T G

Université Kasdi Merbah Ouargla
Théorie des graphes

Notes de cours
2017-2018
Khadra Bouanane
1
Table des matières
1 Notions de base de la Théorie des graphes 4

1 Modélisation par graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Définitions de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3 Graphes particuliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4 Notion de sous-graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5 Graphes orientés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
6 Représentation en machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Cheminements dans les graphes 21

1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Connexité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3 Forte connexité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4 Cheminements Eulériens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5 Cheminements Hamiltoniens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Problème de recherche des plus courts chemins 33

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3 Problème du plus court chemin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5 Algorithmes de recherche des plus courts chemins . . . . . . . . . . . . . . . . . . . 36
6 Problème central d’ordonnancement . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4 Problèmes de flots dans les réseaux 47

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2 Quelques définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3 Problème de flot maximum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2
TABLE DES MATIÈRES 3
5 Arbres et arborescences 54
1 Arbres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2 Arborescence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Chapitre 1
Notions de base de la Théorie des graphes
1 Modélisation par graphe

Exemple 1.1 Processus à activer.
On a un système temps réel avec 8 processus asynchrones et 6 ressources.
Quand un processus est actif à un temps donné, il bloque un certain nombre de ressources et ces
ressources ne peuvent pas être utilisées par d’autres processus au même temps.
Le tableau suivant présente les ressources que chaque processus utilise
Processus 1 2 3 4 5 6 7 8
Ressources R1,R3,R4 R4,R5 R2,R6 R1 R3,R6 R3 R1,R5 R6
On cherche alors à déterminer le nombre maximum de processus qu’on peut activer simultané-
ment ?
Pour répondre à cette question, il faut considérer les processus qui n’ont aucune ressource com-
mune. Afin de mieux visualiser nos données, on peut penser à utiliser un schéma ou graphe où on
représente les processus par des points et on relie deux points si les processus ont au moins une
ressource commune. nous obtenons donc le schéma ou graphe suivant :
Dans ce schéma, puisque deux point sont reliés indiquent que les processus représentés par ces
4
Chapitre 1. Notions de base de la Théorie des graphes 5
points ont au moins une ressource commune, on doit donc considérer le maximum de points qui ne
sont pas reliés. On peut alors facilement déduire que le nombre maximum de processus qu’on peut
activer en même temps est égal à 4, soit les processus 2,4,6,8 ou 2,4,6,3, comme le montre la figure
suivante :
Remarques 1.1 .
1. Dans le langage de la théorie des graphes, des points qui ne sont pas reliés sont appelés stable.
Donc, en utilisant un graphe comme modèle dans cet exemple, le problème revient à chercher
un stable maximum.
2. On aurait pu obtenir la solution directement à partir des données, car on a une petite instance,
mais le modèle graphe devient indispensable si on avait 50 ou 100 processus.
De manière générale, si on cherche à résoudre un problème concret, en utilisant les outils de la
théorie des graphes, on doit passer par les étapes suivantes :
Problème concret
⇓
Modèle Graphe adéquat
⇓
Identifier le problème (qu’est ce qu’on doit chercher dans le graphe)
⇓
Choisir un algorithme conçu pour le problème en question
⇓
Trouver la solution du problème concret
Exemple 1.2 Réaliser un planning.

Un séminaire destiné aux chercheurs informaticiens est constitué de 6 workshops. Chaque workshop
dure une journée et est destiné aux chercheurs travaillant sur plusieurs domaines de recherche. Le
tableau suivant nous indique les axes de recherche pour chacun des 6 workshops :
Num workshop Axes de recherche

1 Recherche d’images-Data mining - Bioinformatique
2 Réseaux-Bioinformatique
3 Réseaux- Ontologies
4 Optimisation- Ontologies - Reconnaissance de formes
5 Recherche d’images-Optimisation
6 Optimisation- Bioinformatique
Combien de jours sont nécessaires pour la planification de ce séminaire ?
2 Définitions de base
Intuitivement
Un graphe est une représentation ou schématisation d’une situation concrète par des points et des
lignes ou des arcs reliant ces points et qui sert à mieux comprendre cette situation ; cette repré-
sentation peut être d’une carte géographique, d’un corps chimique où d’un réseau électrique ou de
télécommunication ou autre.
Mathématiquement
Un graphe, noté G = (V, E), est défini par deux ensembles disjoints notés V et E où
V = {v1 , v2 , · · · , vn } sont les sommets de G
E = {e1 , e2 , · · · , em } constitué de paires (non ordonnées) de V sont les arêtes de G.
La Théorie des graphes est le domaine mathématique et informatique qui étudie
– les propriétés théoriques des graphes,
– les algorithmes de graphes.
2.1 Quelques notions de base

Soit G = (V, E) un graphe
– Le nombre de sommets de V est appelé ordre de G
– Le nombre d’arêtes de V est appelé taille de G
– Étant donné une arête e = uv, les sommets u, v s’appellent les extrémités de l’arête e
– Si u = v, e est appelée boucle
– Deux arêtes sont dites parallèles si elles ont les mêmes extrémités, Un ensemble d’arêtes
parallèles est appelée arête multiple. Dans ce cas le graphe G est appelé multigraphe
– Un graphe est dit simple s’il ne contient ni boucles ni arêtes multiples.
– Un graphe simple est dit complet d’ordre n si ses n sommets sont reliés par des arêtes. il est
noté Kn .
Exemple 2.1 .
Soit G le graphe représenté dans la Figure 1.1.
F IGURE 1.1 – Un multigraphe.
– G est un multigraphe d’ordre 5 et de taille 8,

– Les sommets 1 et 5 sont les extrémités de l’arête e4 = 15,
– L’arête e8 est une boucle,
– Les arêtes e5 et e6 sont parallèles.
– La Figure 1.2 représente un graphe simple.
– La Figure 1.3 représente un graphe complet.
F IGURE 1.2 – Graphe simple. F IGURE 1.3 – Graphe complet K6 .
Incidence et adjacence.
– Un sommet u ∈ V est dit incident à l’arête e ∈ E, si u est une extrémité de e.
– Une arête e ∈ E est incidente à un sommet u s’il est une de ses extrémités.
– Deux sommets sont dits adjacents s’ils sont incidents à une même arête.
– Deux arêtes sont dites adjacentes si elle ont une extrémité en commun.
– L’ensemble de sommets adjacents au sommet u mais différents de u, est appelé ensemble de
voisins de u et est noté N (u).
Exemple 2.2 .
Dans le graphe représenté dans la Figure 1.1, on a :
– Les sommets 1 et 2 sont incidents à l’arête e1 .
– L’arête e3 est incidente au sommet 5.
– Les sommets 1 et 5 sont adjacents car il y a l’arête e4 qui les relie.
– Les arêtes e2 et e4 sont adjacentes car elle ont une extrémité en commun.
– L’ensemble de voisins du sommet 2, est N (2) = {1, 5}.
Stable, clique, couplage, transversal et recouvrement.

– Un sous ensemble S de sommets deux à deux non adjacents est appelé stable.
– Un sous ensemble C de sommets deux à deux adjacents est appelé clique.
– Un sous ensemble M d’arêtes deux à deux non adjacentes est appelé couplage.
– Un transversal T est un sous ensemble de sommets tel que toute arête du graphe G est
incidente à au moins un sommet de T .
– Un recouvrement R est un sous ensemble d’arêtes tel que tout sommet de G est incident à
au moins une arête de R.
Exemple 2.3 .
Soit le graphe suivant :
– L’ensemble S1 = {1, 4} est un stable et S2 = {2, 5, 6} est un stable maximum,

– l’ensemble C = {2, 3, 4} est une clique maximum,
– l’ensemble M = {24, 35, 16} est un couplage maximum,
– l’ensemble T = {1, 3, 4} est un transversal minimum.
– l’ensemble R = {23, 45, 16} est un recouvrement minimum.
Nombre chromatique. On appelle k-coloration d’un graphe G = (V, E), une application
µ : V −→ {1, 2, ..., k} (k couleurs )
telle que pour toute paire de sommets adjacents u et v ont des couleurs différentes ( µ(u) 6= µ(v)).
On dit que G est k-colorable s’il admet une k-coloration.
Le nombre chromatique du graphe G, noté χ(G), est alors le plus petit entier k tel que G est
k-colorable.
Exemple 2.4 .
Le graphe de la figure 1.4, est 3-colorable donc k-colorable, pour 3 ≤ k ≤ 5. De plus c’est le nombre
chromatique car le graphe contient un triangle (clique de cardinalité 3).
F IGURE 1.4 – Ce graphe a un nombre chromatique égal à 3.
Indice chromatique On appelle k-arête coloration d’un graphe G = (V, E), une application
π : E −→ {1, 2, ..., k}
telle que pour toute paire d’arêtes adjacentes e et f , on a π(e) 6= π(f ).

