Documente Academic
Documente Profesional
Documente Cultură
et
Aide à la Décision
Richard Loustau
Le 13 mars 2004
TABLE DES MATIÈRES iii
Introduction ix
II Chemins optimaux 15
II.1 L’algorithme de Ford . . . . . . . . . . . . . . . . . . . . . . . . . 15
II.2 Algorithme de Dijkstra . . . . . . . . . . . . . . . . . . . . . . . . 17
II.3 Graphes sans circuit . . . . . . . . . . . . . . . . . . . . . . . . . 17
II.4 Algorithmes matriciels . . . . . . . . . . . . . . . . . . . . . . . . 18
II.4 .a Algorithme de Floyd . . . . . . . . . . . . . . . . . . . . . 19
III Ordonnancement 23
III.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . 23
III.2 Principaux types de contraintes . . . . . . . . . . . . . . . . . . . 24
III.2 .a Contraintes de type potentiel . . . . . . . . . . . . . . . . 24
III.2 .b Contraintes de type disjonctif . . . . . . . . . . . . . . . . 25
III.3 Exemple de problème : . . . . . . . . . . . . . . . . . . . . . . . . 25
III.4 La méthode MPM . . . . . . . . . . . . . . . . . . . . . . . . . . 26
III.4 .a Construction du graphe MPM . . . . . . . . . . . . . . . 26
III.4 .b Détermination du calendrier au plus tôt . . . . . . . . . . 26
iv TABLE DES MATIÈRES
B Programmation Linéaire 33
I Présentation 35
I.1 Présentation d’un exemple : . . . . . . . . . . . . . . . . . . . . . 35
I.2 Forme standard des problèmes de PL . . . . . . . . . . . . . . . . 36
I.2 .a Présentation générale : . . . . . . . . . . . . . . . . . . . 36
I.2 .b Forme matricielle : . . . . . . . . . . . . . . . . . . . . . . 37
I.3 Résolution d’un système d’équations par la méthode du pivot de
Gauss : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
I.4 Définitions : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
I.5 Résolution graphique d’un PL : . . . . . . . . . . . . . . . . . . . 39
I.5 .a Exemples : . . . . . . . . . . . . . . . . . . . . . . . . . . 39
I.6 Cas général : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
II La méthode du simplexe 47
II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
II.1 .a Etude d’un exemple : . . . . . . . . . . . . . . . . . . . . . 47
II.1 .b Disposition pratique des calculs : . . . . . . . . . . . . . . 48
II.2 L’algorithme du simplexe : . . . . . . . . . . . . . . . . . . . . . . 49
II.2 .a Passage d’un extrême à l’autre . . . . . . . . . . . . . . . 49
II.2 .b Choix de la variable entrante . . . . . . . . . . . . . . . . 50
II.3 L’algorithme du simplexe : . . . . . . . . . . . . . . . . . . . . . . 50
II.3 .a L’algorithme : . . . . . . . . . . . . . . . . . . . . . . . . . 51
II.3 .b Disposition pratique : . . . . . . . . . . . . . . . . . . . . . 51
II.3 .c Traitement d’un exemple : . . . . . . . . . . . . . . . . . . 52
II.4 Obtention d’une base réalisable de départ : . . . . . . . . . . . . . 53
II.4 .a Méthode en deux phases : . . . . . . . . . . . . . . . . . . 53
II.4 .b Exemple : . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
III Dual 57
III.1 Introduction : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
III.2 Définitions et exemples : . . . . . . . . . . . . . . . . . . . . . . . 58
III.2 .a Primal et Dual : . . . . . . . . . . . . . . . . . . . . . . . 58
III.2 .b Exemples : . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
III.3 Propriétés de la dualité : . . . . . . . . . . . . . . . . . . . . . . . 59
III.4 Passage du dernier tableau simplexe du primal au dernier tableau
simplexe du dual : . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
TABLE DES MATIÈRES v
IV Files d’attente 89
IV.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
IV.2 Evaluation du système, mesures à long terme . . . . . . . . . . . 90
IV.2 .a Lois de Little . . . . . . . . . . . . . . . . . . . . . . . . . 90
IV.3 Files d’attente M/M/1 . . . . . . . . . . . . . . . . . . . . . . . . 91
IV.3 .a Probabilités associées . . . . . . . . . . . . . . . . . . . . 91
IV.3 .b Exemple n◦1 . . . . . . . . . . . . . . . . . . . . . . . . . 92
IV.4 Files M/M/1 (N) . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
vi TABLE DES MATIÈRES
D Eléments de Fiabilité 95
I Présentation 97
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
I.2 Généralités, terminologie . . . . . . . . . . . . . . . . . . . . . . . 97
I.2 .a Fonctions de défaillance et de fiabilité . . . . . . . . . . . 97
I.3 Détermination expérimentale . . . . . . . . . . . . . . . . . . . . 98
I.3 .a Estimation des fonctions R et T . . . . . . . . . . . . . . 98
I.4 Principales lois utilisées . . . . . . . . . . . . . . . . . . . . . . . 100
I.4 .a La loi exponentielle . . . . . . . . . . . . . . . . . . . . . . 100
I.4 .b Loi de Weibull . . . . . . . . . . . . . . . . . . . . . . . . 100
E Annexes 105
A Eléments de probabilités 107
A.1 Vocabulaire des probabilités . . . . . . . . . . . . . . . . . . . . . 107
A.2 Espaces probabilisés . . . . . . . . . . . . . . . . . . . . . . . . . 107
A.2 .a Définition des probabilités . . . . . . . . . . . . . . . . . . 108
A.2 .b Probabilités conditionnelles . . . . . . . . . . . . . . . . . 108
A.3 Variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . 109
A.3 .a Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . 109
A.3 .b Variables aléatoires discrètes . . . . . . . . . . . . . . . . 109
A.3 .c Variables aléatoires continues . . . . . . . . . . . . . . . . 109
A.4 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
A.4 .a Loi binômiale . . . . . . . . . . . . . . . . . . . . . . . . . 110
A.4 .b Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . 110
A.4 .c Loi géométrique . . . . . . . . . . . . . . . . . . . . . . . 110
A.4 .d Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . 110
A.4 .e Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . 111
A.4 .f Loi de Weibull . . . . . . . . . . . . . . . . . . . . . . . . 111
A.4 .g Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
B TABLES 113
B.1 Table de la loi de Poisson . . . . . . . . . . . . . . . . . . . . . . 113
B.2 TABLE DE LA LOI DE WEIBULL . . . . . . . . . . . . . . . . 114
C conclusion 115
TABLE DES FIGURES vii
Introduction
Première partie
Chapitre I
Exemple :
E = {A, B, C, D, E, F },
G = {(A, B), (A, D), (B, C), (C, B), (C, E), (D, C), (D, D), (D, E)}
u1 u3
?>=<
89:; * ?>=<
89:; * 89:;
A B j u4 o7 ?>=<C
oo o
u6 ooo
u2 oo
ooooo u5
89:;
?>=< oo 89:;
?>=< x 89:;
?>=<
u7 D 4 E F
4 u8
pour le dernier. Dans le cas d’un graphe non orienté, on parlera de chaîne.
Un chemin est :
– simple s’il ne passe pas deux fois par le même arc.
– élémentaire s’il ne passe pas deux fois par le même sommet.
– un circuit si l’extrémité finale coïncide avec l’extrémité initiale. Dans
le cas d’une chaîne on parlera de cycle.
– hamiltonien s’il passe une fois et une seule par chacun de ses som-
mets. Si c’est de plus un circuit c’est un circuit hamiltonien.
Degrés :
Concaténation de chemins
Soient (A1 , · · · , Am ) et (B1 , · · · , Bn ) deux chemins du graphe G donnés
par la liste de leurs sommets successifs. Si Am = B1 (et seulement à cette
condition) on peut définir la concaténation des deux chemins de la manière
6 CHAPITRE I. ELÉMENTS DE LA THÉORIE DES GRAPHES
u1
?>=<
89:; * ?>=<
89:;
A ? JB
~~
u4 ~~
u2
~~ u6 u3
~~~
89:;
?>=<
C 4 ?>=<
89:;
D
u5
où, pour k ≥ 1, Γk (x) = Γ(Γ(k−1) )(x) est l’ensemble des sommets extrémités
d’un chemin de longueur k issu de x, avec Γ0 (x) = {x}, par convention. Plus
généralement, la fermeture transitive du graphe G est le plus petit graphe tran-
sitif et réflexif contenant G. On le notera τ (G). Il est caractérisé par le fait que
(x, y) ∈ U si et seulement s’il existe un chemin allant de x vers y dans G ou si
x = y.
Γ̂(E) = I + M + · · · M [k] + · · ·
Cette somme est finie car dans un graphe de n sommets il ne peut y avoir de
chemins de plus de n − 1 arcs sans répétition d’arc, on a donc, Γ̂(E) = (I +
M)[n−1] . Dans la pratique, on arrête le calcul dès que (I + M)[k] = (I + M)[k+1] .
– (i, j) est un arc de θr (G) soit s’il est dans G, soit si les arcs (i, r) et (r, j)
sont dans G.
L’algorithme de Roy-Warshall consiste à appliquer successivement à G l’opéra-
teur θ1 , à θ1 (G) l’opérateur θ2 , et ainsi de suite. On obtient
89:;
?>=< * ?>=<
89:; * ?>=<
89:;
6 1 2
ppp 3
ppp
ppppp
pp
89:;
?>=< wppp * ?>=<
89:;
4 jk 5 4 ?>=<
89:;
6
La composante fortement connexe (cfc) d’un sommet x est égale à Γ̂(x)∩ Γ̂−1 (x).
Cette remarque permet d’obtenir un algorithme pour déterminer les cfc dans
un graphe :
Exemple :
89:;
?>=<
B ?>=<
89:;
F o ?>=<
89:;
E
oo o~o~> O
oo ~
oo ~
ooooo ~~~
wooo / ?>=<~~
89:;
?>=<
D 89:;
A@
@@
@@
@@
@@
89:;
?>=<
H / ?>=<
89:;
C / ?>=<
89:;
G
Γ̂(A) 0 1 2 2 4 5 3 1
Γ̂(C) 0 2 3 1
D’où,
cfc(A) = {A, B, D} = cfc(B) = cfc(D),
cfc(C) = {C, E, F, G} = cfc(E) = cfc(F) = cfc(G),
cfc(H) = {H}.
Début −1
Pour i = 1 à n Faire d− (i) ;
i ← Γ
k ← 0 ; C[0] ← ∅ ;
Pour i = 1 à n Faire
Si d−i = 0 Alors C[0] ← C[0] ∪ {i} ;
{C[k] est l’ensemble des sommets i tels que d−i = 0 à la k
eme
itération.}
Tant que C[k] = ∅ Faire
Début
C[k + 1] = ∅ ;
Pour tout i ∈ C[k] Faire
Début ;
r[i] ← k ; {calcul du rang du sommet i}
Pour tout j ∈ Γ(i) Faire
Début
d− −
j ← dj − 1 ;
−
Si dj = 0 Alors C[k + 1] ← C[k + 1] ∪ {j} ;
Fin ;
Fin ;
k ← k + 1;
Fin ;
Fin.
