Introduction

La recherche oprationnelle (R.O) est une discipline dont le but est:

De fournir un ensemble de mthodes (algorithmiques, mathmatiques, modlisation) pour
rpondre un type prcis de problme.
Dlaborer des dmarches
qui permettent de prendre des dcisions optimales ou proches de loptimum dans des
problmes complexes.
De traiter la maximisation dun profit ou la minimisation dun cot (problme
doptimisation):

Comment aller le plus vite de Paris Safi, en voiture?

Comment ordonnancer les tches dun projet en fonction de la main duvre, tout en
minimisant sa dure?
Comment investir ses 1000 Dirhams dconomie de sorte maximiser le profit obtenu
aprs deux ans?
Comment Envoyer un maximum dinformation dans un rseau

Introduction
Gnralement, les dmarches proposes par la recherche oprationnelle peuvent tre traduites
en programmes informatiques.
Cette traduction -d'une dmarche- en un programme informatique n'est pas sans difficult.
Tout d'abord, le temps d'excution du programme rsultant et/ou la place occupe dans la
mmoire de l'ordinateur peuvent ne pas tre acceptables.
Ainsi, une mthode en recherche oprationnelle sera juge sur ces critres de temps et de
place.
Plus une mthode sera rapide et peu gourmande en mmoire, plus elle sera considre
bonne.

Parmi les outils importants de la recherche oprationnelle :

les graphes:
se sont des outils la fois graphique et thorique.
La programmation linaire:
Elle permet d'apporter une solution gnrique la rsolution de nombreux problmes.
De plus, cet outil est disponible sous diffrentes formes pour une utilisation
informatique.

Exemples de problmes traits par R.O

Chemin le plus court / le plus long
Soit un ensemble de villes et des chemins directs reliant ces villes entre elles.
Le problme dit "du plus court chemin" consiste trouver, pour une ville de dpart donne
et une ville d'arrive donne, le chemin le plus court qui relie ces deux villes.
Le problme peut galement tre de trouver un chemin le plus court pour chaque couple de
villes.
Pour certains problmes, trouver le plus long chemin entre deux points peut tre intressant
Ordonnancement / planification
Considrons la gestion d'un grand projet. Il est constitu de diffrentes tapes raliser.
Donc, certaines tches doivent tre effectues avant d'autres alors que certaines peuvent trs
bien tre effectues en mme temps (utilisation de diagramme Gantt).
Gantt)
Ainsi, on tablit une certaine relation d'ordre entre les tapes.
Un premier problme consiste trouver une planification des tches qui aboutisse la
ralisation du projet en un minimum de temps.
Ensuite, il peut tre intressant de dtecter les tapes dites "critiques" dont le moindre
retard peut affecter toute la suite du projet.

Exemples de problmes traits par R.O

Flot maximum
Soit des chteaux d'eau ayant un dbit constant.
Ils desservent un certain nombre de villes, chacune ayant des besoins quantifis
constants.
L'eau est achemine travers des conduits dont le dbit maximum est connu.
Le problme est de trouver un moyen de satisfaire au mieux les demandes de chaque
ville.
En d'autres termes, essayer d'apporter le plus d'eau possible vers les villes.
Flot de cot minimum
Il s'agit d'un problme semblable celui du flot maximum mais on suppose en plus qu'un
cot en fonction du dbit est associ l'utilisation d'un conduit.
Le problme devient alors de satisfaire les villes mais de la manire la moins onreuse.

Exemples de problmes traits par R.O

Sac dos
Un randonneur prpare son sac dos pour partir en excursion.
Il veut viter d'avoir un sac trop lourd et dcide de se limiter dans le choix des objets qu'il
emporte afin de ne pas dpasser un certain poids.
mais, il veut emporter le maximum de choses utiles.
Pour cela, il affecte une valeur quantitative chaque objet en plus de son poids (plus
la valeur est importante, plus le randonneur juge l'objet important).
Le problme peut donc se formuler de la manire suivante:
Trouver l'ensemble des objets dont la somme des utilits est maximum tout en ne dpassant
pas un poids fix.
Affectation
Des modifications de postes sont effectues dans une entreprise.
Plusieurs personnes doivent tre affectes de nouveaux postes.
Ainsi, chacun classe par ordre de prfrence les postes qu'il veut occuper.
Le problme ici est d'attribuer chaque personne un poste tout en essayant de satisfaire au mieux
le souhait de chacun.