On dit que G est k-arête colorable, s’il admet une k-arête coloration.
L’indice chromatique du graphe G, noté χ0 (G), est alors le plus petit entier k tel que G est
k-arête colorable.
Exemple 2.5 .
L’indice chromatique χ0 (G) du graphe de la Figure 1.5 est égal à 4.
F IGURE 1.5 – Il nous faut 4 couleurs pour colorier les arêtes de ce graphe.
2.2 Représentation matricielle d’un graphe

Matrice d’adjacence
Définition 2.1. Soit G = (V, E) un graphe tel que |V | = n et |E| = m.
La matrice d’adjacence A du graphe G représente la relation d’adjacence entre les sommets.
Elle est de dimension n × n et aij représente le nombre d’arêtes reliant le sommet vi au sommet vj .
Elle est une matrice carrée symétrique.
Exemple 2.6 .
Soit G le graphe suivant :
F IGURE 1.6
Sa matrice d’adjacence est représentée comme suit
1 2 3 4 5
1 0 1 1 0 1
2 1 1 0 0 1
3 1 0 0 2 0
4 0 0 2 0 1
5 1 1 0 1 0
Matrice d’incidence
Définition 2.2. G = (V, E) un graphe tel que |V | = n et |E| = m.
La matrice d’incidence B représente la relation d’incidence sommets-arêtes. Elle est de di-
mension n × m où chaque élément bij représente le nombre de fois qu’une arête ej est incidente au
sommet vi . On peut remarquer que la somme des éléments de chaque colonne de B est égal à 2.
Exemple 2.7 .
La matrice d’incidence du graphe de la Figure 1.6 est définie comme suit :
e1 e2 e3 e4 e5 e6 e7 e8
1 1 1 0 1 0 0 0 0
2 1 0 1 0 0 0 0 2
3 0 1 0 0 1 1 0 0
4 0 0 0 0 1 1 1 0
5 0 0 1 1 0 0 1 0
2.3 Degré d’un sommet

Définition 2.3. Soit G = (V, E) un graphe.
Le degré d’un sommet u dans le graphe G, noté dG (u), est le nombre d’arêtes incidentes à u.
Une boucle est comptée deux fois.
On définit alors δ(G) = minu∈V dG (u) et ∆(G) = maxu∈V dG (u).
Remarques 2.1 .
– Dans tout graphe G, on a |N (u)| ≤ dG (u), ∀u ∈ V et si G est simple alors |N (u)| =

dG (u), ∀u ∈ V .
– Si dG (u) = 0, alors u est appelé sommet isolé.
– Si dG (u) = 1, u est appelé sommet pendant.
– Une arête incidente à un sommet pendant est appelée arête pendante.
– Si G est simple alors le degré maximum ∆(G) ≤ n − 1
Proposition 2.1 .
Soit G = (V, E) un graphe d’ordre n et de taille m, tel que V = {v1 , v2 , . . . , vn }. On a
n
X
dG (vi ) = 2|E| = 2m.
i=1
Preuve.
On considère la matrice d’incidence B = [bij ] du graphe G = (V, E). Chaque ligne correspond à un
sommet vi et chaque colonne correspond à une arête ej .
On remarque que si on fait la somme de chaque ligne i, on obtient le degré du sommet vi . C’est
à dire : m
X
bij = d(vi ), 1 ≤ i ≤ n. (1.1)
j=1
D’autre part, On sait que la somme de chaque colonne est égale à 2. c’est à dire :
n
X
bij = 2, 1 ≤ j ≤ m. (1.2)
i=1
Des égalités 1.1 et 1.2, on a

n X
X m n
X m X
X n m
X
bij = d(vi ) = bij = 2.
i=1 j=1 i=1 j=1 i=1 j=1
D’où on a n
X
d(vi ) = 2m = |E|.
i=1
Corollaire 2.1 .
Dans un graphe, le nombre de sommets de degré impair est pair.
3 Graphes particuliers
3.1 Graphe complémentaire d’un graphe G

Définition 3.1. Soit G un graphe simple, le graphe complémentaire de G noté Ḡ = (V, Ē) est défini
sur le même ensemble de sommets V mais contient uniquement les arêtes qui ne sont pas dans G.
Autrement dit
∀u, v ∈ V, e = uv ∈ Ē ⇐⇒ e ∈/ E.
Et on a la propriété suivante :
Proposition 3.1 .
Pour un graphe simple G et son complémentaire Ḡ, on a
∀u ∈ V, dG (u) + dḠ (u) = n − 1.
Exemple 3.1 .
Le complémentaire du graphe de la Figure 1.7 est représenté dans la Figure 1.8.
F IGURE 1.7 – G F IGURE 1.8 – Ḡ.
3.2 Graphe régulier

Définition 3.2. Un graphe simple G = (V, E) est dit k-régulier si tous ses sommets ont le même
degré. Autrement dit
∀u, v ∈ V, dG (u) = dG (v) = k
.
Exemple 3.2 .
Le graphe de la Figure 1.9 est 3-régulier :
F IGURE 1.9 – Un graphe 3-régulier.
3.3 Graphe biparti

Définition 3.3. Un graphe G = (V, E) est dit biparti, si l’ensemble de sommets V admet une par-
tition en deux sous-ensembles V1 et V2 , tels que chaque arête de E a une extrémité dans V1 et une
extrémité dans V2 .
Exemple 3.3 .
Le graphe de la Figure 1.10 est un graphe biparti, car on peut trouver une partition des sommets en
V1 = {1, 2, 4} et V2 = {3, 5, 6} telle que toutes les arêtes du graphe relient des sommets de V1 aux
sommets de V2 , comme le montre la Figure 1.11.
F IGURE 1.10 – Graphe biparti G. F IGURE 1.11 – Bipartition de G .
4 Notion de sous-graphe
Soit G(V, E) un graphe et soient les sous ensembles W ⊂ V et F ⊂ E.
– On dit que H = (W, F ) est un sous-graphe de G si ∀e = uv ∈ F , les extrémités u, v sont
dans W .
– Lorsque F est formé de toutes les arêtes de E dont les extrémités sont dans W , alors le sous-
graphe H est appelé sous-graphe de G induit par W et est noté GW . Il est défini de manière
unique.
– Lorsque W contient uniquement les extrémités des arêtes de F , alors H est appelé sous-
graphe induit par F , noté G[F ]. Il est défini de manière unique.
– Lorsque W = V alors le sous-graphe H est appelé graphe partiel.
Exemple 4.1 .
F IGURE 1.12
– Le graphe de Figure 1.13 représente un sous-graphe de G.

– La Figure 1.14 représente un sous-graphe induit par W = {1, 3, 4, 5}.
– La Figure 1.15 illustre un sous-graphe induit par F = {e1 , e3 , e4 }.
– La Figure 1.16 représente un graphe partiel de G.
F IGURE 1.14 – Sous-graphe induit par W =

F IGURE 1.13 – Un sous-graphe de G. {1, 3, 4, 5}.
F IGURE 1.15 – Sous-graphe induit par F =

{e1 , e3 , e4 }. F IGURE 1.16 – Graphe partiel de G.
5 Graphes orientés
Définition 5.1. Un graphe orienté G = (V, A) est formé de deux ensembles disjoints ; l’ensemble
de sommets V = {v1 , v2 , . . . , vn } et l’ensemble A = {a1 , a2 , . . . , am }, qu’on appelle ensemble des
arcs de G tel que tout arc ai est une paire ordonnée d’éléments de V . A est défini par une relation
binaire de V dans V , qui n’est pas symétrique.
Exemple 5.1 .
Le graphe de la Figure 1.17 est un graphe orienté avec V = {1, 2, 3, 4, 5} et A = {a1 , a2 , a3 , a4 , a5 , a6 , a7 , a8 }.
F IGURE 1.17 – Un graphe orienté

Remarques et notations.
– Les relations d’incidence entre sommets et arcs et les relations d’adjacence entre sommets
ou entre arcs sont définies exactement de la même façon que celles pour les graphes non
orientés.
– Étant donné un arc a = uv, le sommet u est appelé extrémité initiale et est noté I(a), le
sommet v est appelé extrémité terminale et est noté T (a).
– Pour un sommet u ∈ V , on appelle successeur de u, tous les sommets v tels que uv est un
arc.
– Pour un sommet u ∈ V , on appelle prédécesseur de u, tous les sommets v tels que vu est un
arc.
– L’ensemble des successeurs (resp. l’ensemble des prédécesseurs) du sommet u est noté N + (u)
(resp. N − (u)) et l’ensemble de voisins de u, N (u) est tel que N (u) = N + (u) ∪ N − (u).
– Un graphe orienté est dit simple s’il est sans boucle, et que entre deux sommets, il existe au
plus un arc. Comme celui présenté dans la Figure 1.18.
– On dit que le graphe orienté G est complet si toute paire de sommets est relié par un seul arc.
C’est à dire ∀u, v ∈ V, uv ∈/ A ⇒ vu ∈ A ( voir Figure 1.19).
F IGURE 1.18 – Un graphe orienté simple F IGURE 1.19 – Un graphe orienté complet
5.1 Représentation matricielle d’un graphe orienté.

Matrice d’adjacence.
Définition 5.2. Soit G = (V, A) un graphe orienté d’ordre n et de taille m avec V = {v1 , v2 , . . . , vn }.
C’est une matrice carrée de dimension n × n définie comme suit :
A(G) = [aij ] où aij est le nombre d’arcs a tel que I(a) = vi et T (a) = vj .
Exemple 5.2 .
La matrice d’adjacence du graphe de la Figure 1.17 est définie comme suit :
1 2 3 4 5
1 0 1 1 0 0
2 0 1 0 0 1
3 0 0 0 1 0
4 0 0 1 0 0
5 1 0 0 1 0
Matrice d’incidence.
Définition 5.3. Soit G = (V, A) un graphe orienté sans boucles d’ordre n et de taille m avec V =
{v1 , v2 , . . . , vn } et A = {a1 , a2 , . . . , am }.
La matrice d’incidence de G, notée B = [bij ] est alors définie comme suit :



 1 si le sommet vi est l’extrémité initiale de l’arc aj (I(aj ) = vi )

bij = −1 si le sommet vi est l’extrémité terminale de l’arc aj (T (aj ) = vi )



0 sinon
Exemple 5.3 .
La matrice d’incidence du graphe G ci-dessous est définie comme suit :
a1 a2 a3 a4 a5 a6 a7
1 1 1 0 -1 0 0 0
2 -1 0 1 0 0 0 0
3 0 -1 0 0 1 -1 0
4 0 0 0 0 -1 1 -1
5 0 0 -1 1 0 0 1
F IGURE 1.20 – Le graphe G TABLE 1.1 – Matrice d’incidence du graphe G
5.2 Demi-degré
Soit G = (V, A) un graphe orienté et u ∈ V .
– Le demi-degré extérieur du sommet u, noté d+ G (u) est le nombre d’arcs ayant u comme
extrémité initiale.
– Le demi-degré intérieur de u, noté d− G (u), est le nombre d’arcs qui ont u comme extrémité
terminale.
−
– On a dG (u) = d+ G (u) + dG (u).
– Une source s du graphe G est un sommet de G tel que d− G (s) = 0.
– Un puits p de G est un sommet tel que d+

G (p) = 0.
−
– Le graphe G est dit pseudosymétrique si ∀u ∈ V, d+G (u) = dG (u).
Exemple 5.4 .
F IGURE 1.21
−
– d+ G (2) = 1 et dG (2) = 3
– d− +
G (3) = 3 et c’est un puits car dG (3) = 0.
– Le sommet 5 est une source car d− G (5) = 0.
et on a la proposition suivante
Proposition 5.1 .
Dans tout graphe orienté G = (V, A) d’ordre n et de taille m, on a
X X
d+
G (u) = d−
G (u) = |A| = m.
u∈V u∈V
6 Représentation en machine
Un graphe peut être introduit sur machine de plusieurs manières différentes, on distingue la
représentation statique et la représentation dynamique :
6.1 Représentation statique

