; on constate que lorsque n est grand , les probabilits

dtats long terme 1 ( n )

et

## Ceci est une proprit trs importante des processus de Markov.

___________________________________________________________________
A.BENHARI

Page 103

______________________________________________________________________________

2 ( 0) = 0

1 .

n

1 ( n)

0.55

0.5775

0.578875

..

2 ( n)

0.45

0.4225

0.421125

..

## En partant de ltat 2; on constate que lorsque n est grand , les probabilits

dtats long terme 1 ( n )

et

## Conclusion : Lorsque le nombre de transition augmente, la probabilit dtat ne

dpend plus de ltat de dpart. Des processus alatoire ayant cette proprit
sont dits Ergodiques.
Conclusion Pratique : Dans lexemple du joueur, compte tenue de lvolution
des probabilits dtats pour n grand (le long terme) ; le joueur a intrt poursuivre
ce jeu sil part dun tat de succs et mme sil part de ltat dinsuccs.

Exemple 2:
Si on prend une autre matrice de transition suivante pour le problme du joueur :

0 .5
P =
0 .4

0 .5

0 .6

## croissant donnes par le tableau suivant.

n

1 ( n)

0.5

0.45

0.445

0.4445

..

2 ( n)

0.5

0.55

0.555

0.5555

..

Partant de ltat 1; on constate que lorsque n est grand, les probabilits dtat
tendent vers des valeurs constantes :

()

1 ( n ) 4
9

et

()

2 ( n) 5
9

___________________________________________________________________
A.BENHARI

Page 104

______________________________________________________________________________

2 ( 0) = 0

1 .

n

1 ( n)

0.4

0.44

0.444

0.4444

2 ( n)

0.6

0.56

0.556

0.5556 ..

..

On note que :

1 ( n ) 9
4

2 ( n ) 9
5

## Conclusion Pratique : Dans lexemple du joueur, compte tenue de lvolution

des probabilits dtats pour n grand (le long terme) ; le joueur na pas intrt
poursuivre ce jeu.

2.

## La relation (2) permet de calculer rcursivement les probabilits dtat lhorizon n.

On constate galement que pour n grand, les probabilits dtats convergent
vers des valeurs constantes. Ds lors, une question fondamentale se pose.
Peut-on dterminer directement les probabilits dtat limites qui correspondent un
grand nombre de transitions ?? La rponse est positive et est justifie dans ce qui suit.
On dispose de deux relations, la premire stipule que le systme aprs n
transitions se trouve ncessairement dans lun des tats du systme, soit:
N

=1
i

i =1

ou bien

p (n)=1
i

i =1

(11)

## De plus, la relation rcurrente :

___________________________________________________________________
A.BENHARI

Page 105

______________________________________________________________________________
N

( n+1) = ( n ) P

scrit :

i =1

## Ainsi, pour n grand ( n ), on peut considrer que : ( n+1) ( n )

Cela signifie que : ( n ) = ( n ) .P

ou bien :

p j (n)=pi(n) pij

(12)

i =1

## En dveloppant des expressions (11) et (12), on obtient un systme dquations

dont la rsolution permet de dterminer les probabilits dtat limites cherches.
N

=1

p (n)=1

i =1
(n ) = (n )

i =1

p j (n)=pi(n) pij
i =1

3.

Exemple 1

0.6
Soit la matrice de transition dun systme : P = 0.55

0.4

0.45

## De la premire relation (11) :

N

=1 ; il dcoule : 1 + 2 = 1
i

i =1

## de la deuxime relation (12) :

0.6 0.4
( n ) = ( n ) P ; il dcoule : ( 1 , 2 ) = ( 1 , 2 ) .
ce qui donne
0.55 0.45
les deux quations suivantes :

1 = 0.6 1 + 0.55 2
2 = 0.4 2 + 0.451
Nous avons ainsi obtenu un systme linaire de trois quations deux inconnus.
Il admet une solution unique qui est dans ce cas:

1 = 11/19

et

2 = 8 /19

___________________________________________________________________
A.BENHARI

Page 106

______________________________________________________________________________
Dans beaucoup de problmes, ce sont ces valeurs limites qui sont intressantes.
Il faut cependant remarquer que ces valeurs limites ne sont valables que lorsque le
systme aurait effectuer un nombre suffisant de transitions partir de ltat initial
donn. A ce moment, on peut considrer que le systme devient sans mmoire.
Le processus Markovien passe donc par une phase transitoire avant datteindre les
valeurs limites.

4.

Exemple 2

0 .5

P
=
Soit la matrice de transition dun systme :
0 .4

0.5

0.6

## De la premire relation (11) :

N

=1 ; il dcoule : 1 + 2 = 1
i

i =1

## de la deuxime relation (12) :

0 .5
( n ) = ( n ) P ; il dcoule : (1, 2) =(1, 2) . 0.4

0 .5

## deux quations suivantes :

1
2
1 = 1 + 2
2
5
1
3
2 = 2 + 1
2
5
Nous avons ainsi obtenu un systme linaire de trois quations deux inconnus.
Il admet une solution unique qui est dans ce cas:

1 =

5.