I.6. MISE EN ORDRE D’UN GRAPHE 11
Exemple :
?>=<
89:; / ?>=<
89:; / 89:;
?>=<
@ 2O .>> 4
O
7
O
.. >>
.. >>
.. >>>
89:;
?>=< .. >
1> .. >>
>> . >>
>> .. >>
>> .. >>
>> >>
89:;
?>=< 3 / 89:;
?>=<6 /6 89:;
?>=<
5
Exercices du chapitre I
Exercice I.1
On considère un graphe G = (E, U ) avec E = (A, B, C, D, E) et M sa matrice
associée :
0 1 0 1 0
0 0 1 0 0
M= 0 0 0 0 1
0 0 1 0 1
0 0 0 0 0
1. Tracer le graphe représentatif de cette matrice.
2. Déterminer la matrice d’incidence de ce graphe.
3. Calculer M i , i ∈ {1, 2, 3}. Rappeler la signification des coefficients non
nuls de ces matrices.
4. Calculer M [i] , i ∈ {1, 2, 3}.
5. Calculer A = I + M + M [2] + M [3] + M [4] . Donner une interprétation de
A.
6. Appliquer l’agorithme de Roy-Warshall à la matrice M . Que remarque-t-
on?
Exercice I.2
On considère le graphe G suivant :
?>=<
89:;
A que Γ−1 (A), . . . , Γ−1 (F ).
E Y
2. Calculer les demi-degrés inté-
rieurs et extérieurs de chaque
?>=<
89:;
F PP 3 ?>=<
89:;
B j sommet.
J PPP
PPP 3. Donner un exemple de chemin
PPP
PPP simple mais non élémentaire.
PP'
89:;
?>=< s 89:;
?>=<
E
Y 8 C 4. Existe-t-il un circuit hamiltonien
dans G?
Exercice I.3
Décomposer le graphe G suivant en composantes fortement connexes. On rem-
place chaque cfc par un seul point et on garde un seul arc joignant une cfc à
13
89:;
?>=<
B / ?>=<
89:;
E / ?>=<
89:;
J
~~ `@@@ ~ ~> _@@@
~~ @@ ~~ @@
~~ @@ ~~ @@
~ @@ ~ @@
~ ~ ~~
89:;
?>=<
A@ 89:;
?>=< 89:;
?>=<
/ F @ABC
GFED
/ K / ?>=<
89:;
@@ ~?C J
L
@@ ~
@@ ~~
@@ ~~~
~~
89:;
?>=<
D / ?>=<
89:;
G / ?>=<
89:;
I
Exercice I.4
Définitions :
– un graphe G = (E, U ) est dit τ -minimal si, ∀u ∈ U, si G = (E,U \{u})
alors τ (G ) = τ (G) où τ (X) représente la fermeture transitive de X.
– Deux graphes G et G sont dits τ -équivalents si τ (G) = τ (G ).
Soit G le graphe ci-dessous :
?>=<
89:;
B / ?>=<
89:;
C
O G @@@
@@
@@
@@
89:;
?>=<
D
~~>
~~
~~
~~~
89:;
?>=<
A / ?>=<
89:;
E
Exercice I.5
Deux joueurs disposent de deux tas de trois allumettes, à tour de rôle chaque
joueur peut enlever une ou deux allumettes dans un des tas. Le joueur qui retire
la dernière allumette perd la partie.
1. Modéliser le jeu à l’aide d’un graphe.
2. Que doit jouer le premier joueur pour gagner à coup sûr?
3. Reprendre l’exercice avec trois tas de trois allumettes.
14
15
Chapitre II
Chemins optimaux
Dans les graphes utilisés dans la pratique, les arcs sont affectés de valeur
numériques qui traduisent un coût de parcours. Il peut s’agir d’une distance
(réseau routier), d’un coût financier, d’une durée, d’un débit, etc...
Les graphes considérés désormais possèdent une entrée et une sortie uniques,
qui correspondent respectivement au début et à la fin du processus décrit par le
graphe. Le problème se pose alors de déterminer le chemin optimum pour aller
de l’entrée du graphe vers sa sortie, les coûts de parcours reflétant les différentes
contraintes du problème à traiter. L’optimisation peut se faire dans le sens d’un
coût maximum (par exemple recherche des délais maximum dans un ensemble
de tâches) ou d’un coût minimum (par exemple le plus court trajet entre deux
localités). Il peut y avoir d’autre contraintes du type «passer par tous les som-
mets du graphe» (chemin hamiltonien), etc...
Début
Pour i = 1 à n Faire
Pour j = 1 à n Faire Lire(vij ) ; {vij = +∞ si (i, j) ∈
/ U}
λ1 ← 0 ;
Pour i = 2 à n Faire λi ← +∞ ;
i ← 1;
Tant que i ≤ n Faire
Début
j ← 2;
Tant que j ≤ n Faire
Début
Si vij < +∞
Alors
Si λj − λi > vij
Alors
Début
λj ← λi + vij ;
Si i > j Alors i ← j Sinon j ← j + 1 ;
Fin
Sinon j ← j + 1
Sinon j ← j + 1
Fin ;
i ← i + 1;
Fin ;
Fin.
Pour trouver un chemin optimal, appelé chemin critique on choisit un
prédécesseur de n, soit p1 , tel que vp1 n = λn − λp1 , puis un prédécesseur p2 de
p1 tel que vp2 p1 = λp1 − λp2 , et ainsi de suite jusqu’à parvenir au sommet initial.
Le chemin (1,pk , · · · , p1 , · · · ,n) est bien minimal (longueur = λn ).
Exemple :
?>=<
89:; 2 / 89:;
?>=<
@ 2. 5>
.. >>>
4 .. >>8
.. 2 >>
>
89:;
?>=< ..
89:;
?>=<
1 >NN . @6
>>NNN 12 ..
N
>> NN . 8
> NNNN ..
9 >>
> NNNN . 5
89:;
?>=< / ' >=<
?
89:;
3 2
4
Début
S ← {2, · · · , n} ;
λ1 ← 0 ;
Pour i = 1 à n Faire
Pour j = 1 à n Faire Lire(vij ) ; {vij = +∞ si (i, j) ∈
/ U}
Pour i = 2 à n Faire λi ← v1i ;
Tant que S = ∅ Faire
Début
Soit j ∈ S tel que λj = min (λi ) ;
i∈S
S ← S \{j} ;
Pour tout i ∈ Γ(j) ∩ S Faire λi ← min(λi , λj + vji ) ;
Si λj = λi + vji Alors P red(i) ← j ;
Fin ;
Fin.
Exemple :
?>=<
89:; 4 / 89:; ?>=<
@ 2O . gNNNN 4 ^>>
.. NNN >
7 .. NNN >>>5
.. 2 NNNN>>>
. NN
89:;
?>=<
1> 5 1 .
. 89:;
?>=<
7 5
>> ..
ppppp @
>> .. 2 ppp
> p..p
1 >> p p p 3
> p
89:;
?>=< pp / 89:;
?>=<
3 7
6
λ1 = 0, λ2 = 5, λ3 = 1, λ4 = 8, λ5 = 3, λ6 = 6.
Début
S ← {1} ; Tant que |S| < n Faire
Début
Prendre un sommet j ∈ S (complémentaire de S) tel que Γ−1 (j) ⊂ S ;
λj ← min (λi + vij ) ;
i∈Γ−1 (j)
S ← S ∪ {j} ;
Fin ;
Fin.
Exemple :
?>=<
89:; 4 / ?>=<
89:; 4 / 89:;
?>=<
@ 2O .>> 4
O
7
O
.. >>
7 .. >>
.. >>>
89:;
?>=< . > 5
1> 5 −3 .. >> 10
>> .. >>
>> .. >>2
> .. >>
1 >> >>
>
89:;
?>=< 7 / ?>=<
89:; 3 / 89:;
3 6 6 ?>=<
5
2
Dans le graphe de la figure [II.3], on obtient, après l’avoir ordonné (cf [I.6]) :
– λ1 = 0
– λ3 = λ1 + v13 = 1
– λ2 = min(λ1 + v12 , λ3 + v32 ) = 6
– λ6 = min(λ2 + v26 , λ3 + v36 ) = 3
– λ4 = min(λ2 + v24 , λ6 + v64 ) = 8
– λ5 = min(λ2 + v25 , λ3 + v35 , λ6 + v65 ) = 3
– λ7 = min(λ4 + v47 , λ5 + v57 ) = 12
3
?>=<
89:; + ?>=<
89:;
1 Lk L 2 2
O LLL 3 rrrr J
LLLrrr
2 rrr LLL 4
−2 2
rrr LLL
89:;
?>=<yr %
+ ?>=<
89:;
3 k 1 4
4
0 3 +∞ 3 0 3 +∞ 3
2 0 2 2 (1) 2 0 2 2
L(0) =
−2 +∞
, L = ,
0 1 −2 1 0 1
+∞ 4 4 0 +∞ 4 4 0
0 3 5 3 0 3 5 3
2 0 2 2 2
L(2) = (3) 0 0 2 ,
−2 1 0 1 , L = −2 1 0 1
6 4 4 0 2 4 4 0
0 3 5 3
0 0 2 2
L = L(4) =
−2 1 0 1 .
2 4 4 0
20
Exercices du chapitre II
Exercice II.1
A la date 1, une personne achète une voiture de 15 000 ¤. Le coût de mainte-
nance annuelle du véhicule dépend de son âge pris au début de l’année :
Exercice II.2
Exécuter l’algorithme de Dijkstra sur le graphe ci-dessous en choisissant C puis
F comme sommets sources.
89:;
?>=<
B
z z< Y22EEE
zz 22 EE
zzz 22 EEE
7 zzz 22 EE1
zz 5 22
EE
zz 22 EE
z z EE
z z 2 2 EE
zz E"
89:;
?>=< 89:;
?>=< 8 / ?>=<
89:;
A Y2 F E G o 13 ?>=< 89:;
C
22 O EE
22 EEE
22 EE
2 EEE6
10 22 1 EE 4
22 EE
22 EE
EE
"
89:;
?>=<
E o 89:;
?>=<D
2
21
Exercice II.3
Exécuter l’algorithme de Floyd pour déterminer les chemins de valeur maximale
entre tout couple de sommets dans le graphe suivant :
89:;
?>=<
~ ?C
L @@@
4 ~~
~ @@3
~~ @@
~ @@
~~
89:;
?>=<
A @ −6 4 89:;
?>=<
B
@@ ~~ @@@
@@8 ~ @@2
@@ ~~ @@
@@ ~~~ 2 @@
~~
89:;
?>=<
D / ?>=<
89:;
E
1
Chapitre III
Ordonnancement
ti > ei
ti < ei
En effet, si l’on veut exprimer qu’une tâche i doit être terminée avant
l’époque limite Li , il vient :
ti + di < Li
succession : elles viennent limiter l’intervalle de temps qui s’écoule entre les
débuts de deux tâches i et j. On peut les mettre sous la forme :
tj − ti > aij
tj − ti < aij
Par exemple si la tâche j ne peut commencer avant que la tâche i ne soit
terminée on aura :
tj > ti + di
III.3. EXEMPLE DE PROBLÈME : 25
tj > ti + a.di
[ti , ti + di ] ∩ [tj , tj + dj ] = ∅
Cela arrive,entre autres, quand les deux tâches réclament l’utilisation d’un ma-
tériel unique susceptible de n’en accomplir qu’une seule à la fois. Si l’on connaît
l’ordre de succession, par exemple i avant j, on traduira par :
tj > ti + di
Les sommets sont disposés de gauche à droite de façon à limiter le nombre d’in-
tersections entre les arcs. Un arc relie un sommet i à un sommet j si i est un
pré-requis de j.
