100% ont trouvé ce document utile (1 vote)

159 vues169 pages

Optimisation Logistique PDF

Transféré par

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

100% ont trouvé ce document utile (1 vote)

159 vues169 pages

Optimisation Logistique PDF

Transféré par

Omar Erraji

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Méthodes d’Optimisation

Licence Professionnelle Logistique

Université du Littoral - Côte d’Opale, Pôle Lamartine
Laurent SMOCH
(smoch@[Link])
Septembre 2011

Laboratoire de Mathématiques Pures et Appliquées Joseph Liouville

Université du Littoral, zone universitaire de la Mi-Voix, bâtiment H. Poincarré
50, rue F. Buisson, BP 699, F-62228 Calais cedex
2
Table des matières

1 Quelques rappels sur les graphes 1

1.1 Initiation à la théorie des graphes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Niveaux des sommets d’un graphe sans circuit . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Graphes valués et chemins critiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1 Valuations d’un graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.2 Longueur d’un chemin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Chemins minimaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.4 Chemins maximaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.5 Intérêt d’une telle recherche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3 Exercices récapitulatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2 Problèmes d’ordonnancement 25
2.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Notions de projet, tâche et ordonnancement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.1 Notion de projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.2 Notion de tâche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Méthode d’ordonnancement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Établissement d’un ordonnancement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5 Détermination du chemin critique et énumération des tâches critiques . . . . . . . . . . . . . 26
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3 La méthode MPM 29
3.1 Le graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.1 Eléments du graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.2 Contraintes potentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.3 Exercice corrigé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.1.4 Tâches parallèles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1.5 Opérations dépendantes et indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1.6 Opérations composées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1.7 Conditions limites de démarrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Exercice synthétique corrigé : construction d’un pont . . . . . . . . . . . . . . . . . . . . . . . 33
3.3 Date au plus tôt d’une tâche i, ordonnancement minimum ou au plus tôt . . . . . . . . . . . 36
3.3.1 Déﬁnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Détermination des dates au plus tôt . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.3 Chemins critiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4 Date au plus tard de début d’une tâche i, ordonnancement limite (ou au plus tard) . . . . . . 37
3.4.1 Déﬁnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4.2 Recherche de l’ordonnancement au plus tard . . . . . . . . . . . . . . . . . . . . . . . 38
3.5 Marges d’une tâche i . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5.1 Marge totale mT (i) de la tâche i . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5.2 Marge libre mL (i) d’une tâche i . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

I
II TABLE DES MATIÈRES

3.5.3 Marge certaine mC (i) d’une tâche i . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.5.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.6 Méthode MPM présentée sous forme de tableaux . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.6.1 Ordonnancement au plus tôt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.6.2 Ordonnancement au plus tard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4 La méthode PERT 53
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2 Diﬃcultés de construction du graphe PERT . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.3 Calcul de l’ordonnancement par la méthode PERT . . . . . . . . . . . . . . . . . . . . . . . . 54
4.3.1 Calcul de l’ordonnancement au plus tôt . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.3.2 Calcul de l’ordonnancement au plus tard . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.3.3 Calcul du chemin critique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

5 Ordonnancement en ateliers spécialisés - Diagrammes de Gantt 61

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2 Ordonnancement sur une machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2.1 Le diagramme de Gantt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2.2 La règle T.O.M. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.3 Ordonnancement avec deux centres de production . . . . . . . . . . . . . . . . . . . . . . . . 63
5.4 Ordonnancement sur trois machines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

6 Réduction de la durée d’un projet 71

6.1 Présentation de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

7 Optimisation des flux 77

7.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.1.1 Réseau de circulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.1.2 Graphe associé à un réseau de circulation . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.1.3 Graphe canonique associé à un réseau de circulation . . . . . . . . . . . . . . . . . . . 80
7.1.4 Flot sur un graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
7.2 Recherche d’un flot maximal dans un réseau avec capacités . . . . . . . . . . . . . . . . . . . 82
7.2.1 La coupe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
7.2.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7.2.3 Étude théorique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.2.4 Flot complet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.3 Algorithme de Ford-Fulkerson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.3.2 Enoncé de l’algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.3.3 Suite de l’algorithme : Marquage des sommets . . . . . . . . . . . . . . . . . . . . . . 92
7.3.4 Suite de l’algorithme : Modification des flux . . . . . . . . . . . . . . . . . . . . . . . . 94
7.3.5 Recherche à partir du marquage d’une coupe de capacité minimale . . . . . . . . . . . 95
7.4 Exercices récapitulatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

8 La programmation linéaire 109

8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
8.2 Modélisation d’un programme linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
8.2.1 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
8.2.2 Formule générale d’un programme linéaire . . . . . . . . . . . . . . . . . . . . . . . . . 113
8.3 Méthode graphique : problème à deux inconnues . . . . . . . . . . . . . . . . . . . . . . . . . 114
8.3.1 Régionnement du plan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
TABLE DES MATIÈRES III

8.3.2 Les ensembles convexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

8.3.3 Résolution de systèmes d’inéquations - Exemples . . . . . . . . . . . . . . . . . . . . . 116
8.3.4 Résolution de programmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
8.3.5 Cas général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
8.3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
8.4 La méthode du simplexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
8.4.1 Programme linéaire standard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
8.4.2 L’algorithme du simplexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
8.4.3 Détermination d’une solution de base admissible . . . . . . . . . . . . . . . . . . . . . 157
8.4.4 Utilisation de la méthode du simplexe lorsque la solution optimale n’existe pas . . . . 159
8.4.5 Utilisation de la méthode du simplexe dans un problème de minimisation . . . . . . . 160
8.4.6 Exercices récapitulatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
IV TABLE DES MATIÈRES
Chapitre 1

Quelques rappels sur les graphes

1.1 Initiation à la théorie des graphes

1.1.1 Vocabulaire
(a) Produit cartésien. Carré cartésien
On appelle produit cartésien de E par F , l’ensemble noté

E × F = {(x, y)/x ∈ E, y ∈ F }

On appelle carré cartésien de E, l’ensemble noté

E × E = E 2 = {(x, y)/x ∈ E, y ∈ E}

(b) Relation de E dans F

On appelle relation R de E dans F toute correspondance qui à certains éléments de E associe certains
éléments de F . “x est en relation avec y” (x ∈ E, y ∈ F ) est noté

xRy

L’ensemble des couples (x, y) de E × F tels que xRy est appelé graphe de la relation. On note

G = {(x, y) ∈ E × F/xRy}

On remarque que G ⊂ E × F .

Soit R une relation de E dans F , la relation réciproque R−1 est une relation de F dans E déﬁnie par

xRy ⇔ yR−1 x

(c) Relation binaire

Définition 1.1.1 Une relation binaire déﬁnie sur E est une relation de E dans E qui est dite :

• réﬂexive si :
∀x ∈ E, xRx
• symétrique si :
∀x ∈ E, ∀y ∈ E, xRy ⇒ yRx
• transitive si :
∀x ∈ E, ∀y ∈ E, ∀z ∈ E, (xRy et yRz) ⇒ xRz

1
2 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

(d) Caractérisation de la relation binaire

Une relation binaire est caractérisée

1. par son graphe

Exemple 1.1.1 Soit E = {x1 , x2 , x3 , x4 , x5 }. On se donne

G = {(x1 , x1 ), (x1 , x2 ), (x1 , x5 ), (x2 , x1 ), (x2 , x3 ), (x4 , x3 ), (x4 , x5 ), (x5 , x3 )}

2. par sa représentation sagittale

Figure 1.1 – Représentation sagittale du graphe

3. par sa représentation cartésienne

XXX
XXX arrivée
XXX x1 x2 x3 x4 x5
départ XX
x1 ⋆ ⋆ ⋆
x2 ⋆ ⋆
x3
x4 ⋆ ⋆
x5 ⋆

4. par sa matrice booléenne

XXX
XXX arrivée
XXX x1 x2 x3 x4 x5
départ XX
x1 1 1 0 0 1
x2 1 0 1 0 0
x3 0 0 0 0 0
x4 0 0 1 0 1
x5 0 0 1 0 0

5. par son dictionnaire des sommets

(a) des suivants ou des successeurs
1.1. INITIATION À LA THÉORIE DES GRAPHES 3

x S(x)
x1 x1 , x2 , x5
x2 x1 , x3
x3
x4 x3 , x5
x5 x3

Dans le cas où xRy, y est le suivant ou le successeur de x.

(b) des précédents

x P (x)
x1 x1 , x2
x2 x1
x3 x2 , x4 , x5
x4
x5 x1 , x4

Dans le cas où xRy, x est le précédent de y.

Remarque 1.1.1 La relation R−1 est définie par le graphe
G′ = {(x1 , x1 ), (x1 , x2 ), (x2 , x1 ), (x5 , x1 ), (x3 , x2 ), (x3 , x4 ), (x5 , x4 ), (x3 , x5 )}
En effet, xRy ⇔ yR−1 x. Elle est également définie par sa matrice booléenne

XXX
XXX arrivée
XXX x1 x2 x3 x4 x5
départ XX
x1 1 1 0 0 0
x2 1 0 0 0 0
x3 0 1 0 1 1
x4 0 0 0 0 0
x5 1 0 0 1 0

Remarque 1.1.2 Les matrices de R et R−1 ont leurs termes symétriques par rapport à la diagonale
principale.

(e) Vocabulaire particulier à la théorie des graphes

Soit X un ensemble de cardinal n, ensemble de points appelés sommets tel que

X = {A1 , A2 , . . . , An }
et R une relation binaire déﬁnie sur X.

(a) Cette relation binaire est caractérisée par son graphe, sa relation sagittale, sa représentation
cartésienne, sa matrice booléenne, le dictionnaire des suivants ou des précédents. On note
G = (X, R)

(b) On appelle boucle tout couple (Ap , Ap ) du graphe donc avec Ap RAp .
4 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

Figure 1.2 – Une boucle

Figure 1.3 – Un arc

(c) On appelle arc tout couple de points distincts du graphe donc tout couple (Ap , Aq ) avec Ap ̸= Aq
et Ap RAq .
(d) On appelle arête toute partie {Ap , Aq } avec Ap ̸= Aq et Ap RAq ou Aq RAp .

ou
Figure 1.4 – Une arête

(e) On appelle arcs adjacents deux arcs (Ap , Aq ), (Aq , Ar ) avec Ap RAq et Aq RAr . Les sommets Ap ,
Aq et Ar sont des sommets adjacents.

Figure 1.5 – Arcs adjacents

Remarque 1.1.3 : Si on a le graphe suivant : les arcs (Ap , Aq ) et (Aq , Ar ) ne sont pas adjacents.

Figure 1.6 – Arcs non adjacents

(f) On appelle chemin une suite de sommets adjacents permettant de passer d’une manière continue
d’un sommet à l’autre, c’est-à-dire une suite non vide d’arcs (Ai , Aj ) et (Aj , Ak ), l’extrémité de
chacun d’eux coı̈ncidant avec l’orgine de l’arc suivant (sauf pour le dernier arc de la suite).
• Un chemin est simple s’il ne contient pas deux fois le même arc.
• Un chemin est élémentaire s’il ne passe pas deux fois par le même sommet.
• Un chemin est hamiltonien s’il passe par tous les sommets une fois et une seule.

Exemple 1.1.2 Reprenons l’exemple 1.1.1,

1.1. INITIATION À LA THÉORIE DES GRAPHES 5

. (x1 , x2 , x3 ), (x4 , x5 , x3 ), (x1 , x2 , x1 ) et (x1 , x2 , x1 , x5 , x3 ) sont des chemins,

. (x1 , x2 , x3 ) est un chemin élémentaire,
. (x1 , x2 , x1 , x5 , x3 ) n’est pas élémentaire.

(g) On appelle circuit un chemin où l’origine et l’extrémité sont confondues.

Exemple 1.1.3 Dans l’exemple 1.1.1, (x1 , x2 , x1 ) est un circuit, d’origine x1 et d’extrémité x1 .

Remarque 1.1.4 Une boucle est un circuit : (x1 , x1 ).

(h) On appelle chaı̂ne une suite d’arêtes adjacentes.

Exemple 1.1.4 Dans l’exemple 1.1.1, {x1 , x2 , x3 } et {x1 , x5 , x4 , x3 , x2 } sont des chaı̂nes.
(i) Soient deux sommets distincts Ai et Aj . S’il existe au moins un chemin de Ai à Aj , on dit que
Ai est un ascendant de Aj et Aj un descendant de Ai .
Exemple 1.1.5 Dans l’exemple 1.1.1, (x1 , x2 , x3 ) est un chemin, x1 est un ascendant de x3 , x2
est aussi ascendant de x3 et x3 est un descendant de x1 .

Remarque 1.1.5 On ne confondra pas suivant et descendant, ascendant et précédent. En eﬀet,

si l’on considère dans l’exemple 1.1.1, le chemin (x1 , x2 , x3 ) x1 et x2 sont ascendants de x3 mais

Figure 1.7 – Ascendants et précédents dans l’exemple 1.1.1

x3 admet un unique précédent qui est x2 . x3 est le descendant de x1 et x2 mais x3 n’est pas le
suivant de x1 .

Exercice
1 On se donne la relation binaire déﬁnie par l’ensemble de sommets E = {x1 , x2 , x3 , x4 , x5 }
et le graphe

G = {(x1 , x2 ); (x1 , x5 ); (x2 , x3 ); (x2 , x4 ); (x4 , x3 ); (x4 , x4 ); (x4 , x5 )}

Caractériser cette relation binaire par

1. sa représentation sagittale,
2. sa représentation cartésienne,
3. sa matrice booléenne.

1.1.2 Niveaux des sommets d’un graphe sans circuit

Soit G = (X, R) un graphe sans circuit donc nécessairement sans boucle.
On associe à tout sommet xi un nombre entier r(xi ) appelé rang ou niveau du sommet xi déﬁni de la façon
suivante.

1. Soit N0 l’ensemble des sommets exempts de précédent. Pour tout sommet xi de N0 , on pose r(xi ) = 0.
N0 est l’ensemble des sommets de niveau 0.

Exemple 1.1.6 dans l’exemple 1.1.1, en supprimant les boucles (x1 , x1 ) et (x2 , x1 ) (aﬁn d’éviter les
boucles et les circuits), on obtient le dictionnaire suivant :
6 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

x P (x)
x1
x2 x1
X; R
x3 x2 , x4 , x5
x4
x5 x1 , x4

La représentation sagittale du graphe est donnée par

Figure 1.8 – Représentation sagittale du graphe - Exemple 1.1.6

x1 et x4 n’ont pas de précédent donc

N0 = {x1 , x4 } avec r(x1 ) = r(x4 ) = 0
2. On supprime dans X (l’ensemble des sommets du graphe) les points de N0 (ou les points de niveau 0).
On obtient un ensemble X1 . G1 est déﬁni comme étant la restriction du graphe de R à X1 . Soit N1
l’ensemble des sommets de X1 exempts de précédent. Pour tout sommet xi de N1 , on pose r(xi ) = 1.
N1 est l’ensemble des sommets de niveau 1.

Remarque 1.1.6 Les précédents des sommets de N1 sont les sommets de N0 .

Dans l’exemple, on a N0 = {x1 , x4 } et X1 = {x2 , x3 , x5 }. On supprime dans le dictionnaire des
précédents les sommets x1 et x4 :

x P (x)
x2
X1 ; R
x3 x 2 , x5
x5

Les sommets exempts de précédent sont maintenant x2 et x5 . Ainsi,

N1 = {x2 , x5 } avec r(x2 ) = r(x5 ) = 1

3. On supprime dans X1 les sommets de N1 (les sommets de niveau 1). On obtient un ensemble X2 et
G2 est la restriction du graphe de R à x2 .
Soit N2 l’ensemble des points de X2 exempts de précédent. Pour tout point xi de N2 , on pose r(xi ) = 2
et N2 est l’ensemble des sommets de niveau 2.
1.1. INITIATION À LA THÉORIE DES GRAPHES 7

Dans l’exemple, on a N1 = {x2 , x5 } et X2 = {x3 }. On supprime dans le dictionnaire des précédents

les sommets x2 et x5 :

x P (x)
X2 ; R
x3

Le sommet x3 est exempt de précédent donc

N2 = {x3 } avec r(x3 ) = 2.

4. Les itérations cessent dès que tous les sommets de X sont classés par niveaux. Si
Card(X) = n, on a

∀xi ∈ X, r(xi ) ≤ n

5. Le graphe ordonnancé par niveaux est donné par :

Figure 1.9 – Graphe ordonnancé - Exemple 1.1.6

Il est équivalent au graphe de la ﬁgure 1.8

1.1.3 Exemples
Exemple 1.1.7 On se donne l’ensemble de sommets X = {a, b, c, d, e, f, g} ainsi que la représentation
sagittale du graphe considéré :

Figure 1.10 – Représentation sagittale - Exemple 1.1.7

On donne les dictionnaires des précédents et des suivants des sommets du graphe :
8 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

x S(x) x P (x)
a b, c, e a
b g, f, c b a
c d, f, g c a, b, e
d f d c, e
e c, d e a
f f b, c, d
g g b, c

• Niveau 0 :
On obtient à l’aide du dictionnaire des précédents N0 = {a} ; en eﬀet, “a” n’a pas de précédent. On
pose r(a) = 0.
• Niveau 1 :
X1 = X − N0 = {b, c, d, e, f, g}
x P (x)
b
c b, e
X1 , R d c, e
e
f b, c, d
g b, c

Les sommets b et e n’ont pas de précédent donc N1 = {b, e} avec r(b) = r(e) = 1.
• Niveau 2 :
X2 = X1 − N1 = {c, d, f, g}
x P (x)
c
X2 , R d c
f c, d
g c

Le sommet c n’a pas de précédent donc N2 = {c} avec r(c) = 2.

• Niveau 3 :
X3 = X2 − N2 = {d, f, g}
x P (x)
d
X3 , R
f d
g

Les sommets d et g n’ont pas de précédent donc N3 = {d, g} avec r(d) = r(g) = 3.
• Niveau 4 :
X4 = X3 − N3 = {f }
x P (x)
X4 , R
f

Le sommet f n’a pas de précédent donc N4 = {f } avec r(f ) = 4.

1.1. INITIATION À LA THÉORIE DES GRAPHES 9

Le graphe ordonnancé en niveaux est donné par :

Figure 1.11 – Graphe ordonnancé - Exemple 1.1.7

Exemple 1.1.8 On se donne l’ensemble de sommets

X = {1, 2, 3, 4, 5, 6, 7, 8}

ainsi que la représentation sagittale du graphe considéré :

Figure 1.12 – Diagramme sagittal - Exemple 1.1.8

On donne le dictionnaire des précédents des sommets du graphe :

x P (x)
1 3, 6, 7
2 1, 4, 7, 8
3 7
4 3, 5
5
6 5, 7
7
8 5
10 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

• Niveau 0 :
On obtient à l’aide du dictionnaire des précédents N0 = {5, 7} ; en eﬀet, “5” et “7” n’ont pas de
précédent. On pose r(5) = r(7) = 0.
• Niveau 1 :
X1 = X − N0 = {1, 2, 3, 4, 6, 8}
x P (x)
1 3, 6
2 1, 4, 8
X1 , R 3
4 3
6
8

Les sommets 3, 6 et 8 sont exempts de précédent donc N1 = {3, 6, 8} avec r(3) = r(6) = r(8) = 1.
• Niveau 2 :
X2 = X1 − N1 = {1, 2, 4}
x P (x)
1
X2 , R
2 1, 4
4

Les sommets 1 et 4 sont exempts de précédent donc N2 = {1, 4} avec r(1) = r(4) = 2.
• Niveau 3 :
X3 = X2 − N2 = {2}
x P (x)
X3 , R
2

Le sommet 2 est exempt de précédent donc N3 = {2} avec r(2) = 3.

On en déduit le graphe ordonnancé suivant :

Figure 1.13 – Graphe ordonnancé - Exemple 1.1.8

1.1. INITIATION À LA THÉORIE DES GRAPHES 11

Remarque 1.1.7 Si xi est de niveau p ̸= 0, i.e. r(xi ) = p, p est le nombre d’arcs du plus long chemin
joignant un sommet de niveau 0 au sommet xi .

Dans l’exemple 1.1.8 précédent,

• Niveau 0 :
7 et 5 n’ont pas de précédent, r(5) = r(7) = 0.
• Niveau 1 :
. r(3) = 1, le seul chemin de longueur 1 joignant 7 ou 5 à 3 est (7, 3).
. r(6) = 1, il y a deux chemins de longueur 1 (donc contenant un seul arc) ayant pour extrémité 6 à
savoir (7, 6) et (5, 6).
. r(8) = 1, le seul chemin de longueur 1 joignant 7 ou 5 à 8 est (5, 8).
• Niveau 2 :
. r(1) = 2, les chemins (7, 3, 1), (7, 1), (7, 6, 1) et (5, 6, 1) sont constitués d’un ou deux arcs.
. r(4) = 2, les chemins (5, 4) et (7, 3, 4) sont consitués d’un ou deux arcs.
• Niveau 3 :
On a r(2) = 3. Les chemins transformant 5 ou 7 en 2 sont (7, 3, 1, 2), (7, 3, 4, 2), (7, 1, 2), (7, 6, 1, 2),
(5, 8, 2), (5, 4, 2) et (6, 5, 1, 2) et sont constitués de deux ou trois arcs.

Définition 1.1.2 Si r(xi ) = p ̸= 0, p est le nombre maximum d’arcs d’un chemin d’origine un sommet de
niveau 0, d’extrémité ce point xi .

1.1.4 Exercices

Exercice
2 Huit entrepôts reliés par un réseau routier, sont mis à contribution pour fabriquer un produit
A. Le tableau ci-dessous indique les routes menant à chacun de ces entrepôts.

XXX
XXX Arrivée
XX A B C D E F G H
Départ XXX

A ⋆ ⋆
B ⋆
C ⋆
D ⋆ ⋆
E
F ⋆ ⋆ ⋆
G ⋆
H ⋆ ⋆

1. Établir le dictionnaire des précédents puis le dictionnaire des suivants des sommets du graphe.
2. Utiliser le dictionnaire des précédents pour ordonnancer le graphe par niveaux.
3. Représenter le graphe sous sa forme ordonnancée.
12 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

Exercice 3 On considère le graphe ci-dessous :

Figure 1.14 – Diagramme sagittal - Exercice 3

1. Montrer que le graphe admet des circuits tout en les précisant. Qu’est-ce que cela implique sur l’or-
donnancement par niveaux de ce graphe ?
2. On élimine l’arc (A, G)
(a) Déterminer le dictionnaire des précédents et des suivants de chacun des sommets du graphe.
(b) Ordonnancer le graphe par niveaux.

Exercice
4 On se donne la relation binaire déﬁnie par l’ensemble de sommets E = {A, B, C, D, E, F }
et le graphe

G = {(A, B); (A, D); (A, F ); (B, D); (C, A); (C, D); (C, E); (D, E); (F, C); (F, E)}.

1. Caractériser cette relation binaire par

(a) sa représentation sagittale,
(b) sa représentation cartésienne,
(c) sa matrice booléenne.
2. Est-il possible selon vous, d’ordonnancer le graphe par niveaux et pourquoi ?
3. On élimine l’arc (A, F ).
(a) Déterminer le dictionnaire des précédents et des suivants de chacun des sommets du graphe.
(b) Ordonnancer le graphe par niveaux.

Exercice
5
1. Proposez un exemple de graphe contenant 4 sommets, une boucle, un circuit constitué d’au moins
trois arcs et un chemin hamiltonien. Voux exprimerez ce graphe sous la forme G = (X, R) où X est
l’ensemble constitué des sommets du graphe et R est la relation binaire déﬁnie sur X.
2. Caractérisez ce graphe par
(a) sa relation sagittale,
(b) sa représentation cartésienne,
(c) sa matrice booléenne,
(d) son dictionnaire des précédents,
(e) son dictionnaire des suivants.
1.2. GRAPHES VALUÉS ET CHEMINS CRITIQUES 13

1.2 Graphes valués et chemins critiques

1.2.1 Valuations d’un graphe
Définition 1.2.1 Soit (X, R) un graphe sans boucle. On associe à chaque arc u = (xi , xj ) du graphe un
nombre réel positif négatif ou nul noté vij = v(u). On appellera ce nombre valuation ou longueur de l’arc
même si v(u) < 0. Un graphe est dit valué si tout arc est muni d’une longueur.

Exemple 1.2.1 On considère le graphe suivant

Figure 1.15 – Graphe valué - Exemple 1.2.1

Les valuations du graphe sont les suivantes : v13 = 7, v36 = 10, v14 = 2, v12 = 9, v24 = −2, v46 = 11,
v45 = 13, v65 = 6.

1.2.2 Longueur d’un chemin

Définition 1.2.2 Soit (X, R) un graphe orienté, sans boucle et valué. La longueur d’un chemin c quelconque
est par déﬁnition la somme des longueurs des arcs qui composent ce chemin.

Exemple 1.2.2 Dans l’exemple 1.2.1 précédent,

• la longueur du chemin (1, 2, 4, 5) est 9 + (−2) + 13 = 20,
• la longueur du chemin (1, 4, 6, 5) est 2 + 11 + 6 = 19,
• la longueur du chemin (1, 3, 6, 5) est 7 + 10 + 6 = 23.

Dans la suite du cours, la problématique sera la suivante :

Soit un graphe valué et sans circuit, à valeurs positives (vij > 0), possédant une entrée notée
x1 et une sortie notée xn . Le problème que l’on souhaite résoudre consiste à déterminer parmi
tous les chemins d’origine xi , d’extrémité xn , ceux dont la longueur est extrémale (maximale ou
minimale).

1.2.3 Chemins minimaux

(a) Stratégie : l’algorithme de Ford
De sommet en sommet, on retient l’arc de plus faible valuation. On associe à chaque sommet xj un
coeﬃcient αj déﬁni par

α1 = 0
αj = min[αi + vij ]

où les xi sont les précédents de xj .