4
9

et

2 =

5
9

Exercices

Exercice 1 :
Un journaliste effectue un sondage sur plusieurs semaines pour le compte dun
parti politique et constate que :
les chances pour quun citoyen qui tait adhrant au parti, le quitte cette semaine

___________________________________________________________________
A.BENHARI

Page 107

______________________________________________________________________________
sont de 50% ; les chances pour quun citoyen qui ntait pas adhrant la semaine
passe, le devienne cette semaine sont de 30%.
1)-quelles sous les probabilits pour quun citoyen qui tait adhrant la semaine
passe y reste ou le quitte cette semaine et la semaine
prochaine.
2) Quelles cour les probabilits pour quun citoyen qui ntait pas adhrant la
semaine passe y adhre ou ny adhre pas cette semaine, et la semaine prochaine.
3)Quel avenir peut ou prvoir pour ce parti long terme ?

Exercice 2 :
Les chances dun joueur de gagner au jeu suivent un certain rythme.
Lorsquil a gagn une partie probabilit pour quil gagne la partie suivante est 0.6
mais sil perd une partie, il a une probabilit de 0.1 de perdre la partie suivante.
1/.Dterminer la matrice de transition de se systme.
2/-en supposant que le joueur gagne la premire partie, quelle est la probabilit pour
quil gagne la 2eme partie.
3/-Ce jeu mrite t-il dtre poursuivi ??

Exercice3
Une machine fabrique chaque minute une pice. La pice peut tre bonne ou
Dfectueuse On a constat statistiquement que si la 1ere pice a t bonne; la deuxime

## 65% de chance dtre bonne. De mme, si la premire pice a t dfectueuse il y

30% de chance pour que la suivante soit galement dfectueuse .
1-

si la 1ere pice a t bonne quelle est la probabilit pour que la seconde soit

2-

bonne ? dfectueuse ?

3-

4-

5-

## A la longue, cette machine est elle utile ou non ?

___________________________________________________________________
A.BENHARI

Page 108

______________________________________________________________________________

## VII. Processus de Markov rcompense

1. Processus de Markov avec rcompense
Dans les exemples prcdents, il a vu quun processus de Markov se caractrise par un
espace dtats et par les transitions quon peut effectuer entre ces tats. De plus, une
caractristique essentielle des processus de Markov est telle que le systme, aprs un grand
nombre de transitions, tend vers des probabilits dtats limites qui sont indpendantes des
tats de dpart. Cest cette dernire raison qui fait que les processus de Markov soient
considrs comme tant sans mmoire ou mmoire limite.
Afin de modliser un grand nombre de problmes pratiques trs intressants, il est
utile dassocier toute transition dun tat i vers un tat j dun systme Markovien, un cot
qui peut tre positif (rcompense ou gain) ou ngatif (pnalit ou perte).
Commenons par un exemple pratique dun joueur dont lissue du jeu pour chaque
partie est un gain ou une perte. Le joueur peut se trouver aprs chaque partie du jeu dans ltat
perdant ou gagnant. Bien entendu, dans un jeu, le joueur reoit une somme dargent (gain)
sil gagne la partie mais dpense une somme dargent sil perd la partie. Pour modliser cette
situation, on associe chaque transition qui est caractrise par la probabilit pij , un cot ou
rcompense pour la transition rij. Les cots de transition sont reprsents par une matrice de
cot R associe la matrice de transition P. Remarquons que ce cot peut tre de largent, de
lnergie, de la pression, etc. Evidement, ce cot, peut tre positif en cas de gain ou ngatif
en cas de perte.
Ainsi, un processus de Markov, dans son droulement, peut gnrer une squence de
rcompenses lies aux transitions queffectue le systme.
Pour un tel processus, une question fondamentale serait dessayer de prdire lissue du
jeu. Le joueur va til perdre ou gagner aprs n parties du jeu ? Comment estimer la perte ou
la rcompense attendu aprs n transitions ?

## 2. Estimation du gain dans un processus de Markov

Une tude approfondie de cette question montre quil est possible dvaluer le gain
attendu aprs n parties (n transitions) du systme pour se retrouver dans un tat i. Ce gain
attendu correspond mathmatiquement lesprance mathmatique qui peut sexprimer par
lexpression rcurrente suivante :
N

(A)

j =1

vi (n1)

et

vi(n)]

## respectivement la transition (n-1) et la transition n si on se trouve dans ltat i. On

remarque que le calcul de la rcompense attendue ltape n peut se faire si on dispose de la
matrice de transition P, de la matrice de cot R et du gain attendu ltape (n-1).
Cette expression peut se dcomposer en deux parties comme suit :

___________________________________________________________________
A.BENHARI

Page 109

______________________________________________________________________________
N

j =1

j =1

## vi(n)= pij rij + pijv j(n1)]

En notant le premier terme par:
N

qi = pij rij
j =1

N

## vi(n)=qi + pijv j(n1)]

j =1

Exemple
Si N=2, on a :
2

vi (n) = qi + Pij v j (n 1)
j =1

en dveloppant, on a :
V1 (n) = q1 + P11V1 (n 1) + P12V2 (n 1)

## V2 (n) = q 2 + P21V1 (n 1) + P22V2 (n 1)

puis, sous forme matricielle :

V1 ( n) q1 P11
V (n) = q + P
2 2 21

P12 V1 ( n 1)
P22 V2 (n 1)

## qui scrit de faon condense :

V(n)=q+ PV(n1)

3. Estimation du gain
Soit un processus de Markov deux tats et donn par la matrice de transition P et la matrice
de rcompense R.
P= 0.5
0.4

0.5
0.6

et

R= 9 3
3 7

Pour pouvoir valuer la rcompense totale, il faut initialiser le processus itratif en se donnant
les rcompenses de dpart

vi(0) .