Chaque sommet est figuré par un rectangle où figurent les informations sui-
vantes :
x : nom de la tâche. (en bas)
Tx : date de début au plus tôt de la tâche. (en haut à gauche)
Tx∗ : date de début au plus tard de la tâche. (en bas à droite)
On introduit une tâche supplémentaire ou tâche fin, Z et une tâche initiale
W qui précède toutes les autres. Elles sont évidemment de durée nulle.
Disposition pratique
0: 1 4: 2 0: 3 0: 4 12 : 5 10 : 6 4: 7
0|W:0 0 |1 : 4 0 |W : 0 0 |W : 0 4 |2 : 6 4 |2 : 6 0 |1 : 4
0 |3 : 4 0 |3 : 4
0 |4 : 12
22 : 8 34 : 9 37 : Z
12 |5 : 10 10 |6 : 24 34 |9 : 3
4 |7 : 7 22 |8 : 10
Tx∗ − Tx .
III.4 .f Synthèse
On réunit les résultats obtenus précédemment dans un tableau récapitulatif :
28 CHAPITRE III. ORDONNANCEMENT
Tâche Date au plus tôt Date au plus tard Marge totale Marge libre
1 0 0 0 0
2 4 4 0 0
3 0 6 6 6
4 0 2 2 0
5 12 14 2 0
6 10 10 0 0
7 4 17 13 11
8 22 24 2 2
9 34 34 0 0
Z 37
III.4. LA MÉTHODE MPM 29
0 0
0 0
0
0 0 0 6 0 2
1 3 4
4
4
4 17 4 4
12
7 4 2
4 6
6
12 14 10 10
7
5 6
10
22 24
24
8
10
34 34
37 37
00 00
1
1
{1}
4
{3}
4
4 4 {4}
12
2
{2}
6
{7}
10 10 12 14
7
3 4
{5}
10
{6} 22 24
24 5
{8}
10
34 34
{9}
37 37
Exercice III.1
Un producteur de cinéma a planifié les tâches suivantes pour son prochain film :
Deuxième partie
Programmation Linéaire
35
Chapitre I
Présentation
z = c1 x1 + c2 x2 + c3 x3
De plus, comme les xi sont des pourcentages (exprimé en centièmes 100% est
ramené à 1), on a l’équation,
x1 + x2 + x3 = 1.
Par ailleurs les contraintes de positivité impliquent que xi ≥ 0, pour i = 1, 2, 3.
On obtient ainsi la formulation du problème à résoudre :
min(z) = c1 x1 + c2 x2 + c3 x3 (I.1)
a11 x1 + a12 x2 + a13 x3 ≥ b1
a21 x1 + a22 x2 + a23 x3 ≥ b2
(I.2)
x1 + x2 + x3 = 1
xi ≥ 0, pour i ∈ {1, 2, 3}
l’ensemble ainsi formé est un PL, la fonction économique est donnée par l’équa-
tion (I.1), tandis que le système (I.2) détermine les contraintes du problème.
Les variables xi sont appelées variables structurelles ou variables de dé-
cision. La résolution du problème consiste à déterminer les valeurs des xi qui
optimisent la fonction z (qui est une fonction des variables xi ).
n
ti = aij xj − bi est appelée variable d’écart, ti ≥ 0. Son introduction dans
j=1
chacune des contraintes, hors celles de positivité, permet d’obtenir des équations
et conduit à une formulation dite standard du PL. Ici on obtient :
min(z) = c1 x1 + c2 x2 + c3 x3 (I.3)
a11 x1 + a12 x2 + a13 x3 + t1 = b1
a21 x1 + a22 x2 + a23 x3 + t2 = b2
(I.4)
x1 + x2 + x3 = 1
xi ≥ 0, pour i ∈ {1, 2, 3}
Remarques :
1. Minimiser la fonction économique z revient à maximiser −z : on change ci
en ci = −ci.
I.2. FORME STANDARD DES PROBLÈMES DE PL 37
variables en base variables hors base
Cette solution est de base réalisable. Ce type de solution sera utilisé ultérieu-
rement dans la méthode du simplexe.
I.4 Définitions :
Solution réalisable :
On appelle ainsi toute solution du système (I.6) (y compris donc les
contraintes de positivité).
Variables de base :
tout sous-ensemble xi1 , . . . , xim de m variables prises parmi x1 , . . . , xn et
telles que les vecteurs associés Pi1 , . . . , Pim forment une base de Rm donc
que la matrice qu’ils forment, qui est carrée d’ordre m, soit inversible.
Solution de base :
Toute solution comportant n − m variables nulles et telles que les m res-
tantes soient des variables de base.
Solution de base réalisable :
Toute solution de base qui satisfait aux contraintes (I.6).
Solution optimale :
Toute solution réalisable qui optimise z. Si une telle solution existe, il y a
au moins une qui est de base et réalisable.
I.5. RÉSOLUTION GRAPHIQUE D’UN PL : 39
max(z) = x1 + 3x2
x1 + x2 ≤ 14
−2x1 + 3x2 ≤ 12
2x1 − x2 ≤ 12
x1 , x2 ≥ 0
2. Problème borné avec infinité de solutions (voir fig.(I.2) :
max(z) = x1 + x2
x1 + x2 ≤ 14
−2x1 + 3x2 ≤ 12
2x1 − x2 ≤ 12
x1 , x2 ≥ 0
3. Problème non borné sans solution (voir fig.(I.3) :
max(z) = x1 + x2
−x1 + x2 ≤ 1
−x1 + 2x2 ≤ 4
x1 , x2 ≥ 0
4. Problème non borné avec une solution unique (voir fig.(I.4) :
Dans le cas où il n’y a que deux variables structurelles, on peut effectuer une
résolution graphique. L’espace des décisions est ici le plan (x1 , x2 ). L’ensemble
des solutions réalisables, dans le cas d’un problème borné, constitue un polygone
convexe : (O, A, B, C, D) dans l’exemple 1 ci-dessus. Dans le cas général, si le
PL a des solutions, il en existe toujours au moins une qui est de base, c’est un
sommet (ou point extrême) du polygone. Dans le PL de l’exemple 1, le point
B(6, 8) pour lequel la fonction économique z vaut 30 donne l’optimum. Toutes
les droites d’équation z = x1 + 3x2 sont parallèles, en les déplaçant vers le haut,
tout en restant au contact du polygone convexe (O, A, B, C, D), on obtient
comme limite le point B. Dans l’exemple 2, la fonction économique z = x1 + x2 ,
conduit à une infinité de solutions constituées par le segment [B, C], z vaut 14
sur ce segment. Dans les exemples 3 et 4, l’ensemble des solutions réalisables est
non borné, dans ce cas la solution peut-être infinie (ex. 3) ou exister (ex. 4) cf
les figures à la fin du chapitre. Enfin dans le cas de contraintes contradictoires,
l’ensemble est vide, il n’y alors pas de solution.
40 CHAPITRE I. PRÉSENTATION
Exercices du chapitre I
Exercice I.1
Une entreprise fabrique deux produits P1 et P2 qui nécéssitent du temps de
travail(main d’œuvre), du temps-machine et des matières premières. Les données
techniques de production ainsi que les prix de vente par unité sont donnés dans
le tableau ci-dessous :
P1 P2
Quantité de travail (en
h) nécessaire à la fabri- 0.07 0.04
cation d’une unité
Quantité de temps-
machine (en h) néces-
0.12 0.06
saire à la fabrication
d’une unité
Quantité de matière
première (en nombre
d’unité u) nécessaire 2 1
à la fabrication d’une
unité de produit
Prix de vente par unité
15 8
(en ¤)
Les salaires (pour les heures normales) sont un coût fixe pour l’entreprise.
Question :
Modéliser le problème sous forme d’un PL que l’on ne demande pas de
résoudre.
Exercice I.2
On cherche comment approvisionner, au moindre coût, des clients en implantant
un nombre p, donné a priori, de dépôts dans des sites préalablement recensés.
Chaque client sera rattaché à un seul dépôt, un client quelconque pouvant être
rattaché à n’importe quel dépôt. Les données sont :
– m le nombre de sites (m ≥ p).
– n le nombre de clients.
– γi le coût de construction d’un dépôt sur le site i (1 ≤ i ≤ m).
– cij le coût de rattachement du client j à un dépôt construit sur le site i
(1 ≤ i ≤ m, 1 ≤ j ≤ n).
On prend comme inconnues :
1 si le client j est rattaché au dépôt i
xij =
0 sinon
1 si le dépôt est construit sur le site i
yi =
0 sinon
Formuler :
1. La fonction économique du problème (coût de construction des entrepôts
+ coût de rattachement).