Remarque 1.2.1 : Les valeurs αj sont portées au dessus des sommets dans le diagramme sagittal et
désignées par αj .
14 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

Figure 1.16 – Diagramme sagittal - Exemple 1.2.2

(b) Exemple 1.2.2

On considère le graphe ci-dessus :

• α1 = 0
• Le sommet x2 a un seul précédent x1 donc
α2 = min[α1 + v12 ] = min[0 + 3] = 3
• Le sommet x3 a deux précédents x1 et x2 donc
α3 = min[α1 + v13 , α2 + v23 ] = min[0 + 5, 3 + 1] = 4
L’arc (x1 , x3 ) a pour longueur 5. Le chemin (x1 , x2 , x3 ) a pour longueur 3 + 1 = 4. Par conséquent, le
chemin le plus court pour aller de x1 à x3 est le chemin (x1 , x2 , x3 ).
• Le sommet x4 a un seul précédent x3 donc
α4 = min[α3 + v34 ] = min[4 + 4] = 8
• Le sommet x5 a trois précédents x2 , x3 et x4 donc
α5 = min[α2 + v25 , α3 + v35 , α4 + v45 ] = min[3 + 10, 4 + 6, 8 + 5] = 10
Le chemin minimal a pour longueur 10 car α5 = 10.

Pour retrouver les arcs qui constituent le chemin minimal, appelé chemin critique, on part de la
sortie et on repère l’arc qui donne la valeur α correspondante.

Ainsi α5 = 10 provient de α3 + v35 = 4 + 6, on obtient le sommet x3 ; α3 = 4 = α2 + v23 , on obtient le

sommet x2 ; α2 = α1 + v13 = 0 + 3, on obtient le sommet x1 .
Le chemin critique minimal est alors (x1 , x2 , x3 , x5 ), chemin représenté ci-dessous par un trait double sur le
diagramme sagittal, chemin d’origine x1 , d’extrémité x5 , il est appelé chemin 1.5 minimal.
Tout arc emprunté par ce chemin extrémal est appelé arc 1-minimal.

En généralisant, un chemin minimal d’origine xk d’extrémité xi est appelé k.i chemin minimal
et tout arc emprunté par ce chemin est appelé arc k-minimal.

(c) Exemple 1.2.3

On considère le graphe valué ci-dessous et on souhaite déterminer les chemins de longueur minimale issus
du sommet x1 et aboutissant à un sommet donné et ceci pour tout sommet.
Vériﬁons que ce graphe est sans circuit et ordonnançons-le en niveaux en utilisant le dictionnaire des
précédents.
1.2. GRAPHES VALUÉS ET CHEMINS CRITIQUES 15

Figure 1.17 – Chemin critique minimal - Exemple 1.2.2

Figure 1.18 – Diagramme sagittal - Exemple 1.2.3

sommet x précédent(s) de x
x1 –
x2 x1 , x3 , x5 , x8
x3 x1
x4 x 1 , x2 , x3
x5 x1
x6 x5 , x8
x7 x9 , x11 , x13
x8 x1
x9 x1 , x8
x10 x4 , x11
x11 x 2 , x5 , x6
x12 x4 , x7 , x9 , x10 , x11
x13 x6 , x8
16 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

• Niveau N0 :
Le sommet x1 est le seul exempt de précédent donc N0 = {x1 }.
On considère ensuite l’ensemble de sommets
X1 = X − N0 = {x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 , x10 , x11 , x12 , x13 }
On “barre” tous les sommets x1 dans le tableau précédent.
sommet x précédent(s) de x
x2 x3 , x5 , x8
x3
x4 x 2 , x3
x5
x6 x 5 , x8
x7 x9 , x11 , x13
x8
x9 x8
x10 x4 , x11
x11 x2 , x5 , x6
x12 x4 , x7 , x9 , x10 , x11
x13 x 6 , x8

Remarque 1.2.2 Dans la suite de l’exercice, tous les sommets xi seront notés i par souci de commo-
dité.
• Niveau N1 :
Les sommets 3, 5 et 8 sont exempts de précédent donc N1 = {3, 5, 8}.
On considère ensuite l’ensemble de sommets
X2 = X1 − N1 = {2, 4, 6, 7, 9, 10, 11, 12, 13}
On “barre” tous les sommets 3, 5, 8 dans le tableau précédent.
sommet x précédent(s) de x
2
4 2
6
7 9, 11, 13
9
10 4, 11
11 2, 6
12 4, 7, 9, 10, 11
13 6

• Niveau N2 :
Les sommets 2, 6 et 9 sont exempts de précédent donc N2 = {2, 6, 9}.
On considère ensuite l’ensemble de sommets
X3 = X2 − N2 = {4, 7, 10, 11, 12, 13}
On “barre” tous les sommets 2, 6, 9 dans le tableau précédent.
1.2. GRAPHES VALUÉS ET CHEMINS CRITIQUES 17

sommet x précédent(s) de x
4
7 11, 13
10 4, 11
11
12 4, 7, 10, 11
13

• Niveau N3 :
Les sommets 4, 11 et 13 sont exempts de précédent donc N3 = {4, 11, 13}.
On considère ensuite l’ensemble de sommets
X4 = X3 − N3 = {7, 10, 12}
On “barre” tous les sommets 4, 11, 13 dans le tableau précédent.
sommet x précédent(s) de x
7
10
12 7, 10
• Niveau N4 :
Les sommets 7 et 10 sont exempts de précédent donc N4 = {7, 10}.
On considère ensuite l’ensemble de sommets
X5 = X4 − N4 = {12}
On “barre” tous les sommets 7, 10 dans le tableau précédent.
sommet x précédent(s) de x
12
• Niveau N5 :
Le sommet 12 est exempt de précédent donc N5 = {12}.

On redessine le graphe en mettant en évidence les niveaux.

Figure 1.19 – Graphe ordonnancé - Exemple 1.2.3

18 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

Bien évidemment, on a r(1) = 0, r(3) = r(5) = r(8) = 1, r(2) = r(6) = r(9) = 2, r(4) = r(11) = r(13) = 3,
r(7) = r(10) = 4, r(12) = 5.

Déterminons les coeﬃcients αj de chacun des sommets xj :

• α1 = 0
• α3 = min[α1 + v13 ] = min[0 + 2] = 2
• α5 = min[α1 + v15 ] = min[0 + 2] = 2
• α8 = min[α1 + v18 ] = min[0 + 1] = 1
• α2 = min[α3 + v32 , α1 + v12 , α5 + v52 , α8 + v82 ] = min[2 + 1, 0 + 4, 2 + 3, 1 + 2] = 3
• α6 = min[α5 + v56 , α8 + v86 ] = min[2 + 5, 1 + 2] = 3
• α9 = min[α1 + v19 , α8 + v89 ] = min[0 + 9, 1 + 8] = 9
• α4 = min[α1 + v14 , α2 + v24 , α3 + v34 ] = min[0 + 7, 3 + 5, 2 + 3] = 5
• α11 = min[α2 + v2,11 , α5 + v5,11 , α6 + v6,11 ] = min[3 + 4, 2 + 6, 3 + 6] = 7
• α13 = min[α6 + v6,13 , α8 + v8,13 ] = min[3 + 6, 1 + 7] = 8
• α10 = min[α4 + v4,10 , α11 + v11,10 ] = min[5 + 3, 7 + 7] = 8
• α7 = min[α11 + v11,7 , α13 + v13,7 , α9 + v97 ] = min[7 + 3, 8 + 5, 9 + 3] = 10
• α12 = min[α4 +v4,12 , α10 +v10,12 , α11 +v11,12 , α7 +v7,12 , α9 +v9,12 = min[5+8, 8+5, 7+6, 10+2, 9+5] = 12

On peut maintenant compléter le graphe précédent :

Figure 1.20 – Chemins minimaux - Exemple 1.2.3

Pour chaque sommet, la valeur donnée indique la longueur du plus court chemin reliant le niveau
N0 à ce sommet.

Il y a deux plus courts chemins reliant x1 à x2 : (x1 , x3 , x2 ) et (x1 , x8 , x2 ) de longueur 3. Pour les chemins
de longueur minimale reliant x1 à x12 , on part de x12 , on chemine dans le sens contraire des ﬂèches dans le
graphe 1-minimal et on retrouve ainsi les chemins :
(x1 , x3 , x2 , x11 , x7 , x12 ) et (x1 , x8 , x2 , x11 , x7 , x12 )
1.2. GRAPHES VALUÉS ET CHEMINS CRITIQUES 19

Remarque 1.2.3 Sur la ﬁgure 1.20, on a repassé en traits épais les arcs 1-minimaux au fur et à mesure qu’ils
ont été déterminés. La marque de chaque sommet xk c’est-à-dire αk est la longueur d’un plus court chemin
reliant le sommet x1 au sommet considéré xk . Il n’y a pas qu’un seul chemin reliant le sommet x1 à un sommet
donné de longueur minimale. Par exemple, les chemins (x1 , x3 , x2 , x11 , x7 , x12 ) et (x1 , x8 , x2 , x11 , x7 , x12 ) sont
de longueur 12 et sont les seuls à relier x1 à x12 .

1.2.4 Chemins maximaux

De sommet en sommet, on retient l’arc de plus grande valuation. On associe à chaque sommet xj un
coeﬃcient αj déﬁni par

α1 = 0
αj = max[αi + vij ]

où les xi sont les précédents de xj . αn représente alors la valeur maximale du chemin entre x1 et xn .

Reprenons l’exemple 1.2.3 précédent, le graphe étant ordonnancé par niveaux. Recherchons un graphe 1-
maximal. Les calculs sont identiques à l’étude précédente en remplaçant minimum par maximum.
• α1 = 0
• α3 = max[α1 + v13 ] = max[0 + 2] = 2
• α5 = max[α1 + v15 ] = max[0 + 2] = 2
• α8 = max[α1 + v18 ] = max[0 + 1] = 1
• α2 = max[α3 + v32 , α1 + v12 , α5 + v52 , α8 + v82 ] = max[2 + 1, 0 + 4, 2 + 3, 1 + 2] = 5
• α6 = max[α5 + v56 , α8 + v86 ] = max[2 + 5, 1 + 2] = 7
• α9 = max[α1 + v19 , α8 + v89 ] = max[0 + 9, 1 + 8] = 9
• α4 = max[α1 + v14 , α2 + v24 , α3 + v34 ] = max[0 + 7, 5 + 5, 2 + 3] = 10
• α11 = max[α2 + v2,11 , α5 + v5,11 , α6 + v6,11 ] = max[5 + 4, 2 + 6, 7 + 6] = 13
• α13 = max[α6 + v6,13 , α8 + v8,13 ] = max[7 + 6, 1 + 7] = 13
• α10 = max[α4 + v4,10 , α11 + v11,10 ] = max[10 + 3, 13 + 7] = 20
• α7 = max[α11 + v11,7 , α13 + v13,7 , α9 + v97 ] = max[13 + 3, 13 + 5, 9 + 3] = 18
• α12 = max[α4 + v4,12 , α10 + v10,12 , α11 + v11,12 , α7 + v7,12 , α9 + v9,12 = max[10 + 8, 20 + 5, 13 + 6, 18 +
2, 9 + 5] = 25
Le graphe prend maintenant les valeurs indiquées par la ﬁgure 1.21.

Remarque 1.2.4
• Sur la ﬁgure 1.21, on a repassé en traits épais les arcs 1-maximaux au fur et à mesure qu’ils ont été
déterminés. La marque de chaque sommet xk c’est-à-dire αk est la longueur d’un plus long chemin
reliant le sommet x1 au sommet considéré xk . Il n’y a pas qu’un seul chemin reliant le sommet x1 à un
sommet donné de longueur maximale. Par exemple, le chemin (x1 , x5 , x6 , x11 , x10 , x12 ) est de longueur
25 et est le seul à relier x1 à x12 . Les chemins reliant x1 à x9 sont au nombre de 2 à savoir (x1 , x9 ) et
(x1 , x8 , x9 ), de longueur maximale 9.
• Sur la ﬁgure 1.22 ci-après, on a repris le graphe sous sa forme initiale puis on a représenté les plus
courts chemins reliant le sommet x1 au sommet x12 en trait pointillé ainsi que le plus long chemin de
x1 à x12 en trait double.
• On voit que sous sa forme ordonnancée (lorsque cela est possible), non seulement le graphe est plus
lisible, mais permet de mettre en place un procédé très rapide de recherche de chemins extrémaux.
Il existe par ailleurs d’autres algorithmes applicables lorsque le graphe présente des circuits. On s’est
borné au cas le plus courant.
20 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

Figure 1.21 – Chemins maximaux - Exemple 1.2.3

Figure 1.22 – Plus longs et courts chemins- Exemple 1.2.3

1.2.5 Intérêt d’une telle recherche

Cette recherche intervient

1. dans les problèmes de transport ou de circulation :

on verra par la suite que tout réseau de transport peut être représenté par un graphe dans lequel les
sommets sont les nœuds d’entrée, de transit, de sortie du réseau, les arcs ﬁgurant les liaisons entre les
diﬀérents nœuds. A chaque arc (xi , xj ) est associée la valuation vij > 0 qui représente le coût unitaire
du transport sur la liaison correspondante. Le problème de l’acheminement d’une certaine marchandise
depuis un nœud d’entrée jusqu’à un nœud de sortie, au moindre coût, se ramène à la recherche d’un
chemin de longueur minimale. La longueur représente ici le coût unitaire total.

2. Dans les problèmes d’ordonnancement :

1.3. EXERCICES RÉCAPITULATIFS 21

on verra que l’établissement du planning relatif à la réalisation d’une tâche conduit à considérer
un graphe dans lequel tout arc (xi , xj ) représente une opération, auquel on associe le nombre vij
représentant la durée de l’opération. Tout sommet traduit la fin d’une opération. L’extrémité d’un arc
coı̈ncide avec l’origine d’un autre si et seulement si l’opération associée au premier est achevée afin
que celle associée au second puisse débuter. La durée totale de réalisation d’un programme ne peut
être inférieure à la somme des durées prises sur le chemin le plus défavorable depuis le sommet x0
début des travaux jusqu’au sommet xn fin des travaux, c’est-à-dire les chemins de longueur maximale
de x0 à xn . Un tel chemin est un chemin critique. Pour que la durée de l’opération soit minimale,
il est nécessaire que sur ce chemin critique, lorsque deux opérations se suivent, la deuxième débute
exactement lorsque la première se termine.

1.3 Exercices récapitulatifs

Exercice 6 La réalisation d’un chantier nécessite la réalisation des opérations ci-dessous

Opérations A B C D E F G H I J K L
Durée en semaines 32 13 4 3 6 32 20 8 13 38 42 39

D’autre part, on a constaté que l’opération B devait être précédée de l’opération A et suivie des opérations
C, D, E et F, que les opérations C et D devaient précéder l’opération G, que les opérations H et J, enfin,
devaient suivre les opérations E, F et G et précéder les opérations I, K et L.
Déterminer la durée minimale du projet.

Exercice 7 Une entreprise connaı̂t une croissance importante créant de gros besoins en locaux de construc-
tion et aussi de stockage. Il en résulte une grande dispersion des différents bâtiments. Le tableau ci-dessous
indique le temps en minutes que mettent les navettes pour joindre les différents points :

XXX
XXX Arrivée
XXX A B C D E F G H I J
Départ XX
A 36 20 30 16 18
B 24 16
C 28
D 16
E 14 18 26 28
F 10 12
G 8
H 4
I 12
J

1. Etablir le dictionnaire des précédents

2. (a) Ordonnancer le graphe par niveaux
(b) Représenter le graphe
22 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

3. Quel est le chemin que doit emprunter un employé désirant se rendre du point A au point J en un
temps minimal ? Quel est ce temps ?

Exercice 8

1. En utilisant l’algorithme de Ford, déterminez le chemin minimal allant de x1 à x10 et précisez la

longueur de ce chemin. Interprétez le résultat de la question précédente dans un contexte d’entreprise
que vous inventerez.
2. En utilisant l’algorithme de Ford, déterminez le chemin maximal allant de x1 à x10 et précisez la
longueur de ce chemin. Interprétez le résultat de la question précédente dans un contexte d’entreprise
que vous inventerez.

Exercice
9 Une entreprise de transport SUISSEXPORT dont le siège est situé à Berne doit eﬀectuer
de fréquentes livraisons à Milan, en dehors de la période hivernale. Ses véhicules doivent donc traverser le
massif des Alpes : leur gabarit interdit l’usage des tunnels ferroviaires (Simplon, Saint-Gothard, Lötsch-
berg,. . . ) qui, sinon, faciliteraient le voyage.
Vus la fréquence et le coût de ces livraisons, l’entreprise désire déterminer l’itinéraire le plus court de Berne
à Milan.

On a orienté les tronçons de route et porté les distances en kilomètres.

À l’aide d’un graphe que vous aurez tracé, déterminer l’itinéraire demandé et préciser son kilométrage.
1.3. EXERCICES RÉCAPITULATIFS 23

Exercice 10 On se donne le réseau routier ci-dessous où chaque sommet représente un entrepôt et chaque
arc, une route entre deux entrepôts ; chaque route est supposée à sens unique, le sens de progression étant
indiqué par la direction de l’arc.

1. Le premier problème est le suivant : tous les matins, plusieurs chauﬀeurs doivent acheminer le courrier
interne et les colis aux diﬀérents entrepôts de l’entreprise. On suppose que le centre de tri est l’entrepôt
B, c’est donc le point de départ des navettes.

(a) Sachant qu’une même navette ne peut emprunter deux fois le même arc (ce qui est permis pour
deux navettes diﬀérentes), combien faut-il de chauﬀeurs au minimum pour acheminer à chaque
entrepôt son courrier ? (certains arcs peuvent ne pas être parcourus.)

(b) En supposant que chaque route soit longue de 100 mètres, quelle distance totale parcourent
chaque matin les navettes ?

(c) Quel chemin emprunte la navette qui dessert le maximum d’entrepôts ?

2. Le second problème s’énonce comme suit : on se donne ci-dessous, pour chaque entrepôt, le temps
moyen (en minutes) nécessaire à la livraison du courrier (trajet et/ou déchargement) des entrepôts
suivants :

Entrepôt i A B C D E F G H I J K
Temps t(i) 5 6 3 8 4 5 6 20 4 4 9

Par exemple, une fois le courrier livré en A, il faut 5 minutes pour livrer le ou les entrepôts suivants.
Déterminer la durée minimale moyenne de livraison du courrier dans cette entreprise.

Exercice
11 Une entreprise contacte votre société d’entreposage pour stocker des produits alimentaires.
Vos diﬀérents entrepôts sont localisés géographiquement à l’aide de la carte fournie ci-après.
24 CHAPITRE 1. QUELQUES RAPPELS SUR LES GRAPHES

Dans le cadre du contrat, l’entreprise vous demande de déterminer les chemins minimaux et maximaux du
réseau aﬁn d’optimiser les prix de transport de leurs marchandises.

Les entrepôts sont schématisés par des points et les routes reliant ces diﬀérents entrepôts par des droites.
On supposera que les routes sont à sens unique, leur direction étant indiquée par les arcs orientés.

La valuation de chaque arc indique la distance séparant les entrepôts reliés par cet arc. Par exemple, les
entrepôts G et F sont distants de 160 mètres.
1. Établir le dictionnaire des précédents puis le dictionnaire des suivants des sommets du graphe.
2. Utiliser le dictionnaire des précédents pour ordonnancer le graphe par niveaux.
3. Représenter le graphe sous sa forme ordonnancée.
On précise que les entrepôts d’entrée sont ceux appartenant au niveau N0 et que les entrepôts de sortie sont
ceux appartenant au dernier niveau.

4. Déterminer la longueur du chemin minimal menant d’un entrepôt d’entrée à un entrepôt de sortie
tout en précisant ce chemin.
5. Déterminer la longueur du chemin maximal menant d’un entrepôt d’entrée à un entrepôt de sortie
tout en précisant ce chemin.
Chapitre 2

Problèmes d’ordonnancement

2.1 Contexte
Les retards apportés aux réalisations de projets aux livraisons ponctuelles aux clients dus en général à
– la mauvaise conception du produit à fabriquer,
– la mauvaise gestion des stocks,
– la fixation arbitraire d’un calendrier de fin des travaux sans rapport ni avec l’évolution réelle des
différentes tâches ni avec les moyens dont on dispose effectivement,
– le manque de coordination entre les responsables des opérations concernant l’ordre de passage des
différentes tâches et leur fin,
sont autant de problèmes que les entreprises doivent affronter aujourd’hui. Afin de minimiser ces retards,
l’organisation des tâches devient indispensable et fait intervenir des notions très particulières.

2.2 Notions de projet, tâche et ordonnancement

2.2.1 Notion de projet

Un projet est un ensemble d’opérations permettant d’atteindre un objet fixé, ces opérations étant sou-
mises à un certain nombre de contraintes.
– Les contraintes potentielles On distingue deux cas :
. Les contraintes de succession ou contraintes d’antériorité qui se traduisent par le fait qu’une tâche j
ne peut débuter que lorsque la tâche i est achevée ou bien se trouve à un certain degré d’exécution.
. Les contraintes de localisation temporelle, permettant de localiser dans le temps chacune des tâches
en cours d’exécution ; la tâche i doit être achevée à telle date ou au contraire son exécution ne doit
jamais commencer avant telle date.
– Les contraintes disjonctives. Elles imposent la réalisation non simultanée de certaines tâches. Ces
contraintes se manifestent en particulier lorsque les disponibilités en matériel ou personnel sont insuf-
fisantes.
– Les contraintes cumulatives. Elles limitent les possibilités d’ordonnancement car elles tiennent compte
de tous les facteurs productifs, hommes, matériels, moyens financiers.

2.2.2 Notion de tâche

Une tâche est une opération. L’ensemble des tâches forme le projet.

On associe à chaque tâche sa durée et une contrainte d’antériorité par rapport aux autres tâches. On
dira que xi est immédiatement antérieure à xj si xj ne peut débuter que lorsque xi est achevée.

25
26 CHAPITRE 2. PROBLÈMES D’ORDONNANCEMENT

2.3 Méthode d’ordonnancement

C’est un ensemble de méthodes qui permettent au responsable du projet de prendre les décisions
nécessaires dans les meilleures conditions possibles. Un problème d’ordonnancement est donc un problème
d’organisation du projet. On distingue diﬀérentes méthodes :
– Les méthodes du type diagramme de Gantt.
– La méthode PERT (Program Evaluation and Review Technique) mise en place pour la réalisation du
programme de recherche et de construction des fusées Polaris en 1958.
– La méthode CPM (Critical Path Method).
– La méthode MPM (Méthode des Potentiels Métra) mise au point en France par B. Roy et son équipe
de la SEMA. Cette méthode présente des avantages par rapport à la méthode américaine PERT, les
graphiques étant plus simples à élaborer et le développement plus prometteur. Son utilisation est très
importante dans la construction d’immeubles, de barrages, d’autoroutes,...

2.4 Établissement d’un ordonnancement

Dès que les contraintes sont compatibles, le critère principal est la minimisation de la durée totale de
réalisation des travaux.

2.5 Détermination du chemin critique et énumération des tâches cri-

tiques
Les tâches critiques sont celles dont l’exécution ne peut être ni retardée ni ralentie sans que la durée
totale des travaux ne soit augmentée. Le (ou les) chemin(s) critique(s) visualise(nt) l’ensemble des tâches
critiques sur le graphique de l’ordonnancement.

2.6 Exercices

Exercice 12 Votre société a besoin de vos services pour implanter la zone de stockage d’un entrepôt
qu’elle vient d’acquérir. Vous prenez connaissance des diﬀérentes tâches qu’il faudra réaliser :

Code des tâches Description des tâches Durée

A Livraison des racks 1h

B Rangement dans les palettiers 12h
C Réception des marchandises 3h
D Identiﬁcation des emplacements 6h
E Mise en service du matériel de manutention 1h
F Réception du matériel de manutention 1h
G Commande des racks 1h
H Commande des chariots 1h
I Installation des racks 15h
J Acceptation du projet 2h

Votre mission (si vous l’acceptez) est d’optimiser l’aménagement de l’entrepôt

1. Etablir le tableau des antériorités (ou dictionnaire des précédents).
2.6. EXERCICES 27

2. Vérifier qu’il n’y a pas de circuit dans le graphe défini par le dictionnaire de la question précédente.
3. Ordonnancer les tâches du graphe par niveaux.
4. Visualiser les différentes tâches à accomplir.
5. Evaluer la durée totale du projet.

Exercice 13 Votre société désire faire construire un nouvel entrepôt commercial dont vous devez réaliser
la mise en chantier. Vous prenez connaissance des différentes tâches qu’il faudra réaliser :

Code des tâches Description des tâches Durée

A Préparation du terrain 2 semaines

B Creusement des fondations 1 semaine
C Commande des matériaux 1 semaine
D Commande des portes et fenêtres 2 semaines
E Livraison des matériaux 1 semaine
F Coulage des fondations, de la dalle et des quais 2 semaines
G Livraison des portes et fenêtres 9 semaines
H Pose des murs, de la charpente et du toit 8 semaines
I Mise en place des portes et fenêtres 1 semaine

Votre mission (si vous l’acceptez) est d’optimiser la mise en chantier de l’entrepôt
1. Etablir le tableau des antériorités (ou dictionnaire des précédents).
2. Vérifier qu’il n’y a pas de circuit dans le graphe défini par le dictionnaire de la question précédente.
3. Ordonnancer les tâches du graphe par niveaux.
4. Visualiser les différentes tâches à accomplir.
5. Evaluer la durée totale du projet.
28 CHAPITRE 2. PROBLÈMES D’ORDONNANCEMENT
Chapitre 3

La méthode MPM

3.1 Le graphe
3.1.1 Eléments du graphe
– Chaque opération est représentée par un sommet, chaque sommet est représenté par un rectangle dans
lequel on inscrit le numéro de code de la tâche associée. Il convient de considérer que le sommet no i
représente le début de la tâche i.
– Chaque arc représente une contrainte de succession.
– On introduit une opération initiale repérée par un sommet noté E (pour Entrée) ou D (pour Départ ou
Démarrage) ou 1 (première étape), ce qui correspond au démarrage des travaux, ainsi qu’une opération
terminale ou ﬁnale à laquelle on associe un sommet numéroté F (pour Final) ou n (dernière étape),
qui correspond à la livraison des travaux.