## Supposons que le processus dmarre la condition :

Cest--dire :

v1(0)=0

et

vi(0)=0

v2(0)=0

___________________________________________________________________
A.BENHARI

Page 110

______________________________________________________________________________
On donne une reprsentation graphique de lvolution de ce processus au dmarrage
(Figure 1) si on part de ltat1. A chaque transition, on associe deux nombres :
premier nombre

(pij, rij ) .

Le

## pij reprsente la probabilit de transition de ltat i vers ltat j et le second

nombre rij reprsente la rcompense associe cette transition. Si on part de ltat 1, on peut
rester dans le mme tat ltape suivante avec la probabilit 0.5 auquel cas on gagne 9 DA.
Si on part de ltat 1, on peut transiter vers ltat 2 ltape suivante avec la probabilit 0.5
auquel cas on gagne 3 DA.

Figure 1
Dans ce cas, le calcul de v1 (1) qui reprsente la rcompense attendu aprs une transition si
on part de ltat 1 est donn par lexpression (A):
2

j =1

v1 (1)

## De mme, on donne une reprsentation graphique de ce processus au dmarrage

(Figure 2) en partant de ltat 2. A chaque transition, on associe galement deux nombres :

(pij, rij ) .

Si on part de ltat 2, on peut rester dans le mme tat ltape suivante avec la

probabilit 0.6 auquel cas on perd 7 DA. Si on part de ltat 2, on peut aussi transiter vers
ltat 1 ltape suivante avec la probabilit 0.4 auquel cas on gagne 3 DA.

Figure 2

___________________________________________________________________
A.BENHARI

Page 111

______________________________________________________________________________
Le calcul de

v2(1)

2

j =1

vi(n) et

## transitions ainsi que lesprance de la rcompense attendue dtape en tape.

Pour lexemple en cours, de proche en proche, on peut laide de lexpression
rcurrente (A) , calculer les rcompenses attendues chaque tape n. Le tableau T1
suivant donne les rcompenses attendus de n=0 jusqu n=5 en partant de ltat 1 et de ltat
2.
0

V1(n) 0

7.5

8.55

9.555

10.5556

V2(n) 0

-3

-2.4

-1.44

-0.444

0.5556

Tableau T1

Au vu de ces rsultats, on constate que pour viter de perdre, il faut au moins jouer 5 parties
dans la cas ou on part de ltat 2.
Sachant calculer les rcompenses dtape en tape, il serait intressant de pouvoir
estimer lissue conomique du jeu aprs un grand nombre de transitions.

## 4. Processus de Markov horizon lointain

La mthode qui a t dcrite auparavant sappelle la mthode value-itration car les
valeurs vi (n) sont dtermines en fonction des valeurs prcdentes de faon itrative. Cette
mthode sadapte bien dans le cas dune tude court terme car on peut calculer les valeurs
itrativement. Mais si lhorizon devient lointain, cette mthode ne sadapte plus tellement car
il faudrait un temps illimit pour calculer

vi(n) .

Cependant, on sait que pour un processus Markovien, il est possible de dterminer les
probabilits limites lhorizon infini, il est donc intressant de chercher trouver si possible
les rcompenses pour cet horizon l.
Dans ce but, on introduira la transforme en z qui est utile pour lanalyse des systmes
discrets et itratifs. Lutilisation de cette transforme permettra danalyser les rcompenses
court et trs long terme.

5. Transforme en Z
a)-Dfinition De La Transforme En z

___________________________________________________________________
A.BENHARI

Page 112

______________________________________________________________________________
Pour les suites discrtes f (k ), k Z ; il existe une transformation appele transforme en z.
Cette transformation sapplique aux quations rcurrentes. Elle est dfinie par :

F(z)=Z(f(k))= f(k).z k
k =0

## Figure 3 : anneau de convergence

b)-Proprits de F (z) :
1)- Linarit :

## Z[1.f1 +2 f2 ]=1 Z(f1 )+2Z(f2 )

2)- Translation temporelle :
Cas du retard :
Z [ f (t kT ) ] = z k .F ( z )
Dmonstration :

## Z [ f (t k T)] = f ((n k )T ) z n = z k f ((n k )T ) z ( n k )

0

Z [ f (t kT)] = z

f (m T) z

m= k

Comme : f (m T) = 0 p o u r m 0 on obtient :

Z [ f (t kT) ] = z f (m T) z m = z k .F ( z )
k

m= 0

Cas de lavance :

___________________________________________________________________
A.BENHARI

Page 113

______________________________________________________________________________

En effet :

## Z[f(t + kT)]= f((n+ k)T)z = z [ f((n+ k)T)z (n + k)

n

n= 0

k 1

= z k.[F(z) f(m T) z m]
m= 0

n

n

n

Z [ f (k T)] =
k= 0

z
F ( z)
z1

n =0

Z[ g(nT) ] =Z[

n=0

G( z) =

dou :

1
F ( z)
1 z 1

## 6)-Tableau de quelques transformes en z

On donnera les transformes en z que lon utilisera dans les quations rcurrentes.
Fonction Rcursive

Transforme en z

f(k)

f(z)

f(k-1)

z.f(z)

f(k+1)

z 1 f ( z )

1
1 z

___________________________________________________________________
A.BENHARI

Page 114

______________________________________________________________________________
n

z
(1 z) 2

Tableau 2
En particulier, on a :

f (k + 1).z

= z 1 .[ f ( z ) f (0)]

k =0

6. Application de la transforme en z
Utilisons la transforme en z pour analyser le comportement de notre systme Markovien.
Application aux probabilits dtat
Pour cela considrons la relation rcurrente (1) qui permet de dterminer les
probabilits dtat pour se retrouver ltat (n+1) en fonction des probabilits des tats
prcdents.
( n + 1) = ( n ) .P