2. Les contraintes exprimant que chaque client est rattaché à un seul dépôt.
3. La contrainte exprimant que l’on doit construire exactement p dépôts.
4. Que signifient les contraintes supplémentaires :
xij ≤ yi , (1 ≤ i ≤ m, 1 ≤ j ≤ n)
Exercice I.3
Résoudre graphiquement le PL suivant :
max(z) = x1 + 2x2
x1 + x2 ≤ 3
−x1 + x2 ≤ 1
x1 ≤ 2
x1 , x2 ≥ 0
43
max(z) = x1 + 2x2
x1 ≤ 1
x1 + x2 ≥ 6
−x1 + x2 = 12
x1 , x2 ≥ 0
Exercice I.4
Un fabricant d’aliment pour porcs, cherche à optimiser la composition de celui-
ci sachant qu’il n’entre dans sa composition que trois ingrédients : Blé, maïs
et soja. L’aliment devra comporter au moins 22% d’un composant C1 et 4%
d’un composant C2 pour se conformer aux normes en vigueur. Les données sont
résumées dans le tableau ci-dessous :
x2
30=
z= x
1+
3x2
Opt
8 B
C
z cr
0 =z o is sa A
=x 1 nt
+3
x1
x2
+
x2
=
14
O 6 D x1
1 2
2=
3x
1+
12
-2 x
x2=
1-
2x
x2
0=
z=
x1
+
x2
B
z
cr
oi
ss
an
t
C
A
x1
+
x2
=
14
O D x1
1 2
2=
3x
1+
12
-2 x
2=
x
1-
2x
x2
cr
z
oi
ss
an
1
t
=
x2
+
1
-x
B
4
x2 = A
+2
-x 1
O
x1
z
=
x1
+
x2
Fig. I.3 – Problème non borné, pas de solution
2
x2 4x
+
x 1
1 -3
= z=
x2 6
=
+
- x1
Opt
B
3
=4 A
x2
+2
- x1
O 2
x1
z t
s an
oi s
cr
Chapitre II
La méthode du simplexe
II.1 Introduction
II.1 .a Etude d’un exemple :
Reprenons l’exemple 1 de la section (III.2 .b) du chapitre précédent :
max(z) = x1 + 3x2
x1 + x2 ≤ 14
−2x1 + 3x2 ≤ 12
2x1 − x2 ≤ 12
x1 , x2 ≥ 0
Pour obtenir des égalités, on introduit 3 variables d’écart t1 , t2 , t3 , qui seront les
variables de base initiales, avec x1 , x2 hors base et de valeur nulle. On obtient
le système :
z − x1 − 3x2 = 0
x1 + x2 + t1 = 14
−2x 1 + 3x2 + t 2 = 12
2x1 − x2 + t3 = 12
La solution de base associée est (x1 , x2 , t1 , t2 , t3 ) = (0, 0, 14, 12, 12) avec
z = 0. Le but est de maximiser z, on cherche si l’on peut augmenter les valeurs
de x1 ou x2 en les faisant entrer en base et en faisant sortir l’une des variables
ti (le nombre de variables en base est constant et égal à m (3 ici)). x2 a le plus
fort coefficient dans la fonction économique, il est donc naturel de la faire entrer
en base. Les différentes contraintes imposent, x2 ≤ 14, x2 ≤ 12 3 = 4, x2 ≥ 0,
obtenues par les trois dernières équations du système. On retient la valeur x2 =
4, de la deuxième équation, ce qui va entraîner la sortie de t2 , x1 restant égale
à 0. On utilise la méthode du pivot de Gauss, pour obtenir le nouveau système
(ici, on divise le coefficient de x2 par 3 dans la deuxième équation et on remplace
x2 par 23 x1 − 13 t2 + 4 dans les trois autres, on obtient le nouveau système :
z − 3x1 + t2 = 12
5
x
3 1 + t1 − 13 t2 = 10
2 1
34− x1 + x2 + 3 t 2 = 4
1
3 x1 + 3 t 2 + t 3 = 16
48 CHAPITRE II. LA MÉTHODE DU SIMPLEXE
La nouvelle solution de base est (x1 , x2 , t1 , t2 , t3 ) = (0, 4, 10, 0, 16) avec z = 12.
On cherche si on peut améliorer la solution, la seule possibilité ici est de faire
entrer x1 en base, les contraintes conduisent à faire sortir t1 de la base et on
obtient ainsi le nouveau système :
z + 95 t1 + 25 t2 = 30
5
3 x1 + t1 − 13 t2 = 10
2 1
−
3 1 x + x 2 + t
3 2 = 4
4 1
x
3 1 + t
3 2 + t 3 = 16
Tableau initial :
Base B x1 x2 t1 t2 t3
t1 14 1 1 1 0 0
t2 12 −2 ?>=<
89:;
3 0 1 0
t3 12 2 −1 0 0 1
Tableau n◦ 2 :
Le nombre 3 en gras, est appelé pivot, il est forcément strictement po-
sitif, on divise la ligne du pivot (dans l’exemple, la ligne de la variable
t2 ) par le pivot pour que la valeur de celui-ci devienne égale à 1, puis
par combinaison linéaire, en ajoutant la ligne du pivot multipliée par un
coefficient tel que les valeurs de la colonne du pivot deviennent égales à 0
à chacune des autres lignes, on obtient le tableau suivant, en remplaçant
dans la première colonne la variable sortante par la variable entrante. Ici,
on multiplie la ligne du pivot par −1 et on l’ajoute à la première ligne,
puis on multiplie la ligne du pivot par 1 (inchangée) et on l’ajoute à la
dernière ligne, pour obtenir les nouvelles lignes, cela donne :
Base B x1 x2 t1 t2 t3
t1 10 @ABC
GFED
5
0 1 − 13 0
3
−2 1
x2 4 3 1 0 3 0
4 1
t3 16 3 0 0 3 1
II.2. L’ALGORITHME DU SIMPLEXE : 49
Tableau final :
Base B x1 x2 t1 t2 t3
3
x1 6 1 0 5 − 51 0
2 1
x2 8 0 1 5 5 0
t3 8 0 0 − 45 3
5 1
Pour simplifier, supposons que l’on veuille faire entrer en base le vecteur Pm+1 .
Notons θ la valeur que l’on va donner à la variable xm+1 qui devient de base.
m
On a θPm+1 = θxi, m+1 Pi , on peut donc écrire,
i=1
m
(xi − θxi, m+1 )Pi + θPm+1 = B (II.2)
i=1
On va chercher un point extrême voisin du point précédent. Pour cela, l’un des
vecteurs Pi initiaux doit sortir de base et un vecteur hors base doit y rentrer. Il
faut déterminer quel vecteur sortant on va choisir. On doit avoir obligatoirement
50 CHAPITRE II. LA MÉTHODE DU SIMPLEXE
θ > 0, et xi −θxi, m+1 ≥ 0, ∀i ∈ {1, . . . , m}. Cette dernière condition est acquise
xi
si xi, m+1 ≤ 0 pour les autres on doit avoir ≥ θ. On va donc choisir :
xi, m+1
xi
θ = θs = min (II.3)
{i|xi,m+1 >0} xi, m+1
xs
Soit s l’indice qui donne ce minimum, on a donc θs = . Le coefficient
xs, m+1
de Ps est donc nul et c’est le vecteur qui sort de base. La nouvelle base est
donc (Pi ), i ∈ {1, . . . , m + 1}\{s}. Si l’on suppose que s = 1, le nouveau point
extrême serait,
ce − z e = max (ci − zi ),
{i|ci −zi >0}
c’est celui qui est susceptible de donner le plus grand accroissement à la fonction
économique. Dans le cas où tous les coûts fictifs sont négatifs ou nuls, on dé-
montre que l’optimum est atteint. De plus, si pour un coût fictif positif, toutes
les coordonnées xij de la colonne correspondante sont négatives ou nulles, on
montre que le problème n’admet pas de solution (problème non borné).
II.3 .a L’algorithme :
PL à maximum
Début
Mettre les contraintes sous forme d’égalités ;
Rechercher une première solution réalisable ;
Construire le premier tableau du simplexe ;
Tant que ∃j ∈ {1, . . . , n} : (cj − zj ) > 0 Faire
Si ∃k ∈ {1, . . . , n} : (ck − zk ) > 0 et xij < 0 ∀i ∈ {1, . . . , m}
Alors max(z) = +∞ {pas de solution}
Sinon
Début
{Recherche des variables entrante et sortante }
xe entre en base si ce − ze = max(ck − zk ) ;
bs bi
xs sort si = min ( );
xse xie >0 xie
{Construction du nouveau tableau, le pivot est xse }
{Ligne du pivot}
bs
be ← {dans la colonne de B};
xse
x sj
xej ← {donc 1 pour xes } ;
xse
{Autres lignes}
xie
bi ← bi − xs ;
xse
xie
xij ← xij − ;
xse
x s
z0 ← z0 + (ce − ze ) ;
xse
xsj
cj − zj ← cj − zj − (ce − ze ) ;
xse
Fin ;
Fin.
Une base initiale est formée par P1 P4 , P6 , avec 7P1 + 12P4 + 10P6 = B,
X = (7, 0, 0, 12, 0, 10) est une solution de base réalisable. Relativement à cette
base, on a,
P2 = 3P1 − 2P4 − 4P6 , P3 = −P1 + 4P4 + 3P6 , P5 = 2P1 + 8P6 . Le problème
étant un problème à minimum, on va maximiser −z et donc remplacer dans
l’algorithme du simplexe ci par ci = −ci . Pour obtenir les valeurs de zi , on
multiplie les valeurs de la colonne C par les valeurs correspondantes de la co-
lonne relative à la variable xi , puis on calcule les valeurs ci − zi , on obtient ainsi,
Tableau initial :
0 −1 3 0 −2 0
Base C B x1 x2 x3 x4 x5 x6
x1 0 7 1 3 −1 0 2 0
x4 0 12 0 −2 89:;
?>=<
4 1 0 0
x6 0 10 0 −4 3 0 8 1
0 0 −1 3 0 −2 0
Seul c3 − z3 > 0, x3 entre en base. Les valeurs pour lesquelles xi3 > 0
x4 12 x6 10
sont x43 , x63 , on calcule les quotients : = = 3 et = , la
x43 4 x63 3
plus petite valeur est θ = 3, donc x4 sort de base, on calcule le deuxième
tableau.
Tableau n◦ 2 :
0 −1 3 0 −2 0
Base C B x1 x2 x3 x4 x5 x6
x1 0 10 1 @ABC
GFED
5
0 1
2 0
2 4
x3 3 3 0 − 21 1 1
4 0 0
5 3
x6 0 1 0 −2 0 −4 8 1
1 3
9 0 2 0 − 4 −2 0
On a ici c2 − z2 > 0 et x2 entre en base tandis que x1 sort, avec θ = 4.
II.4. OBTENTION D’UNE BASE RÉALISABLE DE DÉPART : 53
Tableau n◦ 3 :
0 −1 3 0 −2 0
Base C B x1 x2 x3 x4 x5 x6
2 1 4
x2 −1 4 5 1 0 10 5 0
1 3 2
x3 3 5 5 0 1 10 5 0
x6 0 11 1 0 0 − 12 10 1
11 − 15 0 0 − 45 − 12
5 0
La solution optimale est X = (0, 4, 5, 0, 0, 11) et z0 = 11.
Remarques :
1. On n’introduira que le nombre nécessaire de variables artificielles (≤ m),
c’est à dire dans les contraintes qui le nécessitent.
2. Lorsqu’une variable artificielle sort de base, cette sortie est définitive et
on la raye de la liste.
3. Le premier tableau du simplexe de la deuxième phase est identique au
dernier tableau de la première phase, à l’exception de la dernière ligne où
l’on reprend les coefficients initiaux de la fonction économique.