Matrices d’adjacence et d’incidence. Un graphe non orienté G1 = (V, E) ou orienté G2 = (V, A)
peut être représenté sous forme de table d’adjacence ou de table d’incidence.
Table des successeurs. Un graphe orienté G = (V, A) peut être représenté comme suit :
Pour chaque sommet vi , on énumère la liste de ses successeurs, ces listes sont rangées les unes
après les autres, dans l’ordre naturel des sommets qui lui sont associés, dans un tableau (vecteur)LS,
et un autre tableau d’ordre n qu’on note P S qui contient des pointeurs ou les indices pour repérer le
1er successeur de chaque sommet vi dans le tableau LS. L’absence de successeurs est codée par 0.
Exemple 6.1 .
La table des successeurs du graphe de la Figure 1.20, est construite comme suit :
1 2 3 4 5
1 3 4 5 6
2 3 5 4 3 1 4
6.2 Représentation dynamique

Liste d’adjacence On peut représenter un graphe non orienté G = (V, E) comme suit : On crée un
tableau de dimension n, où chaque élément i du tableau pointe vers une liste simplement chaînée des
voisins du sommet vi .
Exemple 6.2 .
F IGURE 1.22
Sa liste d’adjacence est construite comme suit :

1 2 5 3 /
2 2 4 1 /
3 1 4 5 /
4 2 5 3 /
5 1 3 4 /
Liste de successeurs De manière analogue, un graphe orienté G = (V, A) peut être représenté sur
machine par la liste des successeurs, définie par un tableau de dimension n, où chaque élément i
pointe vers la liste des successeurs du sommet vi .
Exemple 6.3 .
F IGURE 1.23
La liste de successeurs de G est alors construite comme suit :
1 2 3 /
2 5 /
3 4 /
4 3 /
5 1 4 /
Chapitre 2
Cheminements dans les graphes
1 Définitions
1.1 Chaînes/Chemins
Chaîne.
On appelle chaîne, dans un graphe non orienté (resp. orienté) G = (V, E) resp.(G = (V, A)), une
séquence alternée de sommets et d’arêtes (resp. d’arcs)
σ = v1 e1 v2 e2 v3 . . . vk ek vk+1 (resp.σ = v1 a1 v2 a2 v3 . . . vk ak vk+1 )
tel que ∀1 ≤ i ≤ k, les sommets vi et vi+1 sont les extrémités de l’arête ei (resp. de l’arc ai ). On dit
que σ est une chaîne reliant les sommets v1 et vk+1 , de longueur k.
F IGURE 2.1 – σ = 3e2 1e1 2e8 2e3 5 est une chaîne F IGURE 2.2 – σ = 1a2 3a6 4a7 5a3 2 est une chaîne
de longueur 4 reliant les sommets 3 et 5. de longueur 4 reliant les sommets 1 et 2.
Chemin.
On appelle chemin, dans un graphe orienté G = (V, A), une séquence alternée de sommets et d’arcs
η = v1 a1 v2 a2 v3 . . . vk ak vk+1
tel que ∀1 ≤ i ≤ k, le sommet vi est l’extrémité initiale de l’arc ai et le sommet vi+1 est l’extrémité
21
Chapitre 2. Cheminements dans les graphes 22
terminale de l’arc ai . On dit que η est un chemin de v1 à vk+1 , de longueur k.
F IGURE 2.3 – η = 1a1 2a3 5 est un chemin de longueur 2 du sommet 1 vers le sommet 5.
Chaîne / chemin simple.

On dit qu’un chemin ou une chaîne est simple si tous les arcs ou les arêtes les composant sont distincts.
Chaîne / chemin élémentaire.

On dit qu’un chemin ou une chaîne est élémentaire si tous les sommets les composant sont distincts.
Exemple 1.1 .
– Le chemin 1a1 2a8 2a3 5 est un chemin simple mais non élémentaire car il utilise le sommet 2,
deux fois.
– La chaîne 5a7 4a6 3a6 4a9 1 n’est ni simple ni élémentaire.
– La chaîne 3a2 1a4 5a7 4 est une chaîne élémentaire et simple.
Remarques 1.1 .
1. Un chemin (resp. chaîne) élémentaire est nécessairement simple mais la réciproque n’est pas
toujours vraie.
2. Si le graphe G est simple, on peut alors définir un chemin ou une chaîne comme une séquence
de sommets uniquement.
1.2 Cycles / Circuits

Cycle.
On appelle cycle dans un graphe non orienté G = (V, E) ( ou d’un graphe orienté G = (V, A)), une
chaîne simple σ = v1 e1 v2 . . . vk ek vk+1 (ou σ = v1 a1 v2 . . . vk ak vk+1 ) avec v1 = vk+1 .
F IGURE 2.4 – σ = 1e1 2e8 2e3 5e4 1 est un cycle F IGURE 2.5 – σ = 1a2 3a6 4a7 5a4 1 est un cycle
dans G1 . dans G2 .
Circuit.
On appelle circuit dans un graphe orienté G = (V, A), un chemin simple η = v1 a1 v2 . . . vk ak vk+1 tel
que v1 = vk+1 .
F IGURE 2.6 – la séquence η = 5a7 4a9 1a1 2a3 5 constitue un circuit dans ce graphe.
Remarques 1.2 .
– Un cycle ou circuit est élémentaire, si les sommets qui le composent sont tous distincts (dif-
férents).
– Dans un graphe simple, un cycle ou un circuit peut être défini par énumération de la séquence
des sommets.
2 Connexité
2.1 Graphe connexe.

Définition 2.1. Un graphe G = (V, E) est dit connexe si chaque paire de ses sommets est reliée par
une chaîne.
2.2 Composantes connexes d’un graphe.

Définition 2.2. Pour un graphe G = (V, E), on définit la relation binaire R sur V × V par :



 u=v

uRv ⇐⇒ ou



il existe une chaîne entre u et v
R est une relation d’équivalence, car elle est réflexive, symétrique et transitive. Elle partitionne donc
l’ensemble de sommets V en plusieurs classes d’équivalence.
Les sous-graphes de G induits par les classes d’équivalence de cette relation sont appelés com-
posantes connexes de G.
Remarques 2.1 .
– Un graphe est connexe s’il possède une seule classe d’équivalence, sinon, il n’est pas connexe
et possède p composantes connexes.
– Un sommet isolé est une composante connexe du graphe.
F IGURE 2.8 – Exemple d’un graphe qui possède 3

F IGURE 2.7 – Exemple d’un graphe connexe composantes connexes.
Proposition 2.1 .
Un graphe G d’ordre n qui est connexe, possède au moins n − 1 arêtes ou arcs.
Proposition 2.2 .
Si on ajoute une arête à un graphe G, on a pour conséquence :
– soit de diminuer le nombre de composantes connexes de G,
– soit de créer un nouveau cycle dans G.
2.3 Ensemble d’articulation, connectivité d’un graphe et k-connexité

Définition 2.3. Soit G = (V, E) un graphe connexe avec |V | ≥ 2.
– On appelle ensemble d’articulation tout ensemble de sommets dont la suppression décon-
necte G.
– La connectivité de G, notée κ(G), est alors le nombre minimum de sommets dont la sup-
pression déconnecte le graphe G ou le réduit à un sommet isolé.
– Si κ(G) = k, alors le graphe G est dit k-connexe.
Exemple 2.1 .
– L’ensemble S = {2, 3, 4} est un ensemble d’articulation dans G, car la suppression de ces

sommets déconnecte G.
– Sa connectivité κ(G) est égale à 3, donc G est 3-connexe.
Remarque 2.1 .
La notion de connectivité est très importante dans les réseaux, car elle permet d’assurer sa résilience
en cas de panne de ses composants. Plus la connectivité est grande, plus le réseau est résilient.
Exemple 2.2 .
On veut déterminer le nombre minimum de composants qui sont les plus critiques dans le réseau de
communication modélisé par le graphe de la Figure 2.9. Lesquels ?
F IGURE 2.9 – Un graphe qui modélise un réseau de communication.
2.4 Coupe, arête connectivité et graphe k-arête connexe.

Définition 2.4. Soit G = (V, E) avec |V | ≥ 2.
– On appelle coupe tout ensemble d’arêtes dont la suppression déconnecte G.
– L’ arête-connectivité de G, notée λ(G), est alors le nombre minimum d’arêtes dont la sup-
pression déconnecte le graphe G.
– Si λ(G) = k, alors le graphe G est appelé k-arête connexe.
Exemple 2.3 .
Dans le graphe :
– L’ensemble des arêtes F = {12, 13, 14} est une coupe dans G, car la suppression de ces
arêtes déconnecte G.
– Son arête-connectivité λ(G) est égale à 3, donc G est 3 arête-connexe.
On a aussi le résultat suivant :
Proposition 2.3 .
Dans tout graphe G de degré minimum δ(G), dont la connectivité est κ(G) et l’arête connectivité
λ(G), on a
κ(G) ≤ λ(G) ≤ δ(G).
F IGURE 2.10 – Ce graphe est tel que δ(G) = F IGURE 2.11 – Dans ce graphe, κ(G) =
κ(G) = λ(G) = 3. 1, λ(G) = 2 et δ(G) = 3.
3 Forte connexité
Définition 3.1. Un graphe orienté G = (V, A) est dit fortement connexe, si pour chaque paire de
sommets u et v, il existe un chemin de u à v et un chemin de v à u.
Le graphe représenté dans la Figure 2.12 est fortement connexe.
F IGURE 2.12
3.1 Composantes fortement connexes