(1)

avec n = 0,1,2,
Par application de la transforme en z lexpression (1), on obtient des deux cots:
( n + 1) correspond : z 1 .[ ( z ) (0)]
( n ) .P correspond :

( z).P

## Lquation (1) se transforme en lquation suivante :

z 1 .[ ( z ) (0)] = ( z ).P
Aprs rarrangement ; on obtient la relation suivante :
( z ) = (0).( I z.P) 1

(B)

## dans laquelle I est la matrice identit.

Exemple dapplication (extrait de la rfrence 1)

___________________________________________________________________
A.BENHARI

Page 115

______________________________________________________________________________

0.5
Soit la matrice de transition : P= 0.4

0.5
0.6

On calcule : (I z.P)
(I zP)= 10.5.z
0.4.z

0.5.z
10.6.z

## On calcule ensuite : (I z.P)1 qui peut se mettre sous la forme suivante :

(I zP)1 =

5/9 5/9
1 4 / 9 5/ 9 + 1
4
/
9
5
/
9

(1 z)
(10.1z) 4/ 9 4/ 9

## Pour retrouver lexpression H(n) correspondant (I z.P)1 , il faut effectuer la

transforme en z inverse. A laide du tableau 2, on obtient :

4/9 5/9 10

5/9 5/9
4/9 4/9

## On constate que pour n , le second terme sannule et reste le premier terme.

On obtient par consquent le vecteur des probabilits dtat sous la forme :
( n ) = (0) .H(n)

5/9 5/9
(n)= (0)44//99 55//99 +( 1 )n (0)

10
4/9 4/9
A laide de cette expression, on retrouve les probabilits dtat si on se donne les
probabilits ltat initial. De mme, si n , on retrouve les probabilits limites.
Application aux quations de rcompense
Reprenons la relation qui dtermine le gain attendu :
N

j =1

## qui peut encore sous la forme suivante :

V(n+1)=q+ PV(n)
Le passage la transforme en z donne :

z 1[V(z)V(0)] = 1 q + PV(z)
1 z
dou lexpression de la transforme en z de V(z) :

___________________________________________________________________
A.BENHARI

Page 116

______________________________________________________________________________

## V(z)= z (I zP)1 q+(I zP)1 v(o)

1 z
Si on considre que v(0)=0 ; il reste :

V(z)= z (I zP)1 q
1 z
Il faut alors dterminer
On rappellera que
(I zP)1 =

(I zP)1

(I zP)1

## dj t calcul pour lexemple du joueur, on a :

5/9 5/9
1 4 / 9 5/ 9 + 1
4
/
9
5
/
9

(1 z)
(10.1z) 4/ 9 4/ 9

dou V(z) :
5/9 5/9.q
z 4/9 5/ 9 .q +
z
V(z)= z (I zP)1.q =
2
(1 z)
(1 z) 4/9 5/ 9 (1 z)(10.1z) 4/ 9 4/ 9
Cette expression peut aussi se mettre sous la forme :
10
10
5/9 5/ 9
4
/
9
5
/
9

9
9
z
V(z)=
.q +(
+
)
.q
2
(1 z) 4/ 9 5/9
(1 z) (10.1.z) 4/ 9 4/ 9

[]

3

## Il reste inverser V(z) pour trouver v(n). En exploitant le tableau 1, on trouve la

transforme inverse.

[]

[ ]

10[1(0.1)n]. 5
v(n)=n.1
+
1 9
4

## Cette expression permet destimer V(n) directement si on spcifie n. On en dduit :

v1 (n)=n+ 50[1(0.1)n]
9
v2(n)=n 40[1(0.1)n]
9
De mme, on peut estimer les valeurs asymptotiques de v(n). Ainsi pour n trs grand,
on obtient les expressions asymptotiques suivantes :

v1 (n)=n+ 50
9
___________________________________________________________________
A.BENHARI

Page 117

______________________________________________________________________________

v2(n)=n 40
9
Pour un horizon lointain, le gain cumul peut devenir prohibitif et perdre sa
signification. Pour cela, on prfre raisonner en termes de gain moyen. Dans notre exemple,
le gain est de 1 unit par transition.

## VIII. Les alternatives et la politique optimale

1. Notion dalternative
Ltude priori des rcompenses attendues quand le systme Markovien effectue n
transitions laide de la formule rcursive permet au joueur, linvestisseur, etc.. de prendre
les dcisions qui conviennent. Afin daborder de faon encore plus raliste ltude des cas
concrets qui sont, en gnral, complexes ; nous allons introduire la notion dalternative et
ensuite la notion de stratgie.
Soit une machine qui fabrique chaque jour une pice donne sous la surveillance dun
ouvrier non spcialis. Cette pice, une fois fabrique, peut tre de bonne qualit ou de
mauvaise qualit. Afin de caractriser ce processus de fabrication, une longue observation
des rsultats montre que ce processus peut admettre pour matrice de transition P 1. On
reprendra les mmes matrices que celles donnes par Howard pour simplement pouvoir
comparer les rsultats avec ceux de son livre. Soit :

P1 = 0.5 0.5
0.4 0.6
Louvrier est pay selon la matrice de rcompense suivante :