Exemples de problmes traits par R.O

Voyageur de commerce
Un voyageur de commerce doit dmarcher dans un certain nombre de villes.
Le voyageur connat la distance qui spare les villes entre elles.
Cependant, le voyageur de commerce veut perdre le moins de temps possible dans ses
dplacements.
Le problme est donc de trouver un chemin qui passe par toutes les villes une et une seule
fois et qui soit le plus court possible.

Programmation linaire
Les problmes de programmation linaire (PL) sont des problmes doptimisation
(maximisation ou minimisation):
dune fonction objectif linaire (de plusieurs variables) sous certaines contraintes
(quations ou inquations) qui sont toutes linaires.
La fonction objectif et les contraintes sont dduites via la modlisation dun
problme rel
Si lon constate que le problme traiter sexprime comme un PL, on le rsout via
des mthodes et algorithmes qui assurent la rsolution du problme de manire
exacte.
On distingue dans la programmation linaire:
La programmation linaire en nombres rels, pour laquelle les variables des quations
sont dans IR+
La programmation en nombres entiers, pour laquelle les variables sont dans IN
Lcriture du problme optimiser sous la forme:
Des inquations
Dun objectif optimiser
forment ce quon appel un Programme Linaire

Pourquoi un cours sur la programmation linaire?

Objectif :
Apprendre modliser les problmes rels et rsoudre les programmes linaires.
De nombreux problmes rels peuvent tre exprims comme des programmes
linaires.
Les programmes linaires peuvent tre rsolus efficacement par certains algorithmes,
de mathmatiques lmentaires et de bon sens.
En Recherche Oprationnelle (RO), modliser un problme consiste identifier:
Les variables intrinsques (inconnues)
les diffrentes contraintes auxquelles sont soumises ces variables
l'objectif vise (optimisation).

Exemple: Le problme

Considrons un agriculteur qui possde des terres,

de superficie gale H hectares, dans lesquelles il peut planter du bl et du mas.
Lagriculteur possde une quantit E dengrais et I dinsecticide.
Le bl ncessite une quantit Eb dengrais par hectare et Ib dinsecticide par hectare.
Les quantits correspondantes pour le mas sont notes Em et Im.
Soit Pb le prix de vente du bl et Pm celui du mas.
Si lon note par xb et xm le nombre dhectares planter en bl et en mas,
comment exprimer le fait que lagriculteur souhaite maximiser son gain, tout en restant dans les
limites de ses ressources?

Exemple: modlisation du problme

Remarque pour la modlisation du Pb

Comprendre la question de lobjectif:
Maximiser le revenu net ou le gain
Identifier ou dfinir les variables dont dpend lobjectif de la question:
xb le nombre dhectares planter en bl
xm le nombre dhectares planter en mas
Dfinir les rgles associs ses variables et leurs interactions:
Dfinir les inquations reliant xb et xm en utilisant les contraintes du problme
Dfinir la fonction objectif:
La fonction maximiser en fonction de xb et xm
Rsoudre le problme avec la mthode adquate.

Exemple: modlisation du problme

maximiser

Pb * xb + Pm * xm

(maximiser le revenu net)

contraintes

xb + xm H
Eb * xb + Em * xm E
Ib * xb + Im * xm I
xb 0
xm 0

(surface)
(engrais)
(insecticide)

Programme linaire : dfinition

En gnrale, un Programme Linaire est dfini par:
Des variables relles qui sont les variables de dcision:
x1 , x2 , . . . , x n
Une fonction objectif linaire (fonction de cot ou fonction conomique), optimiser (min
ou max) :
z = c1*x1 + c2*x2 + + cn*xn
Contraintes linaires (galits ou ingalits) :

a11x1 + a12x2 + + a1nxn b1

a21x1 + a22x2 + + a2nxn b2

am1x1 + am2x2 + + amnxn = bm

P = (x1, x2, . . . , xn) est appele solution admissible dun PL:
si P satisfait toutes les contraintes.
On appel solution optimale dun PL: toute solution admissible qui optimise (maximise ou
minimise) la fonction objectif.
Rgion admissible = lensemble des solutions admissibles
Il y a plusieurs manires dexprimer un programme linaire :
la forme canonique et la forme standard.