Définition 3.2. Pour un graphe G = (V, A) un graphe orienté. On définit la relation binaire R sur
V × V par :



 u=v

uRv ⇐⇒ ou



il existe une chemin de u à v et un chemin de v à u.
R est une relation d’équivalence, car elle est réflexive, symétrique et transitive. Elle partitionne donc
l’ensemble de sommets V en plusieurs classes d’équivalence.
Les sous-graphes de G induits par les classes d’équivalence de cette relation sont appelés com-
posantes fortement connexes du graphe G.
Remarque 3.1 .
Pour un sommet u du graphe orienté G = (V, A), on définit
– L’ensemble des descendants du sommet u : D(u) = {v ∈ V, tel qu’il existe un chemin de u à v}.
– L’ensemble des ascendants du sommet u : A(u) = {v ∈ V, tel qu’il existe un chemin de v à u}.
– On peut alors écrire la relation R comme suit :



 u=v

uRv ⇐⇒ ou


v ∈ D(u) ∩ A(u)

Donc la composante fortement connexe qui contient u, peut être déterminée par l’intersection de
ses descendants et de ses ascendants. Ceci constitue le principe de l’algorithme de recherche des
composantes fortement connexes dans un graphe orienté.
3.2 Algorithme de recherche des composantes fortement connexes
Algorithme Recherche-Composantes Fortement Connexes

Entrée: G = (V, A) graphe orienté.
Sortie: Composantes fortement connexes de G.
T ←V
Tant que T 6= ∅ Faire
M+ ← ∅ ; M− ← ∅
Choisir u ∈ T
M + ← M + ∪ {u} ; x ← u
Pour tout arc xy tel que x ∈ M + et y ∈
/ M + Faire
M + ← M + ∪ {y} {L’ensemble M + contient le sommet u et ses descendants D(u)}
Fin Pour
M − ← M − ∪ {u} ; x ← u
Pour tout arc yx tel que x ∈ M − et y ∈
/ M − Faire
M − ← M − ∪ {y} {L’ensemble M − contient le sommet u et ses ascendants A(u)}
Fin Pour
C(u) ← M + ∩ M −
T ← T \ C(u)
Fin Tant que
Exemple 3.1 .
Trouver les composantes fortement connexes du graphe de la Figure 2.13.
F IGURE 2.13
Les composantes fortement connexes :

– u = 1 : M + = {1, 2, 3, 7, 5, 6, 4}, M − = {1, 2, 5}, C(1) = {1, 2, 5} ;
– u = 3 : M + = {3, 7, 6, 4}, M − = {3, 1, 2, 5, 4, 7}, C(3) = {3, 4, 7} ;
– u = 6 : M + = {6}, M − = {6}, C(6) = {6}.
3.3 Graphe réduit

Définition 3.3. On considère le graphe orienté G = (V, A) et soient C1 , C2 , . . . , Cp ses Composantes
fortement connexes.
On définit le multigraphe GR = (X, U ) où X = {C1 , C2 , . . . , Cp } et U contient tous les arcs
de G qui relient chaque paire de composantes Ci et Cj .
Le graphe GR est alors appelé graphe réduit du graphe G et il est sans circuit.
F IGURE 2.14 – Le graphe G. F IGURE 2.15 – Le graphe réduit de G.

Exemple 3.2 .
Le graphe réduit du graphe de la Figure 2.14 est représenté par la Figure 2.15. Avec
– C1 = C(1) = {1, 2, 5},
– C2 = C(3) = {3, 4, 7},
– C3 = {6}.
4 Cheminements Eulériens
Définition 4.1. Soit G = (V, E) (resp. G = (V, A)) un graphe connexe.
– Un cheminement (cycle, chaîne, circuit, chemin) d’un graphe est dit Eulérien, s’il utilise
toutes les arêtes ou les arcs du graphe une et une seule fois.
– Un graphe est dit Eulérien s’il contient un cycle eulérien.
– Un graphe G est dit semi-Eulérien s’il contient une chaîne eulérienne.
Proposition 4.1 .
Un graphe G = (V, E) connexe est Eulérien si et seulement si tous les sommets ont un degré pair.
Autrement dit, ∀u ∈ V, dG (u) ≡ 0[2].
Proposition 4.2 .
Un graphe G = (V, E) connexe est semi-Eulérien si et seulement s’il existe exactement deux sommets
de degré impair. Autrement dit, ∃a, b ∈ V tels que dG (a) ≡ dG (b) ≡ 1[2], et ∀u 6= a, b ∈ V, dG (u) ≡
0[2].
F IGURE 2.16 – Un graphe semi-Eulérien. F IGURE 2.17 – Un graphe Eulérien.
Proposition 4.3 .
Soit G = (V, A) un graphe connexe orienté.
– G contient un chemin Eulérien de a vers b si et seulement si d+ (a) = d− (a) + 1, d+ (b) =
d− (b) − 1,et ∀u 6= a, b, d− (u) = d+ (u).
– G contient un circuit Eulérien si et seulement si G est pseudosymétrique (i.e. ∀u ∈ V, d− (u) =
d+ (u)).
F IGURE 2.18 – Un graphe qui contient un chemin F IGURE 2.19 – Un graphe qui contient un circuit
Eulérien du sommet 5 au sommet 4. Eulérien.
5 Cheminements Hamiltoniens
Définition 5.1. Soit G = (V, E) un graphe connexe.
– Un cheminement (chaîne, chemin, cycle, circuit) est dit Hamiltonien s’il utilise tous les
sommets de V une et une seule fois.
– Le graphe G est dir Hamiltonien s’il admet un cycle Hamiltonien.
F IGURE 2.20 – Un graphe qui contient un circuit F IGURE 2.21 – Un graphe qui contient une chaîne
Hamiltonien Hamiltonienne.
Le théorème suivant donne une condition nécessaire que tout graphe Hamiltonien vérifie. Il est
utilisé pour montrer qu’un graphe n’est pas Hamiltonien :
Théorème 5.1 .
Si G = (V, E) est un graphe simple Hamiltonien, alors pour tout ensemble non vide de sommets
S ⊂ V , le nombre de composantes connexes du sous graphe induit par V \ S est inférieur au nombre
de sommets de S.
Autrement dit,
∀S ⊂ V, p(GV \S ) ≤ |S|.
Exemple 5.1 .
Le graphe de la Figure 2.22 n’est pas Hamiltonien car il existe un ensemble de sommets S = {1, 4},
pour lequel le sous graphe induit par V \S contient 3 composantes connexes, autrement dit p(GV \S ) =
3 > |S| = 2 comme le montre le graphe de la Figure 2.23.
F IGURE 2.23 – Les composantes connexes du

F IGURE 2.22 – G graphe GV \S avec S = {1, 4}.
Chapitre 3
Problème de recherche des plus courts chemins
1 Introduction
On rencontre souvent le problème de recherche des plus courts chemins, soit directement, soit
comme sous problème dans de nombreuses applications, on peut citer, entre autres :
– les problèmes d’optimisation dans les réseaux (réseaux routiers et réseaux de télécommuni-
cations, réseaux informatiques,etc.),
– les problèmes d’investissement et de gestion de stock,
– quelques problèmes d’intelligence artificielle et reconnaissance de formes,
– les problèmes d’ordonnancement.
2 Définitions
2.1 Réseau
Soit G = (X, A) un graphe orienté connexe. On associe à chaque arc a ∈ U , un nombre
l(a) ∈ R appelé longueur de l’arc a et on appelle ainsi R = (X, A, l), un réseau.
Remarque 2.1 .
En pratique, la longueur d’un arc peut désigner un temps, un coût, un poids, une distance, une proba-
bilité, etc. C’est pourquoi il peut être aussi bien négatif que positif.
2.1.1 Racine
Un sommet r est appelé racine si ∀x ∈ X, il existe un chemin de r à x (r est un ascendant de

tous les autres sommets).
33
Chapitre 3. Problème de recherche des plus courts chemins 34
F IGURE 3.1 – Un réseau qui a les sommets 3 et 4 comme racines.
2.1.2 Longueur d’un chemin
Soit C un chemin dans le réseau R.

La longueur du chemin C, notée l(C), est la somme des longueurs des arcs qui le constituent.
P
Autrement dit, l(C) = a∈C l(u).
Dans le graphe de la Figure 3.1, la longueur du chemin C = 3412 est égale à 1-1-3=-3.
2.1.3 Circuit absorbant
Un circuit C de R tel que l(C) < 0 est dit circuit absorbant. Par exemple, dans la réseau
représenté par la Figure 3.2, le circuit C = 1431 est absorbant car l(C) = −1 < 0.
F IGURE 3.2 – Le circuit C = 1431 est un circuit absorbant.
2.1.4 Potentiel d’un sommet
Étant donné un réseau R = (X, A, l) avec r racine de R, on définit π(x) le potentiel du sommet
x comme la longueur minimum des chemins de r à x.
En particulier on a π(r) = 0.
Exemple 2.1 .
Soit R le réseau représenté dans la Figure 3.3.
F IGURE 3.4 – Les plus courts chemins du sommet 3

F IGURE 3.3 – R. aux autres sommets et leurs longueurs.
Si on s’intéresse à calculer les longueurs des plus courts chemins du sommet 3 vers les autres
sommets, on a alors :
– π(3) = 0,
– π(1) = 0, π(2) = −3,
– π(4) = 1, π(5) = 1,
– π(6) = −2
Comme le montre la Figure 3.4.
3 Problème du plus court chemin