R1 = 9 3
3 7
Le patron essaye naturellement de trouver des solutions pour amliorer la rentabilit de son
produit. Par exemple, il se demande si ce nest pas plus conomique de remplacer louvrier
simple par un ouvrier spcialis. Naturellement, cette nouvelle option modifierait la matrice
stochastique ainsi que la matrice de rcompense puisque louvrier spcialis exige un
payement suprieur celui de louvrier simple. Le patron estime que sil fait appel louvrier
spcialis, le processus sera dcrit par P2 et R2 :

P2 =0.8 0.2
0.7 0.3

et

R2 =4 4
1 19

___________________________________________________________________
A.BENHARI

Page 118

______________________________________________________________________________
Le patron dispose maintenant de deux choix possibles: utiliser louvrier simple ou un
ouvrier spcialis. Il dispose de deux alternatives. Mais quel est le choix le plus
avantageux de ces deux alternatives et pour quelles tapes?
2. Droulement du processus avec alternatives
De faon gnrale, chaque alternative (k) se caractrise par sa matrice de transition P(k) et par
la matrice de rcompense associe R(k). On notera de faon gnrale les matrices associes
lalternative k par la notation suivante qui correspond un processus deux tats :

p11k
P = k
p 21
k

r11k
R = k
r21

p12k

k
p 22

r12k

k
r22

Si nous prenons le cas simple dun systme deux tats avec deux alternatives possibles
comme le suggre lexemple que lon vient de proposer, alors lvolution des possibilits
dtat est reprsente sur le schmas ci-aprs si lon dmarre de ltat 1 (Figure 1).

Figure 1
3. Choix de la meilleure alternative et Expression de Bellman
Appliquons cela lexemple de la machine qui fabrique les pices. Graphiquement, le
problme se prsente comme suit.
En partant ltape n=0 de ltat 1 (bonne pice) ; le patron peut avoir, ltape suivante,
une bonne pice ou une mauvaise pice avec des probabilits de transition et des rcompenses
associes en choisissant lune ou lautre des deux alternatives. Un raisonnement analogue
peut tre effectu si au dpart la pice est mauvaise.
En effet, pour effectuer une transition c--d chaque fabrication dune pice, le patron
a le choix entre les deux alternatives. A chaque tape, quelle est la dcision la plus
avantageuse ? La rponse cette question peut tre obtenue en comparant les rcompenses
attendues pour chaque alternative et cela dtape en tape laide de lexpression de Bellman
Lexpression de Bellman permet de dterminer la meilleure alternative ltape (n+1) par
comparaison des rcompenses donnes par chaque alternative :

___________________________________________________________________
A.BENHARI

Page 119

______________________________________________________________________________

vi(n+1)=max
k

p [ r +v ( n ) ]
k k
ij ij

avec n=0,1,2,

j =1

## La programmation informatique dune telle expression tant trs simple ; on

prsentera en annexe le programme qui permet le calcul des valeurs vi(n) ainsi que la
dtermination de la meilleure alternative chaque tape.
4. Application Numrique
On montre comment utiliser lexpression de Bellman pour dterminer la meilleure alternative
chaque nouvelle tape. Supposant quau jour de dpart (n=0), les rcompenses soient toutes
nulles quelque soit ltat de dpart (pice bonne ou mauvaise) ; il vient :

## v12 (0) = v22 (0) = 0 pour la deuxime alternative.

On cherche connatre les rcompenses attendues ltape suivante (n=1) ; on considrera
les matrices de la machine avec un ouvrier simple et un ouvrier spcialis: (P1, R1) et

(P 2,R 2) .
Pour la premire alternative ( k=1, ouvrier simple), si on part dun tat de pice bonne
au dpart, on aura aprs une transition, la rcompense attendue suivante :
2

1 r1 + p1 r1 = 6
v (1)= p11 j r11 j = p11
11
12 12
1
1

j =1

-Si on part avec une mauvaise pice, on aura aprs une transition, la rcompense attendue :
2

1 = 3
v (1)= p12 j r12 j = p121 r211 + p122 r212
1
2

j =1

En reprenant des calculs similaires dans le cas ou on considre lalternative 2 (utilisation dun
ouvrier spcialis), on obtient aprs la transition si on part avec une bonne pice, la
rcompense :
2

## v (1)= p12 j r12 j = p112 r112 + p122 r122 = 4

2
1

j =1

-Si on part avec une mauvaise pice, aprs une transition, on aura la rcompense (perte) :
2

2 r 2 + p 2 r 2 = 5
v (1)= p22 j r22 j = p21
21
22 22
2
2

j =1

Le tableau suivant rsume pour chacune des deux alternatives, les rcompenses attendues la
premire transition :
Alternative 1

Alternative 2

___________________________________________________________________
A.BENHARI

Page 120

______________________________________________________________________________
(Ouvrier Simple)

(Ouvrier Spcialis)

V11(1)=6

V12(1)=4

V21(1)=-3

V22(1)=-5

## Au vu des rsultats du tableau, il apparat clairement que laction entreprendre

conduit choisir lalternative qui maximise la rcompense attendue. Si on part de ltat 1, c-d on part avec une bonne pice, on choisira lalternative qui donne :
Max(6, 4)=6 , on choisira donc lalternative k=1.
Il apparat aussi que si on part de ltat 2, c--d on part avec une mauvaise pice, on
choisira lalternative qui donne :
Max(-3, -5)=-3 , on choisira donc lalternative k=1.
En conclusion, pour n=1, il est avantageux de choisir lalternative 1 que lon parte de ltat 1
ou de ltat 2.
Pour estimer les rcompenses ltape n=2, on rutilise lexpression de Bellman mais
avec les meilleures rsultats obtenus ltape 1.

