s

ss

ss

1
 4. Présentation de la méthode :

-On part d’un problème linéaire à m contraintes mixtes, n variables et k fonctions objectifs
à minimiser



 minf1 (x)
minf2 (x)





 ..

 .
 minfK (x)



 h(x) = 0


 g(x) ≤ 0
 X ≥ 0; telque : XRn etf Rk


- On choisit un vecteur d’objectif initial F~ Rk



 f1 (x) = F1
 f2 (x) = F2

..


 .
 f (x)) = F
K k

−
-On associe à chaque fonction objectif fi (x) une paire de variables de déviation d+
i et di


−

 f1 (x) = F1 +d+
1 - d1
 f2 (x) = F2 +d+ - d−

2 2
..
 .

 f (x)) = F +d+ - d−

K 1 K K

-Maintenant on a k objectifs l’étape suivante est de choisir la variable de déviation à mini-

−
miser d+
i ou bien di ; le choix ce fait par le décideur et comme indiqué dans le tableau suivant :

Contrainte du PL Variable de déviation à minimiser Interprétation

fi (x) ≥ bi d−
i sous réalisation refusée
fi (x) ≤ bi d+
i sur réalisation refusée
fi (x) = bi d−
i + d+
i Les deux sont indésirables

-à la fin on obtient un problème linéaire simple à résoudre

2
 

 min (d− + − + − +
1 ou d1 , d2 ou d2 ,...,dk ou dk )
avec :



 −
f1 (x) = F1 +d+
1 - d1




f2 (x) = F2 +d2 - d−
+



 2





 ..
.
−


 fK (x) = Fk +d+
k - dk











 h(x) = 0



 g(x) ≤ 0
 X ≥ 0; telque :d > 0,i(1, ..., n) et f Rk
i

5. La résolution du problème linéaire obtenu :

Pour résoudre un problème formulé par la méthode du but programmé il y a deux manières
différentes :

A. La méthode des pondérations :

Dans ce cas les objectifs tous ont le même degré d’importance pour le décideur , donc on
minimise une seule fonction objectif formée de la somme pondérée des variables de déviation
choisies

Exemple :
−
min(P1 d+ +
1 + P 2 d2 + P 3 d3 )

B. La méthode préventive :

Les objectifs sont classés hiérarchiquement par leurs niveau d’importance , donc on opti-
mise les objectifs un par un en commençant par l’objectif le plus prioritaire en terminant par
l’objectif le mois important pour le décideur ; cela nous donne plusieurs problèmes linéaires à
résoudre successivement en remplaçant progressivement les valeurs des variables de déviation
déja minimisées.

6. Exemple concret :

Dans la semaine des examens les deux modules ‘’Optimisation multicritère” et ‘’économétrie”
ont été programmés le même jour .
Vous estimez que si vous passez une heure étudier chaque module la veille votre apprentis-
sage sera 0,125 et 0,25 (sur l’échelle de 0 à 1) pour l’optimisation et l’économétrie respectivement
,vous estimez également quel niveau d’apprentissage assure au moins quelle note selon le ta-
bleau suivant :

3
 Niveau d’apprentissage Note minimale
0,125 10/20
0,25 12/20
0,375 14/20
0,5 15/20
0,625 16/20
0,75 17/20
0,875 19/20
Supposons que vous serez satisfaits si vous obtantez au moins 14/20 en optimisation multi-
critère et 17/20 en économétrie et vous décidez également que vous n’allez pas étudier plus de
4 heures la veille de l’examen.

Question : ”Combien d’heures prévoyez-vous consacrer à chaqu’un des deux modules ? ?”

Variables :
x1 : nombre des heures consacrées à l’optimisation

x2 : nombre des heures consacrées à l’économétrie

Objectifs :

Figure 1 – représentation des trois objectifs

4
 Objectif 1 : x1 + x2 ≤ 4 (ne pas étudier pendant plus de 4 heures)

Objectif 2 : 0, 125X1 ≥ 0, 375 ⇔x1 ≥ 3 (Au moins 14/20 en optimisation)

Objectif 3 : 0, 25x2 ≥ 0, 75 ⇔x2 ≥ 3 (Au moins 17/20 en économétrie)

Figure 2 – Le domaine qui satisfait objectif 1

La FIGURE 2 montre le domaine qui satisfait l’objectif 1 (triangle ombré)

.

- Il existe un domaine qui satisfait les objectifs 1 et 2 au même temps (le petit triangle ombré
en FIGURE 3) , mais il n’existe pas un domaine qui satisfait les trois objectifs simultanément.

5
 Figure 3 – Le domaine qui satisfait l’objectif 1 et l’objectif 2 au même temps

Variables de déviation :

d+
1 : Heures d’étude moins de 4 heures

d−
1 : Heures d’étude plus de 4 heures

d+
2 : moins de 14/20 en optimisation

d−
2 : plus de 14/20 en optimisation

d+
3 : moins de 17/20 en économétrie

d−
3 : plus de 17/20 en économétrie

- Il est claire qu’on doit minimiser d− + +

1 , d2 et d3 puis éliminer les variables de déviation
restantes de la fonction objectif !