Soit R = (X, A, l) un réseau, soient s et p deux sommets de R.
Le problème de recherche d’un plus court chemin d’un sommet s au sommet p consiste à trouver
parmi tous les chemins de s à p, un chemin C dont la longueur totale soit minimum.
Remarque 3.1 .
On considère un réseau R = (X, A, l), et s, p deux sommets de R.
– Soit C un circuit absorbant de longueur l0 et soit x un sommet de C.
– On note Csx un chemin de s à x de longueur l1 et Cxp un chemin de x à p de longueur l2 .
– On a : C0 = Csx ∪ Cxp est un chemin de s à p de longueur l(C0 ) = l1 + l2 .
– On a aussi C1 = Csx ∪ C ∪ Cxp un autre chemin de s à p de longueur l(C1 ) = l1 + l0 + l2 . Et
on peut facilement remarquer que l(C1 ) < l(C0 ) car l(C) < 0.
– Or, il existe aussi un chemin C2 = Csx ∪ C ∪ C ∪ Cxp de s à p de longueur l(C2 ) = l1 + 2l0 + l2
Et l(C2 ) < l(C1 ).
– Ainsi, si on parcourt C un nombre infini de fois, on obtient un chemin de s à p de longueur
égale à −∞ mais le sommet p ne sera jamais atteint.
– Donc une condition pour l’existence d’un chemin de s à p est qu’il n’y ait pas de circuit
absorbant.
4 Position du problème
Étant donné un réseau R = (X, A, l), on distingue trois types de problèmes de recherche des
plus courts chemins :
Problème A : Étant donnés s et p deux sommets, on veut trouver un plus court chemin de s à p.
Théorème 4.1 .
Une condition nécessaire et suffisante pour que le problème A possède une solution est que :
(a) L’ensemble Y des sommets qui sont à la fois des descendants de s et ascendants de p soit
non vide, Y = D(s) ∩ A(p) 6= ∅,
(b) Le sous-réseau construit sur Y ne contient pas de circuit absorbant.
Problème B : Le sommet s étant donné, on veut trouver le plus court chemin de s à x, pour tout sommet x de
R
Théorème 4.2 .
Une condition nécessaire et suffisante pour que le problème B possède une solution est que :
(a) Le sommet s est une racine,
(b) R ne contient pas de circuit absorbant.
Problème C : Trouver un plus court chemin de x à y, pour toute paire de sommets x, y dans R
Théorème 4.3 .
Une condition nécessaire et suffisante pour que le problème C possède une solution est que :
(a) R soit fortement connexe,
(b) R ne contient pas de circuit absorbant.
Remarque 4.1 .
Contrairement à ce qui paraît évident, le problème B est plus facile à résoudre que le problème A,
donc pour résoudre le problème A, on passe par la résolution du problème B.
Aussi, le problème C peut être résolu en passant par la résolution de n problèmes B.
Nous allons donc nous intéresser uniquement aux algorithmes de résolution du problème B.
5 Algorithmes de recherche des plus courts chemins

Il existe plusieurs algorithmes de recherche des plus courts chemins avec différentes variantes.
Nous en présentons ici quelques-uns.
5.1 Algorithme de Bellman

L’algorithme de Bellman (parfois appelé l’algorithme ordinal) s’applique si le réseau R =
(X, A, l) ne contient pas de circuits. On cherche alors à déterminer les plus courts chemins d’un
sommet s à tous les autres sommets de R.
5.1.1 Principe de l’algorithme
L’algorithme de Bellman consiste à calculer pour chaque sommet x ∈ X, son potentiel π(x)
qui représente la longueur d’un chemin optimal reliant s à x en se basant sur les prédécesseurs de
x, N − (x). Pour pouvoir calculer π(x), nous devons tout d’abord calculer au préalable π(y) avec y
prédécesseur de x. Ensuite parmi tous les chemins qui mènent à x, on choisit celui qui est de longueur
minimale.
F IGURE 3.5 – Principe de l’algorithme de Bellman
L’algorithme est alors présenté comme suit
Algorithme Bellman pour les réseaux sans circuits.

Entrée: R = (X, A, l) un réseau sans circuits, s sommet initial .
Sortie: Les plus courts chemins de s aux sommets de R et leurs longueurs.
S ← {s} ; π(s) ← 0 ; π(x) ← +∞, ∀x ∈ X, x 6= s ; Arc ← ∅
Pour tout sommet x tel que N − (x) ⊂ S Faire
π(x) ← miny∈N − (x) [π(y) + l(yx)] = π(t) + l(tx)
S ← S ∪ {x}, Arc ← Arc ∪ {tx}
Fin Pour
Si S = X Alors
L’ensemble Arc représente les arcs des plus courts chemins de s à x, ∀x ∈ X
Sinon
le sommet s n’est pas une racine, il n y a pas de solution
Fin Si
Exemple 5.1 .
Trouver les plus courts chemins issus du sommet 1 dans le réseau R = (X, U, l) suivant :
– Initialisation : s ← 1; π(1) → 0; π(x) → +∞, ∀x 6= 1; S ← {1}; Arc ← ∅

– x = 4 : π(4) ← π(1) + l(14) = 1;
Arc ← Arc ∪ {14}; S ← S ∪ {4} ;
– x = 3 : π(3) ← min[π(1) + l(13); π(4) + l(43)] = −2;
Arc ← Arc ∪ {43}; S ← S ∪ {3} ;
– x = 2 : π(2) ← min[π(1) + l(12); π(3) + l(32)] = −2;
Arc ← Arc ∪ {12}; S ← S ∪ {2} ;
– x = 7 : π(7) ← min[π(3) + l(37); π(4) + l(47)] = −4;
Arc ← Arc ∪ {37}; S ← S ∪ {7} ;
– x = 6 : π(6) ← min[π(3) + l(36); π(7) + l(76)] = −6;
Arc ← Arc ∪ {76}; S ← S ∪ {6} ;
– x = 5 : π(5) ← min[π(2) + l(25); π(6) + l(65)] = −5;
Arc ← Arc ∪ {65}; S ← S ∪ {5} ;
– x = 8 : π(8) ← min[π(5) + l(58); π(6) + l(68); π(7) + l(78)] = −4;
Arc ← Arc ∪ {78}; S ← S ∪ {8} ;
– S = X Fin de l’algorithme
L’ensemble des arcs Arc = {14, 43, 12, 37, 76, 65, 78} représente les plus courts chemins de 1 à tous
les autres sommets comme le montre la Figure 3.6
F IGURE 3.6
5.2 Algorithme de Dijkstra

L’algorithme de Dijkstra s’applique dans les réseaux R = (X, A, l) avec ou sans circuits mais
les longueurs des arcs doivent être positives.
L’algorithme de Dijkstra calcule les plus courts chemins issus du sommet s de proche en proche.
à partir d’un sommet t, il permet d’ajuster les valeurs de π(y) où y est successeur du sommet t s’il
trouve un chemin meilleur. La Figure 3.7 donne une illustration de l’algorithme de Dijkstra.
F IGURE 3.7 – Principe de l’algorithme de Dijkstra.
L’algorithme est présenté comme suit :
Algorithme Dijkstra pour les réseaux avec longueurs positives.

Entrée: R = (X, A, l) un réseau sans circuits, s sommet initial .
Sortie: Les plus courts chemins de s aux sommets de R et leurs longueurs.
S ← {s} ; π(s) ← 0 ; π(x) ← +∞, ∀x ∈ X, x 6= s ; Arc(x) ← ∅, ∀x ∈ X ; arret ← F AU X ;
t←s
Tant que arret = F AU X Faire
Pour tout sommet y successeur de t Faire
Si π(t) + l(ty) < π(y) Alors
π(y) ← π(t) + l(ty)
Arc(y) ← ty
Fin Si
Fin Pour
Choisir un sommet z ∈ X \ S tel que π(z) = minx∈X\S π(x)
Si π(z) = +∞ Alors
Terminer, le sommet s n’est pas une racine, il n y a pas de solution.
Sinon
S ← S ∪ {z}, t ← z
Si S = X Alors
arret ← V RAI
Terminer, les arcs Arc(x) constituent les plus courts chemins de s à x, ∀x ∈ X
Fin Si
Fin Si
Fin Tant que
Exemple 5.2 .
On cherche les plus courts chemins issus du sommet 5 dans le réseau suivant :
Comme ce réseau contient des circuits et les longueurs des arcs sont positives on applique
l’algorithme de Dijkstra.
– Initialisation : S ← 5; Arc(x) ← ∅ ; π(x) ← +∞, ∀x 6= 5 ; π(5) ← 0; t ← 5 ;
– Itération 1 : t = 5
– y = 1 : π(5)+l(51) = 2 < π(1) = +∞ ⇒ π(1) ← π(5)+l(51) = 0+2; Arc(1) ← {51} ;
– y = 2 : π(5)+l(52) = 3 < π(2) = +∞ ⇒ π(2) ← π(5)+l(52) = 0+3; Arc(2) ← {52} ;
– y = 4 : π(5)+l(54) = 1 < π(4) = +∞ ⇒ π(4) ← π(5)+l(54) = 0+1; Arc(4) ← {54} ;
– y = 6 : π(5)+l(56) = 0 < π(2) = +∞ ⇒ π(2) ← π(5)+l(56) = 0+0; Arc(6) ← {56} ;
– y = 7 : π(5)+l(57) = 2 < π(7) = +∞ ⇒ π(7) ← π(5)+l(57) = 0+2; Arc(7) ← {57} ;
Choix de z : z ← 6 ; S ← S ∪ {6}; t ← 6
– y = 2 : π(6) + l(62) = 2 < π(2) = 3 ⇒ π(2) ← π(6) + l(62) = 2; Arc(2) ← {62} ;
– y = 7 : π(6) + l(67) = 1 < π(7) = 2 ⇒ π(7) ← π(7) + l(67) = 1; Arc(7) ← {67} ;
Choix de z : z ← 4 ; S ← S ∪ {4}; t ← 4
– y = 1 : π(4) + l(41) = 1 < π(1) = 2 ⇒ π(1) ← π(4) + l(41) = 1; Arc(1) ← {41} ;
– y = 7 : π(4) + l(47) = 2 ≮ π(7) = 1
Choix de z : z ← 7 ; S ← S ∪ {7}; t ← 7
– Il n y a pas de successeurs du sommet 7
Choix de z : z ← 1 ; S ← S ∪ {1}; t ← 1
– y = 2 : π(1) + l(12) = 2 ≮ π(2) = 2
Choix de z : z ← 2 ; S ← S ∪ {2}; t ← 2
– y = 3 : π(2) + l(23) = 3 < π(3) = +∞ ⇒ π(3) ← π(2) + l(23) = 3; Arc(3) ← {23} ;
Choix de z : z ← 3 ; S ← S ∪ {3}; t ← 3 S = X ⇒ arret ← V RAI
Fin de l’algorithme.
Les plus courts chemins du sommet 5 aux autres sommets du réseau sont représentés dans la
figure suivante :
6 Problème central d’ordonnancement
6.1 Introduction
On dit que l’on a affaire à un problème d’ordonnancement lorsqu’il faut planifier, en vue d’op-
timiser un certain critère, un projet P qui est constitué d’un ensemble de tâches ou opérations. Ces
tâches sont souvent liées par certaines contraintes de temps et de relations de précédence.
L’objectif est alors de proposer un calendrier pour l’exécution de ces tâches qui respecte les
contraintes imposées et optimise le critère donné.
Dans l’industrie, le bâtiment, sur les gros chantiers, les problèmes d’ordonnancement sont sou-
vent très présents, et de leur solution peut dépendre la réussite du projet.
6.2 Présentation du problème central d’ordonnancement