Remarque 3.1.1 Il est inutile d’introduire des sommets qui correspondraient au début de la réalisation de
certaines étapes ou objectifs partiels ou de période d’attente.

3.1.2 Contraintes potentielles

Les arcs du graphe traduisent les contraintes selon la règle suivante :
– Si deux sommets sont reliés par un arc, cela signiﬁe que l’opération associée à l’extrémité initiale de
l’arc doit être commencée pour qu’on puisse débuter l’opération associée à l’extrémité terminale de
l’arc.
– A chaque arc est associée une valeur numérique qui représente soit un durée opératoire soit plus
généralement un délai.

Exemple 3.1.1 On considère la succession de deux opérations a de durée 6 et b de durée 4, b ne pouvant

débuter que si a est achevée

Figure 3.1 – Succession de 2 étapes - Exemple 3.1.1

Par contre, si l’opération b peut démarrer 2 unités de temps après a, on aura En conclusion, la valeur
potentielle associée à l’arc (xi , xj ) est le délai minimum de la tâche xi , au bout duquel peut démarrer la
tâche xj .

29
30 CHAPITRE 3. LA MÉTHODE MPM

Figure 3.2 – Succession de 2 étapes - Exemple 3.1.1

3.1.3 Exercice corrigé

Un ensemble de travaux comprend 7 tâches. Le tableau ci-dessous précise les durées opératoires et les
contraintes de succession :

Tâches Durées Tâches préalables

a 3
b 2
c 4 a
d 3 a
e 5 b, d
f 4 b, d
g 2 c, f

Représenter le graphe ordonnancé par niveaux associé à ce projet.

Correction : On vériﬁe tout d’abord que le graphe sagittal associé au projet est bien sans circuit. On
peut ensuite ordonnancer ce graphe par niveaux, ceci à l’aide du dictionnaire des précédents.

x a b c d e f g
P (x) a a b, d b, d c, f

On a :
• N0 = {a, b} et X1 = {c, d, e, f, g}.
x P (x)
c
d
e d
f d
g c, f

• N1 = {c, d} et X2 = {e, f, g}.

x P (x)
e
f
g f

• N2 = {e, f } et X3 = {g}.
x P (x)
g
3.1. LE GRAPHE 31

• N3 = {g}

On en déduit le graphe ordonnancé en niveaux suivant :

Figure 3.3 – Graphe ordonnancé - Exercice corrigé

On a représenté sur les arcs d’origine a , la durée opératoire de la tâche a. Si l’on note ”D” le début, ”F”
la ﬁn, les arcs issus de D sont aﬀectés de potentiels nuls puisque la tâche correspondante est de durée nulle.
Les tâches a et b peuvent commencer dès le début.

3.1.4 Tâches parallèles

Soient deux opérations b et c devant satisfaire aux conditions suivantes :
– s’eﬀectuer en même temps (opérations parallèles),
– succéder à une même opération a,
– précéder une opération d.
Les tâches b et c sont dites parallèles.
Exemple 3.1.2 Soient quatre tâches a, b, c et d satisfaisant aux conditions précédentes, de durées respec-
tives 3, 2, 5 et 7. Le graphe associé est alors :

Figure 3.4 – Tâches parallèles - Exemple 3.1.2

Tout arc issu de d sera aﬀecté d’un coeﬃcient 7, délai opératoire de d .

3.1.5 Opérations dépendantes et indépendantes

Soient d’une part a et b indépendantes et d’autre part c et d. Ces opérations sont telles que c succède à
a sans succéder à b, d succède à la fois à a et à b. L’opération c dépend de a, l’opération d dépend de a et
de b.
Exemple 3.1.3 Soient quatre tâches a, b, c et d satisfaisant aux conditions précédentes, de durées respec-
tives 3, 4, 3 et 7. Le graphe associé est alors :
Les arcs issus de c auront un potentiel 3, ceux de d un potentiel 7.
32 CHAPITRE 3. LA MÉTHODE MPM

Figure 3.5 – Dépendance et indépendance - Exemple 3.1.3

3.1.6 Opérations composées

Exemple 3.1.4 Considérons une situation où certaines opérations peuvent débuter avant l’achèvement
complet d’une tâche. La tâche a dure 2 jours, la tâche b dure 7 jours, b succède à a, e de durée 2 jours
succède à b, c de durée 3 jours peut débuter 1 jour après le début de b, d de durée 4 jours peut débuter 3
jours après le début de b.
On pourrait tout d’abord fractionner l’opération sous la forme

Figure 3.6 – Tâches composées - Exemple 3.1.4

mais les 3 sommets b1 , b2 et b3 peuvent être condensés en un seul b , en modiﬁant correctement les
potentiels sur les arcs issus de b :

Figure 3.7 – Tâches composées - Exemple 3.1.4

3.1.7 Conditions limites de démarrage

Dans certains cas (livraison de matériaux, intempéries), il arrive qu’une opération qui doit normalement
succéder à d’autres sans attente imposée, ne puisse être entreprise qu’après une certaine date qui représente
un délai déterminé par rapport à la date de démarrage des travaux. On exprime cette contrainte particulière
de lancement de telles opérations par des arcs. La valuation des arcs ainsi introduits suppose que 0 est
choisie comme date de début des travaux.

Exemple 3.1.5

• b de durée 2 jours succède à a de durée 3 jours mais ne peut débuter qu’après un délai de 10 jours
après le début des travaux.
3.2. EXERCICE SYNTHÉTIQUE CORRIGÉ : CONSTRUCTION D’UN PONT 33

Figure 3.8 – Conditions limites de démarrage - Exemple 3.1.5

• b de durée 2 jours, c de durée 1 jour succèdent à a de durée 3 jours mais ne peuvent démarrer que 10
jours après le début des travaux.

Figure 3.9 – Conditions limites de démarrage - Exemple 3.1.5

Remarque 3.1.2 Les graphes ainsi obtenus sont exempts de circuit, sans quoi une opération pourrait faire
suite à elle même. On peut donc les ordonnancer en niveaux.

3.2 Exercice synthétique corrigé : construction d’un pont

On se donne le projet de construction suivant :

Tâches Description des Interdépendance des durée en jours

élémentaires tâches tâches
A Lancement des poutres Débute avant 1
préfabriquées toute tâche
B Coﬀrage des dalles Succède à A 3
C Ferraillage des dalles Suit la tâche B 1
D Bétonnage des dalles Suit la tâche C 1
E Durcissement des dalles Suit D. Doit être terminée 7
avant que P ne commence
F Coﬀrage des dalles de Suit B, peut être exécutée en 4
de trottoir même temps que C et G
G Mise en place des guides roues Succède à B, peut être exécutée 1
en même temps que C et F
34 CHAPITRE 3. LA MÉTHODE MPM

Tâches Description des Interdépendance des durée en jours

élémentaires tâches tâches
H Ferraillage des dalles Suit F et C. Doit être terminée 1
de trottoir avant que ne débute J
J Bétonnage des dalles Suit les tâches H et D 1
de trottoir
K Durcissement des dalles Suit J, doit être terminée 7
de trottoir avant que ne commence Q
L Exécution du revêtement Peut débuter 3 jours après 1
bitumeux le début de E
M Exécution du revêtement des Peut débuter 3 jours après le 1
dalles de trottoir début de K. Suit la tâche L
N Mise en place des Suit la tâche K 3 jours après 1
garde-fous son début
P Décoffrage des dalles et Succède à E 2
et finition des parements
Q Décoffrage des dalles de Succède à K 2
de trottoir

1. Ordonnancer le graphe par niveaux.

2. Tracer le graphe ordonnancé en évitant que les arcs se coupent.
3. Déterminer le (les) chemin(s) critique(s).
Correction :

1. Ordonnancement par niveaux : on se donne le dictionnaire des précédents :

x A B C D E F G H J K L M N P Q
P (x) A B C D B B F,C H,D J E L,K K E K

• N0 = {A}, r(A) = 0, on barre A dans le dictionnaire :

x ̸A B C D E F G H J K L M N P Q
P (x) ̸A B C D B B F,C H,D J E L,K K E K

• N1 = {B}, r(B) = 1, on barre B dans le dictionnaire :

x ̸A ̸B C D E F G H J K L M N P Q
P (x) ̸A ̸B C D ̸B ̸B F,C H,D J E L,K K E K

• N2 = {C, F, G}, r(C) = r(F ) = r(G) = 2, on barre C, F, G dans le dictionnaire :

x ̸A ̸B ̸C D E ̸F ̸G H J K L M N P Q
P (x) ̸A ̸B ̸C D ̸B ̸B ̸F, ̸C H,D J E L,K K E K
3.2. EXERCICE SYNTHÉTIQUE CORRIGÉ : CONSTRUCTION D’UN PONT 35

• N3 = {D, H}, r(D) = r(H) = 3, on barre D, H dans le dictionnaire :

x ̸A ̸B ̸C ̸D E ̸F ̸G ̸H J K L M N P Q
P (x) ̸A ̸B ̸C ̸D ̸B ̸B ̸F,̸C ̸H,̸D J E L,K K E K

• N4 = {E, J}, r(E) = r(J) = 4, on barre E, J dans le dictionnaire :

x ̸A ̸B ̸C ̸D ̸E ̸F ̸G ̸H ̸J K L M N P Q
P (x) ̸A ̸B ̸C ̸D ̸B ̸B ̸F,̸C ̸H,̸D ̸J ̸E L,K K ̸E K

• N5 = {K, L, P }, r(K) = r(L) = r(P ) = 5, on barre K, L, P dans le dictionnaire :

x ̸A ̸B ̸C ̸D ̸E ̸F ̸G ̸H ̸J ̸K ̸L M N ̸P Q
P (x) ̸A ̸B ̸C ̸D ̸B ̸B ̸F,̸C ̸H,̸D ̸J ̸E ̸L,̸K ̸K ̸E ̸K

• N6 = {M, N, Q}, r(K) = r(L) = r(P ) = 6.

2. Le graphe ordonnancé :

Figure 3.10 – Graphe ordonnancé - Exercice synthétique corrigé

Remarque 3.2.1
– La tâche L peut débuter 3 jours après le début de E alors que E dure 7 jours :
36 CHAPITRE 3. LA MÉTHODE MPM

– La tâche N suit K 3 jours après son début, K dure 7 jours, K précède aussi Q, M débute 3 jours
après le début de K :

– La recherche du chemin critique sera eﬀectuée sur ce graphe.

3.3 Date au plus tôt d’une tâche i, ordonnancement minimum ou au

plus tôt
3.3.1 Déﬁnition
Si on décide de commencer les travaux à la date T1 = 0, la date au plus tôt Ti de début de la tâche
i est la date à laquelle peut commencer au plus tôt la tâche i. Cette date Ti est la somme des délais (ou
potentiels) prise sur la succession la plus défavorable des débuts de tâches commençant par la tâche 1, début
du programme et se terminant par la tâche i. Quoi qu’on fasse, la tâche i ne peut commencer avant la date
Ti . Ti est la longueur d’un plus long chemin, au sens des délais dans le graphe, reliant le sommet 1, début du
programme, au sommet i. L’ensemble de toutes les dates au plus tôt s’appelle ordonnancement minimum
ou au plus tôt. En particulier si n est le sommet représentant la tâche ﬁn de programme, Tn représente la
durée minimale de réalisation du programme. La recherche de l’ordonnancement au plus tôt revient à celle
du graphe 1-maximal, c’est-à-dire les chemins de longueur maximale d’origine le sommet 1.

3.3.2 Détermination des dates au plus tôt

Les dates au plus tôt sont données par :

T1 = 0
Ti = max [Th + dh,i ]
h∈P (i)

où
• P (i) est l’ensemble des précédents de i et Th la date de début au plus tôt de la tâche de niveau
précédent.
• dh,i est le potentiel (ou délai) porté sur l’arc (h, i) c’est-à-dire le délai minimum après le début de la
tâche h, au bout duquel peut démarrer la tâche i.

3.3.3 Chemins critiques

Tout chemin reliant le sommet 1 au sommet n dans le graphe 1-maximal est un chemin critique. Les
chemins critiques seront repassés en traits épais ou traits gras.

Chaque sommet i sera noté

Exemple 3.3.1 Reprenons l’exemple du pont.

3.4. DATE AU PLUS TARD DE DÉBUT D’UNE TÂCHE I, ORDONNANCEMENT LIMITE (OU AU
PLUS TARD) 37

Figure 3.11 – Ordonnancement au plus tôt - Exercice synthétique corrigé

Remarque 3.3.1
– Les arcs du chemin critique sont en trait gras : (A,B,F,H,J,K,Q).
– 19 est la date au plus tôt de début de la tâche ﬁn. La durée minimale des travaux est de 19 jours.
– Les tâches critiques sont repassées en traits gras, ce sont les tâches A,B,F,H,J,K et Q. Ce sont les
sommets qui jalonnent le chemin critique. Si le début d’une opération critique est retardée, tout le
programme se trouve retardé de la même durée. Il est donc formellement interdit de retarder une tâche
critique. Par contre, les autres tâches peuvent l’être.

3.4 Date au plus tard de début d’une tâche i, ordonnancement limite

(ou au plus tard)
3.4.1 Définition
Il est indispensable pour une tâche i donnée de connaı̂tre le retard que l’on peut se permettre sur sa
date de mise en route, par rapport à sa date Ti de début au plus tôt, sans pour cela différer la date de fin
des travaux. On sait que pour une tâche critique, aucun retard n’est permis donc le retard permis sera nul.
Par contre, pour les tâches non critiques, un retard est toléré, n’engendrant aucun retard final.
Le délai minimal dni qui sépare la mise en route de la tâche i et celle de la tâche fin n est la somme des délais
prise sur la succession la plus défavorable des débuts de tâches commençant par i et se terminant par n. Ce
délai minimum dni est la longueur du plus long chemin dans le graphe reliant le sommet i au sommet n.
L’objectif étant de réaliser l’ensemble du programme en un temps minimum, on impose à la tâche n (fin)
de débuter à sa date au plus tôt Tn .
La date au plus tard à laquelle doit débuter la tâche i pour que la tâche n (fin) intervienne à la date imposée
Tn est notée Ti⋆ définie par
Ti⋆ = Tn − dni
L’ensemble de toutes les dates au plus tard de début de tâches s’appelle ordonnancement limite ou plus tard.
38 CHAPITRE 3. LA MÉTHODE MPM

Remarque 3.4.1 Pour les tâches critiques qui ne peuvent tolérer aucun retard , on a

Ti = Ti⋆

3.4.2 Recherche de l’ordonnancement au plus tard

La recherche de l’ordonnancement au plus tard revient à la recherche du graphe maximal d’origine n,
noté G′ , opposé au graphe de G. On suppose G ordonnancé par niveaux relativement aux suivants, les
marques λn,i des sommets représentant les délais dni du sommet n au sommet i. Les dates au plus tard Ti⋆
de début de tâches sont alors déﬁnies par Ti⋆ = Tn − λn,i avec λn,n = 0.

Pratiquement, on calcule les dates au plus tard par

Tn⋆ = Tn
Ti⋆ = min (Tj⋆ − di,j )
j∈S(i)

où
• S(i) est l’ensemble des suivants du sommet i
• di,j est le potentiel porté sur l’arc (i, j).

Le chemin critique peut être obtenu à partir des deux ordonnancements, les tâches critiques étant celles
pour lesquelles Ti = Ti⋆ . Chaque sommet sera noté :

Exemple 3.4.1 Reprenons l’exemple du pont :

• Tn⋆ = Tn = 19
• TM
⋆ = min(T ⋆ − 1) = min(19 − 1) = 18
n
• TQ⋆ = min(Tn⋆ − 2) = min(19 − 2) = 17
• TN⋆ = min(Tn⋆ − 1) = min(19 − 1) = 18
• TP⋆ = min(Tn⋆ − 2) = min(19 − 2) = 17
• TL⋆ = min(TM
⋆ − 1) = min(18 − 1) = 17

• TK
⋆ = min(T ⋆ − 3, T ⋆ − 7, T ⋆ − 3) = min(18 − 3, 17 − 7, 18 − 3) = 10
M Q N
• TE⋆ = min(TP⋆ − 7, TL⋆ − 3) = min(17 − 7, 17 − 3) = 10
• TJ⋆ = min(TK
⋆ − 1) = min(10 − 1) = 9

• TD⋆ = min(TE⋆ − 1, TJ⋆ − 1) = min(10 − 1, 9 − 1) = 8

• TH⋆ = min(TJ⋆ − 1) = min(9 − 1) = 8
• TG⋆ = min(Tn⋆ − 1) = min(19 − 1) = 18
• TC⋆ = min(TD⋆ − 1, TH⋆ − 1) = min(8 − 1, 8 − 1) = 7
• TF⋆ = min(TH⋆ − 4) = min(8 − 4) = 4
• TB⋆ = min(TG⋆ − 3, TC⋆ − 3, TF⋆ − 3) = min(18 − 3, 7 − 3, 4 − 3) = 1
• TA⋆ = min(TB⋆ − 1) = min(1 − 1) = 0

On peut ainsi donner le graphe ﬁnal :

3.5. MARGES D’UNE TÂCHE I 39

Figure 3.12 – Ordonnancement au plus tard - Exercice synthétique corrigé

3.5 Marges d’une tâche i

3.5.1 Marge totale mT (i) de la tâche i
C’est la durée déﬁnie par :
mT (i) = Ti⋆ − Ti

où Ti est la date au plus tôt du début de la tâche i et Ti⋆ est la date au plus tard de début de la tâche i.
La marge totale de la tâche i est le délai ou retard maximum que l’on peut apporter à la mise en route de
cette tâche sans répercussion sur le délai d’achèvement du programme.
Remarque 3.5.1 Les marges totales des tâches critiques sont nécessairement nulles.

3.5.2 Marge libre mL (i) d’une tâche i

C’est la durée déﬁnie par :
mL (i) = min (Tj − Ti − dij )
j∈S(i)

où S(i) désigne l’ensemble des suivants du sommet i et dij désigne le potentiel porté par l’arc (i, j). La marge
libre de la tâche i est le délai ou retard maximum que l’on peut apporter à sa mise en route par rapport à
sa date au plus tôt Ti sans retarder la date de début au plus tôt de toute autre tâche.

3.5.3 Marge certaine mC (i) d’une tâche i

C’est la durée déﬁnie par
mC (i) = max(0; min (Tj − Ti⋆ − dij ))
j∈S(i)
40 CHAPITRE 3. LA MÉTHODE MPM

où S(i) est l’ensemble des suivants de i. Si pour une tâche i, la marge certaine est strictement positive, cette
marge certaine représente le délai ou le retard maximum que l’on peut apporter à sa mise en route sans
perturber pour autant les dates attendues des événements postérieurs et ceci, bien que la tâche i n’ait été
réalisée qu’à sa date limite.
On remarquera que les marges certaines des tâches critiques sont nécessairement nulles.

3.5.4 Exemple
Reprenons l’exemple du pont :
– Les marges totales :

Tâche A B C D E F G H J K L M N P Q
Ti⋆ 0 1 7 8 10 4 18 8 9 10 17 18 18 17 17
Ti 0 1 4 5 6 4 4 8 9 10 9 13 13 13 17
mT (i) 0 0 3 3 4 0 14 0 0 0 8 5 5 4 0

On retrouve les marges totales des tâches critiques nulles (en eﬀet, pour ces tâches critiques Ti = Ti⋆ ).
Par exemple, mT (G) = 14 ce qui signiﬁe que 14 jours est le délai maximum que l’on peut apporter
à la mise en route de cette tâche (par rapport à sa date au plus tôt) sans répercussion sur le délai
d’achèvement du programme.

– Les marges libres :

• mL (A) = min(TB − TA − dAB ) = min(1 − 0 − 1) = 0
• mL (B) = min(TG −TB −dBG , TC −TB −dBC , TF −TB −dBF ) = min(4−1−3, 4−1−3, 4−1−3) = 0

• mL (G) = min(Tn − TG − dGn ) = min(19 − 4 − 1) = 14

• mL (C) = min(TD − TC − dCD , TH − TC − dCH ) = min(5 − 4 − 1, 8 − 4 − 1) = 0
• mL (F ) = min(TH − TF − dF H ) = min(8 − 4 − 4) = 0
• mL (D) = min(TE − TD − dDE , TJ − TD − dDJ ) = min(6 − 5 − 1, 9 − 8 − 1) = 0
• mL (H) = min(TJ − TH − dHJ ) = min(9 − 8 − 1) = 0
• mL (E) = min(TP − TE − dEP , TL − TE − dEL ) = min(13 − 7 − 6, 9 − 3 − 6) = 0
• mL (J) = min(TK − TJ − dJK ) = min(10 − 9 − 1) = 0
• mL (P ) = min(Tn − TP − dP n ) = min(19 − 13 − 2) = 4
• mL (L) = min(TM − TL − dLM ) = min(13 − 9 − 1) = 3
• mL (K) = min(TM − TK − dKM , TQ − TK − dKQ , TN − TK − dKN ) = min(13 − 10 − 3, 17 − 10 −
7, 13 − 10 − 3) = 0
• mL (M ) = min(Tn − TM − dM n ) = min(19 − 13 − 1) = 5
• mL (Q) = min(Tn − TQ − dP n ) = min(19 − 17 − 2) = 0
• mL (N ) = min(Tn − TN − dN n ) = min(19 − 13 − 1) = 5

Signiﬁcation :
. Comme mT (E) = 0, la tâche E peut démarrer au maximum 4 jours après sa date au plus tôt sans
retarder la ﬁn des travaux. Comme mL (E) = 0, si l’on retarde la tâche E, par rapport à sa date au
plus tôt, les dates au plus tôt des autres tâches sont retardées.
. Comme mL (L), le seul suivant de L étant M, si l’on retarde la tâche L de 3 jours par rapport à sa
date au plus tôt, la date au plus tôt (13 jours) de la tâche M ne sera pas retardée. Comme mT (8),
on peut retarder la tâche L de 8 jours par rapport à sa date au plus tôt sans retarder la réalisation
du chantier mais dans ce cas, la tâche M sera retardée de 8 − 3 = 5 jours par rapport à sa date au
plus tôt.
3.6. MÉTHODE MPM PRÉSENTÉE SOUS FORME DE TABLEAUX 41

– Les marges certaines :

• mC (A) = max(0, min(TB − TA⋆ − dAB )) = max(0, min(1 − 0 − 1)) = max(0, 0) = 0
• mC (B) = max(0, min(TG − TB⋆ − dBG , TC − TB⋆ − dBC , TF − TB⋆ − dBF )) = max(0, min(4 − 1 − 3, 4 −
1 − 3, 4 − 1 − 3)) = max(0, 0) = 0
• mC (G) = max(0, min(Tn − TGstar − dGn )) = max(0, min(19 − 18 − 1)) = max(0, 0) = 0
• mC (C) = max(0, min(TD − TC⋆ − dCD , TH − TC⋆ − dCH )) = max(0, min(5 − 7 − 1, 8 − 7 − 1)) =
max(0, −3) = 0
• mC (F ) = max(0, min(TH − TF⋆ − dF H )) = max(0, min(8 − 4 − 4)) = max(0, 0) = 0
• mC (D) = max(0, min(TE − TD⋆ − dDE , TJ − TD⋆ − dDJ )) = max(0, min(6 − 8 − 1, 9 − 8 − 1)) =
max(0, −3) = 0
• mC (H) = max(0, min(TJ − TH⋆ − dHJ )) = max(0, min(9 − 8 − 1)) = max(0, 0) = 0
• mC (E) = max(0, min(TP − TE⋆ − dEP , TL − TE⋆ − dEL )) = max(0, min(13 − 10 − 7, 9 − 10 − 3)) =
max(0, −4) = 0
• mC (J) = max(0, min(TK − TJ⋆ − dJK )) = max(0, min(10 − 9 − 1)) = max(0, 0) = 0
• mC (P ) = max(0, min(Tn − TP⋆ − dP n )) = max(0, min(15 − 17 − 2)) = max(0, 0) = 0
• mC (L) = max(0, min(TM − TL⋆ − dLM )) = max(0, min(13 − 17 − 1)) = max(0, −5) = 0
• mC (K) = max(0, min(TM − TK ⋆ −d
KM , TQ − TK − dKQ , TN − TK − dKN )) = max(0, min(13 − 10 −
⋆ ⋆

3, 17 − 10 − 7, 18 − 10 − 3)) = max(0, 0) = 0
• mC (M ) = max(0, min(Tn − TM
⋆ −d
M n )) = max(0, min(14 − 1 − 18)) = max(0, −5) = 0
• mC (Q) = max(0, min(Tn − TQ⋆ − dP n )) = max(0, min(19 − 17 − 2)) = max(0, 0) = 0
• mC (N ) = max(0, min(Tn − TN⋆ − dN n )) = max(0, min(14 − 18 − 1)) = max(0, −5) = 0

Les marges certaines de toutes les tâches sont nulles. Aucun délai ne peut être apporté à la mise
en route des tâches réalisées à leur date limite sans perturber les dates attendues des événements
postérieurs.

3.6 Méthode MPM présentée sous forme de tableaux

Il est possible d’éviter de dessiner le graphe en raisonnant sur un tableau. Ce tableau est à la fois un
dictionnaire des précédents et des suivants du graphe MPM. Il va permettre la recherche de l’ordonnance-
ment au plus tôt à partir du dictionnaire des précédents et de l’ordonnancement au plus tard à partir du
dictionnaire des suivants. L’un ou l’autre des ordonnancements donnera en plus le chemin critique. Enﬁn,
les marges s’en déduiront immédiatement.