Programme linaire : Forme canonique

Un programme linaire (P.L) est dit canonique sil est de la forme

Max

c
j 1

s.c.

a
j 1

ij

xj

x j bi ,

i 1,....., m

x j 0,

j 1,....., n

Donc, on a:
Un problme de maximisation
Toutes les variables sont non ngatives
Toutes les autres contraintes sont des inquations du type
Sous format matricielle, (P.L) devient:

Max

s.c.

z c x
A x b
x 0

Programme linaire : Forme standard

Un programme linaire (P.L.) est dit standard sil est de la forme

Max

j 1

s.c.

a
j 1

ij

xj

x j bi ,

i 1,....., m

x j 0,

j 1,....., n

Donc, on a:
Un problme de maximisation
Toutes les variables sont non ngatives
Toutes les autres contraintes sont des quations du type =
Sous format matricielle, (P.L) devient:

Max
s.c.

z c x
A x b
x 0

Rgles de transformation
Proprit
Tout P.L peut se mettre au choix sous forme canonique ou standard.
Quelques rgles de transformation :
Inquation
quation : ajouter une variable d cart
ax b
a x + s = b, s 0
axb
a x s = b, s 0
quation
ax=b
Variable libre :
x IR

inquations :
a x b et a x b

a x b et (-a) x -b

x = x+ x, avec x+ 0, x 0

Cas variable ngative

x0
x = (-x+) et x+ 0
Variable borne infrieurement
x b
x = x+ + b et x+ 0

Transformation Pb non linaire en Pb linaire:

Problmes min max
Le problme doptimisation non linaire
min z = max{c1x + d1, . . . , ck x + dk}
s.c
....
est quivalent au programme linaire
min z = t
s.c
....
t c1x + d1

.

t ck x + dk
t IR
La transformation sadapte galement aux problmes max-min.

Transformation Pb non linaire en Pb linaire:

Problmes max min
Le problme doptimisation non linaire
max z = min{c1x + d1, . . . , ckx + dk}
s.c
....
est quivalent au programme linaire
max z = t
s.c
....
t c1x + d1

.

t ck x + dk
t IR

Transformation Pb non linaire en Pb linaire:

Valeurs absolues ??
Rgle de transformation valeur absolue
|x| b
x b et x -b
Le problme doptimisation non linaire (Rappel: |x| = max(x,-x))
min z = |x|
s.c.
...
est quivalent au programme linaire
min z = t
s.c. . . .
t x
t x
t0

min z = x + + xs.c. . . .
x = x + - xx+ 0
x- 0

Remarque
La premire mthode ci-dessus ne sadapte pas aux problmes du type
max z = |x|
ni aux contraintes du type |x| b.

Transformation Pb non linaire en Pb linaire:

Valeurs absolues
Le problme doptimisation non linaire
min z = |f(x1, x2, , xn)|
s.c.
...
est quivalent au programme linaire
min z = t
s.c.
...
t f(x1, x2, , xn)
t f(x1, x2, , xn)
t0

Exemple de conversion
Soit le programme linaire suivant :

Minimiser

s.c.

2 x1 3 x2
x1 x2 7
x1 2 x2 4

x1 0

Remarque:
Minimiser une fonction = maximiser la fonction oppose ( 1)
Minimisation
maximisation : min f(x) = max (f(x))
Pour minimiser z = c x, il suffit de:
maximiser w = c x = (c) x et de
multiplier la valeur optimale de w par 1 pour obtenir celle de z.
Les contraintes de positivits :

x j x 'j x 'j' , avec

x 'j 0 et

x 'j' 0

Transformation des galits en deux contraintes : (pas de contraintes sur x2)

'
''
x1 x2
x2
7
'
''
x1 x2 x2 7 :
'
''
x1 x2
x2
7

Exemple de conversion

Le programme linaire devient le programme suivant :

Max

s.c.

'
''
2 x1 3 x2
3 x2
'
''
x1 x2
x2
7
'
''
x1 2 x2
2 x2
4

'
''
x1 , x2
, x2
0

Version canonique du programme linaire ci-dessus

Max

s.c.