Soit un projet P constitué d’un ensemble fini de tâches élémentaires 1, 2, . . . , k liées entre elles
par des relations de précédence.
La durée, notée di , d’exécution de chaque tâche étant donnée, le problème consiste alors à
trouver un calendrier qui :
– minimise la durée de réalisation de tout le projet P ,
– détermine pour chaque tâche i, la date au plus tôt ti de son commencement : la tâche i ne
peut commencer avant cette date,
– détermine pour chaque tâche i, la date au plus tard Ti pour son commencement : c’est la date
limite pour le début de la tâche i,
– repère les tâches prioritaires ou critiques : ce sont les tâches pour les quelles on a ti = Ti .
6.3 Modélisation d’un problème d’ordonnancement

Il existe deux types de modèles utilisés pour représenter un problème d’ordonnancement. On
distingue :
– le diagramme de Gantt,
– les modèles de type graphe, tels que le réseau potentiel-tâches et le réseau potentiel-étapes(PERT).
6.3.1 Diagramme de Gantt
Une façon commode de représenter un ordonnancement est le diagramme de Gantt : en abscisse,

on met le temps, et on ordonnée, les différentes tâches. Sur chaque ligne repérée par une tâche, on
met des intervalles pendant lesquels la tâche est traitée.
Exemple 6.1 .
La construction d’une maison nécessite la réalisation de certaines tâches nommées A, B, C, D, E
et F . Le tableau suivant donne les durées de réalisation de chacune des tâches et les relations de
précédence entre elles :
Tâche Durée d’exécution (semaines) Dépend des tâches

A 8 -
B 4 A
C 2 B
D 9 A
E 3 C, D
F 2 C, D
Le diagramme de Gantt se présente alors comme suit :

Construction d’une maison
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
6.3.2 Réseau potentiel-tâches
On construit un réseau R = (X, A, l) tel que :

1. Chaque tâche est représentée par un sommet.
2. On définit un arc a = xi xj si la tâche i doit précéder la tâche j directement.
3. On associe à l’arc a = xi xj la longueur li qui est la durée d’exécution de la tache i.
4. On ajoute à ce graphe deux sommets s et p appelés respectivement la tâche du début et fin de
projet.
5. On relie le sommet s à tous les sommets qui n’ont pas de prédécesseurs (on ajoute des arcs
a = sxi avec l(a) = 0).
6. On relie le sommet tous les sommets qui n’ont pas de successeurs au sommet p.
Le réseau ainsi défini est sans circuits.
Exemple 6.2 .
On considère l’exemple précédent :
Tâche Durée d’exécution (semaines) Dépend des tâches

A 8 -
B 4 A
C 2 B
D 9 A
E 3 C, D
F 2 C, D
Le réseau Potentiel-Tâches correspondant est alors illustré comme suit :
F IGURE 3.8
Algorithme de recherche du calendrier des tâches dans le réseau Potentiel-tâches. Cet algo-
rithme nous permet de calculer la durée minimale requise pour la réalisation d’un projet P ainsi que
les dates au plus tôt et au plus tard pour le commencement de chaque tâche de ce projet.
Algorithme Calcul du calendrier des dates au plus tôt et des dates au plus tard dans un réseau
potentiel-tâche
Entrée: le réseau potentiel-tâche associé à un projet P .
Sortie: Calendrier de réalisation des tâches et la durée optimale pour la réalisation de P
S ← {s} ; ts ← 0
Pour tout sommet x tel que N − (x) ⊂ S Faire
tx ← maxy∈N − (x) [ty + l(yx)]
S ← S ∪ {x}
Fin Pour
S ← {p} ; Tp ← tp
Pour tout sommet x tel que N + (x) ⊂ S Faire
Tx ← miny∈N + (x) [Ty − l(xy)]
S ← S ∪ {x}
Fin Pour
Le calendrier des dates au plus tôt et des dates au plus tard est donné par l’intervalle [tx , Tx ].
La durée optimale pour la réalisation du projet est égal à Tp = tp .
Exemple 6.3 .
En appliquant cet algorithme au réseau présenté par la Figure 3.8, on a :
– tA ← 0 ; tB ← 8 ; tC ← 8 + 4 = 12 ; tD ← 8 ; tE ← max[12 + 2; 8 + 9] = 17 ;tF ←
max[12 + 2; 8 + 9] = 17 ; tp ← max[17 + 3; 17 + 2] = 20 ;
– Tp ← 20 ; TE ← 20 − 3 = 17 ; TF ← 20 − 2 = 18 ; TC ← min[17 − 2; 18 − 2] = 15 ;
TD ← min[17 − 9; 18 − 9] = 8 ; TB ← 15 − 4 = 11 ;TA ← min[11 − 8; 8 − 8] = 0 ; Ts ← 0 ;
La durée optimale pour la construction de cette maison est de 20 semaines.
Le calendrier des dates au plus tôt et des dates au plus tard est alors donné par
Tâche ti Ti
A 0 0
B 8 11
C 12 15
D 8 8
E 17 17
F 17 18
Les tâches critiques sont alors les tâches A, D et E.
6.3.3 Réseau Potentiel-étapes (PERT)
– Dans ce réseau, les arcs représentent les tâches du projet et les sommets représentent des
étapes qu’on définit au fur et à mesure de la construction du réseau.
– On définit une étape début du projet xD et une étape fin du projet xF et un certain nombre
d’étapes intermédiaires.
– Si une tâche j doit succéder à une tâche i directement, alors l’extrémité initiale de l’arc aj est
l’extrémité terminale de l’arc ai .
Exemple 6.4 .
Le réseau PERT associé à l’exemple 6.2 est représenté comme suit :
F IGURE 3.9
Algorithme de recherche des dates au plus tôt et des dates au plus tard dans le réseau PERT
Le principe de cet algorithme est de calculer la date au plus tôt, notée π(x), et la date au plus tard,
notée θ(x) pour le commencement de chaque étape x du projet et en déduire par la suite le calendrier
des tâches.
Algorithme Calcul du calendrier des dates au plus tôt et des dates au plus tard dans un réseau PERT
Entrée: le réseau PERT associé à un projet P .
Sortie: Calendrier de réalisation des tâches et la durée optimale pour la réalisation de P
S ← {xD } ; π(xD ) ← 0
Pour sommet x ∈ / S tel que N − (x) ⊂ S Faire
π(x) ← maxa∈A|x=T (a) [π(I(a)) + l(a)]
S ← S ∪ {x}
Fin Pour
S ← {xF } ; θ(xF ) ← π(xF )
Pour sommet x ∈ / S tel que N + (x) ⊂ S Faire
θ(x) ← mina∈A|x=I(a) [θ(T (a)) − l(a)]
S ← S ∪ {x}
Fin Pour
Pour arc a ∈ A Faire
ta ← π(I(a))
Ta ← θ(T (a)) − l(a)
Fin Pour
Le calendrier des dates au plus tôt et des dates au plus tard est donné par l’intervalle [ta , Ta ].
La durée optimale pour la réalisation du projet est égale à π(xF ) = θ(xF ).
Exemple 6.5 .
Reprenons l’exemple 6.2 qui est représenté par le réseau PERT de la Figure 3.9. en appliquant l’algo-
rithme donné ci-dessus, on obtient :
– π(xD ) ← 0 ; π(x1 ) ← 8 ; π(x2 ) ← 12 ; π(x3 ) ← max[12 + 2; 8 + 9] = 17 ; π(xF ) ←
max[17 + 3; 17 + 2] = 20
– θ(XF ) = π(xF ) = 20 ; θ(x3 ) ← min[20 − 2; 20 − 3] = 17 ; θ(x2 ) ← 17 − 2 = 15 ;
θ(x1 ) ← min[15 − 2; 17 − 9] = 8 ; θ(xD ) ← 0 ;
Le calendrier des tâches se présente alors comme suit :
Tâche ti Ti
A 0 0
B 8 11
C 12 15
D 8 8
E 17 17
F 17 18
Chapitre 4
Problèmes de flots dans les réseaux
1 Introduction
Les flots permettent de modéliser une très large classe de problèmes. Leur interprétation cor-
respond à la circulation de flux physiques sur un réseau : distribution électrique, réseau d’adduction,
acheminement de paquets sur Internet, etc. En général, il s’agit d’acheminer une quantité de matière
dans le réseau et il n’y a ni perte ni création de matière lors de l’acheminement : pour chaque sommet,
le flux entrant doit être égal au flux sortant. Les liens qui permettent d’acheminer les flux ont une
capacité limitée.
2 Quelques définitions
2.1 Notion de flot

Définition 2.1. Étant donné un graphe orienté G = (X, A) connexe avec A = {a1 , a2 , · · · , am }.
Soit le vecteur f = (f1 , f2 , . . . .fm ) ∈ Rm où fi = f (ai ) représente la quantité de flux portée
sur l’arc ai . On définit pour chaque sommet x de G, les quantités :
– F + (x) =
P
f (a) (quantité de flux qui sort du sommet x),
x=I(a)
– F − (x) =
P
f (a) (quantité de flux qui entre au sommet x).
x=T (a)
On dit alors que le vecteur f est un flot si et seulement si on a
∀x ∈ X, F + (x) = F − (x).
Autrement dit, la quantité de flux entrante à un sommet x est égale à celle sortante (principe de
conservation de la loi de Kirchhoff sur les nœuds).
47
Chapitre 4. Problèmes de flots dans les réseaux 48
Exemple 2.1 .
Dans le graphe suivant, le vecteur f = (1, 1, −2, 2, −3, −1, 2) est un flot, car pour tout sommet x, on
a la quantité de flux rentrante est égale à la quantité de flux sortante.
2.2 Réseau de transport

Définition 2.2. On appelle réseau de transport, noté R = (X, A, c), le graphe orienté G = (X, A)
connexe, sans boucles qui est muni d’une application c : A 7→ R+ sur les arcs de G appelée capacité
des arcs.
2.3 Flot compatible