3.6.1 Ordonnancement au plus tôt

Le tableau suivant précise les contraintes de succession des diﬀérentes tâches.
– Les dates de début et ﬁn du programme sont repérées respectivement par α et ω.
– La première ligne énumère les sommets (les tâches).
– Les lignes suivantes énumèrent les précédents dans le graphe MPM avec mention du potentiel sur l’arc
correspondant. Ces lignes sont partagées en colonnes, chacune se rapportant à un sommet, chaque
colonne est elle-même divisée en deux sous-colonnes. Seules les colonnes de droite font mention des
précédents et des potentiels associés.

0:α 0:A 1:B 4:C 5:D 6:E 4:F 4:G 8:H

0 α:0 0 A:1 1 B:3 4 C:1 5 D:1 1 B:3 1 B:3 4 C:1
4 F :4
42 CHAPITRE 3. LA MÉTHODE MPM

9:J 10 : K 13 : L 17 : M 17 : N 13 : P 17 : Q 19 : ω
5 D:1 9 J :1 6 E:7 10 K:7 10 K:7 6 E:7 10 K:7 4 G:1
8 H:1 13 L:1 17 M :1
17 N :1
13 P :2
17 Q:2

– Le tableau est complété de la façon suivante : à gauche des lettres représentant les tâches, sont inscrites
les dates au plus tôt de début Ti et ceci sur la première ligne et sur les lignes suivantes dans les sous-
colonnes de gauche. Ces dates de début au plus tôt sont déterminées par l’algorithme précédent, on
progresse selon les niveaux croissants dans le graphe, on écrit 0 à gauche de α partout où α est écrit.
Appelons colonne complète toute colonne dont les deux sous-colonnes sont entièrement remplies. Ainsi,
la colonne se référant à A est complète.
• La somme 0 + 0 des nombres ﬁgurant dans les deux sous-colonnes dans la même ligne donne la date
au plus tôt de A que l’on inscrit à gauche de tous les A du tableau.
• La colonne B est ainsi complète. La date de début au plus tôt de B est la somme 0 + 1 = 1 que l’on
inscrit à gauche de tous les B du tableau.
• Les colonnes C,F,G sont alors complètes. Les dates de début au plus tôt de C,F,G sont égales à
1 + 3 = 4 à inscrire à gauche de tous les C,F,G du tableau.
• Les colonnes de D et H sont complètes et 4 + 1 = 5 est la date de début au plus tôt de D à inscrire
à gauche de tous les D du tableau, la date de début au plus tôt de H est max(4 + 1, 4 + 4) = 8, on
inscrit 8 à gauche de tous les H du tableau...
• date au plus tôt de J : max(5 + 1, 8 + 1) = 9
• date au plus tôt de K : 9 + 1 = 10
• date au plus tôt de M : max(10 + 3, 9 + 1) = 13
• date au plus tôt de N : 10 + 3 = 13
• date au plus tôt de P : 6 + 7 = 13
• date au plus tôt de Q : 10 + 7 = 17
• date au plus tôt de ω : max(1 + 1, 13 + 1, 13 + 1, 13 + 2, 17 + 2) = 19

– Cette méthode n’est pas diﬀérente de celle de l’algorithme des précédents pour déterminer les ni-
veaux d’un graphe sans circuit. La notion de colonne complète correspond à celle de ligne vide dans
l’algorithme du dictionnaire des précédents. On voit ainsi apparaı̂tre les diﬀérents niveaux :
{α}, {A}, {C,F,G}, {D,H}, {E,J}, {K,L,P}, {M,N,Q}, {ω}
– Obtention du chemin critique :
• On part de la colonne ω et on souligne son précédent minimum Q dans la sous-colonne de droite
(précédent qui réalise le maximum de la somme des nombres par lignes dans les deux sous-colonnes).
• Dans la colonne Q, on souligne son précédent minimum K (unique précédent).
• Dans la colonne J, on souligne H, son précédent minimum (précédent qui réalise le maximum de la
somme des nombres par lignes dans les deux sous-colonnes).
• Dans la colonne H, on souligne F.
• Dans la colonne F, on souligne B.
• Dans la colonne B, on souligne A.
• Dans la colonne A, on souligne α.
On obtient ainsi le chemin critique en commençant par ω : ω Q K J H F B A α soit α, A B F H J K
Q ω en commençant par α.
3.6. MÉTHODE MPM PRÉSENTÉE SOUS FORME DE TABLEAUX 43

3.6.2 Ordonnancement au plus tard

Le principe est le même. Le tableau déﬁnit cette fois-ci le dictionnaire des suivants, toujours avec la
mention du potentiel de l’arc correspondant :

α A:0 B:1 C:7 D:8 E : 10 F :4 G : 18 H:8

A:0 0 B:1 1 C:3 7 D:1 8 E:1 18 L:3 18 H : 4 8 ω : 1 19 J : 1 9
F :3 4 H:1 8 J :1 17 P :7 17
G:3 18

J :9 K : 10 L : 18 M : 18 N : 18 P : 17 Q : 17 ω : 19
K:1 10 H:3 18 M :1 18 ω:1 19 ω:1 19 ω:2 19 ω:2 19
N :3 18
Q:7 17

Ici, les dates de début au plus tard sont inscrites à droite de chaque lettre représentant une tâche.
• Conformément à l’algorithme de l’ordonnancement au plus tard, on commence par inscrire 19, durée
minimale du programme obtenue dans le tableau précédent (19 : ω), à droite de tous les ω du tableau
correspondant à la date de début au plus tard de ω.
• Les colonnes G,M,N,P,Q sont alors complètes, d’où les dates de début au plus tard des tâches corres-
pondantes. Pour G, on a 19 − 1 = 18 et on reporte 18 à droite de tous les G du tableau. Pour M, on a
19 − 1 = 18, on reporte 18 à droite de tous les M du tableau. Pour N, on a 19 − 1 = 18 et on reporte
18 à droite de tous les N du tableau. Pour P, on obtient 19 − 2 = 17 et on reporte 17 à droite de tous
les P du tableau. Enﬁn pour Q, on obtient 19 − 2 = 17 et on reporte 17 à droite de tous les Q du
tableau.
• Les colonnes K et L sont alors complètes. La date de début au plus tard de K est alors min(18 − 3, 18 −
3, 17 − 7) = 10, on reporte 10 à droite de tous les K du tableau. Pour L, la date de début au plus tard
est 18 − 1 = 17. On reporte 17 à droite de tous les L du tableau.
• Les colonnes de E et J sont alors complètes. La date de début au plus tard de E est min(18−3, 17−7) =
10. On reporte 10 à droite de tous les E du tableau. Pour J, la date de début au plus tard est de
10 − 1 = 9. On reporte 9 à droite de tous les J du tableau.
• Les colonnes D et H sont lors complètes. La date d ébut au plus tard de H est 9 − 1 = 8. On reporte 8
à droite de tous les H du tableau. Celle de D est min(10 − 1, 9 − 1) = 8. On reporte 8 à droite de tous
les D du tableau.
• Les colonnes C et F sont complètes. La date de début au plus tard de C est min(8 − 1, 8 − 1) = 7. On
reporte 7 à droite de tous les C du tableau. Celle de F est 8 − 4 = 4. On reporte 4 à droite de tous les
F du tableau.
• La colonne B est alors complète. La date de début au plus tard de B est min(7 − 3, 4 − 3, 18 − 3) = 1.
On reporte 1 à droite de tous les B du tableau.
• La colonne A est alors complète. La date de début au plus tard de A est 1 − 1 = 0. On reporte 0 à
droite de tous les A du tableau.
Pour chaque sommet, on a souligné le suivant qui réalise le minimum de la diﬀérence des nombres par lignes
dans les deux sous-colonnes.

Obtention du chemin critique :

Dans l’ordonnancement au plus tard, on part de α. Le suivant qui réalise le minimum est A. Dans la colonne
A, on souligne B qui réalise le minimum. Dans la colonne B, le suivant qui réalise le minimum est F. On
44 CHAPITRE 3. LA MÉTHODE MPM

souligne F. Dans la colonne F, le suivant qui réalise le minimum est H, qu’on souligne. Dans la colonne H,
le suivant qui réalise le minimum est J, qu’on souligne. Dans la colonne J, le suivant qui réalise le minimum
est K, qu’on souligne. Dans la colonne K, le suivant qui réalise le minimum est Q, qu’on souligne. Enﬁn,
dans la colonne Q, le suivant qui réalise le minimum est ω, qu’on souligne. Le chemin critique est alors :

(α,A,B,F,H,J,K,Q,ω)

3.7 Exercices

Exercice 14 Un entrepôt a procédé à la définition d’un certain nombre de tâches à effectuer et à l’évaluation
de leur durée. Le tableau suivant est l’aboutissement de ce travail.
1. Ordonnancer le graphe par niveaux. Tracer le graphe associé.
2. Indiquer les dates de début au plus tôt ainsi que les dates au plus tard de chaque tâche. On précisera
sur la copie l’algorithme (le programme) permettant la détermination de date au plus tôt de la tâche
k ainsi que celui donnant la date de début au plus tard de la tâche j.
3. En déduire le(s) chemin(s) critique(s) ainsi que la durée minimale du projet.
4. Calculer les marges libres et les marges totales de toutes les tâches. Donner la signification des marges
trouvées pour les tâches d, i et o uniquement.

Désignation des tâches Tâches immédiatement antérieures Durée en semaines

a – 2
b a 8
c b 1
d c 3
e d 5
f c 1
g f 2
h c 2
i h 3
j i 8
k e,g 7
l k,j 2
m l 1
n k,j 1
o b 8
p m,n 1

Exercice 15 Un étudiant en Licence 2 Logistique se voit proposer un stage de deux mois dans une entre-
prise assemblant des téléphones portables. On lui propose de mener à bien un projet lié à la gestion des flux
des composants du téléphone produit. L’entreprise a procédé à la définition d’un certain nombre de tâches
à effectuer et à l’évaluation de leur durée. Les conditions d’antériorité liant ces tâches et les durées en jours
de celles-ci, sont rassemblées dans le tableau ci-dessous :
3.7. EXERCICES 45

Tâches A B C D E F G H I J K L M N
Tâches
immédiatement D B,H A A D B,D,F B,I,E D,E F,G,H G,H H,I,E J,G K,J
antérieures
Durées 10 14 14 8 12 22 25 18 6 9 13 8 10 9

1. (a) Ordonnancer les tâches de ce projet par niveaux.

(b) Tracer le graphe.
(c) i. Donner une définition de la date de début au plus tôt.
ii. Déterminer les dates de début au plus tôt de chacune des tâches.
iii. En déduire la durée minimale du projet ainsi que le chemin critique.
(d) i. Donner une définition de la date de début au plus tard.
ii. Déterminer les dates de début au plus tard de chacune des tâches et retrouver ainsi les tâches
critiques.
(e) i. Donner les définitions de la marge totale et de la marge libre.
ii. Déterminer les marges totales et les marges libres de chacune des tâches du projet.
iii. On considère la tâche B , donner une interprétation des résultats obtenus.
(f) On démarre la tâche B à la date 24. Quelle en est l’influence sur la date de fin au plus tôt de la
tâche L ?

2. Afin de diminuer la durée minimale du projet, on propose à l’étudiant différentes améliorations, les
durées initiales des tâches ne sont pas modifiées mais certaines d’entre-elles peuvent commencer avant
l’achèvement des tâches précédentes.
* La tâche F peut commencer 4 jours après le début de D.
* La tâche G peut commencer 15 jours après le début de F et 10 jours après le début de B.
* La tâche H peut commencer 7 jours après le début de B et 2 jours après le début de I.
* La tâche K peut commencer 15 jours après le début de G et 12 jours après le début de H.
* La tâche N peut commencer 5 jours après le début de J.

Apporter ces diﬀérentes modiﬁcations au graphe.

Exercice
16 Une entreprise souhaite augmenter sa capacité d’accueil de marchandises et commande pour
cela la construction d’un entrepôt spécialisé supplémentaire. La société responsable de ce projet dépêche un
spécialiste qui fournit la liste des tâches à réaliser et l’évaluation de leur durée. Les conditions d’antériorité
liant ces tâches et les durées en jours de celles-ci, sont données dans le tableau ci-dessous :

Tâches A B C D E F G H I J K L M N P
Tâches
immédiatement A B A A B,E A,D,E C,F F,H,K K E,F,G I,J D,G K,G,M J,M,N
antérieures
Durées 5 4 7 6 3 8 4 13 4 4 7 5 6 4 4

1. (a) Ordonnancer les tâches de ce projet par niveaux.

(b) Tracer le graphe.
46 CHAPITRE 3. LA MÉTHODE MPM

2. (a) Déterminer les dates de début au plus tôt de chacune des tâches du projet en précisant pour une
tâche quelconque, la signiﬁcation de cette date.
(b) En déduire la durée minimale du projet ainsi que le chemin critique.
(a) Déterminer les dates de début au plus tard de chacune des tâches en précisant pour une tâche
quelconque, la signiﬁcation de cette date.
(b) Que peut-on déduire des tâches pour lesquelles les dates au plus tôt et au plus tard sont égales ?
3. (a) Déterminer les marges totales et les marges libres de chacune des tâches du projet.
(b) On démarre la tâche G quatre jours après sa date au plus tôt, que se passe-t-il alors ?

Exercice
17 Vous travaillez actuellement sur un projet de construction d’un atelier de ﬁnition. Le début
des travaux est prévu pour le 1er mai. Le détail et le durée des travaux de chaque corps de métier vous sont
donnés ci-après. Aﬁn de déterminer la date d’achèvement de l’atelier et d’éviter les retards qui seraient dus
à l’imprévision, vous êtes chargés de visualiser le projet.

À partir du tableau des antériorités ci-après (donnant les tâches précédentes et antécédentes),
1. Trouver les tâches immédiatement antérieures à chaque tâche.
2. Ordonnancer les tâches du projet par niveaux.
3. Déterminer les dates au plus tôt de chacune des tâches du projet en précisant pour l’une d’entre-elles
le calcul réalisé. Quelle est la date au plus tôt de réalisation du projet ?
4. Faire apparaı̂tre sur le graphe le chemin critique. Que peut-on dire sur les tâches qui composent ce
chemin ?
5. Déterminer les dates au plus tard de chacune des tâches du projet en précisant pour l’une d’entre-elles
le calcul réalisé.
6. Déterminer pour chacune des tâches qui composent le projet sa marge totale et sa marge libre.

Durée Tâches
Symboles Tâches
(en semaines) antérieures

A Gros œuvre maçonnerie 12 −−

B Charpente 1 A
C Zinguerie 1 B
D Couverture 1 C
E Electricité 1ère étape 2 D
F Sanitaire 1ère étape 1 D
G Vitreries extérieures 1 D
H Plâtrerie 4 G
I Sanitaire 2ème étape 1 H
J Electricité 2ème étape 1 H
K Carrelage 6 I,J
L Volets roulants 1 I
M Menuiseries intérieures 2 L
N Serrurerie 1 L
3.7. EXERCICES 47

Durée Tâches
Symboles Tâches
(en semaines) antérieures

O Peintures 5 N
P Electricité 3ème étape 1 O
Q Revêtements des sols 5 P
R Crépissage extérieur 3 O

Exercice
18 L’entreprise où vous travaillez a reçu commande d’une nouvelle machine-outil très perfec-
tionnée. Le délai de livraison est absolument impératif. Vous êtes chargé(e) d’établir les prévisions de durée
de fabrication.

À partir du tableau des antériorités ci-dessous (donnant les tâches précédentes et antécédentes),
1. Trouver les tâches immédiatement antérieures à chaque tâche.
2. Ordonnancer les tâches du projet par niveaux.
3. Déterminer les dates au plus tôt de chacune des tâches du projet en précisant pour l’une d’entre-elles
le calcul réalisé. Quelle est la date au plus tôt de réalisation du projet ?
4. Faire apparaı̂tre sur le graphe le chemin critique. Que peut-on dire sur les tâches qui composent ce
chemin ?
5. Déterminer les dates au plus tard de chacune des tâches du projet en précisant pour l’une d’entre-elles
le calcul réalisé.
6. Déterminer pour chacune des tâches qui composent le projet sa marge totale et sa marge libre.

Durée Tâches
Symboles Tâches
(en mois) antérieures

A Fabrication de l’élément 1 3 −−
B Fabrication de l’élément 2 2 A
C Assemblage a des éléments 1 et 2 1 A,B
D Fabrication de l’élément 3 2 C
E Assemblage b (assemblage a avec l’élément 3) 2 C,D
Fabrication de l’élément 4 quand les
F 3 A,B
éléments 1 et 2 sont terminés
Fabrication de l’élément 5 en même temps
G 24 A
que la fabrication de l’élément 4
Fabrication de l’élément 6 quand la fabrication de
H 4 G
l’élément 5 est terminée
I Fabrication de l’élément 7 6 H
J Assemblage d des éléments 5 et 6 1 G,H
K Assemblage c (assemblage b avec l’élément 4) 2 E,F
L Assemblage e (assemblage c,d avec l’élément 7) 7 I,J,K
48 CHAPITRE 3. LA MÉTHODE MPM

Exercice 19 Une importante société de magasins alimentaires à grande surface diversiﬁe son activité
en créant des commerces dans de petites villes. La société crée le fonds de commerce qui est ensuite géré de
façon autonome par un commerçant franchisé.

La société réalise tout d’abord une étude d’implantation : étude de marché sur un certain rayon d’ac-
tion et choix de la localité où sera installé le commerce.

À partir du tableau des antériorités de la page suivante (donnant les tâches précédentes et antécédentes),

1. Trouver les tâches immédiatement antérieures à chaque tâche.

2. À l’aide du tableau 1, retrouver

– les niveaux de l’ordonnancement,
– les dates au plus tôt de chaque tâche ainsi que la date au plus tôt de réalisation du projet,
– le chemin critique (en soulignant les tâches en faisant partie).
3. À l’aide du tableau 2, retrouver
– les dates au plus tard de chaque tâche,
– le chemin critique (en soulignant les tâches en faisant partie).

Durée Tâches
Symb. Tâches
(jours ouvr.) antérieures

A Recherche d’un local 50 −−

B Recherche d’un franchisé 45 A
C Constitution du dossier bancaire du franchisé 15 A,B
Constitution du dossier à la Chambre de
D 10 A,B,C
Commerce pour les inscriptions obligatoires
E Formation du franchisé 30 B
F Aménagement, plâterie, peinture du magasin 20 A
G Réfection, façade, enseigne 25 A
H Equipement chambre froide et rayonnages 15 A,F
I Implantation du magasin (disposition des articles) 6 A,B,E,F,H
K Tirage en imprimerie des feuillets publicitaires 6 A,G
L Distribution des feuillets publicitaires 2 A,G,K
M Liste et envoi des invitations pour l’inauguration 6 A,B,D
N Inauguration du magasin 1 Toutes les autres
3.7. EXERCICES 49

Exercice 20 On souhaite réaliser un projet dont les principales tâches sont données ci-dessous et pour
lesquelles on précise les suivants ainsi que la durée :

Étape No Nom de la tâche Suivant(s) Durée (jours)

Lancement du projet 1 2 0
2 Caractéristiques des charges 3, 4 5
3 Caractéristiques des ﬂux entrants 8 4
Recueil des données
4 Caractéristiques des ﬂux sortants 5, 8 4
5 Caractéristiques des commandes 8 4
6 Fonctionnalités générales 8 8
7 Contraintes diverses 8 3
8 Dimensionnement statique 10 7
9 Dimensionnement dynamique 10 8

Conception 10 Conception de 3 solutions 11 42

11 Implantations 12 14
12 Élaboration des dossiers techniques 13 10
13 Établissement des budgets 14 5
14 Comparaison des solutions 15 7
15 Choix de la meilleure solution 16 5
Fin du projet 16 – 0

1. Quelle est la condition nécessaire pour qu’un graphe quelconque puisse être ordonnancé par niveaux ?
Prouver que cette condition est vériﬁée dans le cadre de l’exercice.

2. Ordonnancer les tâches par niveaux. Tracer le graphe associé.

3. On utilise dans les questions suivantes la méthode MPM.

(a) Indiquer les dates de début au plus tôt ainsi que les dates de début au plus tard de chaque tâche.

(b) En déduire le(s) chemin(s) critique(s) ainsi que la durée minimale du projet.

(c) Calculer les marges libres et les marges totales de toutes les tâches. Donner la signiﬁcation des
marges trouvées pour les tâches 3 et 13 uniquement.

Exercice
21 La société Dupont S.A. spécialisée dans l’étude et la composition d’unités industrielles a
obtenu la maı̂trise d’œuvre pour l’installation d’une usine chimique. L’analyse du projet a permis de distin-
guer 14 phases de travaux diﬀérents : maçonnerie, plomberie, électricité, conditionnement d’air, traitement
des déchets, installations et essais machines, etc. Ces travaux sont désignés par les lettres de A à N.
La société responsable de cette implantation dispose de moyens (moyens propres en équipes spécialisées,
machines. . . auxquels s’ajoutent quelques sous-traitants) permettant l’exécution des travaux en parallèle,
sous réserve toutefois du respect des relations d’ordre montrées dans le tableau suivant. Ces relations sont
imposées par un ensemble de contraintes techniques.
Ce tableau montre également la durée prévue (en jours) de chacune des phases des travaux.
50 CHAPITRE 3. LA MÉTHODE MPM

Liste des travaux Durée prévue (en jours) Travaux antérieurs Suivants Marge totale

A 10 – B,G,N 10
B 25 A C,K 10
C 25 B,E,G J 0
D 20 – G 0
E 35 – C,F,H,K 10
F 20 E,G J 5
G 25 A,D C,F,K 0
H 15 E J 20
I 40 – – 100
J 30 C,F,H L 0
K 20 B,E,G M 25
L 40 J,M – 0
M 10 K,N L 25
N 15 A M 65

1. Quelle est la durée (en jours ouvrés) minimale de réalisation de ce projet ? Indiquer la séquence des
travaux qui détermine cette durée (travaux critiques).
2. Déterminer la marge totale pour chacune des phases du projet.

Exercice 22 La société SGTB (Société des Grands Travaux de la Bièvre) a reçu la maı̂trise d’œuvre
de la construction d’une piscine olympique sur un campus universitaire. Le tableau des antériorités des
tâches est le suivant :

Codes Tâches Antériorités Durée (en jours) Suivants

A Excavation – 5 B,F
B Fondation A 2 C
C Pose de canalisations B 4 D
D Essais en pression C,G 8 E
E Etanchéité D 9 J
F Mise en place de la station d’épuration A 6 G
G Mise en place du chauﬀage F 5 D,H
H Raccordement électrique G 4 I
I Sonorisation sous-marine H 5 J
J Dallage E,I 6 K,L
K Construction des vestiaires J 8 M
L Construction du solarium J 2 M
M Mise en eau K,L 3 –
3.7. EXERCICES 51

Les travaux débutent le 1er avril. Chaque mois comporte 20 jours ouvrables.
1. Déterminer si l’inauguration peut avoir lieu comme prévu le 15 juin.
2. Lors de la pose des canalisations, on apprend que, suite à un incident technique, cette opération durera
6 jours de plus que prévu. Cela aura-t-il une inﬂuence sur le délai prévu ?

Exercice
23 Dans le cadre de la réforme hospitalière, les conseils d’administration de 3 centres hospi-
taliers voisins ont élaboré en commun un plan de rationnalisation de leurs activités. Tout en maintenant les
3 sites existants, ils ont décidé de fusionner en une seule entité appele HOPITAL NORD. La réorganisation
des unités de soins et de leur gestion implique l’interconnexion des réseaux informatiques des 3 sites. Deux
des 3 hôpitaux, désigns H1 et H2, sont déjà interconnectés ; vous participez à l’étude et à la mise en place
de la connexion du troisième hôpital, désigné H3.

L’évolution du réseau local du site H3 a été planiﬁée. Les tâches nécessaires à la réalisation de ce pro-
jet, leurs durées ainsi que les conditions d’antériorité qui les relient ﬁgurent dans le tableau ci-dessous :

Code de la tâche Désignation de la tâche Durée en jours Tâches antérieures Suivants

A Déﬁnition des contraintes du réseau 2 B,E J

B Mise en place du projet 6 – A
C Mise à jour des droits d’accès 2 F –
D Achat des composants matériels 8 J I,L
E Déﬁnition du budget 3 – A
F Mise à jour des groupes utilisateurs 2 K C
G Formation de l’administrateur réseau 5 J M
H Cablage 10 J M
I Commande de Novell Netware 5 4 D M
J Choix des fournisseurs et des intervenants 5 A D,G,H
K Mise à jour logicielle des postes clients 1 M F
L Mise à jour matérielle des postes 2 D M
M Installation Novell Netware 5 2 L,I,G,H K

1. Construire le graphe d’ordonnancement du projet.

2. Déterminer le chemin critique et indiquer la durée minimale de réalisation du projet.
3. Le responsable redoute maintenant des diﬃcultés techniques sur la mise à jour matérielle des postes,
diﬃcultés qui porteraient de 2 à 8 jours la durée de la tâche L. Indiquer l’incidence sur la durée globale
du projet d’allongement de la durée de la tâche L.
52 CHAPITRE 3. LA MÉTHODE MPM
Chapitre 4

La méthode PERT

4.1 Introduction
La méthode PERT (pour Program Evaluation Review Technique) s’est développée, parallèlement à la
méthode des potentiels métra (méthode MPM), aux Etats-Unis en 1958 pour la planiﬁcation de la construc-
tion des sous-marins Polaris. Elle se distingue de la méthode des potentiels par le fait que les tâches ne sont
plus associées aux nœuds mais aux arcs du réseau.

L’algorithme de résolution est très semblable à celui de la méthode des potentiels.