2 x1 3 x2 3 x3
x1 x2 x3 7

x1 x2 x3 7

x1 2 x2 2 x3 4

x1 , x2 , x3 0

avec

x2 x2' et x3 x2''

Exemple de conversion
Conversion en forme standard
Soit xn+i la variable dcart de la ime contrainte (si n contraintes)
Donc la ime contrainte sera sous la forme de lgalit :
n

xn i bi aij x j ,

xn i 0

avec

j 1

Comme le nombre de contraintes est n = 3, on aura (P.L) sous format standard est donn par:
2 x1 3 x2 3 x3
Max
s.c.
x4 7 x1 x2 x3

x5 7 x1 x2 x3

x6 4 x1 2 x2 2 x3

x1 , x2 , x3 , x4 , x5 , x6 0
Ou simplement, on dduit directement la forme standard de la forme canonique

Max
s.c.

2 x 3x 3x
1

7 x x x
1

x 4 x 2x 2x

x , x , x , x 0
1

Programme linaire : solution de base

Dfinition
Soit un polydre P = { x : Ax = b, x 0} avec A IRm * n est de rang plein, alors:
x* est une solution de base de P ssi
A x* = b et
Il existe m indice B(1), , B(m) tels que les colonnes
AB(1),.., AB(m), sont linairement indpendant
Si i B(1), , B(m), alors x*i = 0
Remarque:
A IRm * n est de rang plein c.a.d les lignes de A sont linairement indpendants
m est le nombre de contraintes dgalit.
n est le nombre de variables.
Problme: Comment obtenir une solution de base sous les mmes conditions que la dfinition

Choisir m colonne de A linairement indpendant

Soit B=[AB(1),.., AB(m) ] la matrice compose de ces colonnes.
B est appele matrice de base
Imposer xi=0 pour tout i B(1), , B(m),
Rsoudre le systme Bx = b pour les inconnues xB(1),.., xB(m)
Note: B est inversible

Exemple : solution de base

x1

x2

1
0

x3

x4

x5
x6

12

4

x7

On dduit alors la matrice de base, donne par les vecteurs dont lindices sont
B(1)=4, B(2)=5, B(3)=6, B(4)=7
De plus, on a x1=x2=x3=0
Puis, on rsout:

0
0

0
1
0
0

0
0
1
0

0
0

x4

5
x
6

x
7

12

On dduit, x4=8, x5=12, x6=4, x7=6

Donc, (0, 0, 0, 8, 12, 4, 6) est une solution de base admissible
Solution admissible car on vrifie aussi la contrainte de positivit

Programme linaire : solution de base

Sous format matricielle, la solution de base Systme linaire Ax = b est dtermine
Avec A de format m *n, dont le rang A = m n
On a la matrice de base de A : est la sous-matrice B(m * m) inversible de A
En posant A = (B; N), x= (xB, xN) T le systme linaire devient:
(B, N) (xB, xN)T = b
ou bien
B xB + N xN = b;
Do: xB = B-1 b - B-1 N xN
Donc, la solution de base associe B :
xN = 0 valeur des variables hors base.
xB = B-1 b valeurs des variables de base.

Rsolution graphique: problme deux variables

En dimension deux,
chaque contrainte dun P.L. dfinit un demi-plan de IR 2 (ou une droite sil sagit dune
quation)
Soit R_A la rgion dadmissibilit
Si R_A est borne non vide
R_A est un polygone de IR2 dont les cts sont des segments de droites reprsentant les
contraintes linaires du problme
un point P l intersection de 2 cts du polygone est un point extrme ou sommet
Une solution optimale est soit:
Un sommet : solution optimale unique
Un ct du polygone: infinit de solutions optimales ( la valeur de la f.o. est
unique)

Rsolution graphique:problme deux variables

Si R_A est non borne et non vide
La solution optimale est soit:
Un sommet: solution optimale unique
un ct de la rgion admissible: infinit de solutions optimales( la valeur de la
f.o. est unique )
Elle est infinie (aucune solution admissible finie)

Rsolution graphique: problme deux variables

Si R_A est vide (cas de contraintes incompatible)