Définition 2.3. Soit un réseau de transport R = (X, A, c). On appelle flot compatible f dans R un
vecteur flot tel que pour tout arc a, on a 0 ≤ f (a) ≤ c(a).
Exemple 2.2 .
Dans le réseau ci-dessous, muni de capacité sur les arcs, le flot f (12) = 1, f (15) = 1, f (23) =
2, f (24) = 0, f (52) = 1, f (45) = 0, f (43) = 0, f (31) = 2 est compatible avec les capacités des arcs.
3 Problème de flot maximum
3.1 Position du problème

Étant donné un réseau de transport R = (X, A, c) et deux sommets s et p dans R.
Le problème de recherche du flot maximum du sommet s au sommet p revient à trouver la plus
grande quantité de flux positive qu’on peut envoyer de s et qu’on récupère au sommet p sachant que la
quantité de flux sur chaque arc ne doit pas dépasser sa capacité, et que pour chaque sommet x 6= s, p,
la quantité de flux rentrante est égale à celle sortante.
Le problème ainsi défini n’est pas exactement un problème de flot car pour les sommets s et p,
le principe de conservation de Kirchhoff n’est pas vérifié. Pour pallier à ce problème, on ajoute un arc
ar = ps tel que c(ar ) = +∞.
Ainsi, le problème revient à trouver un flot compatible dans le réseau R0 = (X, A ∪ {ar }, c) qui
soit maximum.
3.2 Formulation mathématique
3.3 Algorithme de recherche d’un flot maximum (FORD-FULFERSON)

On considère un réseau R = (X, A, c) et f un flot initial dans R. On cherche à trouver un flot

maximum du sommet s au sommet p dans R à partir du flot f (dans le cas où il n y a aucun flot initial,
on prend f = 0).
L’idée de l’algorithme est de chercher à chaque itération une chaîne C de s à p, dite chaîne
augmentante, qui vérifie les conditions suivantes :
– pour chaque arc a ∈ C + (les arcs dans le même sens que C), on a f (a) < c(a),
– pour chaque arc a ∈ C − (les arcs dans le sens inverse de C), on a f (a) > 0.
Le flot f sur cette chaîne C peut alors être augmenté de :
ε = min{c(a) − f (a) | a ∈ C + }; {f (a) | a ∈ C − }.
Si on ne peut pas trouver une telle chaîne, alors le flot f est maximum.
3.3.2 Algorithme de FORD-FULKERSON
Algorithme Recherche de flot maximum.

Entrée: R = (X, A, c) un réseau, s, p sommets donnés, f flot initial (dans la cas ou il existe sinon
f = 0)
Sortie: Un flot maximum de s à p
ar ← ps ; c(ar ) ← +∞ ;f lotmax ← F AU X, f (ar ) ← F + (s)
Tant que f lotmax 6= V RAI Faire
Y ← {s} ; marquer le sommet s
Pour tout x marqué et y ∈ N (x) non marqué Faire
Si (y ∈ N + (x) et f (xy) < c(xy)) ou (y ∈ N − (x) et f (yx) > 0) Alors
marquer le sommet y ; Y ← Y ∪ {y}
Fin Si
Fin Pour
Si p est marqué Alors
Soit C la chaîne le long par laquelle on a marqué p à partir de s
ε1 = mina∈C + {c(a) − f (a)}
ε2 = mina∈C − {f (u)}
ε = min{ε1 , ε2 }



 f (a) + ε si a ∈ C + ∪ {ar }

f (u) = f (a) − ε si a ∈ C −



f (a) sinon
effacer toutes les marques

Sinon
f lotmax ← V RAI ; Terminer, f (ar ) est le flot maximum.
Fin Si
Fin Tant que
Exemple 3.1 .
On veut trouver un flot maximum de 1 à 6 dans le réseau 4.1.
Comme nous n’avons aucun flot initial, nous posons f (a) = 0, ∀a ∈ A et on ajoute l’arc
ar = 61 avec c(61) = +∞ et f (ar ) = 0.
Itération 1 : Y ← {1} ; après procédure de marquage on a Y = {1, 2, 3, 4, 5, 6}
C = 1236,
F IGURE 4.1
Avec C + = {12, 23, 36} et C − = ∅.

ε = ε1 = mina∈C + {c(a) − f (a)} = min{4, 5, 3} = 3

f (a) + 3 si a ∈ C + ∪ {ar }
f (u) =
f (a) sinon
F IGURE 4.2 – Itération 1

C = 15246,
Avec C + = {15, 52, 24, 46} et C − = ∅.
ε = ε1 = mina∈C + {c(a) − f (a)} = min{2, 3, 2, 4} = 2

f (a) + 2 si a ∈ C + ∪ {ar }
f (u) =
f (a) sinon

C = 12346, avec C + = {12, 23, 34, 46} et C − = ∅.

ε = ε1 = mina∈C + {c(a) − f (a)} = min{1, 1, 4, 2} = 1

f (a) + 1 si a ∈ C + ∪ {ar }
f (u) =
f (a) sinon
Itération 4 : Y ← {1} ; après procédure de marquage on a Y = {1}.

Comme 6 ∈ / Y , terminer. Le flot maximum est de valeur 6 comme représenté dans .
F IGURE 4.5 – Flot maximum de 1 à 6.

Chapitre 5
Arbres et arborescences
1 Arbres
Définition 1.1. Soit G = (X, E) un graphe connexe tel que |V | = n et |E| = m.
Un arbre couvrant ou arbre de G est un graphe partiel T = (V, F ) connexe et sans cycles.
Une forêt est un graphe partiel sans cycles.
Exemple 1.1 .
– Le graphe partiel de la Figure 5.2 est un arbre du graphe de la Figure 5.1.

– Le graphe partiel de la Figure 5.3 est une forêt du graphe de la Figure 5.1.
F IGURE 5.1 – G F IGURE 5.2 – un arbre de G. F IGURE 5.3 – Une forêt de G.
1.1 Propriétés d’un arbre

Soit T un arbre dans G = (V, E)
1. T possède exactement n − 1 arêtes.
54
Chapitre 5. Arbres et arborescences 55
2. T est connexe et si on supprime une arête quelconque, il n’est plus connexe.

3. T est sans cycles et si on ajoute une arête, on crée un unique cycle.
4. Toute paire de sommets est reliée par une unique chaîne.
1.2 Problème de recherche d’un arbre de poids minimum

1.2.1 Exemple d’introduction
On souhaite relier certaines villes qu’on dénote A, B, C, D , E et F par un nouveau type de fibre
optique. Les nouveaux câbles ne peuvent être enterrés que dans des tranchées déjà creusées entre les
différentes villes (voir Figure 5.4, où les nombres sur les arêtes représentent la longueur des tranchées
en kilomètres).
F IGURE 5.4 – Représentation des tranchées qui sont déjà creusées entre les six villes.
L’objectif est alors de déterminer dans quelles tranchées enterrer les câbles de manière à ce que
toutes les villes soient reliées, tout en minimisant le coût de l’installation qui dépend linéairement de
la longueur de câble utilisée.
Il est clair que si on veut minimiser le coût de l’installation, on éviterait de reconnecter une
ville où les câbles sont déjà installés. Par conséquent, le problème se ramène donc à la recherche un
graphe partiel connexe et sans cycles (arbre), dont le poids (égal la somme des poids des arêtes) est
minimum.
1.2.2 Position du problème
Définition 1.2. Étant donné un graphe connexe G = (V, E). Soit p une application définie par
p: E → R
e 7→ p(e)
Le problème de recherche d’un arbre de poids minimum dans G, revient à trouver un arbre T
pour lequel on a :
X
p(T ) = p(e) = min p(T́ ).
T́ , arbre de G
e∈T
1.3 Algorithmes de recherche d’un arbre de poids minimum

1.3.1 Algorithme de Kruskal
Principe de l’algorithme. Soit G = (V, E) un graphe connexe où chaque arête ou arc est muni
d’un poids p(e). L’algorithme retrouve un arbre de poids minimum Tmin dans G, en sélectionnant des
arêtes dont le poids est petit, tout en évitant de créer un cycle.
L’algorithme de Kruskal.
Algorithme Recherche d’arbre de poids minimum.

Entrée: G = (V, E) un graphe muni de poids sur les arêtes
Sortie: Un arbre de poids minimum Tmin dans G et son poids
Trier les arêtes dans l’ordre croissant des poids : e1 ≤ e2 ≤ · · · ≤ en−1 ≤ en
Tmin ← ∅ ; p(Tmin ) ← 0 ; k ← 0 ; i ← 1 ; trouv ← F AU X
Tant que trouv = F AU X Faire
Si Tmin ∪ {ei } ne contient pas de cycles Alors
Tmin ← Tmin ∪ {ei } ; p(Tmin ) ← p(Tmin ) + p(ei )
k ←k+1
Fin Si
Si k = n − 1 Alors
trouv ← V RAI
Sinon
i←i+1
Fin Si
Fin Tant que
Exemple 1.2 .
On reprend l’exemple d’introduction présenté dans 1.2.1 : L’application de l’algorithme de Kruskal à
cet exemple donne :
Tri des arêtes : e1 = EF, e2 = EC, e3 = AE, e4 = EB, e5 = BC, e6 = F D, e7 =
CD, e8 = CF, e9 = AB.
– Tmin ← ∅ ; p(Tmin ) ← 0 ; k ← 0 ; i ← 1 ; trouv ← F AU X
i = 1 : Tmin ∪ {e1 } ne contient pas de cycles alors Tmin ← Tmin ∪ {EF } ; p(Tmin ) ← 128 ;
k←1
i = 2 : Tmin ∪ {e2 } ne contient pas de cycles alors Tmin ← Tmin ∪ {EC} ; p(Tmin ) ← 128 +
140 = 268 ; k ← 2
i = 3 : Tmin ∪ {e3 } ne contient pas de cycles alors Tmin ← Tmin ∪ {EA} ; p(Tmin ) ← 268 +
210 = 478 ; k ← 3
i = 4 : Tmin ∪ {e4 } ne contient pas de cycles alors Tmin ← Tmin ∪ {EB} ; p(Tmin ) ← 478 +
245 = 723 ; k ← 4
i = 5 : Tmin ∪ {e5 } contient un cycle
i = 6 : Tmin ∪ {e6 } ne contient pas de cycles alors Tmin ← Tmin ∪ {DF } ; p(Tmin ) ← 723 +
273 = 996 ; k ← 5
i = 7 : k = 5 = 6 − 1 alors trouv ← V RAI.
Donc pour trouver l’installation la moins couteuse, il faut choisir les tranchées {EF, EC, EB, AE, F D}
avec une longueur total des câbles qui est égale à 996 Km.
1.3.2 Algorithme de Prim
Principe de l’algorithme. On choisit initialement un sommet initial qui constitue un ensemble S.