La différence majeure réside donc dans la construction du graphe : le graphe de la méthode PERT est
souvent plus difficile à construire que celui de la méthode des potentiels car on peut être amené à introduire
des arcs fictifs qui ne correspondent à aucune tâche.
Dans la méthode PERT, chaque tâche est donc associée à un arc du graphe, la longueur de l’arc correspon-
dant à la durée de la tâche en question. Les sommets sont utilisés pour traduire les relations de succession
temporelle. Ainsi, si la tâche j doit suivre la tâche i, l’extrémité terminale de l’arc représentant la tâche i
coı̈ncidera avec l’extrémité initiale de l’arc représentant la tâche j.

Figure 4.1 – Tâches

4.2 Diﬃcultés de construction du graphe PERT

La construction du graphe PERT pose divers problèmes qui amènent à ajouter des arcs ﬁctifs qui ne
correspondent à aucune tâche.

Un premier problème se rencontre lorsqu’on veut tenir compte des contraintes de localisation temporelle.
Par exemple, on suppose qu’une tâche i ne peut commencer avant une date li . Il faut introduire un arc
joignant l’origine des travaux à l’origine de l’arc représentant la tâche i et ayant pour longueur la date en
question li . On est donc amené, dans ce cas, à ajouter un arc ﬁctif qui ne correspond à aucune tâche.

Un second problème plus délicat, se rencontre pour les contraintes de succession temporelle. En eﬀet, sup-
posons que la tâche 1 précède les tâches 2 et 3 et que la tâche 4 précède la tâche 3. On pourrait tracer le
graphe ci-dessous mais ce graphe introduit une contrainte supplémentaire qui implique que la tâche 4 doit
précéder la tâche 2. Pour résoudre ce problème, on ajoute un arc ﬁctif de longueur nulle entre l’extrémité
de la tâche 1 et le début de la tâche 3 : Il conviendra donc d’être vigilant dans la construction du graphe
PERT. On remarquera également que le problème ne peut se produire que dans le cas où il y a au moins
54 CHAPITRE 4. LA MÉTHODE PERT

Figure 4.2 – Contraintes de succession temporelle

Figure 4.3 – Arc ﬁctif

deux prédecesseurs et deux successeurs. Dans tous les autres cas, on peut construire le graphe sans ajouter
d’arc ﬁctif.

4.3 Calcul de l’ordonnancement par la méthode PERT

Exemple 4.3.1 Construisons le graphe PERT associé à l’exemple de construction d’un bâtiment dont les
données sont disponibles ci-dessous :

No Tâche Durée (jours) Prédecesseurs Successeurs

1 Terrassement 5 – 2
2 Fondations 4 1 3, 7
3 Colonnes porteuses 2 2 4, 6
4 Charpente toiture 2 3 5
5 Couverture 3 4 10
6 Maçonnerie 5 3 9
7 Plomberie, electricité 3 2 8
8 Coulage dalle béton 3 7 9
9 Chauﬀage 4 6, 8 10
10 Plâtre 10 5, 9 11
11 Finitions 5 10 –
4.3. CALCUL DE L’ORDONNANCEMENT PAR LA MÉTHODE PERT 55

L’ordonnancement par niveaux donne

N0 = {1}, N1 = {2}, N2 = {3, 7}, N3 = {4, 6, 8}, N4 = {5, 9}, N5 = {10}, N6 = {11}.

Le graphique de la méthode PERT est illustré à la page suivante :

Figure 4.4 – Graphe ordonnancé - Exemple 4.3.1

4.3.1 Calcul de l’ordonnancement au plus tôt

On détermine tout d’abord les dates de début au plus tôt des nœuds, qu’on notera ti . Cela est réalisé
par marquage des nœuds à partir de l’origine comme dans la méthode des potentiels. On additionne au
temps du nœud précédent le temps de la tâche. En cas de plusieurs prédecesseurs, on prend le maximum.
Ces dates au plus tôt seront indiquées au dessus des nœuds comme ci-dessous, toujours dans le cadre de
l’exemple 4.3.1 : Comme dans la méthode des potentiels, les dates de début au plus tôt de toutes les tâches

Figure 4.5 – Graphe ordonnancé - Exemple 4.3.1

suivant un nœud correspondent à la date au plus tôt ti du nœud situé juste avant la tâche.

4.3.2 Calcul de l’ordonnancement au plus tard

Contrairement à la méthode des potentiels, on ne peut calculer simplement l’ordonnancement au plus
tard. En eﬀet, on détermine les dates au plus tard des nœuds notées ti , par marquage à partir de la ﬁn, en
soustrayant au temps du nœud suivant le temps de la tâche. En cas de plusieurs successeurs, on prend le
minimum.
Il est à remarquer que ces dates au plus tard des nœuds ti ne correspondent pas dans tous les cas aux dates
au plus tard des tâches qui suivent le nœud.
56 CHAPITRE 4. LA MÉTHODE PERT

Reprenons l’exemple 4.3.1 et plus particulièrement la tâche 4 de durée 2. La date de début au plus tard de
son successeur direct c’est-à-dire la tâche 5 est de 17. La date de début au plus tard de la tâche 4 est donc
de 17 − 2 = 15 alors que la date de début au plus tard du nœud précédent la tâche dans le graphe est de
11. Ce 11 provient en fait de la tâche 6 qui est critique (16 − 5 = 11).

Il convient donc de procéder en deux temps. D’abord, on calcule le temps de début au plus tard des nœuds
comme dans la méthode des potentiels. Ensuite, on calcule la marge de la tâche (i, j) entre les nœuds i et j
déﬁnie par

mij = tj − (ti + dij )

Autrement dit, la marge est la diﬀérence entre le temps de d’ebut au plus tard du nœud j et à l’arrivée
au plus tôt à ce nœud pour la tâche (i, j) qui peut partir au plus tôt en ti du nœud i. On obtient alors
les dates au plus tard des tâches en additionnant à la date au plus tôt du nœud de départ, la marge de la tâche.

Dans le cadre de l’exemple 4.3.1, les résultats sont indiqués ci-dessous :

Tâche 1 2 3 4 5 6 7 8 9 10 11
Date au plus tôt 0 5 9 11 13 11 9 12 16 20 30
Marge 0 0 0 4 4 0 1 1 0 0 0
Date au plus tard 0 5 9 15 17 11 10 13 16 20 30

On peut maintenant compléter le graphe :

Figure 4.6 – Graphe ordonnancé - Exemple 4.3.1

4.3.3 Calcul du chemin critique

Un chemin critique peut se construire à partir du nœud de ﬁn en ne retenant que les arcs critiques.
L’application à l’exemple donne le chemin critique suivant :

P = (1, 2, 3, 6, 9, 10, 11)

On remarquera que le chemin critique peut ne pas être unique. En eﬀet, on peut avoir des chemins critiques
parallèles. Si par exemple, la durée de la tâche 4 est portée de 2 à 6, un second chemin critique apparı̂t dans
notre exemple :

P1 = (1, 2, 3, 6, 9, 10, 11)

P2 = (1, 2, 3, 4, 5, 10, 11)
4.4. EXERCICES 57

On remarquera également que pour réduire la durée minimum de réalisation du projet, il faut réduire la
durée d’une tâche dans chaque chemin critique. En eﬀet, il ne sert à rien de réduire la durée d’un chemin
critique si un autre chemin reste critique avec une valeur supérieure. On doit alors soit réduire la durée
d’une tâche dans chaque chemin, soit réduire la durée d’une tâche dans chaque chemin, soit réduire la durée
d’une tâche commune aux chemins dans le cas où une telle tâche existe.

4.4 Exercices

Exercice
24 La réalisation d’un projet nécessite la réalisation des 15 tâches suivantes :

Désignation des tâches Interdépendance des tâches Durée en

élémentaires élémentaires jours
A Débute avant toute autre tâche 12
B succède à la tâche A 36
C suit la tâche A 12
D suit la tâche C 12
E suit la tâche B 84
F suit la tâche B 48
G succède à B 12
H suit les tâches F et C 12
J suit les tâches H et D 12
K suit la tâche J 84
L débute après E 12
M suit la tâche L 12
N suit la tâche K 12
P succède à E 24
Q succède à K 24

1. Ordonnancer les tâches par niveaux.

2. À l’aide de la méthode MPM,
(a) tracer le graphe associé au projet en interdisant les intersections d’arcs,
(b) indiquer sur ce graphe les dates au plus tôt Ti et les dates au plus tard Ti⋆ de début des tâches,
(c) donner la durée minimale du projet,
(d) préciser le chemin critique.
3. À l’aide de la méthode PERT,
(a) tracer le graphe associé au projet,
(b) retrouver les dates du 2.(a) en précisant vos calculs,
(c) retrouver la durée minimale du projet,
(d) retrouver le chemin critique.
58 CHAPITRE 4. LA MÉTHODE PERT

Exercice 25 Un entrepôt a procédé à la définition d’un certain nombre de tâches à effectuer et à l’évaluation
de leur durée. Le tableau ci-dessous est l’aboutissement de ce travail.
1. Quelle est la condition nécessaire pour qu’un graphe quelconque puisse être ordonnancé par niveaux ?
Prouver que cette condition est vérifiée dans le cadre de l’exercice.
2. Ordonnancer les tâches par niveaux. Tracer le graphe associé.
3. On utilise dans les questions suivantes la méthode MPM.
(a) Indiquer les dates de début au plus tôt ainsi que les dates au plus tard de chaque tâche.
(b) En déduire le(s) chemin(s) critique(s) ainsi que la durée minimale du projet.
(c) Calculer les marges libres et les marges totales de toutes les tâches. Donner la signification des
marges trouvées pour les tâches E et M uniquement.
4. Retrouver les résultats précédents à l’aide de la méthode PERT.

Désignation des Tâches immédiatement Durée en

tâches antérieures semaines
A – 3
B P 9
C B,N 3
D L,Q 1
E D,J 6
F H,P 7
G – 12
H O 9
I P 6
J C 4
K D 5
L F,N 3
M D,J 1
N H,O 1
O – 6
P A,G 8
Q I 15
4.4. EXERCICES 59

Exercice 26 Tracer le réseau PERT relatif au projet ci-dessous et déterminer sa durée minimale :

Désignation des Tâches immédiatement Durée en

tâches antérieures semaines
A – 3
B P 9
C B,N 3
D L,Q 1
E D,J 6
F H,P 7
G – 12
H O 9
I P 6
J C 4
K D 5
L F,N 3
M D,J 1
N H,O 1
O – 6
P A,G 8
Q I 15
60 CHAPITRE 4. LA MÉTHODE PERT
Chapitre 5

Ordonnancement en ateliers spécialisés -

Diagrammes de Gantt

5.1 Introduction
On parle d’ateliers spécialisés lorsque l’ensemble des équipements nécessaires pour assurer une fonction
déterminée sont rassemblés dans un même atelier. Le problème de gestion quotidienne est de déterminer
l’ordre d’exécution d’un certain nombre de tâches, la réalisation d’une tâche nécessitant le passage sur une
ou plusieurs machines.

Parmi les modèles d’ordonnancement en ateliers spécialisés, on distingue :

• Les modèles statiques pour lesquels on recherche l’ordonnancement optimal d’un ensemble donné de
tâches sur ue période donnée. Autrement dit, au cours de la période considérée, aucune nouvelle tâche
non prévue ne peut être prise en compte dans l’ordonnancement.
• Les modèles dynamiques d’ordonnancement qui se caractérisent par des arrivée successives de tâches,
le plus souvent dans un univers aléatoire.
Dans ce dernier chapitre, on se limitera aux modèles statiques et on verra le problème d’ordonnancement
sur une ou deux machines.

5.2 Ordonnancement sur une machine

Exemple 5.2.1 On illustre la méthode par le biais de l’exemple suivant : on souhaite eﬀectuer 5 tâches
sur une machine A. Le tableau ci-dessous présente les diﬀérentes tâches ainsi que leur temps opératoire en
centièmes d’heures.

Tâche i 1 2 3 4 5
Temps opératoire Ti 50 150 80 200 30

Table 5.1 – Données - Exemple 5.2.1

Il s’agit de déterminer l’ordre dans lequel on va effectuer ces différentes tâches. Il est clair que, quel que
soit l’ordre choisi, le temps opératoire total (ou somme des temps opératoires) est le même. Il faut donc
définir un autre critère entre tous les ordonnancements possibles. Un exemple d’ordonnancement est donné
ci-dessous :

5.2.1 Le diagramme de Gantt

Le diagramme de Gantt représente une technique de visualisation d’un ordonnancement.
62CHAPITRE 5. ORDONNANCEMENT EN ATELIERS SPÉCIALISÉS - DIAGRAMMES DE GANTT

Ordre (j) 1 2 3 4 5
Tâche programmée (i) 3 4 1 5 2
Temps d’exécution Tj 80 200 50 30 150

Table 5.2 – Ordonnancement 1 - Exemple 5.2.1

Reprenons l’ordonnancement choisi dans l’exemple 4.3.1 et construisons le diagramme de Gantt associé :

Figure 5.1 – Diagramme de Gantt - Exemple 5.2.1

Le diagramme de Gantt permet de visualiser à la fois :

– l’utilisation des moyens productifs,
– l’avancement de l’exécution des tâches.
Une ligne horizontale illustre l’évolution du temps. Pour chaque moyen productif (en l’occurence la machine
A), on trace une ligne horizontale au dessus (ou en dessous) de la ligne du temps. Chaque tâche à eﬀectuer
sur la machine A est représentée par un segment horizontal dont la longueur est proportionnelle à la durée
d’exécution de la tâche. Le numéro de la tâche sera indiqué au dessus du segment.

5.2.2 La règle T.O.M.

On a vu précédemmment que tous les ordonnancements possibles conduisent au même temps opératoire
total. Dans l’exemple 4.3.1, l’exécution des 5 tâches nécessite 510 centièmes d’heures soit 5 heures et 6
minutes. Alors quel ordonnancement doit-on choisir ?

On note Aj le temps d’achèvement de la tâche programmée en position j. Le temps d’achèvement d’une

tâche est la somme des temps d’exécution de la tâche avec ceux des tâches précédentes :

∑
j
Aj = Ti = T1 + T2 + . . . + Tj
i=1

où Ti est le temps opératoire de la tâche i.

Le calcul des diﬀérents temps d’achèvement des tâches est donné dans le tableau ci-dessous :

Ordre (j) 1 2 3 4 5
Tj 80 200 50 30 150
Aj 80 280 330 360 510

Le temps d’achèvement moyen vaut alors :

1∑
n
80 + 280 + 330 + 360 + 510
A= Aj = = 312.
5 5
j=1
5.3. ORDONNANCEMENT AVEC DEUX CENTRES DE PRODUCTION 63

Ce temps d’achèvement moyen peut se réécrire en détails comme suit :

A = (80
+80 + 200
+80 + 200 + 50
+80 + 200 + 50 + 30
+80 + 200 + 50 + 30 + 150)/5
= (5 × 80 + 4 × 200 + 3 × 50 + 1 × 30)/5
Il s’agit donc d’une somme pondérée des temps opératoires, chaque temps opératoire étant pondéré par un
facteur d’autant plus grand qu’il se trouve exécuté plus tôt dans l’ordonnancement.

La règle d’ordonnancement qui minimise le temps d’achèvement moyen est celle du Temps Opératoire
Minimum (règle T.O.M.) qui consiste à exécuter les tâches par ordre croissant de durée :

T1 ≤ T2 ≤ . . . ≤ Tj ≤ . . . ≤ Tn

L’application de cette règle donne l’ordonnancement illustré dans le tableau ci-dessous On peut montrer

Ordre (j) 1 2 3 4 5
Tâches (i) 5 1 3 2 4
Tj 30 50 80 150 200
Aj 30 80 160 310 510

Table 5.3 – Ordonnancement 2 - Exemple 5.2.1

que la règle T.O.M. revient à minimiser le retard moyen, le retard d’une tâche étant la diﬀérence entre le
moment où la tâche est terminée et celui où elle aurait été terminée si l’on avait commencé en premier lieu.

5.3 Ordonnancement avec deux centres de production

On considère le cas où toutes les tâches sont à exécuter sur le premier centre puis sur le second. Soient tiA
et tiB les temps d’exécution de la tâche i sur les machines (ou centres de production) A et B respectivement.
On va utiliser comme critère d’ordonnancement la minimisation du temps total d’exécution des tâches sur
les deux machines.

Exemple 5.3.1 Supposons que cinq tâches soient à exécuter sur les machines A puis B. Les temps opératoires
(en centièmes d’heures) sont repris ci-dessous :

Tâches (i) 1 2 3 4 5
ti,A 50 150 80 200 30
ti,B 60 50 150 70 200

Table 5.4 – Données - Exemple 5.3.1

Durant l’exécution de la première tâche sur A, la machine B “dort”. On a donc intérêt à mettre en tête la
tâche de temps tiA le plus faible. De façon similaire, lors de l’exécution de la dernière tâche sur la machine
B, la machine A dort. On a donc intérêt à mettre en ﬁn la tâche de durée d’exécution tiB minimum.
En se basant sur ces deux observations, l’algorithme Johnson (1954) calcule l’ordonnancement minimisant
le temps total d’exécution des tâches.
64CHAPITRE 5. ORDONNANCEMENT EN ATELIERS SPÉCIALISÉS - DIAGRAMMES DE GANTT

Algorithme 5.3.1 Algorithme de Johnson

1. Rechercher la tâche i de temps d’exécution tim minimum.
2. Si m = A, placer cette tâche à la première place disponible.
Si m = B, placer cette tâche à la dernière place disponible.
3. Supprimer la tâche i des tâches encore à programmer, retour en 1.

Appliquons cet algorithme à l’exemple 5.3.1 :

• la tâche 5 (t5A = 30) est mise en première position
1 2 3 4 5
5

• Puis la tâche 1 (t1A = 50) est mise en deuxième position

1 2 3 4 5
5 1

• Puis la tâche 2 (t2B = 50) est mise en dernière position

1 2 3 4 5
5 1 2

• Puis la tâche 4 (t2B = 70) est mise en avant-dernière position

1 2 3 4 5
5 1 4 2
• Puis la tâche 3 est mise à la dernière place disponible.
1 2 3 4 5
5 1 3 4 2

L’ordonnancement obtenu est optimal et est illustré à la ﬁgure 5.2. ci-dessous. Le passage d’une tâche d’une
machine à l’autre est visualisé à l’aide d’une ﬂèche verticale. On notera qu’une machine au repos est indiquée

Figure 5.2 – Diagramme de Gantt - Exemple 5.3.1

par un Z. Si l’on veille à aligner verticalement l’origine du temps pour chaque machine, une ligne verticale
indique donc à tout moment à quelle tâche est occupée chacune des machines. Un tableau mural peut être
ainsi d’un grand recours pour les agents de maı̂trise responsables de l’aﬀectation des moyens humains et
matériels.

5.4 Ordonnancement sur trois machines

L’algorithme de Johnson ne s’applique qu’en présence de deux machines. Cependant, le cas de trois
machines peut se ramener au cas de deux machines si la machine B est complètement dominée par la
machine A ou par la machine C, c’est-à-dire si l’on se trouve dans le cas où
5.4. ORDONNANCEMENT SUR TROIS MACHINES 65

minimum tiA ≥ maximum tiB

soit dans le cas où
minimum tiC ≥ maximum tiB
Ces conditions évitent de fausser l’algorithme de Johnson. Dans le cadre de l’exemple ci-dessous,
Exemple 5.4.1
Tâches 1 2 3 4 5 6 7
Assemblage 20 12 19 16 14 12 17
Inspection 4 1 9 12 5 7 8
Expédition 7 11 4 18 18 3 6

Table 5.5 – Données - Exemple 5.4.1

on constate que les conditions d’application énoncées précédemment sont vérifiées. Il est à remarquer que
les deux conditions ne doivent pas être vérifiées simultanément. Dans l’exemple 5.4.1, la seconde condition
n’est pas vérifiée.
Lorsqu’on se trouve dans un des deux cas, on reformule le problème en un problème à deux machines. Dans le
cadre de l’exemple 5.4.1, la première regroupe les machines A et B (puisque l’assemblage domine l’inspection)
avec tiAB = tiA + tiB et la seconde regroupe les machines B et C (l’expédition domine l’assemblage) avec
tiBC = tiB + tiC ce qui donne les nouveaux temps opératoires

Tâches 1 2 3 4 5 6 7
Assemblage + Inspection 24 13 28 28 19 19 25
Inspection + Expédition 11 12 13 30 23 10 14

Table 5.6 – Reformulation du problème - Exemple 5.4.1

On applique alors l’algorithme de Johnson à ce problème à deux machines pour déterminer l’ordonnancement
optimal.

Place 1 2 3 4 5 6 7
Tâche 5 4 7 3 2 1 6

Table 5.7 – Ordonnancement - Exemple 5.4.1

On peut alors tracer le diagramme de Gantt correspondant au problème original, c’est-à-dire celui avec trois
machines.

Figure 5.3 – Diagramme de Gantt - Exemple 5.4.1

66CHAPITRE 5. ORDONNANCEMENT EN ATELIERS SPÉCIALISÉS - DIAGRAMMES DE GANTT

5.5 Exercices

Exercice
27 Deux opérateurs sont chargés de remplir un camion avec des cartons identiques qui sont
disposés sur 8 palettes situées en zone de stockage. Chaque palette contient 40 cartons.

Le processus de chargement est le suivant : au départ de l’activité, l’opérateur 1 est sur son chariot élévateur
en zone de stockage. L’opérateur 2 est en attente près du camion. L’opérateur 1 déstocke une palette et
l’amène à l’opérateur 2 puis il retourne chercher une autre palette pour lui-même. Quand les cartons des
deux palettes sont chargés dans le camion, il va chercher deux autres palettes. Pendant ce temps, l’opérateur
2 à l’aide d’une transpalette, ramène les deux palettes vides au parc palettes et ainsi de suite jusqu’à la
ﬁn des opérations. On appellera cette succession de manœuvres un cycle. On précise que les deux dernières
palettes sont rangées par l’opérateur 1.

On se donne les temps opératoires ci-dessous (exprimés en centièmes de minutes) :

Tâche Temps opératoire

prendre une palette en zone de stockage 14
amener une palette près du camion et la poser 46
aller chercher une palette en zone de stockage 30
oter le ﬁlm d’une palette 10
prendre un carton sur la palette et le placer dans le camion 10
sortir du camion 4
ramener les palettes vides au parc palettes et revenir 34

1. Tracer un diagramme de Gantt correspondant à un cycle (on considérera en abscisse le temps exprimé
en centièmes de minutes et en ordonnée les opérateurs 1 et 2).
2. Préciser le temps nécessaire pour réaliser un cycle.
3. Quel est le temps nécessaire pour réaliser la totalité du chargement (et ranger les palettes vides) ?
4. Est-il nécessaire de déterminer un ordonnancement des palettes (numérotées de 1 à 8) ? Pourquoi ?

Exercice 28 Un responsable d’entrepôt reçoit une commande de chargement pour 10 palettes bien spéciﬁques.
Chaque palette doit être assemblée (atelier A), emballée (atelier B) puis inspectée et chargée (atelier C)
dans le camion. Les temps en heures des diﬀérentes opérations sont donnés à la page suivante.

Comme seulement 3 personnes sont disponibles pour réaliser ce travail, les palettes sont réalisées l’une
après l’autre et sont traitées sur A, puis sur B, puis sur C.
1. Pour chaque atelier, appliquer la règle T.O.M aﬁn de minimiser le temps d’achèvement moyen Ti tout
en précisant cette valeur.
2. On considère ensuite les 3 ateliers simultanément.
(a) En justiﬁant des conditions nécessaires à l’utilisation de l’algorithme de Johnson, donner l’ordre
de traitement des palettes permettant de minimiser le temps nécessaire à la réalisation de la
commande.
(b) Tracer un diagramme de Gantt correspondant au problème. Préciser le temps minimal nécessaire
à la réalisation de la commande.
5.5. EXERCICES 67

Palette i 1 2 3 4 5 6 7 8 9 10
Temps
1h10′ 0h55′ 0h45′ 0h20′ 1h15′ 1h25′ 0h55′ 0h40′ 1h05′ 1h00′
assemblage tiA
Temps
0h25′ 0h30′ 0h35′ 0h25′ 0h40′ 0h35′ 0h40′ 0h25′ 0h20′ 0h30′
emballage tiB
Temps
inspection
0h45′ 0h55′ 1h10′ 1h05′ 0h50′ 1h15′ 0h45′ 0h50′ 1h05′ 1h20′
+ chargement tiC

Exercice 29 10 palettes de natures diﬀérentes sont à traiter sur trois ateliers diﬀérents. On se donne
le tableau ci-dessous fournissant les temps opératoires (exprimés en minutes) de chacune des palettes sur
chaque atelier :

XXX
XXX Palette
XX 1 2 3 4 5 6 7 8 9 10
Atelier XXX

A 40′ 30′ 60′ 75′ 20′ 50′ 50′ 55′ 35′ 25′
B 10′ 15′ 20′ 10′ 20′ 15′ 15′ 15′ 10′ 20′
C 15′ 27′ 35′ 40′ 40′ 30′ 10′ 20′ 30′ 30′

1. (a) À l’aide de l’algorithme de Johnson, déterminer tous les ordonnancements possibles permettant
de minimiser le temps de traitement total des palettes.
(b) À l’aide d’un diagramme de Gantt et de l’ordonnancement que vous aurez choisi, préciser le temps
total nécessaire au traitement des dix palettes.
2. (a) À l’aide de l’algorithme de Johnson Géneŕalisé, déterminer tous les ordonnancements possibles
permettant de minimiser le temps de traitement total des palettes.
(b) À l’aide d’un diagramme de Gantt et de l’ordonnancement que vous aurez choisi, préciser le temps
total nécessaire au traitement des dix palettes.