vi(2)=max
k

p [ r +v (1) ]
k k
ij ij

j =1

## cela donne pour k=1

Si on part de ltat 1, la valeur suivante :
N

1
1

j =1

N

## v (2)= pijk[ rijk +v j(1) ]= 2.4

1
2

j =1

et pour k=2
Si on part de ltat 1, la valeur suivante :
N

2
1

j =1

N

## v (2)= pijk[ rijk +v j(1) ]= 1.7

2
2

j =1

___________________________________________________________________
A.BENHARI

Page 121

______________________________________________________________________________
En appliquant lexpression de Bellman, on trouve que :
Max(7.5 ; 8.2)=8.2, en partant de ltat 1, la meilleure alternative est la seconde (k=2).
De mme ; Max(-2.4 ; -1.7)= -1.7 ; le meilleure alternative en partant de ltat 2 est
galement la seconde (k=2).
En rinjectant ces valeurs dans lexpression de Bellman, on peut itrativement dterminer les
rcompenses ltape 3, 4,On obtient le tableau suivant dans lequel on indique galement
les meilleures alternatives d1(n) et d2(n).

V1(n)

8.2

10.22

12.222

---

V2(n)

-3

-1.7

0.23

2.223

---

d1(n)

--

--

d2(n)

--

--

## 5. Notion de Politique Optimale

Si on analyse le tableau ci-dessus, on constate quon peut associer un vecteur dcision
chaque tape d1(n). Ce vecteur contient les meilleures alternatives prendre chaque tape

()

d1 (1) = 1

d2 (1) 1

## du processus. Par exemple, ltape une, ce vecteur est : d(1)=

()

()

d1 (2) = 2
d (3) 2
2 et pour ltape 3, on a d(3)= d1 (3) = 2 , etc..
d
(
2
)
2
2

## ltape 2, il est : d(2)=

La suite de vecteurs d1(n) constitue la politique optimale pour ce processus. Elle indique la
suite des alternatives suivre en vue de maximiser les rcompenses chaque tape.
6. Processus de Markov horizon lointain
La mthode qui a t dcrite auparavant sappelle la mthode value-itration car les valeurs

vi(n) sont dtermines en fonction des valeurs prcdentes de faon itrative. La mthode
propose sadapte bien au cas ou ltude concerne un horizon court terme car on peut
calculer les valeurs dsires. Si lhorizon devient lointain, cette mthode ne sadapte plus
tellement car il faudrait normment de temps de calcul. Pour effectuer une tude long
terme, il faudrait dvelopper une autre mthode que lon verra au chapitre suivant.

___________________________________________________________________
A.BENHARI

Page 122

______________________________________________________________________________

FIABILIT
I.

INTRODUCTION

La fiabilit est laptitude dun systme, dun matriel fonctionner sans incident pendant un
temps donn. Pour lAFNOR cest la caractristique dun dispositif qui sexprime par la
probabilit pour ce dispositif daccomplir la fonction requise, dans des conditions
dtermines, pendant une priode donne. Prvoir la fiabilit est essentiel pour des raisons de
scurit (systmes de freinage, systmes nuclaires, systmes informatiques, ). La quasi
impossibilit de rparer certains matriels, (satellites), les problmes conomiques (cots de
dfaillances, gestion du personnel de maintenance, maintenance des stocks de pices de
rechange, ...) rendent ncessaire la connaissance de la fiabilit des systmes utiliss. On ne
considrera ici que des situations simples.

I.

GENERALITES - TERMINOLOGIE
2.1) Fonction de dfaillance et fn de fiabilit

## On considre dans un premier temps un dispositif unique ou un groupe de dispositifs

identiques de mme provenance utiliss dans des conditions semblables, dont les proprits
sont susceptibles de se modifier au cours du temps. Au bout dun certain temps appel dure
de vie, le systme cesse de satisfaire aux conditions dutilisation. On considrera soit un
groupe de dispositifs identiques, on relvera alors les temps jusqu la dfaillance, soit un
dispositif unique rpar aprs chaque panne, en supposant que la rparation ninflue pas sur
les conditions initiales de fonctionnement du dispositif, on relve alors les temps entre
dfaillance. Cette dure de vie permet de dfinir une variable alatoire T, absolument
continue valeur dans R+. Sa fonction de rpartition F, appele fonction de dfaillance est
donc la probabilit pour que le systme soit en panne avant linstant t. F(t) = P(T < t). On
considre galement la fonction de fiabilit R qui donne la probabilit pour que le systme
fonctionne aprs un temps dutilisation t.