54 CHAPITRE II. LA MÉTHODE DU SIMPLEXE
II.4 .b Exemple :
On veut résoudre le PL suivant :
max(z) = −v1 − v2
x1 + x2 − t1 + v1 = 6
x1 − t2 + v2 = 4
x 2 + t3 = 3
x1 , x2 , t1 , t2 , t3 , v1 , v2 ≥ 0
Première phase :
0 0 0 0 0 −1 −1
Base C B x1 x2 t1 t2 t3 v1 v2
v1 −1 6 1 1 −1 0 0 1 0
v2 −1 4 89:;
?>=<
1 0 0 −1 0 0 1
t3 0 3 0 1 0 0 1 0 0
−10 2 1 −1 −1 0 0 0
v2 sort et x1 rentre en base, on élimine v2 du problème :
0 0 0 0 0 −1
Base C B x1 x2 t1 t2 t3 v1
v1 −1 2 0 89:;
?>=<
1 −1 1 0 1
x1 0 4 1 0 0 −1 0 0
t3 0 3 0 1 0 0 1 0
−2 0 1 −1 1 0 0
II.4. OBTENTION D’UNE BASE RÉALISABLE DE DÉPART : 55
0 0 0 0 0
Base C B x1 x2 t1 t2 t3
x2 0 2 0 1 −1 1 0
x1 0 4 1 0 0 −1 0
t3 0 1 0 0 1 −1 1
0 0 0 0 0
Une solution de base réalisable est donc :
X = (x1 , x2 , t1 , t2 , t3 ) = (4, 2, 0, 0, 1).
Deuxième phase :
Le PL se formule sous la forme équivalente suivante :
5 7 0 0 0
Base C B x1 x2 t1 t2 t3
x2 7 3 0 1 0 0 1
x1 5 4 1 0 0 −1 0
t1 0 1 0 0 1 −1 1
41 0 0 0 5 −7
56
Exercices du chapitre II
Exercice II.1
Un chalutier est équipé pour la pêche de trois sortes de crustacés, C1 , C2 , C3 . La
capacité totale de pêche est de 1000 tonnes. Au débarquement, on effectue un
tri sur la cargaison et seuls 80% de C1 , 95% de C2 et 90% de C3 sont utilisables
à la vente. Par ailleurs la capacité de traitement est de 900 tonnes au maximum.
Pour préserver les espèces, la différence entre la quantité pêchée de C1 et de la
totalité des deux autres espèces, ne doit pas dépasser 100 tonnes. Le capitaine
veut maximiser le bénéfice sachant qu’une tonne de C1 pêché et conditionné
dégage un bénéfice de 125 ¤ de C2 , 84 ¤ et de C3 , 78 ¤.
1. Formuler algébriquement le PL ainsi posé (on pourra arrondir aux entiers
les plus proches les coefficients de la fonction économique).
2. résoudre le PL par la méthode du simplexe.
Exercice II.2
Résoudre le PL suivant en utilisant la méthode des pénalités pour trouver une
première solution de base réalisable.
Chapitre III
Dual
III.1 Introduction :
Etant donné un PL du type,
n
max(z) = cj xj
j=1
n
aij xj ≤ bi , i ∈ {1, . . . ,m}
(III.1)
j=1
xj ≥ 0, pour j ∈ {1, . . . , n}
on peut considérer qu’il concerne une entreprise E1 fabricant n biens j, j ∈
{1, . . . , n} et faisant intervenir m ressources i, i ∈ {1, . . . , m}. Le problème que
peut se poser l’entreprise est le suivant :
Etant donnée la disponibilité bi pour chaque ressource i et le profit unitaire cj
pour chacun des biens j, quel doit être le niveau de production de chaque bien
j pour que la quantité de bien i consommée reste inférieure à la disponibilité bi
et que le profit total soit maximal?
Supposons qu’une autre entreprise E2 , en rupture de stock, désire racheter les
ressources de la première, le problème qu’elle va se poser et le suivant :
Etant donné un prix unitaire cj pour chacun n biens j et une disponibilité bi
pour chacune des m ressources i, quel doit être le prix unitaire minimum d’achat
yi de chaque ressource i pour que la valeur totale des ressources consommées
par chaque bien j soit supérieure ou égale à cj (pour que cela rester intéressant
pour l’entreprise E1 et que le prix total d’achat des ressources disponible soit
minimum?
Ce deuxième problème constitue le problème dual du premier, il peut se mettre
sous la forme :
m
min(z) = bi yi
i=1
m
a y ≥ c , j ∈ {1, . . . ,n}
ij i j
(III.2)
i=1
yi ≥ 0, pour i ∈ {1, . . . , m}
58 CHAPITRE III. DUAL
impliquent que le prix d’achat des ressources par l’entreprise E2 reste supérieur
au profit que peut en tirer l’entreprise E1 , c’est à dire,
m
n
bi yi ≥ cj xj
i=1 j=1
ce qui est conforme aux lois de l’économie, on voit donc intuitivement que le mi-
nimum atteint par le deuxième problème doit être égal au maximum du premier
problème. La théorie montre que c’est le cas quand le problème a des solutions.
Primal Dual
n
m
max(z) = cj xj min(z) = bi yi
j=1 i=1
n m
aij xj ≤ bi , i ∈ {1, . . . ,m} a y ≥ c , j ∈ {1, . . . ,n}
ij i j
j=1
i=1
xj ≥ 0, pour j ∈ {1, . . . , n} yi ≥ 0, pour i ∈ {1, . . . , m}
III.2 .b Exemples :
Primal Dual
max(z1 ) = x1 + 3x2 min(z2 ) = 14y1 + 12y2 + 12y3
x1 + x2 ≤ 14
−2x1 + 3x2 ≤ 12 y1 − 2y2 + 2y3 ≥ 1
2x1 − x2 ≤ 12 y1 + 3y2 − y3 ≥ 3
x1 , x2 ≥0 y1 , y2 , y3 ≥ 0
3x1 + x2 ≥ 10
4x1 − 3x2 ≤ 8
x1 − x2 ≤ 6
x1 , x2 ≥ 0
on écrira :
Primal Dual
min(z1 ) = −2x1 + 9x2 max(z2 ) = 10y1 − 8y2 − 6y3
3x1 + x2 ≥ 10
−4x1 + 3x2 ≥ −8 3y1 − 4y2 − y3 ≤ −2
−x1 + x2 ≥ −6 y1 + 3y2 + y3 ≤ 9
x1 , x2 ≥0 y1 , y2 , y3 ≥ 0
Théorèmes :
– Le dual du PL dual est le PL primal.
– Si le primal est non borné, le dual est contradictoire. Si le primal est
contradictoire, le dual est non borné ou contradictoire. Si le primal admet
une solution finie x̄ alors le dual admet une solution optimale finie ȳ qui
vérifie : z1 (x̄) = z2 (ȳ).
– A toute variable d’écart primale (resp. duale) positive correspond une va-
riable structurelle duale (resp. primale) nulle. A toute variable structurelle
primale (resp. duale) positive correspond une variable d’écart duale (resp.
primale) nulle. On note, xj (resp. yi )les variables structurelles du primal
(resp. dual) et ti (resp. uj ) les variables d’écart du primal (resp. dual).
xj = 0 → uj > 0
xj > 0 ← uj = 0
ti = 0 → y i > 0
ti > 0 ← y i = 0
Exemple :
Base B x1 x2 t1 t2 t3
3 1
x1 6 1 0 5 − 5 0
2 1
x2 8 0 1 5 5 0
4 3
t3 8 0 0 −5 5 1
30 0 0 − 59 − 25 0
En utilisant les propriétés vues ci-dessus, on obtient le tableau final simplexe
du dual :
Base B y1 y2 y3 u1 u2
9 4
y1 5 1 0 5 − 35 − 52
2
y2 5 0 1 − 53 1
5 − 51
30 0 0 −8 −6 −8
61
Exercice III.1
Une entreprise fabrique 3 produits A, B et C qui nécessitent matières premières
et main d’œuvre qui sont disponibles en quantité limitées suivant le tableau
ci-dessous :
Produits A B C Disponibilité
Matières premières(en kg) 4 2 1 6000
Main d’œuvre (en h) 2 0.5 3 4000
Bénéfice par unité (en ¤) 60 20 40
60 20 40 0 0 0
Base C B x1 x2 x3 t1 t2 t3
11 3 1
x1 60 1400 1 20 0 10 − 10 0
x3 40 400 0 − 51 1 − 15 2
5 0
13 1 3
t3 0 700 0 20 0 − 10 − 10 1
0 0 −5 0 −10 −10 0
Chapitre IV
Analyse de sensibilité, PL
paramétrique
n
max(z) = cj xj
j=1
n
aij xj = bi , i ∈ {1, . . . ,m}
j=1
xj ≥ 0, pour j ∈ {1, . . . , n}
64 CHAPITRE IV. ANALYSE DE SENSIBILITÉ, PL PARAMÉTRIQUE
On en déduit,
m
m
λ0 cj − ci xij + cj − ci xij ≤ 0, j ∈ {1, . . . , n}
i=1 i=1
m
m
Posons Cj = cj − ci xij et Cj = cj − ci xij .
i=1 i=1
La solution x̄(λ) restera optimale si toutes les quantités correspondantes zj − cj
restent négatives, i.e. pour toutes les valeurs de λ qui vérifient :
C
λ ≤ αj = − C j ∀j ∈ {1, . . . , n},\{Cj > 0}
j
λ ≥ Cj
βj = − Cj ∀j ∈ {1, . . . , n},\{Cj < 0}
m
min(z) = (bi + λbi )yi
i=1
n
a y ≥ c , j ∈ {1, . . . ,n}
ij i j
i=1
yi ≥ 0, pour i ∈ {1, . . . , m}
IV.3 Exemple
max(z) = x1 + (3 − 3λ)x2
x1 + x2 ≤ 14
−2x1 + 3x2 ≤ 12
2x1 − x2 ≤ 12
x1 , x2 ≥ 0
1 3 − 3λ 0 0 0
Base C B x1 x2 t1 t2 t3
3
x1 1 6 1 0 5 − 51 0
2 1
x2 3 − 3λ 8 0 1 5 5 0
t3 0 8 0 0 − 54 GFED
@ABC
3
1
5
−9+6λ −2+3λ
30 − 24λ 0 0 5 5 0
−9 + 6λ
≤ 0 2
5 => 0 ≤ λ ≤ , (x1 , x2 ) = (6, 8), z = 30 − 24λ.
−2 + 3λ 3
≤ 0
5
2
Le premier intervalle de stabilité est donc : 0; .
3
66 CHAPITRE IV. ANALYSE DE SENSIBILITÉ, PL PARAMÉTRIQUE
1 3 − 3λ 0 0 0
Base C B x1 x2 t1 t2 t3
26
x1 1 3 1 0 − 13 0 1
3
x2 3 − 3λ 16
0 1 GFED
@ABC
2
0 − 13
3 3
40
t2 0 3 0 0 − 43 0 5
3
74
3 − 16λ 0 0 − 73 + 2λ 0 2
3 −λ
− 7 + 2λ ≤
0 2 7 26 16 74
3 => ≤ λ ≤ , (x1 , x2 ) = , ,z= − 16λ.
2 3 6 3 3 3
−λ ≤ 0
3
2 7
Le deuxième intervalle de stabilité est donc : ; .