Exercice
30 Un entreposeur vous demande de gérer l’assemblage, l’inspection et l’expédition de 7 pa-
lettes en un temps minimum. Vos études antérieures vous permettent d’estimer les temps (en minutes)
nécessaires à la réalisation des trois tâches pour chaque palette à savoir :

XXX
XXX Palette
XXX P1 P2 P3 P4 P5 P6 P7
Atelier XX

Assemblage 7 4 11 18 18 3 6
Inspection 4 1 9 12 5 7 8
Expédition 20 12 19 16 14 12 17

Pour réaliser ces 7 palettes, vous employez trois personnes, chacune aﬀectée à un atelier bien précis.
1. Préciser au moins une raison permettant d’expliquer l’importance des temps opératoires lors de
l’expédition des palettes.
2. (a) L’algorithme de Johnson peut-il s’appliquer ici et si oui, quel est l’ordonnancement optimal ?
(b) À l’aide d’un diagramme de Gantt et de l’ordonnancement précédent, déterminer le temps minimal
de traitement des 7 palettes.
68CHAPITRE 5. ORDONNANCEMENT EN ATELIERS SPÉCIALISÉS - DIAGRAMMES DE GANTT

3. (a) Appliquer l’algorithme de Johnson Généralisé et préciser l’ordonnancement optimal permettant

de minimiser le temps total de traitement des 7 palettes.
(b) Remplir le tableau ci-dessous

Assemblage Inspection Expédition

Palette
d Td Tf c d Td Tf c d Td Tf c

Pi ...

où
– d correspond à la durée de la tâche,
– Td est la date au plus tôt de réalisation de la tâche,
– Tf est la date au plus tard de réalisation de la tâche,
– c est la contrainte ou temps d’attente.
(c) À l’aide d’un diagramme de Gantt et de l’ordonnancement précédent, déterminer le temps minimal
de traitement des 7 palettes.

Exercice
31 Une importante société de magasins alimentaires à grande surface diversiﬁe son activité
en créant des commerces dans les petites villes. La société crée le fonds de commerce qui est ensuite géré de
façon autonome par un commerçant franchisé. La société réalise une étude d’implantation puis elle installe
le commerce.
Les tâches à exécuter sont résumées dans le tableau suivant :

Liste des tâches Durée en jours Tâches qui doivent être

exécutées avant

A - Recherche d’un local 50 –

B - Recherche d’un franchisé 45 –
C - Constitution du dossier du franchisé 15 A,B
D - Constitution du dossier pour la 10 A,B
chambre de commerce
E - Formation du franchisé 30 B
F - Aménagement, plâtrerie, peinture du magasin 20 A
G - Réfection façade, enseigne 8 A
H - Équipement chambre froide 8 A,F
I - Équipement rayonnage 5 A,F
J - Implantation du magasin 6 A,B,E,F,G,H,I
K - Tirage des feuillets publicitaires 6 A,B,D
L - Distribution des feuillets publicitaires 2 A,B,D,K
M - Envoi des invitations pour l’inauguration 6 A,B,D
N - Inauguration du magasin 1 toutes

1. Tracez le diagramme du projet.

2. En quel temps minimum ce projet pourra-t-il être réalisé ?
3. Faı̂tes apparaı̂tre le chemin critique.
4. Tracez le diagramme de GANTT de ce projet.
5. Donnez, sous forme de tableau, les marges totales.
5.5. EXERCICES 69

Exercice 32 La décision vient d’être prise d’acquérir une imprimante thermique à codes barres. Les tâches
à réaliser, leurs antériorités ainsi que leur durée (en semaines) sont répertoriées dans le tableau suivant :

Code de la tâche Tâche Antériorités Durée

Collecte de la documentation
A −− 2 semaines
sur les imprimantes
B Choix du matériel C 1 semaine
Étude de la documentation,
C A 2 semaines
démonstration par les fabricants
Installation de l’imprimante,
D F 1 semaine
tests de fonctionnement
E Passation du marché, commande B 1 semaine
F Délai de livraison du matériel E 4 semaines
G Commande des étiquettes de livraison I 3 semaines
H Établissement d’un projet d’étiquettes B 2 semaines
I Mise au point des étiquettes H 2 semaines
J Formation des opérateurs D,G 2 semaines

Votre mission consiste à déterminer dans quel délai le matériel sera opérationnel.
1. Construire le réseau PERT à partir des antériorités puis déterminer la durée minimale du projet.
2. À l’aide du planning, représenter l’ordonnancement au plus tôt du projet.
3. À l’aide du planning, représenter l’ordonnancement au plus tard du projet.
4. Déterminer les marges totale et libre de chacune des tâches.

ORDONNANCEMENT AU PLUS TÔT

Semaine no
Tâche Durée 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
A 2
B 1
C 2
D 1
E 1
F 4
G 3
H 2
I 2
J 2
70CHAPITRE 5. ORDONNANCEMENT EN ATELIERS SPÉCIALISÉS - DIAGRAMMES DE GANTT

ORDONNANCEMENT AU PLUS TARD

Semaine no
Tâche Durée 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
A 2
B 1
C 2
D 1
E 1
F 4
G 3
H 2
I 2
J 2
Chapitre 6

Réduction de la durée d’un projet

6.1 Présentation de la méthode

On va illustrer le problème de la réduction de la durée du projet sur l’exemple suivant.

Exemple 6.1.1 On considère la construction d’un bâtiment dont les diﬀérentes tâches sont listées dans le
tableau de la page suivante :

No Tâche Durée (jours) Prédecesseurs

1 Terrassement 5 –
2 Fondations 4 1
3 Colonnes porteuses 2 2
4 Charpente toiture 2 3
5 Couverture 3 4, 6
6 Maçonnerie 5 3
7 Plomberie, electricté 3 2
8 Coulage dalle béton 3 7
9 Chauﬀage 4 6, 8
10 Plâtre 10 5, 9
11 Finitions 5 10, 13
12 Achat de la cuisine 15 –
13 Installation de la cuisine 3 12

On a la possibilité de réduire la durée de certaines tâches moyennant un surcoût par jour de réduction de
la durée comme indiqué dans le tableau ci-dessous :

No Tâche Réduction maximum (jours) Surcoût par jour

5 Couverture 1 120
6 Maçonnerie 3 150
8 Coulage dalle béton 1 180
9 Chauﬀage 1 200
12 Achat de la cuisine 5 100

On veut réduire au maximum la durée du projet en minimisant le coût de cette réduction.

On utilise la méthode des potentiels pour mettre en place le graphe ordonnancé en niveaux : à l’aide du
dictionnaire des précédents, on obtient les niveaux ci-dessous :
72 CHAPITRE 6. RÉDUCTION DE LA DURÉE D’UN PROJET

Figure 6.1 – Graphe ordonnancé - Exemple 6.1.1

N0 = {1, 12}, N1 = {2, 13}, N2 = {3, 7}, N3 = {4, 6, 8}, N4 = {5, 9}, N5 = {10}, N6 = {11}

Au départ, pour passer de 35 à 34 jours, seules sont candidates les tâches critiques 6 et 9. On réduit la tâche
6 d’un jour car c’est la décision la moins coûteuse. La tâche 9 débute en 15 et la tâche 8 devient critique.
Par répercussion, la tâche 7 devient aussi critique.
Le nouveau graphe est donné par :

Figure 6.2 – Réduction de la durée du projet - Exemple 6.1.1

On peut maintenant observer deux chemins critiques P1 = (1, 2, 3, 6, 9, 10, 11) et P2 = (1, 2, 7, 8, 9, 10, 11).
Pour diminuer la réalisation du projet d’un jour supplémentaire, il faut réduire simultanément une tâche
dans chaque chemin. Le choix est à eﬀectuer entre 9 (de coût 200) et 8 et 6 (de coût 150 + 180 = 330). On
retient la tâche 9 que l’on diminue d’un jour. Le nouveau graphe est donné par
6.1. PRÉSENTATION DE LA MÉTHODE 73

Figure 6.3 – Réduction de la durée du projet - Exemple 6.1.1

On voit apparaı̂tre trois chemins critiques

P1 = (1, 2, 3, 6, 9, 10, 11)

P2 = (1, 2, 7, 8, 9, 10, 11)
P3 = (1, 2, 3, 6, 5, 10, 11)

Pour diminuer le projet d’un jour supplémentaire , on sélectionne la tâche 6 qui est commune à deux chemins
ainsi que la tâche 8 pour un coût total de 180 + 150 = 330. On remarque que la tâche 9 n’est plus disponible
car on a déja utilisé le seul jour de réduction possible. On obtient le graphe ci-dessous : Il n’est plus alors

Figure 6.4 – Réduction de la durée du projet - Exemple 6.1.1

possible de diminuer la durée du projet car si on diminuait la tâche 6 d’un jour, il resterait un des trois
chemins critiques (P2 ) et la durée resterait à 32 jours.
74 CHAPITRE 6. RÉDUCTION DE LA DURÉE D’UN PROJET

6.2 Exercices

Exercice
33 Vous travaillez actuellement sur un projet de construction d’un atelier jouxtant votre en-
trepôt. Le début des travaux est prévu pour le jeudi 1er septembre. Le détail et la durée des travaux de
chaque corps de métiers vous sont donnés ci-dessous. Aﬁn de déterminer la date d’achèvement de l’atelier
et d’éviter les retards qui seraient dus à l’imprévision, vous êtes chargés de visualiser le projet.

Tâche Description de la tâche Durée de la tâche Tâches antérieures

A Gros œuvre maçonnerie 12 jours −−
B Charpente 1 jour A
C Zinguerie 1 jour B
D Couverture 1 jour C
E Electricité 1ère étape 2 jours D
F Sanitaire 1ère étape 1 jour D
G Vitreries extérieures 1 jour D
H Plâtrerie 4 jours G
I Sanitaire 2ème étape 1 jour H
J Electricité 2ème étape 1 jour H
K Carrelage 6 jours I et J
L Volets roulants 1 jour J
M Menuiseries intérieures 2 jours L
N Serrurerie 1 jour L
O Peintures 5 jours N
P Electricité 3ème étape 1 jour O
Q Revêtements des sols 5 jours P
R Crépissage extérieur 3 jours O

1. (a) Construire le réseau PERT et mettre en évidence le(s) chemin(s) critique(s).

(b) Déterminer les marges totales et libres de chacune des tâches composant le projet.
(c) Déterminer la date prévisible d’achèvement de l’atelier.
2. Retrouver les résultats des questions précédentes à l’aide de la méthode MPM.
3. Vous souhaitez réduire la durée totale d’exécution des travaux. Pour cela, il est possible de réduire la
durée des tâches K, Q et R de deux, trois ou quatre jours au prix d’un coût supplémentaire de 1000
ou 2000 euros par jour de réduction selon la tâche comme indiqué dans le tableau ci-dessous :

Tâche Réduction maximum (jours) Surcoût par jour (euros)

K 2 1000
Q 4 1000
R 3 2000

(a) Comment peut-on en pratique diminuer la durée d’un projet ?

(b) De combien peut-on réduire la durée totale des travaux et à quel coût ?

Exercice
34 Une entreprise décide de commercialiser un nouveau produit. La planiﬁcation de ce lan-
cement fait apparaı̂tre les tâches du tableau ci-après avec leur durée (en semaines) et leurs prédecesseurs.
1. Tracer le graphe correspondant à la méthode PERT.
2. Calculer les dates de début au plus tôt, au plus tard, les marges et le chemin critique.
6.2. EXERCICES 75

3. L’entreprise voudrait réduire la durée totale d’exécution des travaux. Pour cela, il est possible de
réduire la durée des tâches 5 et 11 d’une ou deux semaines, au prix d’un coût supplémentaire de
100000 euros par semaine de réduction pour la tâche 5 et de 200000 euros par semaine pour la tâche
11. De combien peut-on réduire la durée totale des travaux et à quel coût ?

No Tâche Durée Prédecesseurs

1 Sélection des équipements 1 –
2 Choix de la méthode de production 2 1
3 Procédures de contrôle de qualité 2 2
4 Choix des matières premières 2 1
5 Réception des équipements 7 1
6 Commande des matières premières 1 4
7 Réception des matières premières 3 6
8 Essais de production 2 3, 5, 7
9 Première fourniture aux magasins 6 8, 11
10 Conception du conditionnement 4 1
11 Production du conditionnement 5 10
12 Réunion des vendeurs 1 11
13 Formation des vendeurs 1 12
76 CHAPITRE 6. RÉDUCTION DE LA DURÉE D’UN PROJET
Chapitre 7

Optimisation des ﬂux

7.1 Généralités
7.1.1 Réseau de circulation
Un problème de circulation a pour objet d’optimiser l’éxécution d’un certain mouvement de matière
sur un réseau donné. Il pourra s’agir d’un ﬂuide (eau, gaz, pétrôle,. . . ) parcourant des canalisations ou des
véhicules se déplaçant sur des voies et transportant des marchandises.

Le mouvement de matière se décompose en un nombre ﬁni de mouvements partiels, chacun allant d’un
point de départ i vers un point d’arrivée j de façon que :
– chaque mouvement se comporte entre i et j de façon indépendante des autres mouvements partiels,
– en i ou en j, diﬀérents mouvements partiels peuvent se séparer ou se réunir. La redistribution de ces
mouvements partiels n’est possible qu’en des points privilégiés du réseau, appelés nœuds du réseau.
Ce réseau est donc constitué de l’ensemble des nœuds et de l’ensemble des liaisons pour lesquelles il existe
des mouvements de matière. On supposera que la matière qui circule dans le réseau est constituée par un
seul produit homogène. Cette matière pénètre par certains nœuds appelés nœuds d’entrée, sort du réseau
par certains nœuds appelés nœuds de sortie. Les nœuds du réseau qui ne sont ni d’entrée ni de sortie sont
des nœuds de transit.

7.1.2 Graphe associé à un réseau de circulation

Définition 7.1.1 Un réseau est composé de nœuds et de liaisons joignant entre eux certains nœuds. À
chaque nœud i, on associe un sommet xi . À chaque liaison (i, j), on associe
– un arc (xi , xj ) si le mouvement s’eﬀectue de i vers j

– deux arcs (xi , xj ) et (xj , xi ) si le mouvement peut s’eﬀectuer dans les deux sens

On peut faire des hypothèses générales sur les réseaux de circulation :

– Le mouvement de matière est indépendant du temps. On considère une période suﬃsamment longue
pour couvrir la totalité du phénomène.
78 CHAPITRE 7. OPTIMISATION DES FLUX

– Il y a conservation de la matière transportée sur tout arc (xi , xj ) du réseau, la quantité de matière
partant du nœud i et empruntant la liaison (i, j) pendant la période de référence est la même que celle
arrivant au nœud j.

Définition 7.1.2 La quantité de matière s’écoulant pendant une période de référence sur l’arc u = (xi , xj )
s’appelle flux sur l’arc u et se note φ(u). Pour tout arc u on a évidemment φ(u) ≥ 0.

Pendant une période de référence, la quantité de matière qui arrive à un nœud de transit est égale à celle
qui en sort : il y a conservation de matière aux nœuds de transit.

Soient
• X l’ensemble des sommets du graphe G associé au réseau,
• E l’ensemble des sommets représentant les nœuds d’entrée,
• S l’ensemble des sommets représentant les nœuds de sortie,
• ω − (x) l’ensemble des arcs aboutissant au sommet x,
• ω + (x) l’ensemble des arcs sortant du sommet x.
La conservation de matière aux nœuds de transit s’exprime mathématiquement par la relation

∑ ∑
∀x ∈ X − (E ∪ S), φ(ui ) = φ(ui )
ui ∈ω − (x) ui ∈ω + (x)

Sur chaque arc ui , le ﬂux φ(ui ) peut être soumis à une contrainte de canalisation c’est-à-dire que pour
l’arc ui , il peut exister deux réels bi et ci positifs ou nuls tels que

0 ≤ bi ≤ φ(ui ) ≤ ci

• ci étant la capacité de l’arc ui et

• bi la borne de l’arc ui .

En un nœud d’entrée, la différence entre le flux total partant de ce nœud et le flux total y aboutissant
représente la quantité de matière s’introduisant, pendant la période considérée, par ce nœud dans le réseau.
Soit xk le sommet associé au nœud d’entrée k, ek la quantité entrante par le nœud k

∑ ∑
φ(ui ) − φ(ui ) = ek ≥ 0
ui ∈ω + (xk ) ui ∈ω − (xk )

De façon analogue pour un nœud de sortie, en désignant par sl la quantité sortante du réseau au nœud de
sortie l représenté par le sommet xl , pendant la période de référence

∑ ∑
φ(ui ) − φ(ui ) = sl ≥ 0
ui ∈ω − (xl ) ui ∈ω + (xl )

Remarque 7.1.1 Si, pour un arc particulier ui , aucune limite supérieure n’est imposée au ﬂux, on notera
ci = ∞.

Exemple 7.1.1 On se donne le dictionnaire des suivants et des précédents des nœuds d’un certain réseau
7.1. GÉNÉRALITÉS 79

Nœud Précédent Suivant

x1 x2 , x8 x7
x2 x1 , x3 , x8
x3 x2 , x9 x4 , x8
x4 x3 , x9 x5
x5 x4 , x6 , x9
x6 x7 , x8 x5 , x9
x7 x1 , x8 x6
x8 x2 , x3 x1 , x6 , x7 , x9
x9 x6 , x8 x3 , x4 , x5

On se donne les informations supplémentaires ci-dessous :

nœuds d’entrée : x2 , x7 , x8

nœuds de sortie : x5 , x9

nœuds de transit : x1 , x3 , x4 , x6
On peut maintenant tracer le réseau ainsi déﬁni.

Figure 7.1 – Diagramme sagittal - Exemple 7.1.1

Remarque 7.1.2

– Pendant la période considérée, la quantité totale de matière entrant dans le réseau est égale à la
quantité sortant de celui-ci, soit
∑ ∑
ek = sl
xk ∈E xl ∈S

– Une limitation des disponibilités se traduit sur une entrée par

ek ≤ ck

– L’existence d’une demande maximale se traduit sur une sortie par

sl ≤ cl
80 CHAPITRE 7. OPTIMISATION DES FLUX

7.1.3 Graphe canonique associé à un réseau de circulation

On construit un nouveau graphe par introduction de sommets et d’arcs supplémentaires dans le graphe
précédent, aﬁn de ne plus avoir à distinguer entre nœuds d’entrée, de sortie et de transit. Chaque sommet
aura alors des propriétés identiques vis à vis des ﬂux entrants et sortants. Ce nouveau graphe permettra
l’élaboration d’algorithmes .

Soit G = (X, U) le graphe associé à un réseau de circulation, les sommets étant désignés par x1 , x2 , . . . , xn .

On appelle graphe canonique GC associé à ce réseau le graphe obtenu à partir de G de la façon suivante :
– On introduit un sommet fictif x0 relié à tout sommet d’entrée xk de E par un arc uk = (x0 , xk ). On
associe ensuite à chaque arc uk le flux d’entrée φ(uk ) = ek avec
0 ≤ φ(uk ) ≤ ck .
Le sommet x0 joue alors le rôle d’une entrée fictive remplaçant toutes les entrées réelles.
– On introduit un sommet fictif xn+1 relié à tout sommet de sortie xl de S par un arc ul = (xl , xn+1 ).
On associe ensuite à cet arc ul le flux φ(ul ) = sl avec
0 ≤ φ(ul ) ≤ cl .
– On introduit l’arc fictif (xn+1 , x0 ) appelé arc retour et on lui associe le flux φ(u0 ) tel que
∑ ∑
φ(u0 ) = ek = sl .
xk ∈E xl ∈S
On attribue conditionnellement à u0 une borne nulle et une capacité infinie.
En reprenant le graphe de l’exemple 7.1.1 précédent, on peut construire le graphe canonique associé

Figure 7.2 – Sommets ﬁctifs et arc retour - Exemple 7.1.1

On considère dans la suite GC = (XC , UC ), c’est-à-dire le graphe canonique associé au graphe G = (X, U).

Il est essentiel de noter que le ﬂux est conservatif en tout sommet :

∑ ∑
∀x ∈ XC , φ(ui ) = φ(ui )
ui ∈ω − (x) ui ∈ω + (x)

mais également que sur chaque arc du graphe canonique GC , on a des contraintes de limitation des ﬂux
ainsi que des contraintes sur les quantités entrantes et sortantes :
∀ui ∈ UC , 0 ≤ φ(ui ) ≤ ci
7.1. GÉNÉRALITÉS 81

Exercice 35 On se donne le dictionnaire des précédents et des suivants des nœuds d’un certain réseau.

Nœud Précédent Suivant

x1 - x2 , x3 , x5
x2 x1 , x3 x4
x3 x1 x2 , x7
x4 x2 , x5 , x6 -
x5 - x4 , x6 , x7
x6 x5 x4
x7 x3 , x5 -

ainsi que les informations supplémentaires ci-dessous

nœuds d’entrée : x1 , x2 , x3
◦ nœuds de sortie : x5
• nœuds de transit : x4 , x6 , x7
1. Tracer le réseau ainsi déﬁni.
2. Construire le graphe canonique associé.
3. Quel est l’intérêt de ce graphe ?

7.1.4 Flot sur un graphe

Soit un graphe G = (X, U) avec U = {u1 , u2 , . . . , un }.

Définition 7.1.3 On appelle ﬂot tout élément de Rn : ϕ = (φ(u1 ), φ(u2 ), . . . , φ(un )) tel que
∑ ∑
∀x ∈ X φ(ui ) − φ(ui ) = 0
ui ∈ω − (x) ui ∈ω + (x)

Les nombres φ(ui ) s’interprètent comme les ﬂux sur les arcs ui , conservatifs en tout sommet.

Lorsque les flux φ(ui ) sur tout arc ui de U sont astreints à vérifier une condition de canalisation
0 ≤ bi ≤ φ(ui ) ≤ ci ,
on dit que le flot est canalisé.

Le ﬂux sur l’arc retour φ(u0 ) du graphe canonique du réseau représente la quantité totale de matière
qui traverse le réseau pendant la période considérée. On l’appelle valeur du ﬂot.

Le problème que nous nous proposons de résoudre est celui de la recherche d’un ﬂot canalisé ϕm de valeur
φm (u0 ) maximale, dans un réseau avec capacités : c’est le problème du ﬂot maximal.

Exercice
36 On dispose de 15 tonnes de marchandises dans un dépôt A et de 6 tonnes de la même
marchandise dans un dépôt B. Des camions doivent transporter cette marchandise en trois lieux x, y et
z. Les liaisons existant entre les dépôts et les destinations, ainsi que les quantités maximales qui peuvent
transiter sur chacune d’elles sont données en tonnes dans le tableau suivant :

x y z

A 3 15 0
B 4 5 7
82 CHAPITRE 7. OPTIMISATION DES FLUX

Par ailleurs x peut recevoir au maximum 11 tonnes, y 9 tonnes et z 12 tonnes.

Le problème est le suivant :

“Déterminer la quantité maximale de marchandise qui peut être livrée”.

1. Schématiser le problème par un réseau et placer sur chaque arc sa capacité maximale.
2. On considère ensuite le ﬂot déﬁni de la manière suivante :

Déﬁnition de l’arc Flux de l’arc

u1 = (E, A) φ(u1 ) = 6
u2 = (E, B) φ(u2 ) = 6
u3 = (A, X) φ(u3 ) = 1
u4 = (A, Y ) φ(u4 ) = 5
u5 = (B, X) φ(u5 ) = 2
u6 = (B, Y ) φ(u6 ) = 4
u7 = (B, Z) φ(u7 ) = 0
u8 = (X, S) φ(u8 ) = 3
u9 = (Y, S) φ(u9 ) = 9
u10 = (Z, S) φ(u10 ) = 0

Vériﬁer à l’aide du tableau ci-dessous que le ﬂux est conservatif

Somme des ﬂux Somme des ﬂux

entrants sortants

A
B
X
Y
Z

3. On peut encore augmenter la quantité de marchandise transportée, par exemple avec huit tonnes
provenant du dépôt A et six tonnes du dépôt B.
(a) Imaginer un flot défini partiellement par φ(u1 ) = 8 et φ(u2 ) = 6.
Vérifier que le flux est conservatif.
(b) Définir le flot maximal.

7.2 Recherche d’un ﬂot maximal dans un réseau avec capacités

7.2.1 La coupe
Définition 7.2.1 Soit A ⊂ X un sous-ensemble de sommets avec x0 ∈ A, xn+1 ∈
/ A. Le sous-ensemble
d’arcs

ω + (A) = {(x, y)/x ∈ A, y ∈

/ A}

dont l’origine est dans A et l’extrémité hors de A, s’appelle la coupe du réseau associé à A. On appelle
capacité de la coupe la somme des capacités des arcs contenant la coupe
∑
c(A) = ci
ui ∈ω + (A)
7.2. RECHERCHE D’UN FLOT MAXIMAL DANS UN RÉSEAU AVEC CAPACITÉS 83

/ A. ω − (A) est l’ensemble

Définition 7.2.2 Soit A un sous-ensemble de sommets tel que x0 ∈ A et xn+1 ∈
des arcs déﬁnis par

ω − (A) = {(x, y)/x ∈

/ A, y ∈ A}

C’est l’ensemble des arcs du graphe canonique dont l’origine est hors de A et l’extrémité est dans A.

Remarque 7.2.1 L’arc retour est nécessairement dans ω − (A).

7.2.2 Applications

Exercice 37 On considère le réseau suivant :

1. Pour chaque sous-ensemble donné ci-dessous, préciser la coupe ainsi que la capacité de cette dernière.
• A = {x0 , x1 , x4 }
• B = {x0 , x2 , x3 , x7 }
2. Peut-on préciser la coupe du sous-ensemble C = {x0 , x3 , x8 } ? Pourquoi ?

Exercice 38 On se donne le graphe ci-dessous :

Pour chaque sous-ensemble donné ci-dessous, préciser la coupe ainsi que la capacité de cette dernière.
• A = {x0 , x1 , x2 , x4 , x7 }
• B = {x0 , x1 , x2 , x4 }
• C = {x0 , x1 , x2 }
84 CHAPITRE 7. OPTIMISATION DES FLUX

Propriété 7.2.1 Si l’on supprime tous les arcs d’une coupe, on supprime en même temps tous les chemins
reliant x0 à xn+1 dans le graphe canonique.