___________________________________________________________________
A.BENHARI

Page 123

______________________________________________________________________________
R(t) = P(T t) = 1 - F(t).

## 2.2) Taux davarie ou taux de dfaillance

Considrons un ensemble de systmes identiques, tous mis en service linstant t, on peut
relever le nombre N(t) de systmes en tat de marche. Le taux de dfaillance moyen dans un
intervalle de temps [t, t1], rapport au nombre de systmes encore en vie au dbut de cet
intervalle sexprime par :
(N(t) N(t1)) / N(t)( t1 - t)
Par analogie, si la fonction de fiabilit R est drivable, on dfinit le taux instantan davarie
par la fonction dfinie par

## On constate exprimentalement que la courbe reprsentative de cette fonction est, pour de

nombreux systmes, une courbe en baignoire.
Trois priodes sont distinguer, notes (1), (2) et (3). Durant la premire priode, le taux de
dfaillance dcrot, il correspond des fautes de jeunesse. Durant la seconde, qualifie de vie
utile, il reste peu prs constant, les pannes semblent seulement dues au hasard. Durant la
troisime priode, le taux davarie crot rapidement, les pannes sont alors due aux dfauts
causs par lusure.
Pour un systme dont la fonction de fiabilit est R, dsignons par p(h) la probabilit pour que
le systme tombe en panne entre les instants t et t + h sachant quil ny a pas eu de dfaillance
pendant lintervalle [0, t] o t est fix. Le taux instantan de dfaillance est :

## (t) = limh0 p(h) / h.

Soit E1, respectivement E2, les vnements "le systme fonctionne aprs le un temps
dutilisation t" et "le systme tombe en panne entre les instants t et t + h".
On a p(h) = P(E2|E1) = P(E1E2) / P(E1).
Par ailleurs
P(E1) = R(t) = 1 F(t) et P(E1E2) = P(t T t + h) = F(t + h) F(t).
Il en rsulte que

## (t) = limh0 (F(t + h)-F(t)) / h (1 - F(t)) = F(t) / (1 - F(t)) = - R(t) / R(t)

___________________________________________________________________
A.BENHARI

Page 124

______________________________________________________________________________
On supposera que R est partout non nulle et continment drivable sur [0, + [, ce qui
implique que est continue sur [0, + [.
MTBF (Mean Time Between Failure): moyenne des temps entre deux dfaillance ne pas
confondre avec la moyenne des temps de bon fonctionnement. La MTBF est lesprance
mathmatique de la variable alatoire T reprsentant la dure de vie du systme, si f est la
densit de probabilit de T, alors :

MTBF = E(T) =

a) Relations fondamentales
Ln(R(t)) =

F(t) = 1 - exp(-

+
0

tf(t)dt

(u)du
t
0

(u)du)

## b) Estimation des fonctions R et F

Une estimation de R(t) est fournie par le pourcentage de dispositifs nayant pas subi de
dfaillance dans lintervalle de temps [0, t].

Exemple :
Ltude de la fiabilit de pices mcaniques a conduit tudier la dure de vie de 9 de ces
pices. Les temps de bon fonctionnement en heures jusqu dfaillance sont :
Pice n
T

1
90

2
350

3
950

4
1660

5
530

6
1260

7
2380

8
230

9
720

On estime R(t) par le quotient par 9 du nombres de systme en tat de marche linstant t. On
obtient ainsi le tableau suivant :
t
N(t)
R(t)
F(t)

90
8
8/9
1/9

230
7
7/9
2/9

530
6
6/9
3/9

720
5
5/9
4/9

950
4
4/9
5/9

1260
3
3/9
6/9

1660
2
2/9
7/9

2380
1
1/9
8/9

0
0
1

Cette mthode destimation est acceptable si le nombre des systmes mis en service linstant
t = 0 est suffisamment grand. Pratiquement si N dsigne ce nombre de systmes, on estime
F(t) linstant de la i-me dfaillance par :
i / N si N > 50 (mthode des rangs bruts)
i / (N + 1) si 20 < N <= 50 (mthode des rangs moyens)

___________________________________________________________________
A.BENHARI

Page 125

______________________________________________________________________________
(i - 0,3) / (N + 0,4) si N <= 20 (mthode des rangs mdians)
Par exemple, dans le cas prcdent, on obtient en utilisant les rangs mdians:
i
t
F(t)
R(t)

1
90
0,07
0,93

2
230
0,18
0,82

3
530
0,29
0,71

4
720
0,39
0,61

5
950
0,5
0,5

6
1260
0,61
0,39

7
1660
0,72
0,28

8
2380
0,82
0,18

9
0,93
0,07

___________________________________________________________________
A.BENHARI

Page 126

______________________________________________________________________________

## II. LOIS UTILISEES

3.1) Loi exponentielle
Si on considre des systmes ne prsentant pas de phnomnes dusure (semi-conducteurs,)
et pour lesquels les dfauts de jeunesse sont inexistants, il faut envisager une loi dont le taux
davarie est constant. On alors (t) =
On a alors

F(t) = 1 - e-

si t [0, +[ et R(t) = e-

MTBF = E[T] = 1 /
La probabilit pour que le systme fonctionne aprs un temps dutilisation gal la MTBF
est R(1/ ) = 1 / e 0,368, soit 36,8%.
Dans lexemple ci-dessus, on peut approximer la loi par une loi exponentielle de paramtre
1 / 1060 0,00094. On en dduit que la probabilit pour que la pice fonctionne au
moins 2000 heures est R(2000) = exp(-2000/1060) 0,15

## 3.2) Loi de Weibull

On se place dans le cas de systme ne tombant pas en panne avant linstant g et dont le taux
davarie nest pas constant aprs cet instant mais est une fonction puissance du temps, on a
ainsi :

(t) = / . [(t - ) / ]

-1

, si t > , 0 sinon.