6
 Figure 4 – Représentation des variables de déviation

- Notre prblème sera comme suit :

M in(d− + +

 1 , d2 , d3 )
+ −

 x1 + x2 +d1 - d1 = 4


−
x1 +d+ 2 - d2 = 3
+ −
x2 +d3 -d3 = 3




xi ,di > 0 tel que : i(1, . . . , n)


Résolution du problème :

1- Par la méthode de pondération :

-Vous avez décidez de ne pas réviser plus de 4 heures quoi qu’il arrive , donc on attribue le
poids (5) à d−
1

-Le coefficient de l’économétrie est le double du coefficient de l’optimisation multicritère ,

donc on attribue le poids (1) à d+ +
2 et le poids (2) à d3

-Le problème sera comme suit :

M in 5 d− + +

 1 + d2 + 2 d3
+ −

 x1 + x2 +d1 - d1 = 4


−
x1 +d+2 - d2 = 3
+ −
x2 +d3 -d3 =3




xi ,di > 0 tel que : i(1, . . . , n)


7
Solution optimale :



 x1 = 3
x2 = 1

d+ =2
 3−

− −

d1 = d+ +
1 = d2 = d3 = d2 =0

Figure 5 – Points solution

8
 2-Par la méthode préventive :

Que passera t-il lorsque vous décidez qu’ obtenir les notes désirées en optimisation multi-
critère et en économétrie est beaucoup plus important que se limiter les heures de révision ? ?

-On forme donc 3 problèmes linéaires chaque un vise à minimiser une des variables de dé-
viation

PL1 :

M in d−

 1
−
 x1 + x2 +d+

1 -d1 = 4


−
x1 +d+2 -d2 = 3
 x2 +d3 -d−
+
3= 3



xi ,di > 0 tel que : i(1, . . . , n)


Solution optimale du 1 ér PL :



 x1 = 3
x2 = 1

d+ =2
 3−

− −

d1 = d+ +
1 = d2 = d3 = d2 =0

-On substitue d−
1 dans PL2

PL2 :

M in d+

 3
 x1 + x2 +d+

1 = 4


+ −
x1 +d2 - d2 = 3
x +d+ -d− = 3

 2 3 3



xi ,di > 0 tel que : i(1, . . . , n)

Solution optimale du 2 éme PL :

9
 

 x1 = 3
x2 = 1

d+ =2
 3−

− −

d1 = d+ +
1 = d2 = d3 = d2 =0

-On substitue la valeur trouvée de d+

3 dans PL3

PL3 :

M in d+

 2
 x1 + x2 +d+

1 = 4


−
x1 +d+2 -d 2 = 3
−
x2 −d3 = 1




xi ,di > 0 tel que : i(1, . . . , n)


Solution optimale du 3 éme PL :



 x1 = 3
x2 = 1

+
d =2
 3−

− −

d1 = d+ +
1 = d2 = d3 = d2 =0

Comparaison des deux solutions trouvées par les deux méthodes :

Solution optimale trouvée par la 1ére méthode :



 x1 = 3
x2 = 1

d+ =2
 3−

− −

d1 = d+ +
1 = d2 = d3 = d2 =0

Solution optimale trouvée par la 2 éme méthode :



 x1 = 3
x2 = 1

+
d =2
 3−

− −

d1 = d+ +
1 = d2 = d3 = d2 =0

10
 7.Algorithme résumant les étapes de la méthode du but programmé :

Début :

1.Fixer les objectifs.

2.Identifier les variables de déviation , une paire pour chaque but.

3. Choisir les variables de déviation à minimiser.

4. Si : Tous les objectifs ayant la même importance utiliser la méthode de pondération

a. associer à chaque variable de déviation à minimiser un poids Pi .

b.écrire le PL.

c.minimiser la somme des variables de déviation pondérées.

d.trouver la solution optimale.

Sinon : (les objectifs n’ont pas la même priorité )

a. former le 1ér PL qu’optimise la 1ére variable de déviation.

b. substitue la valeur objective trouvée dans le 2éme PL qui minimise la 2éme variable de
déviation.

c.continuer jusqu’à la termination de tous les objectifs

5.Evaluer la solution optimale trouvée si elle est refusée par le décideur aller à 1 .

FIN.

8. Conclusion :

dans ce qu’a précède on a présenté le modèle classique de la méthode du but programmé

qu’a été vraiment développée entre les années 1960 et 1994 par conséquence aujourd’hui on
a plusieurs modèles différents de cette méthode : but programmé de TCHEBYSHEV (l’écart
maximum parmi l’ensemble pondéré des écarts est minimisé ),but programmé quadratique (les
contraintes sont des fonctions polynomiales d’ordre plus de deux), but programmé flou (com-
bine la théorie des ensembles flous avec des techniques du but programmé afin d’ajouter une
flexibilité et une précision de modélisation au problème du but programmé) et plusieurs d’autres
modèles comme celui de but programmé fractionné , stochastique et interactive .Tous ces mo-
dèles ont permis à la méthode d’être utilisée dans des différents domaines .

11
 Références :

- Optimisation multiobjectif (YANN COLLETTE-PATRICK SIARRY)

- Google livres.org/Practical goal programming

- Google livres.org/Goal programming methodology and applications

- http ://www.Hindawi.com/journals

- http ://www.fr.slideshare.net/hakeemrahman/goal-programming

- http ://www.fr.slideshare.net/forestyaser

- http ://slideplayer.com.net

12