Propriété 7.2.2 Si ϕ est un flot canalisé sur G, tout mouvement de matière de x0 à xn+1 emprunte au
moins un arc de la coupe ω + (A) quelle qu’elle soit.
La valeur φ(u0 ) de ce flot canalisé et la capacité c(A) de cette coupe vérifient alors

φ(u0 ) ≤ c(A)

quel que soit le ﬂot ϕ canalisé et quelle que soit la coupe.

Preuve : Soit ϕ un ﬂot canalisé sur G = (X, U) graphe

∑ canonique avec capacités. On a donc 0 ≤ φ(ui ) ≤ ci ,
−
∀ui ∈ U. Comme u0 ∈ ω (A), on a φ(u0 ) ≤ φ(ui ). Le ﬂux est conservatif en chacun des sommets
ui ∈ω − (A)
∑ ∑ ∑ ∑
donc φ(ui ) = φ(ui ) et par transitivité, on obtient φ(u0 ) ≤ φ(ui ) = φ(ui ) = c(A).
ui ∈ω − (A) ui ∈ω + (A) ui ∈ω − (A) ui ∈ω + (A)

Définition 7.2.3 L’arc ui est saturé pour un ﬂot canalisé ϕ si et seulement si φ(ui ) = ci .

Définition 7.2.4 La quantité ci − φ(ui ) s’appelle capacité résiduelle de l’arc ui pour le ﬂot ϕ (un arc saturé
est donc de capacité résiduelle nulle).

Définition 7.2.5 Un arc non saturé de ﬂot non nul s’appelle encore arc ﬂuide.

7.2.3 Étude théorique

Proposition 7.2.1 Soit ϕ un flot canalisé défini sur G et Γ un chemin reliant x0 à xn+1 . Si aucun des arcs
de Γ n’est saturé pour ϕ, il existe un flot canalisé défini sur G et φ′ (u0 ) > φ(u0 ).

Preuve : Soit δj = cj −φ(uj ) la capacité résiduelle de l’arc uj . Par hypothèse, aucun des arcs de Γ n’est saturé.
Par conséquent, sur ce chemin Γ, tous les δj sont strictement positifs. On peut donc poser δ = min δj > 0.
uj ∈Γ
En ajoutant δ au flux de tous les arcs de Γ ainsi qu’au flux φ(u0 ) de l’arc retour, on respecte la conservativité
du flux en chaque sommet et on définit un nouveau flot ϕ′ . Ce nouveau flot est canalisé et

φ′ (u0 ) = φ(u0 ) + δ > φ(u0 ).

Exemple 7.2.1 On considère le graphe suivant issu de l’exercice 38 :

Figure 7.3 – Complétude - Étape 1 - Exemple 7.1.1

7.2. RECHERCHE D’UN FLOT MAXIMAL DANS UN RÉSEAU AVEC CAPACITÉS 85

Soient

• cj la capacité de l’arc uj ,

• φ(uj ) le ﬂux de l’arc uj pour le ﬂot ϕ.

Le ﬂot ϕ a pour valeur φ(u0 ) = 2 + 4 + 2 = 8, c’est-à-dire les quantités de matière entrant dans le réseau
par les trois entrées x1 , x2 et x3 .

On considère ensuite le chemin (x0 , x2 , x4 , x6 , x7 ) (en pointillés sur la figure 7.3) ne contenant aucun arc
saturé pour ϕ, on dira que le chemin n’est pas saturé pour le flot ϕ. Sur ce chemin, les capacités résiduelles
sont respectivement 5 − 4 = 1, 2 − 1 = 1, 1 − 0 = 1 et 7 − 3 = 4. Le plus petit de ces entiers est δ = 1. En
augmentant de 1 les flux sur chaque arc de ce chemin ainsi que sur l’arc retour, on obtient un flot ϕ′ défini
sur G, ce flot ϕ′ est canalisé et sa valeur est φ′ (u0 ) = φ(u0 ) + δ = 8 + 1 = 9.

Figure 7.4 – Complétude - Étape 2 - Exemple 7.1.1

Proposition 7.2.2 Soit ϕ un flot canalisé défini sur G et C une chaı̂ne reliant x0 à xn+1 , n’empruntant
pas l’arc retour u0 . Si en parcourant la chaı̂ne C depuis x0 jusqu’à xn+1 , un arc est emprunté dans un sens,
on le note −→
uj sinon dans le cas contraire, on le note ← u−j .
On définit ensuite les quantités δ1 , δ2 , δ respectivement par :

• δ1 = −
min [ci − φ(ui )] la plus petite des capacités résiduelles des arcs de la chaı̂ne C, parcourus dans
→ui ∈C
leur sens,
• δ2 = ← min [φ(ui )] le plus petit ﬂux circulant sur les arcs de la chaı̂ne C, parcourus à l’opposé de leur
u−i ∈C
sens,
• δ = min(δ1 , δ2 ).

Alors si δ > 0, il existe un ﬂot canalisé ϕ′ sur G tel que φ′ (u0 ) > φ(u0 ).

Preuve : On ajoute δ au ﬂux de tous les arcs −→

uj ainsi qu’au flux φ(u0 ) de l’arc retour puis on retranche
←−
δ au flux de tous les arcs uj de la chaı̂ne C. Ce nouveau flot ϕ′ est encore canalisé, tous les nouveaux
flux restent compris entre les bornes toutes nulles et les capacités des arcs et φ′ (u0 ) = φ(u0 ) + δ donc
φ′ (u0 ) > φ(u0 ).
86 CHAPITRE 7. OPTIMISATION DES FLUX

Retour à l’exemple 7.2.1. On envisage la chaı̂ne C = {x0 , x3 , x4 , x2 , x6 , x7 } (en pointillés sur la ﬁgure

Figure 7.5 – Saturation - Étape 1 - Exemple 7.2.1

FIG. 2.2.5). Les arcs (x0 , x3 ), (x3 , x4 ), (x2 , x6 ), (x6 , x7 ) sont dans le sens →, l’arc (x4 , x2 ) est dans le sens
←.
• δ1 = min(5 − 2, 2 − 0, 4 − 1, 7 − 4) = min(3, 2, 3, 3) = 2,
• δ2 = min(φ(u2 )) = min(2) = 2 (où φ(u2 ) est le flux entre x2 et x4 ),
• δ = min(2, 2) = 2.
On ajoute ensuite δ à tous les arcs → ainsi qu’à l’arc retour φ′ (u0 ), on retire δ à tous les arcs ← (c’est-
à-dire au flux de l’arc (x2 , x4 )). On obtient un nouveau flot ϕ′′ encore canalisé et φ′′ (u0 ) = φ′ (u0 ) + 2 soit
φ′′ (u0 ) = 9 + 2 = 11.

Figure 7.6 – Saturation - Étape 2 - Exemple 7.2.1

Remarque 7.2.2 La proposition 7.2.2 est une généralisation de la proposition 7.2.1.

Exercice 39 On considère le dictionnaire suivant faisant intervenir treize sommets d’un graphe G.
1. Déterminer le dictionnaire des précédents du graphe G
2. Ordonnancer le graphe par niveaux.
7.2. RECHERCHE D’UN FLOT MAXIMAL DANS UN RÉSEAU AVEC CAPACITÉS 87

x Suivant de x

x0 x1 , x3 , x4
x1 x2 , x8 , x11
x2 x5 , x6
x3 x8
x4 x8 , x11
x5 x7 , x9
x6 x9 , x10
x7 x12
x8 x6
x9 x12
x10 x12
x11 x6 , x10
x12 –

On assimile maintenant ce graphe à un réseau de circulation.

3. Construire le graphe canonique associé.

4. On considère le ﬂot ϕ dont les composantes sont précisées dans le tableau ci-dessous.

Nom de l’arc Capacité Flux Nom de l’arc Capacité Flux

u1 = (x0 , x1 ) 6 6 u12 = (x8 , x5 ) 4 1

u2 = (x0 , x3 ) 6 1 u13 = (x8 , x6 ) 4 2
u3 = (x0 , x4 ) 7 3 u14 = (x11 , x6 ) 4 2
u4 = (x1 , x2 ) 5 5 u15 = (x11 , x10 ) 4 0
u5 = (x1 , x8 ) 2 1 u16 = (x5 , x7 ) 7 1
u6 = (x1 , x11 ) 8 0 u17 = (x5 , x9 ) 3 3
u7 = (x3 , x8 ) 3 1 u18 = (x6 , x9 ) 4 1
u8 = (x4 , x8 ) 7 1 u19 = (x6 , x10 ) 5 5
u9 = (x4 , x11 ) 2 2 u20 = (x7 , x12 ) 3 1
u10 = (x2 , x5 ) 4 3 u21 = (x9 , x12 ) 4 4
u11 = (x2 , x6 ) 4 2 u22 = (x10 , x12 ) 10 5

5. Donner la valeur du ﬂot c’est-à-dire φ(u0 ) en précisant sa signiﬁcation.

6. Vériﬁer que la matière est conservée aux nœuds du réseau.
7. (a) Trouver un chemin non saturé reliant x0 à x12 .
(b) Montrer alors qu’il existe un autre ﬂot ϕ′ canalisé sur G tel que φ′ (u0 ) > φ(u0 ).
88 CHAPITRE 7. OPTIMISATION DES FLUX

7.2.4 Flot complet

Définition 7.2.6 Soit ϕ un ﬂot canalisé sur G. On dit que ϕ est un ﬂot complet si et seulement si tout
chemin Γ reliant x0 à xn+1 contient au moins un arc saturé pour ϕ. Un tel chemin sera dit chemin saturé
pour ϕ.

Proposition 7.2.3 Un ﬂot complet n’est pas nécessairement maximal.

Il suffit de prendre l’exemple 7.2.1, issu de l’exercice 38 ; en effet si on supprimait tous les arcs saturés par
ϕ′ (c’est-à-dire les arcs (x0 , x1 ), (x0 , x2 ), (x2 , x4 ), (x3 , x6 ), (x4 , x6 ), (x5 , x7 ), (x2 , x5 )), il ne resterait aucun
chemin reliant x0 à x7 . Cependant ϕ′ n’est pas de valeur maximale puisque dans l’exemple, on a amélioré
la valeur de φ′ (u0 ) = 9 à φ′′ (u0 ) = 11.
On a la figure ci-dessous en supprimant tous les arcs saturés (représentés en traits gras)

Figure 7.7 – Flot complet non maximal - Exemple 7.2.1

On ne peut passer de x0 à x7 par une ligne continue, par des arcs non saturés.

Définition 7.2.7 Toute chaı̂ne C reliant x0 à xn+1 , sans passer par l’arc retour, pour laquelle on a δ =
min(δ1 , δ2 ) = 0 donc δ1 = 0 ou δ2 = 0, relativement à un ﬂot canalisé ϕ, est dite saturée pour le ﬂot ϕ.

On peut remarquer que la chaı̂ne {x0 , x3 , x4 , x2 , x6 , x7 } qui intervient dans l’exemple de référence (issu de
l’exercice 34) n’est pas saturée pour ϕ′ , en eﬀet δ1 = 2, δ2 = 2 et δ = 2.

Proposition 7.2.4 Une condition nécessaire et suffisante pour qu’un flot canalisé ϕm soit un flot de valeur
maximale est que toute chaı̂ne C reliant x0 à xn+1 (sans emprunter l’arc retour) soit saturée pour le flot
ϕm .

7.3 Algorithme de Ford-Fulkerson

7.3.1 Introduction
Théorème 7.3.1 Dans un graphe G avec capacités, la valeur maximale d’un ﬂot canalisé est égale à la
capacité minimale d’une coupe.

Tout flot canalisé de valeur maximale est nécessairement complet. On commencera donc, à partir d’un flot
de départ, par déterminer un flot complet. On cherchera ensuite à améliorer la valeur du flot complet. Enfin,
une proposition indiquera à quel moment il faut mettre un terme à la recherche d’une amélioration. L’énoncé
de l’algorithme qui va suivre fournit une procédure très commode de recherche des chaı̂nes insaturées reliant
x0 à xn+1 sans emprunter l’arc retour, au moyen de “marques” de sommets.
7.3. ALGORITHME DE FORD-FULKERSON 89

7.3.2 Enoncé de l’algorithme

• Choisir un flot initial Φ0 canalisé sur G, on peut prendre par exemple ϕ0 (ui ) = 0 pour tout arc ui .
• Recherche d’un flot complet sur G.
− On considère le graphe partiel G0 de G obtenu en supprimant dans G tous les arcs saturés par Φ0
et en conservant tous les sommets de G.
− Si G0 ne contient aucun chemin reliant x0 à xn+1 , le flot Φ0 est complet (tout chemin reliant x0 à
xn+1 dans G est saturé pour Φ0 ).
− Sinon, il existe dans G0 un chemin Γ de x0 à xn+1 , c’est un chemin non saturé pour Φ0 .
− On calcule pour un tel chemin
δ = min [ci − φ0 (ui )]
ui ∈Γ

puis on augmente de δ le flux de chaque arc de Γ ainsi que l’arc retour u0 . On obtient ainsi un flot
Φ1 et un graphe partiel G1 de G par suppression dans G de tous les arcs saturés par Φ1 .
− On recommence sur G1 la recherche des chemins reliant x0 à xn+1 . Si G1 ne contient pas un tel
chemin alors Φ1 est un flot complet. Sinon, on applique pour Φ1 la procédure précédente.
• En itérant un nombre fini de fois une telle procédure, on parvient à un flot canalisé Φl et un graphe
partiel Gl de G ne possédant aucun chemin reliant x0 à xn+1 . Φl est alors un flot complet sur G.

Exemple 7.3.1 À l’aide de l’algorithme précédent, déterminer le(s) ﬂot(s) complet(s) parcourant le graphe
ci-dessous.

On part d’un ﬂot nul qui est nécessairement canalisé :

Figure 7.8 – Complétude - Graphe initial - Exemple 7.3.1

90 CHAPITRE 7. OPTIMISATION DES FLUX

On considère le chemin Γ = (x0 , x1 , x5 , x7 ). On a δ = min(2 − 0, 3 − 0, 5 − 0) = 2. On ajoute 2 à tous les

arcs du chemin Γ ainsi qu’à l’arc retour, on obtient ainsi le ﬂot Φ1 avec φ1 (u0 ) = 2.

On obtient le graphe G1 qui est le graphe de G obtenu en supprimant dans G l’arc saturé (x0 , x1 ) (en
traits gras dans G1 ) :

Figure 7.9 – Complétude - Graphe G1 - Exemple 7.3.1

On considère le chemin Γ = (x0 , x2 , x5 , x7 ), on a δ = min(5 − 0, 2 − 0, 5 − 2) = 2. On ajoute 2 à tous les

arcs de ce chemin Γ ainsi qu’à l’arc retour. On obtient alors un ﬂot Φ2 de valeur φ2 (u0 ) = 2 + 2 = 4. On
supprime alors dans G1 l’arc (x2 , x5 ) qui est saturé.

On obtient le graphe G2 :

Figure 7.10 – Complétude - Graphe G2 - Exemple 7.3.1

Dans le graphe G2 , on considère le chemin Γ = (x0 , x2 , x4 , x5 , x7 ) et on a δ = min(5−2, 2−0, 2−0, 5−4) = 1.

On ajoute alors 1 unité aux ﬂux de tous les arcs du chemin Γ ainsi qu’à l’arc retour et on obtient φ3 (u0 ) =
4 + 1 = 5. On supprime dans G2 l’arc (x5 , x7 ) qui est saturé.
7.3. ALGORITHME DE FORD-FULKERSON 91

On obtient le graphe G3 :

Figure 7.11 – Complétude - Graphe G3 - Exemple 7.3.1

Dans le graphe G3 , on considère alors le chemin Γ = (x0 , x2 , x4 , x6 , x7 ), on a δ = min(5−2, 2−0, 1−0, 7−0) =
1. On ajoute une unité aux ﬂux de tous les arcs de Γ ainsi qu’à l’arc retour. On obtient φ5 (u0 ) = 5 + 1 = 6,
les arcs (x4 , x6 ) et (x2 , x4 ) sont saturés. On les supprime dans le graphe de G3 .

On obtient ainsi le graphe G4 :

Figure 7.12 – Complétude - Graphe G4 - Exemple 7.3.1

Dans G4 , on considère le chemin Γ = (x0 , x2 , x6 , x7 ) où δ = min(5 − 4, 4 − 0, 7 − 1) = 1. On ajoute 1 aux

ﬂux des arcs (x0 , x2 ), (x2 , x6 ) et (x6 , x7 ) ainsi qu’à l’arc retour. On obtient φ5 (u0 ) = 7. L’arc (x0 , x2 ) est
saturé et on le supprime.
92 CHAPITRE 7. OPTIMISATION DES FLUX

On obtient le graphe G5 :

Figure 7.13 – Complétude - Graphe G5 - Exemple 7.3.1

Dans le graphe G5 , on considère le chemin Γ = (x0 , x3 , x6 , x7 ) pour lequel δ = min(5 − 0, 2 − 0, 7 − 2) = 2. On

ajoute 2 aux ﬂux des arcs (x0 , x3 ), (x3 , x6 ) et (x6 , x7 ) ainsi qu’à l’arc retour. On obtient φ5 (u0 ) = 7 + 2 = 9.
L’arc (x3 , x6 ) est saturé, on le supprime.

On obtient le graphe G6 :

Figure 7.14 – Complétude - Graphe G6 - Exemple 7.3.1

Le ﬂot Φ6 de valeur φ6 (u0 ) = 9 est alors complet. Tout chemin reliant x0 à x7 contient au moins un arc
saturé ou encore il n’existe plus de chemin reliant x0 à x7 constitué exclusivement par des arcs non saturés.

7.3.3 Suite de l’algorithme : Marquage des sommets

On considère le flot complet Φl ainsi que le graphe privé de l’arc retour u0 .
1. On marque par 0 tout suivant xk de x0 tel que la capacité résiduelle de l’arc (x0 , xk ) soit non nulle.
2. xi étant un sommet déja marqué :
– On recherche tous les arcs (xi , xk ) de capacité résiduelle non nulle et on marque le sommet xk du
chiffre i,
– on recherche tous les arcs (xk , xi ) de flux non nul et on marque le sommet xk du chiffre i.
7.3. ALGORITHME DE FORD-FULKERSON 93

3. Si par cette procédure, xn+1 ne peut être marqué alors le ﬂot complet Φl est un flot canalisé de
valeur maximale.

Remarque 7.3.1 On observera que la procédure de marquage consiste, à partir de x0 , à marquer

– “en avant” à partir d’arcs non saturés, de capacité résiduelle non nulle,
– “en arrière” à partir d’arcs sur lesquels circule un ﬂux non nul.

Revenons à l’exemple 7.3.1.

• On part de x0 . La capacité résiduelle de l’arc (x0 , x3 ) est égale à 3, non nulle, donc x3 est marqué du
chiffre 0. Les capacités résiduelles des arcs (x0 , x1 ) et (x0 , x2 ) sont nulles, les sommets x1 et x2 ne sont
pas marqués pour l’instant.
• Le sommet x3 est alors le seul élément marqué.
– On recherche les arcs (x3 , xk ) de capacité résiduelle non nulle, le seul arc de ce type est l’arc (x3 , x4 )
et le sommet x4 est marqué du chiffre 3.
– On recherche ensuite les arcs (xk , x3 ) de flux non nul, le seul arc qui correspond à ce choix est alors
l’arc (x0 , x3 ) et le sommet x0 est marqué du chiffre 3.
• Le sommet x4 est marqué du chiffre 3.
– On recherche des arcs (x4 , xk ) de capacité résiduelle non nulle, soit l’arc (x4 , x5 ). Le sommet x5 est
marqué du chiffre 4.
– On recherche ensuite les arcs (xk , x4 ) de flux non nul, soit l’arc (x2 , x4 ). Le sommet x2 est marqué
du chiffre 4.
• On continue le marquage en utilisant les sommets x5 et x2 . Tout d’abord x5 :
– On recherche les arcs (x5 , xk ) de capacité résiduelle non nulle, il n’y en a pas.
– On recherche les arcs (xk , x5 ) de flux non nul. Le seul arc correspondant est (x1 , x5 ). Le sommet x1
est marqué par 5.
• Ensuite x2 :
– On recherche les arcs (x2 , xk ) de capacité résiduelle non nulle, ce qui est le cas de l’arc (x2 , x6 ). Le
sommet x6 est marqué du chiffre 2.
– Il n’existe pas d’arc (xk , x2 ) de flux non nul avec xk non marqué.
• On considère le sommet x6 :
– À l’aide du sommet x6 , l’arc (x6 , x7 ) est de capacité non nulle, on marque x7 du chiffre 6
– Aucun arc du type (xk , x6 ) est de flux non nul avec xk non marqué.

En conclusion, x7 peut être marqué par cette procédure (voir ﬁgure 7.15) et le ﬂot complet Φ6 de valeur 9
n’est pas maximal :

Figure 7.15 – Marquage des sommets - Exemple 7.3.1

94 CHAPITRE 7. OPTIMISATION DES FLUX

7.3.4 Suite de l’algorithme : Modiﬁcation des ﬂux

1. Si la procédure de marquage utilisée auparavant permet de marquer xn+1 , le ﬂot complet n’est pas de
valeur maximale.
2. On obtient à partir de xn+1 , en utilisant la marque de certains sommets, une chaı̂ne insaturée C,
reliant x0 à xn+1 et n’empruntant pas l’arc retour u0 . Cette chaı̂ne se construit à l’envers de la façon
suivante :
– On relie xn+1 au sommet dont l’indice est la marque de xn+1 .
– On recommence à partir du sommet obtenu jusqu’à ce qu’on atteigne x0 .
3. On calcule pour cette chaı̂ne C les quantités
min (ci − φl (ui ))
δ1 = →
ui ∈C

δ2 = ←
min (φl (ui ))
ui ∈C

δ = min(δ1 , δ2 )
→
– Sur chaque arc ui de C, ainsi que sur l’arc retour uo , on augmente le flux de δ.
←
– Sur chaque arc ui de C, on diminue le flux de δ.
On obtient ainsi un flot Φl+1 à partir duquel on recommence la procédure de marquage des sommets.

4. On itère alternativement les procédures des sommets et des modifications de flux jusqu’à l’obtention
d’un flot Φm à partir duquel la procédure de marquage ne permet plus de marquer xn+1 . Φm est alors
un flot canalisé de valeur maximale sur G.
Revenons à l’exemple 7.3.1.
1. Déterminons tout d’abord la chaı̂ne insaturée qui parcourt le graphe :
. x7 est de marque 6 (on relie x7 et x6 ),
. x6 est de marque 2 (on relie x6 et x2 ),
. x2 est de marque 4 (on relie x2 et x4 ),
. x4 est de marque 3 (on relie x4 et x3 ),
. x3 est de marque 0 (on relie x3 et x0 ).
La chaı̂ne peut s’écrire : C = {x0 , x3 , x4 , x2 , x6 , x7 } (en gras sur la figure 7.16).

Figure 7.16 – Chaı̂ne insaturée - Exemple 7.3.1

2. Modiﬁcation des ﬂux : On a les valeurs δ1 = min(5 − 2, 2 − 0, 4 − 1, 7 − 4) = 2 et δ2 = min(2) = 2

→
donc δ = min(2, 2) = 2. On ajoute 2 aux arcs ui (donc aux flux des arcs (x0 , x3 ), (x3 , x4 ), (x6 , x7 ) et
(x2 , x6 )) ainsi qu’à l’arc retour. On retire 2 au flux de l’arc (x2 , x4 ). On obtient alors un flot Φ7 de
valeur φ7 (u0 ) = 9 + 2 = 11.
7.3. ALGORITHME DE FORD-FULKERSON 95

Figure 7.17 – Saturation - Graphe G7 - Exemple 7.3.1

3. On recommence alors la procédure de marquage des sommets :

• On considère le sommet x0 .
– À partir de x0 , l’arc (x0 , x3 ) est le seul arc d’origine x0 , de capacité résiduelle non nulle. On
marque le sommet x3 du chiffre 0.
– À partir de x3 , le seul arc du type (xk , x3 ) qui soit de flux non nul est (x0 , x3 ). On marque x0 du
chiffre 3.
• On considère le sommet x3 .
– À partir de x3 , les seuls arcs sont (x3 , x4 ) et (x3 , x6 ) et ils sont tous les deux saturés. On ne peut
donc plus faire progresser le marquage.

Comme x7 ne peut pas être marqué, le ﬂot Φ7 est un ﬂot canalisé de valeur maximale.

7.3.5 Recherche à partir du marquage d’une coupe de capacité minimale

Dans la seconde procédure de marquage de l’exemple 7.3.1, les sommets marqués sont x0 et x3 (on notera
A0 = {x0 , x3 }). La coupe associée à A0 est ω + (A0 ) = {(x0 , x1 ), (x0 , x2 ), (x3 , x4 ), (x3 , x6 )}. Pour Φ7 , elle est
composée d’arcs saturés. La coupe est donc de capacité minimale de valeur

c(A0 ) = 2 + 5 + 2 + 2 = 11 = φ7 (u0 ).