3 6
1 3 − 3λ 0 0 0
Base C B x1 x2 t1 t2 t3
x1 1 6 1 − 12 0 0 1
2
3
t1 0 8 0 2 1 0 − 12
t2 0 24 0 2 0 1 1
7
6 0 2 − 3λ 0 0 − 12
7
λ≥, (x1 , x2 ) = (6, 0), z = 6.
6
7
Le dernier intervalle de stabilité est donc : ; +∞ .
6
30
14
O 2/3 7/6
Exercices du chapitre IV
Exercice IV.1
Une petite compagnie de taxis-bus possède 4 véhicules et emploie 6 chauffeurs.
Les véhicules peuvent rouler de jour comme de nuit. Le rendement d’un véhicule
circulant le jour est fixé à 1 tandis que la nuit il vaut 1+λ. Déterminer le nombre
de véhicules devant circuler la nuit en fonction de λ.
Exercice IV.2
Quatre machines M1 , M2 , M3 , M4 servent à fabriquer trois produits P1 , P2 , P3 .
Le produit P1 est composé de deux éléments fabriqués respectivement par M1
et M3 , P2 de trois éléments fabriqués respectivement par M2 , M3 et M4 , P3
de trois éléments fabriqués respectivement par M1 , M2 et M4 . Les machines
M1 , M2 , M3 , M4 doivent produire quotidiennement respectivement au moins
10, 12, 8, 10 unités pour être rentables.
Déterminer les quantités minimales des trois produits à fabriquer pour mi-
nimiser le coût total de production, si les coût unitaires de production valent
respectivement :
1. 2, 3 et 4 ¤.
2. (2+3λ), (3+2λ) et (4+λ) ¤, où λ est choisi de telle manière que les quan-
tités considérées soient positives ou nulles. Représenter graphiquement la
fonction économique pour les valeurs optimales, en fonction de λ.
68
69
Troisième partie
Processus Stochastiques et
applications
71
Chapitre I
Xc2(t) en mm
Xc1(t) en mm
1 2 3 31 t 1 2 3 31 t
I.2 .b Modélisation
Si on note X le processus, en partant de la valeur t = 0, Xt décrit le nombre
d’événements survenus dans l’intervalle ]0, t], par hypothèse X0 = 0. Le proces-
sus X est dit de Poisson s’il vérifie les conditions suivantes :
1. Le processus est sans mémoire, ce qui revient à dire que pour un instant
quelconque t, les occurences d’événements avant la date t n’influent pas sur
les occurences d’événements après t. De manière générale, si l’on considère
deux intervalles [t1 , t2 ] et [t1 , t2 ] disjoints, le nombre d’événements qui se
produisent dans l’un des intervalles est indépendant des événements qui
se produisent dans l’autre.
2. Si l’on considère t > 0 et h > 0 quelconques, Xt+h − Xt est une variable
aléatoire dont les valeurs ne dépendent que de h. On dit que le processus
est homogène dans le temps. Puisque X0 = 0, la loi de cette v.a. est la
même que celle de Xh .
3. La probabilité pour qu’au moins deux événements se réalisent en même
temps est négligeable devant la probabilité qu’il ne s’en produise qu’un.
Sous réserve de quelques hypothèses supplémentaires, on montre qu’il existe une
constante λ telle que la v.a. Xt suive une loi de Poisson de paramètre λt. C’est
à dire que,
(λt)n
∀t ∈]0, + ∞[, ∀n ∈ N, P (Xt = n) = exp(−λt).
n!
E(Xt )
On a, E(Xt ) = V (Xt ) = λt. On a donc λ = , c’est la taux d’arrivée i.e. le
t
nombre moyen d’arrivées par unité de temps. Cette remarque permettra de dé-
terminer λ expérimentalement en faisant quelques hypothèses supplémentaires.
Soient t, s > 0, le fait que le processus ne dépende pas de son passé implique
que :
(λs)n
P (Xt+s − Xt = n|Xu ,u ≤ t) = P (Xt+s − Xt = n) = exp(−λs)
n!
En effet l’événement (T1 > t) signifie qu’aucun événement ne s’est produit sur
l’intervalle [0, t]. T1 suit donc une loi exponentielle de paramètre λ. Pour n ∈ N∗ ,
intéressons-nous à la v.a. Tn+1 − Tn , qui définit la loi d’inter-arrivées entre la
neme et la (n + 1)eme occurence de l’événement.
puisque d’une part, si n événements sont arrivés sur l’intervalle ]0, s], il n’y en
aucun sur l’intervalle ]s, s + t], et que d’autre part le processus X est sans
mémoire.
Remarque : X et T décrivent le même processus et l’on a,
On déduit des résultats précédents que la v.a. Tn suit une loi d’Erlang de para-
mètres n, λ définie par :
n
(λt)k
P (Tn ≤ t) = 1 − e−λt .
k!
k=0
I.4 .a Théorème
Soit X un processus de Poisson. Si un événement intervient dans l’intervalle
]0, t], t > 0, la probabilité pour qu’il se produise dans un sous-intervalle de lon-
x
gueur x ≤ t est c’est à dire que la v.a. Y1 associée à cet événement suit une loi
t
uniforme sur ]0, t]. Plus généralement, s’il y a eu n événements sur l’intervalle
]0, t], les v.a. Y1 , . . . , Yn sont indépendantes et de loi uniforme sur ]0, t]. Cela
implique que lors de la détermination expérimentale de la loi on pourra choisir
des échantillons au hasard dans les intervalles concernés.
I.4 .b Application
Dans une banque ouvrant de 9h à 17h en journée continue, on a choisi un
échantillon de 100 intervalles de 30 minutes durant lesquels on a relevé le nombre
de clients dans la banque. On a fait l’hypothèse que durant la journée chaque
période vérifie les conditions du théoreme I.4 .a, ce qui signifie que les différentes
plages horaires sont identiquement chargées. On a établi le tableau suivant :
Nombre d’arrivées 0 1 2 3 4 5 6 7 8 9 10 11
Nombre de périodes 2 9 14 19 20 15 11 5 3 1 1 0
(0 × 2 + 1 × 9 + . . . + 10 × 1 + 11 × 0)
Calcul de la moyenne : ≈ 4.
100
On constate que l’histogramme est très proche de celui d’une loi de Poisson de
I.5. GRAPHES ASSOCIÉS À UNE LOI DE POISSON 75
paramètre 4 :
k 0 1 2 3 4 5 6 7 8 9 10 11
100 × pk 1.83 7.33 14.6 19.6 19.6 15.6 10.4 6.0 3.0 1.3 0.0 0.0
I.6 Exemple
Dans une station de RER, les trains arrivent à une gare selon un processus
de Poisson de paramètre 4 trains par heure en moyenne. Un voyageur arrive
à la gare où un employé lui déclare que le précédent train est passé il y a une
demi-heure. Quelle est la probabilité que le voyageur doive attendre plus de cinq
minutes le train suivant?
Réponse :
la durée d’attente T entre deux trains suit une loi exponentielle de paramètre
λ = 4. On a
1 1 1 1 4 1
P T > + |T > =P T > = e− 12 = e− 3 .
2 12 2 12
Exercices du chapitre I
Exercice I.1
Dans un standard téléphonique, on a constaté que le nombre moyen d’appels
arrivant par minute entre 14h et 18h est de 2.5. Sachant que les appels suivent
un processus de Poisson, trouver les probabilités pour que dans une minute
quelconque de l’intervalle [14, 18],
1. Il n’y ait pas d’appel.
2. Il y ait deux appels exactement.
3. Il y ait quatre appels au moins.
Exercice I.2
Un laboratoire d’analyses médicales effectue régulièrement des contrôles de fac-
teur rhésus sur des groupes de 30 personnes.
1. Sachant qu’en moyenne, 15 personnes sur 100 ont un rhésus négatif, expri-
mer la loi de la variable X associant à chacun de ces contrôles le nombre
des personnes contrôlées ayant un rhésus négatif. Calculer l’espérance et
la variance de X.
2. On approche la loi de X par une loi de Poisson. Déterminer le paramètre
de cette loi et donner à l’aide de cette loi les valeurs approchées des évé-
nements : (X < 2) et (X > 3).
Exercice I.3
Des bateaux arrivent dans un port de plaisance suivant un processus de Poisson
de paramètre λ = 2. Le port ne peut accueillir que 3 bateaux par jour. S’il arrive
plus de 3 bateaux, les navires en excès sont envoyés dans un autre port.
1. Quelle est la probabilité pour qu’un jour donné, au moins un bateau soit
refusé?
2. Combien de bateaux seront, en moyenne, accueillis dans une journée?
Exercice I.4
Les véhicules circulant dans une rue suivent un processus de Poisson de pa-
ramètre λ = 15 (en secondes). Pour traverser la rue un piéton a besoin de 10
secondes. Quelle est la fraction des intervalles entre deux véhicules, assez grande
pour permettre au piéton de traverser la rue?
77
Chapitre II
Processus de naissance et de
mort
II.1 Introduction
Dans un processus de Poisson, la probabilité de l’occurence d’un événement
est indépendante des événements qui se sont déjà produits. Cela n’est pas une
hypothèse réaliste quand on étudie, par exemple, l’évolution d’une population,
le nombre de naissances ou de morts dépendant de la taille de la population.
Dans le cas général, le taux de naissance dépendra de la taille n de la population,
on le notera λn , de même que l’on notera µn le taux de mort.
II.2 Définition
Considérons un processus stochastique X à espace d’états discret N. Ce
processus décrit un système qui est dans un état noté En , n ∈ N au temps t si
et seulement si Xt = n. On dira que ce système est un processus de naissance
et de mort, s’il existe des taux positifs ou nuls de naissance λn , n ∈ N et des
taux positifs ou nuls de mort µn , n ∈ N∗ tels que les conditions suivantes soient
satisfaites :
1. Les changements d’états sont seulement autorisés de l’état En vers l’état
En+1 ou de l’état En vers l’état En−1 si n ≥ 1 mais seulement de l’état
E0 à l’état E1 .
2. Si à l’instant t le système est dans l’état En , la probabilité qu’entre l’ins-
tant t et l’instant t + h la transition se produise vers l’étant En+1 est
o(h)
λn h + o(h) (rappelons que o(h) signifie que lim = 0) et que la tran-
h→0 h
sition se produise vers l’état En−1 (si n ≥ 1) est µn h + o(h)
3. La probabilité que plus d’une transition se produise dans l’intervalle [t, t+
h] est o(h).
Exemple : dans la théorie des files d’attente, on verra que l’on peut considérer
l’évolution de la file comme un processus de naissance et de mort où l’état En
correspond à la présence de n clients dans le système d’attente, attendant ou
recevant un service.
78 CHAPITRE II. PROCESSUS DE NAISSANCE ET DE MORT
II.3 Modélisation
Nous poserons dans la suite Pn (t) = P (Xt = n). Pour n ≥ 0 la probabilité
qu’au temps t + h le système soit dans l’état En a quatre composantes :
1. Il était dans l’état En à l’instant t et aucune transition ne s’est produite.
L’événement associé est :
Pn (t)(1 − λn h − µn h) + o(h).