## Si 0 < < 1, alors le taux davarie est dcroissant,

Si = 1, le taux davarie est constant
Si > 1, le taux davarie est croissant.
La fonction de fiabilit est donc :

## F(t) = 0 si t , 1 - exp(-[(t - )/ ] ) si t > .

On obtient la densit de probabilit de T,

f(t) = / . [(t - ) / ]

-1

exp [ - [(t - ) / ] ] si t ,

0 si t <

: paramtre de position,
: paramtre de dispersion,
: paramtre de forme.
___________________________________________________________________
A.BENHARI

Page 127

______________________________________________________________________________

## On montre que la MTBF est :

MTBF = E(T) = (1 + 1 / ) + .
Le calcul pratique se fait grce la formule E(T) = A + , o le nombre A est donn par
une table de Weibull. De mme V(T) = B 2 o B est donn galement par la table.

## III. Fiabilit dun systme et de ses composants

4.1) Systme structure en srie
Un systme prsente une structure srie si la dfaillance dun seul de ses composants entrane
celle du systme. Il est souvent reprsent par le schma :

C1

C2

C3

La dure de vie du systme S est dfinie par la donne de la fonction R. Les vnements
"Ti > t" tant indpendants, on a :
P(T > t) = P(T1 > t et T2 > t et et Tn > t)
= P(T1 > t) . P(T2 > t) P(Tn > t)
Do

R(t) =

Exemple :

1 i n

Ri(t)

Si les composants suivent des lois exponentielles de paramtre i, R suit une loi
exponentielle de paramtre = 1 + + n .

## 4.2) Systme structure parallle

Un systme prsente une structure parallle si ltat de marche dun seul de ses composants
entrane celle du systme. Le systme est dfaillant si chacun des composants est dfaillant.
C1
C2
C3

## La fonction de dfaillance F est dfinie par

F(t) = P(T t) = P(T1 t et et Tn t)
= P(T1 t). .P(Tn t)
Do
R(t) = 1 F(t) = 1 - 1 i n (1 - Ri(t))

___________________________________________________________________
A.BENHARI

Page 128

______________________________________________________________________________

Exemple :
Un systme structure srie est constitu de n composants Ci indpendants dont la dure de
vie Ti suit une loi exponentielle de paramtre li. Calculons la MTBF de ce systme.
Pour chaque composant Ci, nous avons Ri (t) = exp( i t) si t 0, 0 sinon.
La fonction de fiabilit de ce systme est dfinie par le produit de ces fonctions do,
R(t) = exp( 1t + + nt) si t 0, 0 sinon.
On en dduit que le systme suit une loi exponentielle de paramtre, =
Do,
MTBF = 1 / ( 1 + + n)

+ + n.

## 4.3) Systmes structure mixte

Si le systme nest ni structure srie ni structure parallle, on peut en gnral le
dcomposer en sous-systmes qui sont soit en srie, soit en parallle.

Exemple :
C1
C3
C2

## Le systme est une structure srie du composant C3 et du

sous-systme not C1,2 lui-mme structure parallle.
La dure de vie de ce sous-systme est:
R1,2(t) = 1 (1 R1(t))(1 R2(t))
= R1(t) + R2(t) R1(t).R2(t)

Par la suite :
R(t) = R3(t).( R1(t) + R2(t) R1(t).R2(t)).

___________________________________________________________________
A.BENHARI

Page 129

______________________________________________________________________________

IV. EXERCICES
5.1) Exercice n 1
Soit un systme S constitu de 5 composants suivant le schma ci-dessous, de fonction de
fiabilit respective Ri. Dterminer la fonction de fiabilit R de ce systme.
C1

C3
C4

C2

C5

5.2) Exercice n 2
La fiabilit dun type de machines a t ajuste par une loi de Weibull de paramtres = 40,
= 60 et = 1.1.
1)
Dterminer la MTBF et calculer le temps de bon fonctionnement pour une
2)
Calculer le taux davarie pour les valeurs t = 45, 75, 105, 135 et 165.

5.3) Exercice n 3
La fiabilit dun portail automatique suit une loi exponentielle de paramtre =1.52 . 10-3.
Quelle est la MTBF ? Calculer la probabilit de voir le systme tomber en panne pendant la
premire anne de fonctionnement.

___________________________________________________________________
A.BENHARI

Page 130

______________________________________________________________________________

Bibliographie
[1] R. Bellman, Dynamic Programming, Princeton University Press, Princeton, N, J
1957.
[2] N.Bouleau: Processus stochastiques et applications, Hermann, Paris, 1988
[3] P.Hoel, S.Port, C.Stone: Introduction to Stochastic Processes, Houghton Mifflin,
Boston, 1972
[4] R. A. Howard, Dynamic Programming and Markov Processes, The MIT Press,
Cambridge, Massachusets, 1960
[5] L.Mazliak, P.Priouret, P.Baldi: Martingales et chanes de Markov, Hermann,
Paris, 1998
[6] J.R.Norris: Markov chains, Cambridge University Press, 1997
[7] J.Acher, J.Gardelle programmation linaire Dunod Dcision 1978
[8] Michel Bierlaire (2006) Introduction l'optimisation diffrentiable.
Presses polytechniques et universitaires romandes.
[9] Dimitri P. Bertsekas (1998) Network Optimization, continuous and discrete models.
Athena Scientific.
[10] J.-F. Hche, Th. M. Liebling, D. de Werra, Recherche oprationnelle pour ingnieurs,
volume I, 2003, PPUR, Lausanne.
[11] D. Bertsimas, J. N. Tsitsiklis, (1997) Introduction to Linear Optimization. Athena
Scientific.
[12] W. L. Winston (1994), Operations Research: Applications and Algorithms, third edition,
Duxbury Press, Belmont.

___________________________________________________________________
A.BENHARI

Page 131