Exemple :problme deux variables de dcision

Soit rsoudre le problme suivant:
Maximiser z = 1200 x1 + 1000 x2
3 x1 + 4 x2 160
s.c
6 x1 + 3 x2 180

x1 0 ; x2 0

On obtient alors la rgion admissible donne par la figure ci-dessous

Exemple : problme deux variables de dcision

Il s'agit donc de chercher l'intrieur de ce domaine :
le couple (x1, x2) qui maximise la fonction objectif.
On a l'quation 1200 x1 + 1000 x2 = z0 est reprsente par une droite de pente constante =-1,2
dont tous les points (x1 , x2) fournissent la mme valeur z 0 pour la fonction conomique (Une
lignes de niveaux dont la valeur est z0).
En particulier,
la droite 1200 x1 + 1000 x2 = 0 passe par l'origine et donne une valeur nulle la fonction
objectif (z0 = 0).
Pour augmenter la valeur de z0 et donc la fonction objectif, il suffit
d'loigner de l'origine (dans le quart de plan x 1 0 ; x2 0) la droite de pente = -1,2 (dune
faon parallle cette droite )
Pour respecter les contraintes,
cette droite sera dplace paralllement vers le haut (dans le sens du gradient: (dz/dx, dz/dy))
jusqu' l'extrme limite o il n'y aura plus qu'un point d'intersection (ventuellement un
segment) avec la rgion des solutions admissibles.

Exemple :problme deux variables

On remarquera que la solution optimale se trouve ncessairement sur le contour de la rgion des solutions admissibles.
La solution se trouvant sur les deux droites d'quation
3 x1 + 4 x2 = 160
6 x1 + 3 x2 = 180
La rsolution de ce systme conduit la solution x 1 =16 , x2 = 28,
d'o z = 47200.

Solution optimal via la reprsentation graphique

Identification du domaine admissible
Identification des lignes de niveau
Lignes de niveaux perpendiculaire au vecteur gradient de z (dz/dx, dz/dy) et donc parallles
entre elles.
A chaque valeur de z correspond une ligne de niveau
La valeur de z augmente dans la direction du gradient
la solution optimale se trouve ncessairement sur le contour de la rgion des solutions
admissibles (si elle est non vide et borne)
Remarque
Les lignes de niveau {f.o = constant} de la fonction-objectif f.o sont des hyperplans
affines (n = 2 droite, n = 3 plan...)

Vocabulaire suggr par la mthode graphique :

cas dim > 2
Proposition
La rgion admissible, note DR, est une rgion convexe dun espace de dimension r ( polytope ou
polydre convexe dans le cas de contraintes compatible).
Dfinition
Un point x DR est un sommet si et seulement sil nexiste pas
y, z DR, y z tels que x = y + (1)z avec 0 < < 1.
Proprit
un point P lintersection de (s 2) hyperplans reprsentant les contraintes est un sommet (point
extrme) du polydre
Proprit
une solution optimale est soit:
Un unique sommet du polydre
Une infinit de solutions optimales frontire du polydre = hyperplan de dimension < r ( la
valeur de la f. o. est unique)
Elle est infinie (aucune solution admissible finie)
Remarque
La rgion admissible est vide dans le cas de contraintes incompatibles

Solution graphique: cas dim > 2

Dfinition
Soit E un IK-espace vectoriel et H un sous espace vectoriel de E.
On dit que H est un hyperplan de E si H est de codimension 1.

e E / H,

E H e IK

Un polytope convexe de IRm est l'intersection (suppose non vide) d'une famille finie de
demi-espaces ferms de IRm.

Remarques :
Dans un espace de dimension finie n, les hyperplans sont donc les sous-espaces vectoriels
de dimension n-1.
Dans IR3, la notion d'hyperplan est confondue avec celle de plan, mais ce n'est plus vrai
quand la dimension de l'espace est suprieure 3
Remarques
Lensemble DR nest pas ncessairement born.
Pour un P.L, on a trois situations qui peuvent se produire:
DR = : P.L na pas de solution.
DR ; et la fonction objectif f.o nest pas majore sur DR : le maximum de f.o vaut
+. Si DR est born, ce cas est exclu.
DR ; et la fonction objectif f.o est majore sur DR : le P.L admet une solution
optimale (non ncessairement unique).