∀n ∈ N∗ , Pn (t) = −(λn + µn )Pn (t) + λn−1 Pn−1 (t) + µn+1 Pn+1 (t).
Pour n = 0, on obtient,
(λt)n e−λt
∀n ∈ N, t ≥ 0, Pn (t) = .
n!
On retrouve le processus de Poisson, ce qui permet d’en donner une nouvelle
interprétation : c’est un processus de naissance pur à taux constant.
∀n ∈ {0, . . . , N } λn = 0, µn = µ si n ≥ 1, µ0 = 0.
n-1 n+1
n-1 n n+1
1 n n+1
En régime stationnaire, les équations obtenues signifient que pour tout état
En on a :
Exercices du chapitre II
Exercice II.1
On considère un processus de naissance et de mort pouvant prendre les états
E0 , E1 , E2 , E3 caractérisé par les paramètres suivants :
λ0 = 4, λ1 = 3, λ2 = 2, , µ1 = 2, µ2 = 4, et µ3 = 4.
1. Construisez le diagramme de transition de ce processus.
2. Déterminer les probabilités en régime stationnaire du processus.
Exercice II.2
α
On considère un processus de naissance et de mort dans lequel, λn = ,n∈
n+1
N pour un réel α > 0 et µn = µ, n ∈ N.
(α
µ)
n
α
Montrer que pn = e− µ .
n!
82
83
Chapitre III
Chaînes de Markov
III.1 Définition
Un processus stochastique X = {Xt , t ∈ T } à espace d’états E est un pro-
cessus de Markov s’il est homogène dans le temps, i.e. si son comportement
sur un intervalle de T ne dépend que de la longueur de cet intervalle et non de
son origine, et si, ∀{t1 , . . . , tn+1 }, n ∈ N∗ , t1 < t2 < . . . < tn+1 et tout ensemble
d’états {E1 , . . . , En+1 }, prenant respectivemet les valeurs x1 , . . . , xn+1 ,
P (Xn+1 = j|Xn = i)
III.2 .c Exemple
Un système de communication transmet les bits 0 et 1 à travers plusieurs
étapes. A chaque étape, la probabilité pour qu’un bit soit reçu de manière iden-
tique à l’étape suivante est 0.75. Quelle est la probabilité qu’un 0 entré à la
première étape soit reçu comme 0 à la cinquième?
Réponse :
La matrice de transition d’ordre 1 est ici :
0.75 0.25
P =
0.25 0.75
III.3. CLASSIFICATION DES ÉTATS D’UNE CHAÎNE 85
4
La probabilité cherchée est obtenue en prenant l’élément P00 de la matrice P 4 .
On a,
4
4 0.53125 0.46875
P =
0.46875 0.53125
La probabilité cherchée est donc égale à 0.53125.
Définition : Une chaîne est dite apériodique si elle ne possède aucun état
périodique.
Une chaîne irréductible peut traduire l’évolution d’un système réparable et/ou
soumis à une politique de maintenance préventive : le système étant toujours réparé,
il n’existe pas d’état absorbant.
Définition
Une chaîne de Markov irréductible et apériodique est dite ergodique.
III.4 .b Exemple
Considérons un système à quatre états E1 , E2 , E3 , E4 . Les probabilités de
transition d’ordre 1 sont données par la matrice suivante :
0.6 0.3 0 0.1
0.1 0.4 0.5 0
P = 0.75 0 0.2 0.05
0 0 0 1
0.6 0.4
0.3
89:;
?>=< , ?>=<
89:;
1 dHl H 2
HH
HH 0.1
HH
HH
HH0.75
0.1 HH 0.5
HH
HH
HH
HH
89:;
?>=< 0.05 89:;
?>=<
4 o 3
J T
1 0.2
III.4 .c Théorème 1
Soit (X) une chaîne de Markov irréductible. Une et une seule des assertions
suivantes est vérifiée :
1. Tous les états sont récurrents positifs.
2. Tous les états sont récurrents nuls.
3. Tous les états sont transitoires.
(n) (n)
Notons πi la probabilité que la chaîne soit dans l’état Ei au temps n, πi =
P (Xn = i). On va supposer ici que E est fini de taille N . D’après les propriétés
III.4. PROPRIÉTÉS DES CHAÎNES DE MARKOV 87
d’après le fait que les événements (Xn−1 = k), k ∈ {0, . . . , N } forment un sys-
tème complet d’événement, en utilisant la formule des probabilités totales et le
fait que P (Xn = i|Xn−1 = k) = pki .
(n) (n) (n)
Appelons πn = (π0 , π1 , . . . , πN ) le vecteur des probabilités d’états à l’ins-
tant n, on a :
πn = πn−1 P = π0 P n .
Dans certains cas, que nous allons voir, π (n) admet une limite quand n → +∞.
On la notera π, elle vérifie l’équation :
π = πP.
III.4 .d Théorème 2
Si X est une chaîne de Markov ergodique, les probabilités limites π =
lim π (n) existent toujours et sont indépendantes de la distribution initiale. Si
n→+∞
tous les états ne sont pas pas récurrents positifs alors π = (0, . . . , 0) et il n’existe
pas de distribution stationnaire. Dans le cas contraire π = (π0 , π1 , . . . , πN ) forme
1
une distribution stationnaire et le temps moyen de retour à l’état Ei est . On
πi
N
a évidemment : πi = 1.
i=0
III.4 .e Exemple
Reprenons l’exemple III.2 .c, il est clair que la chaîne est ergodique et possède
une distribution stationnaire π = (π0 , π1 ).
On obtient les équations :
π0 + π1 = 1
π0 = 0.75π0 + 0.25π1
π1 = 0.25π0 + 0.75π1
D’où π0 = π1 = 0.5.
88
Exercice III.1
La sociologie s’intéresse à la question suivante : dans quelle mesure le statut
social des parents influe sur celui des enfants. On considère pour simplifier trois
classes de population, "pauvre", "moyenne" et "riche" (états E1 , E2 , E3 ), On
a la matrice de transition suivante :
0.45 0.48 0.07
P = 0.05 0.7 0.25
0.01 0.5 0.49
Exercice III.2
Les vacanciers partent en général, soit à la mer état E1 , soit à la montagne, état
E2 , soit à l’étranger, état E3. La matrice de transition est :
0.3 0.1 0.6
P = 0.5 0.3 0.2
0.2 0.6 0.2
Exercice III.3
Dans des temps reculés, un tout petit village se compose d’un paysan, d’un
tailleur et d’un charpentier. L’argent n’y a pas cours et il y règne une économie
7 5
de troc. Le paysan utilise 16 de sa production, le charpentier 16 et le tailleur 14 .
3 5
Le tailleur utilise la moitié de sa production, le paysan 16 et le charpentier 16 .
Le charpentier utilise 6 de sa production, le paysan la moitié et le tailleur 13 .
1
Des banquiers de passage veulent introduire l’argent. Pour cela ils estiment en
pourcentage les productions respectives de respectives p1 , p2 et p3 de P, T, et C.
Chapitre IV
Files d’attente
IV.1 Introduction
La théorie des files d’attente a pour but de modéliser les situations qui ré-
pondent au schéma suivant : des clients arrivent à intervalles aléatoires dans
un système comportant un ou plusieurs serveurs auxquels ils vont adresser une
requête. La durée de service est également aléatoire. De nombreux cas de la
vie courante répondent à ce schéma : service dans une banque ou un organisme
public, ateliers d’usinage ou de production, ici les clients sont des ordres de pro-
duction à exécuter et les serveurs des machines, péages autoroutiers etc . . .
Les principales questions que l’on se pose sont :
– quel est le temps moyen avant qu’un client soit servi.
– quel est le nombre moyen de clients dans le système.
– quel est le taux d’utilisation moyen des serveurs.
Dans le cas général il y a de nombreux modèles de description : des systèmes
à serveurs parallèles ou en série, de même les arrivées des clients peuvent être
groupées ou individuelles et de la même façon il peut y avoir différents types de
service.
Les clients forment une ou plusieurs files d’attente, et il y a des règles de sélec-
tion pour le service, c’est ce que l’on appelle la discipline de service la plus
courante étant la discipline FIFO . La capacité du système , c’est à dire le
nombre de clients pouvant être présents dans le système est limitée ou non.
Dans le cadre de ce cours, nous nous bornerons à un seul serveur et arrivées et
services individuels.
Notation de Kendall on note A/B/S (N)une file d’attente où A est le code
de la loi des arrivées, B, celui de la loi des services et S le nombre des guichets
(tous identiques) fonctionnant en parallèle, N désigne le nombre maximal de
clients admis dans le système (infini si l’indication est omise).
Dans le cadre de ce cours, nous intéresserons aux files M/M/1 et M/M/1
(N).
Définitions :
– On appelle file d’attente l’ensemble des clients qui attendent d’être ser-
vis.
90 CHAPITRE IV. FILES D’ATTENTE
Par définition on a :
+∞
Ls = npn .
n=0
Ls = λWs et Lq = λWq .
λ
Posons ρ = .
µ
La probabilité que le serveur soit occupé est :
1 − P (N = 0) = 1 − (1 − ρ) = ρ
P (Ts ≤ t) = 1 − e−(µ−λ)t
1−ρ
p n = ρn , si λ = µ
(1 − ρN +1 )
1
pn = , si λ = µ.
N +1
On obtient
ρ (N + 1)ρN +1
Ls = − si λ = µ.
(1 − ρ) (1 − ρN +1 )
IV.4. FILES M/M/1 (N) 93
et
N
Ls = si λ = µ
2
Lq = Ls − (1 − p0 ).
La probabilité pour que le serveur soit occupé est :
(1 − ρN )
(1 − pn )ρ = ρ .
(1 − ρN +1 )
Ls
Ws =
(λ − pN )
et
Lq
Wq = .
λ(1 − pN )
94
Exercices du chapitre IV
Exercice IV.1
Chez un coiffeur, il entre λ = 5 clients à l’heure, et on sert µ = 6 clients à
l’heure. Des clients attendent en permanence.
1. Quelle est la fraction des clients qui n’aura pas besoin d’attendre?
2. Calculer le nombre moyen de clients dans le système et dans la file.
3. Dans le salon il y a quatre chaises réservées aux clients qui attendent.
Quelle est la probabilté pour qu’un nouveau client demeure debout.
4. Calculez la durée moyenne d’attente dans le salon et dans la file.
Exercice IV.2
Une succursale de banque est ouverte chaque jour ouvrable, de 9h à 17h en
journée continue. Elle accueille en moyenne 64 clients par jour. Il y a un guichet
unique, la durée moyenne de chaque traitement est de deux minutes et demie.
Les clients font la queue dans leur ordre d’arrivée, aucun client n’étant refusé.
On suppose que l’on fonctionne en régime stationnaire.
1. Calculer le temps moyen passé à attendre dans la queue, puis le temps
moyen passé dans la banque.