Le principe de l’algorithme de Prim est de construire un arbre de poids minimum en choisissant
une seule arête ayant une extrémité u dans S à un sommet v de V \ S et qui soit de poids minimum.
Le sommet v est alors ajouté à l’ensemble S. L’algorithme s’arrête dès que tous les sommets sont
dans S.
Algorithme Recherche d’arbre de poids minimum.

Entrée: G = (V, E) un graphe muni de poids sur les arêtes
Sortie: Un arbre de poids minimum Tmin dans G et son poids
Choisir un sommet initial t ; S ← {t} ; Tmin ← ∅ ; p(Tmin ) ← 0 ;
Tant que S 6= V Faire
Choisir une arête uv ∈ E telle que u ∈ S et v ∈ V \ S tel que son poids soit minimum.
Tmin ← Tmin ∪ {uv} ; p(Tmin ) ← p(Tmin ) + p(uv)
S ← S ∪ {v}
Fin Tant que
Tmin est l’arbre de poids p(Tmin ) minimum.
L’algorithme de Prim.
Exemple 1.3 .
On applique l’algorithme de Prim sur l’exemple d’introduction 1.2.1 :
t ← B ; S ← {B} ; Tmin ← ∅ ; p(Tmin ) ← 0 ;

S = {B} : uv = BE ; Tmin ← Tmin ∪ {EB} ; p(Tmin ) ← 0 + 245 = 245, S ← S ∪ {E}
S = {E, B} : uv = F E ; Tmin ← Tmin ∪ {F E} ; p(Tmin ) ← 245 + 128 = 373, S ← S ∪ {F }
S = {B, E, F } : uv = CE ; Tmin ← Tmin ∪ {CE} ; p(Tmin ) ← 373 + 140 = 513, S ← S ∪
{C}
S = {B, C, E, F } : uv = AE ; Tmin ← Tmin ∪ {AE} ; p(Tmin ) ← 513 + 210 = 723, S ←
S ∪ {A}
S = {A, B, C, E, F } : uv = F D ; Tmin ← Tmin ∪ {F D} ; p(Tmin ) ← 723 + 273 = 996,
S ← S ∪ {D}
S = X Fin de l’algorithme.
On obtient la même solution que précédemment.
2 Arborescence
Définition 2.1. Une arborescence B du graphe G = (X, A) est un arbre de G muni d’une racine r.
F IGURE 5.5 – G F IGURE 5.6 – Une arborescence de racine 1 dans G.
2.1 Propriétés d’une arborescence

Soit B une arborescence de racine r de G. Alors on a :
– B possède n − 1 arcs,
– B est connexe sans cycles,
– pour chaque sommet x 6= r, il existe un unique chemin dans B de r à x,
– ∀x ∈ X \ {r}, d− −
B (x) = 1 et dB (r) = 0.
2.2 Arborescence de poids minimum

Nous nous intéressons au problème de recherche d’une arborescence de poids minimum dans
un graphe G = (X, A) orienté connexe.
Algorithme Recherche d’arborescence de poids minimum.

Entrée: G = (X, A) un graphe orienté connexe avec les poids des arcs, r racine dans G.
Sortie: Une arborescence de racine r de poids minimum Bmin dans G.
p(Bmin ) ← 0 ; connexe = F AU X
Pour tout sommet x 6= r Faire
Choisir un arc yx tel que son poids est minimum
Bmin ← Bmin ∪ {yx} ; p(Bmin ) ← Bmin + p(yx) ;
Fin Pour
Tant que connexe = F AU X Faire
Si F = (X, Bmin ) est connexe Alors
connexe ← V RAI
Sinon
Choisir un circuit C dans Bmin
Choisir un arc yx avec x ∈ C et y ∈ / C tel que p(yx) − p(tx) soit minimum (l’arc tx est
l’unique arc du circuit C qui a x comme extrémité terminale.)
Bmin ← Bmin ∪ {yx} \ {tx} ; p(Bmin ) ← Bmin + p(yx) − p(tx)
Fin Si
Fin Tant que
Bmin est l’arborescence de poids p(Bmin ) minimum.
Exemple 2.1 .
On veut trouver l’arborescence de racine 5 de poids minimum dans le graphe suivant : On a :
– p(Bmin ) ← 0 ; connexe = F AU X
– Bmin = {71, 62, 23, 36, 14, 47} ; p(Bmin ) = 3
Le graphe partiel F = (X, Bmin ) n’est pas connexe, donc il y a au moins un circuit dans F
(Figure 5.7).
– C = 236
F IGURE 5.7
– Choix de yx :
– 12 : p(12) − p(62) = 2
– 13 : p(13) − p(23) = 1
– 56 : p(56) − p(36) = 1
On choisit soit l’arc 13 ou l’arc 56. (on choisit 31)
– Bmin ← Bmin ∪ {13} \ {23} ; p(Bmin ) ← 3 − 1 + 2 = 4
F IGURE 5.8
Le graphe partiel F = (X, Bmin ) n’est pas connexe, donc il y a au moins un circuit dans F
(Figure 5.8).
– C = 147
– Choix de yx :
– 51 : p(51) − p(71) = 1
– 54 : p(54) − p(14) = 1
– 57 : p(57) − p(47) = 2
– 67 : p(67) − p(47) = 1
On choisit parmi les arcs 51, 54 ou 67.(on choisit 51)

– Bmin ← Bmin ∪ {51} \ {71} ; p(Bmin ) ← 4 − 1 + 2 = 5
F IGURE 5.9
Le graphe partiel F = (X, Bmin ) est pas connexe, donc Bmin est une arborescence de poids
minimum (Figure 5.9).
Bibliographie
[1] Claude Berge. Graphes et hypergraphes. Dunod, 1986.

[2] Bela Bollobas. Modern Graph Theory (graduate texts in mathematics). Springer Science, 1998.
[3] JA Bondy and USR Murty. Graph Theory (graduate texts in mathematics). Springer New York,
2008.
[4] Robert Faure, Bernard Lemaire, and Christophe Picouleau. Précis de Recherche Opérationnelle.
Dunod, 2009.
[5] Michel Gondran and Michel Minoux. Graphes et algorithmes. Eyrolles, 1970.
[6] Dieter Jungnickel. Graphs, Networks and Algorithms. Springer Science, 2008.
63

T G

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

T G

Încărcat de

Drepturi de autor:

Formate disponibile

Université Kasdi Merbah Ouargla

Théorie des graphes

1 Notions de base de la Théorie des graphes 4

2 Cheminements dans les graphes 21

3 Problème de recherche des plus courts chemins 33

4 Problèmes de flots dans les réseaux 47

Notions de base de la Théorie des graphes

1 Modélisation par graphe

Exemple 1.2 Réaliser un planning.

Num workshop Axes de recherche

Combien de jours sont nécessaires pour la planification de ce séminaire ?

2.1 Quelques notions de base

F IGURE 1.1 – Un multigraphe.

– G est un multigraphe d’ordre 5 et de taille 8,

F IGURE 1.2 – Graphe simple. F IGURE 1.3 – Graphe complet K6 .

Stable, clique, couplage, transversal et recouvrement.

– L’ensemble S1 = {1, 4} est un stable et S2 = {2, 5, 6} est un stable maximum,

µ : V −→ {1, 2, ..., k} (k couleurs )

F IGURE 1.4 – Ce graphe a un nombre chromatique égal à 3.

telle que pour toute paire d’arêtes adjacentes e et f , on a π(e) 6= π(f ).

2.2 Représentation matricielle d’un graphe

Sa matrice d’adjacence est représentée comme suit

2.3 Degré d’un sommet

– Dans tout graphe G, on a |N (u)| ≤ dG (u), ∀u ∈ V et si G est simple alors |N (u)| =

Des égalités 1.1 et 1.2, on a

3.1 Graphe complémentaire d’un graphe G

∀u ∈ V, dG (u) + dḠ (u) = n − 1.

F IGURE 1.7 – G F IGURE 1.8 – Ḡ.

3.2 Graphe régulier

F IGURE 1.9 – Un graphe 3-régulier.

3.3 Graphe biparti

F IGURE 1.10 – Graphe biparti G. F IGURE 1.11 – Bipartition de G .

– Le graphe de Figure 1.13 représente un sous-graphe de G.

F IGURE 1.14 – Sous-graphe induit par W =

F IGURE 1.15 – Sous-graphe induit par F =

F IGURE 1.17 – Un graphe orienté

5.1 Représentation matricielle d’un graphe orienté.

F IGURE 1.20 – Le graphe G TABLE 1.1 – Matrice d’incidence du graphe G

– Un puits p de G est un sommet tel que d+

6.1 Représentation statique

6.2 Représentation dynamique

Sa liste d’adjacence est construite comme suit :

La liste de successeurs de G est alors construite comme suit :

Cheminements dans les graphes

terminale de l’arc ai . On dit que η est un chemin de v1 à vk+1 , de longueur k.

Chaîne / chemin simple.

Chaîne / chemin élémentaire.

1.2 Cycles / Circuits

2.1 Graphe connexe.

2.2 Composantes connexes d’un graphe.

F IGURE 2.8 – Exemple d’un graphe qui possède 3

2.3 Ensemble d’articulation, connectivité d’un graphe et k-connexité

– L’ensemble S = {2, 3, 4} est un ensemble d’articulation dans G, car la suppression de ces

F IGURE 2.9 – Un graphe qui modélise un réseau de communication.

2.4 Coupe, arête connectivité et graphe k-arête connexe.

3.1 Composantes fortement connexes

3.2 Algorithme de recherche des composantes fortement connexes

Algorithme Recherche-Composantes Fortement Connexes

Les composantes fortement connexes :

3.3 Graphe réduit

F IGURE 2.14 – Le graphe G. F IGURE 2.15 – Le graphe réduit de G.

F IGURE 2.16 – Un graphe semi-Eulérien. F IGURE 2.17 – Un graphe Eulérien.

F IGURE 2.23 – Les composantes connexes du