2. Quelles sont les probabilités pour qu’il n’arrive aucun client entre 15h et
16h? Que 6 clients arrivent entre 16h et 17h?
3. Quelle est, en moyenne et par heure, la durée pendant laquelle l’employé
du guichet ne s’occupe pas des clients?
4. Quelle est la probabilité d’avoir quatre clients dans la file d’attente?
5. Quelle est la probabilité qu’un client passe plus d’un quart d’heure dans
la banque?
Quatrième partie
Eléments de Fiabilité
97
Chapitre I
Présentation
I.1 Introduction
La fiabilité est l’aptitude d’un système, d’un matériel,. . . ) à fonctionner sans
incident pendant un temps donné. Pour l’AFNOR c’est la caractéristique d’un
dispositif, qui s’exprime par une probabilité, pour que celui-ci accomplisse la
fonction requise, dans des conditions déterminées, pendant une période donnée.
Prévoir la fiabilité est essentiel pour des raisons de sécurité (systèmes de freinage,
système avioniques, systèmes nucléaires, systèmes informatiques, . . . ). La quasi-
impossibilité de réparer certains matériels (satellites par exemple), les problèmes
économiques (coûts de défaillances, gestion du personnel de maintenance, main-
tenance des stocks de pièces de rechange, . . . ) rendent nécessaire la connaissance
de la fiabilité des systèmes utilisés. Dans notre cas nous ne considèrerons que
des situations simples.
Définitions
On appelle,
1. fiabilité d’un système S la probabilité notée R(t) que le système n’ait
aucune défaillance sur l’intervalle [0, t].
2. maintenabilité d’un système d’un système réparable S et on note M (t)
la probabilité pour que le système soit réparé avant l’instant t sachant qu’il
est défaillant à l’instant 0, on M (t) = 1 − P (S non réparé sur [0, t]).
3. MTTF (mean time to failure), la durée moyenne de bon fonctionnement
d’un système en état de marche à l’instant initial.
98 CHAPITRE I. PRÉSENTATION
4. MTBF (mean time between failure) la moyenne des temps entre deux
défaillances d’un système réparable, en régime stationnaire.
Si l’on appelle T la v.a. mesurant la durée de bon fonctionnement du système,
on a R(t) = P (T > t = 1 − P (T ≤ t). Si T a pour densité f , on a presque
partout, f (t) = −R (t).
La MTTF est alors l’espérance de T si elle existe et on a la relation,
+∞
M T T F = E(T ) = R(t)dt
0
d’où t
T (t) = 1 − exp − λ(u)du
0
Exemple
On étudie la fiabilité d’un ensemble de pièces mécaniques. On a étudié pour
cela la durée de vie de 9 de ces pièces. Les temps de bon fonctionnement (en
heures) jusqu’à défaillance constatés sont,
N◦ pièce 1 2 3 4 5 6 7 8 9
temps 90 350 950 1660 530 1260 2380 230 720
I.3. DÉTERMINATION EXPÉRIMENTALE 99
i 1 2 3 4 5 6 7 8 9
t 90 230 530 720 950 1260 1660 2380
R(t) 0.93 0.82 0.71 0.61 0.5 0.39 0.28 0.18 0.07
100 CHAPITRE I. PRÉSENTATION
Chapitre II
C1 C2 C3
Si Ti , i ∈ {1, . . . , n détermine le temps de bon fonctionnement du composant
n◦i, les événements (Ti > t) étant supposés indépendants, on a si T représente
le temps de bon fonctionnement du système,
n
(T > t) = (Ti > t)
i=1
D’où,
n
R(t) = Ri (t)
i=1
II.1 .a Exemple
Un système à structure en série est constitué de n composants Ci indépen-
dants dont la durée de vie Ti suit une loi exponentielle de paramètre λi . Pour
chaque composant, nous avons Ri (t) = exp(λi t) si t ≥ 0, 0 sinon.. La fonction
de fiabilité du système est donc :
D’où,
n
R(t) = 1 − (1 − Ri (t)).
i=1
II.2 .a Exemple
Dans un système à structure parallèle de n composants, on suppose que la
durée de vie de chaque composant suit une loi exponentielle de paramètre λ.
Soit T1 la durée d’attente avant que le premier composant ne tombe en panne
et pour i > 1, Ti le temps écoulé entre la mise hors service de l’élément i − 1
et l’élément i (on suppose que l’on ordonné les composants dans l’ordre de leur
défaillance). On a alors,
n
T = Ti .
i=1
n
1 1
E(T ) = = 1
λ
i=1 i
λ(1 + 2 + . . . + n1 )
II.3 .a Exemple
Soit le système suivant,
C1
???
??
??
?
_ _ _• • C3 _ _ _
??
??
??
??
C2
Le système est une structure série du composant C3 et du sous-système noté
C1,2 à structure parallèle. La durée de vie de ce sous-système est :
Par suite,
R(t) = R3 (t).(R1 (t) + R2 (t) − R1 (t)R2 (t)).
104
Exercices du chapitre II
Exercice II.1
On considère un système S constitué de 5 composants, de fonctions de fiabilité
respectives Ri , suivant le schéma ci-dessous. Déterminer la fonction de fiabilité
R de ce système.
C1 C3 ?
??? ??
??? ??
? ??
? ?
_ _ _• • C4 •_ _ _
??
??
??
??
C2 C5
Exercice II.2
La fiabilité d’un type de machine a été ajustée par une loi de Weibull de para-
mètres γ = 40, η = 60 et β = 1.1
1. Déterminer la M T T F et calculer le temps de bon fonctionnement pour
une défaillance admise de 50%.
2. Calculer le taux d’avarie pour les valeurs t = 45, 75, 105, 135 et 165.
105
Cinquième partie
Annexes
107
Annexe A
Eléments de probabilités
– ∀A, B ∈ B,A∆B ∈ B
Propriété :
Si (Ai ]i∈I est un système complet d’événements, P (Ai ) = 1.
i∈I
Définition :
Deux événements A et B sont indépendants si P (A ∩ B) = P (A).P (B).
P (A ∩ B)
P (B|A) = .
P (A)
n (A
Soient i ), i ∈ {1, . . . , n}, n ∈ N une famille de n événements tels que
P Ai = ∅., on a,
i=1
n
P Ai = P (A1 )P (A2 |A1 ) . . . P (An |A1 ∩ . . . ∩ An−1 ).
i=1
Définitions
1. On appelle espérance de X la quantité :
E(X) = xi P (X = xi )
i∈I
a+b (b − a)2
E(X) = et V (X) = .
2 12
1 1
On a, On obtient, E(X) = et V (X) = 2 .
λ λ
On obtient,
β
x−γ
1 − exp − si x ≥ γ
F (x) = η
0 si x < γ
+∞
1
E(X) = ηΓ 1 + où Γ(x) = e−t tx−1 dt.
β 0
A.4 .g Exemple
Soit T une v.a. de distribution géométrique, m et k deux entiers, on a P (T =
m + k|T ≥ m) = P (T = k). (à démontrer) La distribution géométrique est sans
mémoire, ce qui veut dire ici que le nombre d’essais entre deux succès ne dépend
pas du nombre d’essais qui précèdent (propriété de Markov).
De la même manière, si X suit une loi exponentielle de paramètre λ,
e−λ(t+h)
P (X > t + h|X > t) = = e−λh = P (X > h), t, h > 0.
e−λt
Si X représente le temps d’attente avant qu’un événement particulier ne se
produise, et que t unités de temps n’ont produit aucun événement, alors la
distribution avant qu’un événement ne se produise à partir de la date t est
la même que si aucun temps ne s’était écoulé. Là aussi le processus est sans
mémoire.
112 ANNEXE A. ELÉMENTS DE PROBABILITÉS
Annexe B
TABLES
λk −λ
P (X = k) = e E(X) = V (X) = λ
k!
β A B β A B β A B β A B
0.20 120 1901 1.3 0.924 0.716 2.8 0.891 0.344 5 0.918 0.210
0.25 24 199 1.35 0.917 0.687 2.9 0.892 0.334 5.1 0.919 0.207
0.30 9.261 50.08 1.40 0.911 0.660 3 0.893 0.325 5.2 0.920 0.203
0.35 5.0291 19.98 1.45 0.907 0.635 3.1 0.894 0.316 5.3 0.921 0.200
0.40 3.323 10.44 1.5 0.903 0.613 3.2 0.896 0.307 5.4 0.922 0.197
0.45 2.479 6.46 1.55 0.899 0.593 3.3 0.897 0.299 5.5 0.923 0.194
0.50 2 4.47 1.6 0.897 0.574 3.4 0.898 0.292 5.6 0.924 0.191
0.55 1.702 3.35 1.65 0.894 0.556 3.5 0.900 0.285 5.7 0.925 0.188
0.60 1.505 2.65 1.7 0.892 0.540 3.6 0.901 0.278 5.8 0.926 0.185
0.65 1.366 2.18 1.75 0.8906 0.525 3.7 0.9025 0.272 5.9 0.927 0.183
0.70 1.264 1.85 1.8 0.889 0.511 3.8 0.904 0.266 6 0928 0.180
0.75 1.191 1.61 1.85 0.888 0.498 3.9 0.905 0.260 6.1 0.929 0.177
0.80 1.133 1.43 1.9 0.887 0.486 4 0.906 0.254 6.2 0.929 0.175
0.85 1.088 1.29 1.95 0.887 0.474 4.1 0.908 0.249 6.3 0.930 0.172
0.90 1.052 1.17 2 0.886 0.463 4.2 0.909 0.244 6.4 0.931 0.170
0.95 1.023 1.08 2.1 0.886 0.443 4.3 0.910 0.239 6.5 0.9318 0.168
1 1 1 2.2 0.8856 0.425 4.4 0.911 0.235 6.6 0.9325 0.166
1.05 0.960 0.934 2.3 0.886 0.409 4.5 0.913 0.230 6.7 0.933 0.163
1.1 0.965 0.878 2.4 0.887 0.393 4.6 0.914 0.226 6.8 0.934 0.161
1.15 0.952 0.830 2.5 0.887 0.380 4.7 0.915 0.222 6.9 0.935 1.160
1.20 0.941 0.787 2.6 0.888 0.367 4.8 0.916 0.218
1.25 0.931 0.750 2.7 0.889 0.716 4.9 0.971 0.214
115
Annexe C
conclusion
notation de Kendall, 89
PERT, 25
pivot, 48
points extrêmes, 40
polyèdre convexe, 40
primal, 58
probabilité, 108
probabilité conditionnelle, 108
probabilités de transition, 83
processus de Markov, 83
processus de naissance et de mort,
77
processus de Poisson, 73
processus stochastique, 71
relation binaire, 3
Roy-Warshall, 8
régime stationnaire, 79
solution de base, 38
solution de base réalisable, 38
solution optimale, 38
solution réalisable, 38
sommets, 3
sous-graphe, 4
structure en série, 101
structure mixte, 102
structure parallèle, 102