Remarque 7.3.2 Dans l’exemple 7.3.1 précédent, lors de la recherche du flot complet, on a successivement
saturé les chemins dans un ordre systématique de haut en bas par exemple. Dans l’application manuelle de
l’algorithme, on peut souvent gagner du temps en saturant en priorité les chemins pour lesquels δ est le plus
grand possible. Il est très probable que le flot complet soit alors maximal, un marquage testant l’optimalité.
– On considère le chemin Γ = (x0 , x2 , x6 , x7 ) pour lequel δ = 4. On ajoute 4 aux flux des arcs (x0 , x2 ),
(x2 , x6 ), (x6 , x7 ) et φ1 (u0 ) = 4. L’arc (x2 , x6 ) est saturé (cf. figure 7.18).
– On considère le chemin Γ = (x0 , x1 , x5 , x7 ) pour lequel δ = 2. On ajoute 2 aux flux des arcs (x0 , x1 ),
(x1 , x5 ), (x5 , x7 ) et φ2 (u0 ) = 6. L’arc (x0 , x1 ) est saturé (cf. figure 7.19).
– On considère le chemin Γ = (x0 , x3 , x6 , x7 ) pour lequel δ = 2. On ajoute 2 aux flux des arcs (x0 , x3 ),
(x3 , x6 ), (x6 , x7 ) et φ3 (u0 ) = 8. L’arc (x3 , x6 ) est saturé (cf. figure 7.20).
– On considère le chemin Γ = (x0 , x3 , x4 , x5 , x7 ) pour lequel δ = 2. On ajoute 2 aux flux des arcs (x0 , x3 ),
(x3 , x4 ), (x4 , x5 ), (x5 , x7 ) et φ4 (u0 ) = 10. Les arcs (x3 , x4 ) et (x4 , x5 ) sont saturés (cf. figure 7.21).
– On considère le chemin Γ = (x0 , x2 , x5 , x7 ) pour lequel δ = 1. On ajoute 1 aux flux des arcs (x0 , x2 ),
(x2 , x5 ), (x5 , x7 ) et φ5 (u0 ) = 11. Les arcs (x0 , x2 ) et (x5 , x7 ) sont saturés (cf. figure 7.22).
96 CHAPITRE 7. OPTIMISATION DES FLUX

Figure 7.18 – Complétude - Graphe G1 - Exemple 7.3.1

Figure 7.19 – Complétude - Graphe G2 - Exemple 7.3.1

Figure 7.20 – Complétude - Graphe G3 - Exemple 7.3.1

7.3. ALGORITHME DE FORD-FULKERSON 97

Figure 7.21 – Complétude - Graphe G4 - Exemple 7.3.1

Figure 7.22 – Complétude - Graphe G5 - Exemple 7.3.1

Le flot précédent est complet : si on supprime les arcs saturés (en traits gras sur la figure 7.20), il n’existe
plus de chemin reliant x0 à x7 d’où le flot complet de valeur φ5 (u0 ) = 11. Ce flot est-il maximal ? On utilise
pour le savoir la procédure de marquage :
On part de x0 : le seul arc (x0 , xk ) de capacité résiduelle non nulle est (x0 , x3 ), on marque le sommet x3
du chiffre 0. Le seul arc (xk , x3 ) de flux non nul est (x0 , x3 ) donc x0 est marqué du chiffre 3. Les marques
s’arrêtent, x7 ne pouvant être marqué, le flot complet est aussi de valeur maximale.

Remarque 7.3.3

Un ﬂot canalisé de valeur maximale n’est pas nécessairement unique

Dans l’exemple précédent, on a trouvé deux flots différents ayant la même valeur maximale 11. La non-
unicité du flot maximal représente le cas général, il en est de même pour les coupes de capacité minimale.
On peut remarquer que les sommets marqués dans les deux flots de valeur maximale sont identiques, ce qui
conduit à la même coupe de capacité minimale pour les deux flots. Le choix des chemins qui conduit au flot
maximal ne donne pas nécessairement la solution la plus rapide, il a pour but d’illustrer l’algorithme.

Exemple 7.3.2 On reprend le sujet de l’exercice 36. Le graphe sous sa forme ordonnancée est donnée par
la ﬁgure 7.23 :
98 CHAPITRE 7. OPTIMISATION DES FLUX

Figure 7.23 – Graphe ordonnancé - Exemple 7.3.2

On considère le ﬂot proposé dans l’exercice.

Figure 7.24 – Complétude - Graphe G1 - Exemple 7.3.2

Les arcs saturés sont (E, B), (A, X) et (Y, S) (en traits gras sur la figure 7.24). Si on supprime tous les arcs
saturés, il n’existe plus de chemin reliant E à S. Le flot est complet mais ce flot est-il maximal ? On utilise
pour le savoir le marquage des sommets.
. Le seul arc (E, xk ) de capacité résiduelle non nulle est (E, A), le sommet A est marqué de la lettre E.
. Le seul arc (xk , A) de flux non nul est (E, A), le sommet E est marqué de la lettre A.
. L’arc (A, Y ) est de capacité résiduelle non nulle donc Y est marqué par A.
. L’arc (B, Y ) est de flux non nul donc B est marqué par Y .
. L’arc (B, Z) est de capacité non nulle donc Z est marqué par B.
. L’arc (Z, S) est de capacité non nulle donc S est marqué par Z.
. L’arc (X, S) est de flux non nul donc X est marqué par S.
7.3. ALGORITHME DE FORD-FULKERSON 99

On obtient le marquage suivant :

Figure 7.25 – Marquage - Exemple 7.3.2

B est marqué par Y , l’arc (B, X) est de capacité non nulle donc on peut aussi marquer X de la lettre B. Le
sommet X étant marqué par B et l’arc (X, S) étant de capacité non nulle, le sommet S peut être marqué
par X. Il existe donc deux marquages possibles et dans les deux cas, la sortie ﬁctive S est marquée, le ﬂot
complet n’est donc pas maximal.

Sommet E A B X Y Z S
Marques A E Y S A B Z
Marques A E Y B A B X

Déterminons le ﬂot maximal. Quelles sont les chaı̂nes non saturées ? Graphiquement, on trouve deux chaı̂nes
non saturées à savoir (E, A, Y, B, Z, S) et (E, A, Y, B, X, S). En utilisant l’algorithme, on pourrait éviter
d’utiliser le graphique.

– À l’aide du premier marquage :

S est de marque 5, on relie S à Z (de marque B), on relie Z à B (de marque Y ), on relie B à Y (de
marque A), on relie Y à A (de marque E), on relie A à E, d’où la chaı̂ne (E, A, Y, B, Z, S).

– À l’aide du second marquage :

S(3) → X(2) → B(4) → Y (1) → A(0) → E d’où la chaı̂ne (E, A, Y, B, X, S).

Modiﬁcation des ﬂux : considérons la chaı̂ne (E, A, Y, B, Z, S), on a

. δ1 = min(15 − 8, 15 − 5, 7 − 0, 12 − 0) = 7
. δ2 = 4
. δ = min(7, 4) = 4
On ajoute 4 aux flux des arcs (E, A), (A, Y ), (B, Z) et (Z, S) ainsi qu’au flux de l’arc retour φ1 (u0 ) = 14
(on obtient donc φ2 (u0 ) = 18), et on retire 4 au flux de l’arc (B, Y ). On obtient le graphe de la figure 7.26.
Considérons maintenant la chaı̂ne (E, A, Y, B, X, S), on a
. δ1 = min(15 − 8, 15 − 5, 4 − 2, 11 − 5) = 2
. δ2 = 4
. δ = min(2, 4) = 2
On ajoute 2 aux flux des arcs (E, A), (A, Y ), (B, X) et (X, S) ainsi qu’au flux de l’arc retour φ′1 (u0 ) = 14
(on obtient donc φ′2 (u0 ) = 18), et on retire 2 au flux de l’arc (B, Y ). On obtient le graphe de la figure 7.27.
100 CHAPITRE 7. OPTIMISATION DES FLUX

Figure 7.26 – Saturation - Graphe G2a - Exemple 7.3.2

Figure 7.27 – Saturation - Graphe G2b - Exemple 7.3.2

On a φ2 (u0 ) > φ′2 (u0 ), Φ′2 n’est pas le ﬂot maximal. Φ2 est-il maximal ?

Procédure de marquage :
(E, A) est de capacité résiduelle non nulle donc on marque A de la lettre E, (E, A) est de flux non nul, on
marque E de la lettre A. L’arc (A, Y ) est de capacité non nulle, on marque donc Y de la lettre A, (B, Y )
est de flux nul, on ne peut pas marquer B. L’arc (A, X) est de capacité nulle, on ne peut pas marquer S.
Pour ce flot Φ2 , S ne peut être marqué. Conclusion, le flot est maximal et vaut 18.

Il existe des chaı̂nes constituées d’arcs non saturés pour Φ2 à savoir (E, A, Y, B, Z, S) et (E, A, Y, B, X, S).
– Pour la première, δ1 = min(3, 6, 3, 8) = 3, δ2 = 0 et δ = min(δ1 , δ2 ) = 0. On ne peut donc plus faire
évoluer les ﬂux sur cette chaı̂ne, tous les arcs ayant une capacité résiduelle non nulle et le ﬂux sur l’arc
(B, Y ) étant nul.

– Pour la seconde, δ1 = min(3, 6, 2, 9) = 2, δ2 = 0 et δ = min(δ1 , δ2 ) = 0.

7.4. EXERCICES RÉCAPITULATIFS 101

Conclusion, dans le ﬂot Φ2 , toutes les chaı̂nes reliant E à S sont saturées et ce ﬂot est maximal.
Déterminons la capacité maximale : pour Φ2 , les seuls sommets marqués sont E, A, Y (on note A0 =
{E, A, Y }). Alors

ω + (A0 ) = {(x, y)/x ∈ A et y ∈

/ A} = {(E, B), (A, X), (Y, S)}

et on retrouve la valeur du ﬂot qui vaut 6 + 3 + 9 = 18.

7.4 Exercices récapitulatifs

Exercice 40 On considère 13 entrepôts d’une entreprise spécialisée dans le stockage de denrées alimen-
taires, désignés par x1 ,x2 ,. . . ,x13 ainsi que les 19 axes routiers à sens unique reliant ces différents entrepôts.
Afin d’étudier les flux de marchandises de cette entreprise, on assimile ce réseau routier à un graphe composé
de 13 sommets et de 19 arcs, disponibles par l’intermédaire du dictionnaire des suivants ci-dessous.

Sommets x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13

Suivants x3 , x5 , x9 x1 x6 , x7 , x8 x12 , x13 x8 x10 x6 , x8 x10 x10 − x5 x5 x3 , x11

1. Retrouver à l’aide de ce dictionnaire, les précédents de chacun des sommets.

2. À l’aide de la question précédente, ordonnancer le graphe par niveaux.

On précise ensuite, pour chacun des noeuds du réseau, sa nature.

. entrée : x2 , x4
. △ sortie : x6 , x9 , x10
. ◦ transit : x1, x3, x5, x7, x8, x11, x12, x13
Les capacités et ﬂux de matières sur chacun des arcs du graphe (donc sur chaque axe routier) sont
donnés ci-dessous :
Arc Capacité Flux Arc Capacité Flux

(x0 , x2 ) 12 10 (x6 , x10 ) 3 3

(x0 , x4 ) 6 5 (x7 , x6 ) 1 1
(x1 , x3 ) 5 5 (x7 , x8 ) 3 1
(x1 , x5 ) 2 1 (x8 , x10 ) 4 4
(x1 , x9 ) 4 4 (x9 , x10 ) 3 1
(x2 , x1 ) 11 10 (x11 , x5 ) 1 0
(x3 , x6 ) 8 6 (x12 , x5 ) 2 1
(x3 , x7 ) 2 2 (x13 , x3 ) 5 4
(x3 , x8 ) 2 1 (x13 , x11 ) 2 0
(x4 , x12 ) 1 1 (x9 , x14 ) 5 3
(x4 , x13 ) 5 4 (x10 , x14 ) 8 8
(x5 , x8 ) 3 2 (x6 , x14 ) 6 4

3. Représenter le graphe canonique associé et indiquer les capacités et les flux sur chacun des arcs.
Indiquer la valeur du flot.
4. Vérifier qu’en chacun des noeuds du réseau, la matière est conservée. On utilisera un tableau de la
forme
flux entrants flux sortants
Noeud xk ∑ ∑
φ(ui ) φ(ui )
ui ∈ω − (xk ) ui ∈ω + (xk )

.. .. ..
. . .
5. Sur le graphe canonique, mettre en évidence à l’aide d’un crayon de couleur les arcs saturés. Montrer
que le ﬂot n’est pas complet.
102 CHAPITRE 7. OPTIMISATION DES FLUX

On utilise l’algorithme de Ford-Fulkerson pour rendre le ﬂot maximal.

6. Expliquer brièvement le principe de cet algorithme.
7. Montrer qu’une seule itération de cet algorithme (complétion + marquage) suffit pour rendre le flot
maximal (on apportera un soin tout particulier au détail des étapes).
8. Donner la valeur maximale du flot.

Exercice
41 On considère le graphe orienté ci-après.
Les sommets x1 , x2 ,. . . ,x7 représentent des entrepôts et les arcs des routes à sens unique.
Il s’agit de transporter une certaine marchandise de certains entrepôts à d’autres entrepôts.
Les capacités sont toutes égales à 24.

On précise ci-dessous, pour chacun des noeuds du réseau, sa nature.

. entrée : x6 , x7
. △ sortie : x3 , x4 , x5
. ◦ transit : x1 , x2
1. Réorganiser le graphe à l’aide d’un ordonnancement par niveaux.
2. Représenter le graphe canonique associé (en intégrant au préalable les sommets ﬁctifs d’entrée x0 et
de sortie x8 ).
3. On se donne les capacités suivantes :

Nom de l’arc Capacité de l’arc

(x0 , x6 ) 9
(x0 , x7 ) 15
(x3 , x8 ) 6
(x4 , x8 ) 10
(x5 , x8 ) 8

(a) Donner en quelques lignes le principe de l’algorithme de Ford-Fulkerson.

(b) Donner la définition d’un flot complet.
(c) Déterminer à l’aide de l’algorithme de Ford-Fulkerson le flot maximal sur ce réseau en apportant
un soin particulier au détail des différentes étapes.
7.4. EXERCICES RÉCAPITULATIFS 103

Exercice 42 Le réseau de la figure ci-après représente un problème de flot. Le réseau peut-être vu comme
un réseau de transport, dans lequel on charge de la marchandise à certains points et duquel on décharge à
d’autres points.
On définit des points d’entrée ainsi que des points de sortie. Par ailleurs, l’arête i a une capacité maximale
5 qui ne peut être dépassée (assimilable à une capacité de canalisation). Chaque nœud vérifie une loi de
conservation naturelle, à savoir que la quantité entrant dans un nœud doit être égale à la quantité sortant
du nœud. Bien entendu, les nœuds d’entrée et de sortie sont exclus de cette contrainte.

1. Proposer un ﬂot de marchandises sur le réseau ci-dessus dans le cas suivant :

– Les points d’entrée sont les nœuds x1 , x2 et x3 . Les quantités qui entrent dans le réseau valent
respectivement 4, 6 et 4.
– Les points de sortie sont les nœuds x23 et x24 . Les quantités qui sortent du réseau valent respecti-
vement 2 et 12.

2. En considérant le problème tel que posé en 1., donner la quantité maximale que l’on peut faire passer
dans le réseau. Justiﬁer votre raisonnement. Retrouver la valeur du ﬂot maximal à l’aide de la capacité
minimale de la coupe associée.

Exercice
43 Le trafic matinal entre une banlieue dortoir (nœud 1) et le centre ville (nœud 9) est illustré
dans la figure ci-dessous. On a représenté le trafic actuel ainsi que la capacité maximum de chacune des
routes en nombre de véhicules par heure.
104 CHAPITRE 7. OPTIMISATION DES FLUX

1. Montrer à l’aide de l’algorithme du flot maximal que l’on peut augmenter le trafic global entre le
sommet 1 et le sommet 9. Quelle est la valeur de ce trafic maximum ?
2. Suggérer les endroits où le réseau devrait être renforcé si on veut dépasser ce flot maximum.
3. Montrer que si l’on considère le trafic inverse qui concerne la fin de journée (avec les mêmes capacités
pour le retour), le flot maximum sera le même qu’à la question 1.

Exercice 44 La société SUPERSTOCK est spécialisée dans la fabrication et le stockage de coussins.
Compte tenu de la réglementation européenne, cette société décide la construction d’un nouvel entrepôt aux
normes européennes à la place de l’ancien (symbolisé dans la suite par x5 ). Vous êtes chargés de mettre à
jour les ﬂux de marchandises sur le réseau et de les maximiser.
Les liaisons entre les diﬀérents points névralgiques (ou sommets du graphe) de la société sont donnés dans
le tableau ci-dessous ainsi que la nature des sommets :

Sommet xi Précédent Suivant

x1 x4 x7
x2 x4 x7
x3 – x4 , x5 , x11
x4 x3 x1 , x2 , x5
x5 x3 , x4 , x11 x6 , x7 , x8
entrée : x3
△ sortie : x6
x6 x5 , x7 , x8 – ◦ transit : x1 , x2 , x4 , x5 , x7 , x8 , x9 , x10 , x11
x7 x1 , x2 , x5 x6
x8 x5 , x9 , x10 x6
x9 x11 x8
x10 x11 x8
x11 x3 x5 , x9 , x10

Les ﬂux et les capacités des diﬀérents axes routiers sont donnés par :
7.4. EXERCICES RÉCAPITULATIFS 105

Nom de l’arc Capacité de l’arc Flux de l’arc Nom de l’arc Capacité de l’arc Flux de l’arc

(x1 , x7 ) 4 4 (x5 , x7 ) 2 1
(x2 , x7 ) 3 2 (x5 , x8 ) 2 2
(x3 , x4 ) 10 8 (x7 , x6 ) 7 7
(x3 , x5 ) 1 1 (x8 , x6 ) 7 6
(x3 , x11 ) 5 5 (x9 , x8 ) 2 2
(x4 , x1 ) 5 4 (x10 , x8 ) 5 2
(x4 , x2 ) 4 2 (x11 , x5 ) 3 1
(x4 , x5 ) 2 2 (x11 , x9 ) 2 2
(x5 , x6 ) 1 1 (x11 , x10 ) 4 2

1. Ordonnancer les sommets par niveaux.

2. Tracer le graphe canonique correspondant.
3. Prouver que le flot est complet mais pas maximal.
4. Utiliser l’algorithme de Ford-Fulkerson pour maximiser le flot. Quelle est alors la valeur du flot maxi-
mal ? Retrouver cette valeur à l’aide de la coupe de capacité maximale.

Exercice 45 Une société de vente par correspondance gère un réseau commercial et logistique composé
de :
– trois centres de prise de commandes Ci (i = 1, 2, 3),
– deux centres de préparation de commandes Pj (j = 1, 2),
– deux centres de distribution Dk (k = 1, 2).
Cette société désire évaluer la capacité mensuelle du réseau (nombre maximum de commandes pouvant
être prises, préparées et livrées en un mois). Le réseau possède les caractéristiques suivantes (en milliers de
commandes par mois) :
– les capacités de prise de commandes de C1 , C2 et C3 sont respectivement de 30, 30 et 10,
– les capacités de préparation de commandes de P1 et P2 sont respectivement de 10 et 60,
– les capacités de distribution de D1 et D2 sont respectivement de 30 et 50,
– chaque centre de prise de commandes peut alimenter les deux centres de préparation mais les capacités
des liaisons informatiques limitent à un maximum de 20000 commandes par mois le flux entre un centre
Ci et un centre Pj ,
– P1 alimente D1 , P2 alimente uniquement D2 ,
– D2 a la possibilité de transférer une partie de son activité sur D1 ; ce transfert ne peut dépasser 20000
commandes par mois, il ne réduit pas la capacité de distribution de D2 ,
– parmi les clients de la société, les collectivités ne s’adressent qu’à C3 ; il y a un minimum de 5000
commmandes mensuelles de ce type.
1. Construire en le justifiant le réseau de transport modélisant le contexte.
2. Définir le nombre maximum de commandes que la société peut traiter mensuellement (on pourra partir
d’un flot initial nul). Traduire le flot obtenu en termes d’activité pour chaque centre.
3. Identifier une coupe de capacité minimale.
106 CHAPITRE 7. OPTIMISATION DES FLUX

Exercice 46 Avant d’établir un projet de construction d’autoroute on désire étudier la capacité du réseau
autoroutier, représenté par le graphe suivant :

Pour cela, on a évalué le nombre maximal de véhicules que chaque route peut écouler par heure, compte
tenu des ralentissements aux traversées des villes et villages, des arrêts aux feux, etc. . . Ces évaluations sont
indiquées en centaines de véhicules par heure sur les arcs du graphe (nombres entre crochets). Les temps
de parcours entre villes sont tels que les automobilistes n’emprunteront que les chemins représentés par le
graphe.

Quel est le débit horaire total maximum de véhicules susceptibles de s’écouler entre les villes E et S ?
(En utilisant l’algorithme de Ford-Fulkerson, augmenter le flot entre les sommets E et S jusqu’à ce qu’il
devienne maximal).

Exercice 47 Soit le problème de transport suivant : une firme dispose de trois entrepôts A, B et C
dans lesquels sont stockés respectivement 31, 14 et 26 tonnes de marchandises. La firme doit livrer 5 clients
u, v, x, y et z ayant respectivement un besoin de 15, 20, 9, 10 et 17 tonnes de marchandises.
Les coûts de transport (par tonne de marchandises) des entrepôts vers les clients sont les suivants :

```
```
``` Clients u v x y z
Entrepôt ```
``
A 6 – – 12 –
B – 5 9 – –
C – 4 – 8 10

On voit que chaque client n’est pas accessible à partir de chaque entrepôt.
Utiliser les ﬂots aﬁn de voir s’il existe une solution réalisable à ce problème. Si le problème est réalisable, en
donner une solution. Sinon, quelle est la quantité maximale de marchandises qui peut être délivrée ?

Exercice 48 Une société d’import-export dispose, dans les ports de Veracruz, Sâo Paulo, Conakry et
Abidjan, de stocks de café de respectivement 120 tonnes, 100 tonnes, 100 tonnes et 100 tonnes, pour lesquels
elle a reçu des commandes d’importateurs de Dunkerque (100 tonnes), Bordeaux (80 tonnes), Saint-Nazaire
(90 tonnes) et Le Havre (150 tonnes). Divers bateaux se rendent des ports étrangers considérés vers les ports
français de destination. Les tonnages sont donnés par le tableau suivant :
7.4. EXERCICES RÉCAPITULATIFS 107

```
``` Destination
``` Dunkerque Bordeaux Saint-Nazaire Le Havre
Origine ```
``
Veracruz 70 30 20 –
Sâo Paulo 50 40 10 –
Conakry – 20 40 80
Abidjan – 20 40 80

Déterminer les diverses cargaisons de façon à satisfaire au mieux les demandes, les commandes destinées à
Bordeaux et au Havre étant prioritaires. On donnera également la coupe minimale.
108 CHAPITRE 7. OPTIMISATION DES FLUX
Chapitre 8

La programmation linéaire

8.1 Introduction
La programmation mathématique recouvre un ensemble de techniques d’optimisation sous contraintes
qui permettent de déterminer dans quelles conditions on peut rendre maximum ou minimum une fonction
objectif Z(Xj ) de n variables Xj liées par m relations ou contraintes Hi (Xj ) ≤ 0.
De nombreux problèmes de l’entreprise peuvent s’exprimer en termes d’optimisation contrainte, aussi ren-
contre t-on de multiples applications de la programmation mathématique et ceci dans pratiquement tous les
domaines de la gestion.
La gestion de production est le domaine où ces applications sont les plus nombreuses. On citera entre-autres :
– l’élaboration de plans de production et de stockage,
– le choix de techniques de production,
– l’affectation de moyens de production,
– la détermination de la composition de produits.
Les applications sont également nombreuses dans le domaine du marketing avec, en particulier :
– le choix de plans-média,
– la détermination de politiques de prix,
– la répartition des efforts de la force de vente,
– la sélection des caractéristiques du produit.
On citera encore des applications en matière financière (choix de programmes d’investissements), en matière
logistique (gestion des transports) et en matière de gestion des ressources humaines (affectation de person-
nel).
Si les applications de la programmation mathématique sont aussi nombreuses, on doit l’attribuer en grande
partie à la souplesse de ses techniques en ce qui concerne leur formulation mais aussi à la relative simplicité
des méthodes de résolution utilisables dans les cas les plus courants et pour lesquelles existent des pro-
grammes informatiques largement répandus.

Parmi les techniques de programmation mathématique la programmation linéaire est la plus classique.
Les deux chapitres qui suivent traitent exclusivement de ce type de programmation.

8.2 Modélisation d’un programme linéaire

La formalisation d’un programme est une tâche délicate mais essentielle car elle conditionne la découverte
ultérieure de la bonne solution. Elle comporte les mêmes phases quelles que soient les techniques requises
ultérieurement pour le traitement (programmation linéaire ou programmation non linéaire) :
1. La détection du problème et l’identiﬁcation des variables. Ces variables doivent correspondre exacte-
ment aux préoccupations du responsable de la décision. En programmation mathématique, les variables
sont des variables décisionnelles.
2. La formulation de la fonction économique (ou fonction objectif) traduisant les préférences du décideur
exprimées sous la forme d’une fonction des variables identiﬁées.
110 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

3. La formulation des contraintes. Il est bien rare qu’un responsable dispose de toute liberté d’action. Le
plus souvent il existe des limites à ne pas dépasser qui revêtent la forme d’équations ou d’inéquations
mathématiques.

Le responsable d’une décision ne dispose que de sa compétence pour réaliser une formalisation correcte
du problème posé car il n’existe pas de méthode en la matière. Un moyen d’acquérir cette compétence est
l’apprentissage comme proposé dans les exemples suivants :

8.2.1 Exemples

Exemple 8.2.1 Une usine fabrique deux produits P1 et P2 à l’aide de trois matières premières M1 , M2
et M3 dont on dispose en quantité limitée. On se pose le problème de l’utilisation optimale de ce stock de
matières premières c’est-à-dire la détermination d’un schéma, d’un programme de fabrication tel que :
– les contraintes de ressources en matières premières soient respectées,
– le bénéﬁce réalisé par la vente de la production soit maximum.

Modèle mathématique :
– Données numériques des contraintes. La disponibilité en matières premières est de 18 unités de M1 , 8
unités de M2 et 14 unités de M3 .
– Caractéristiques de fabrication. Elles sont données dans le tableau ci-dessous :
M1 M2 M3
P1 1 1 2
P2 3 1 1

– Hypothèses de linéarité du modèle. La fabrication est à rendement constant, c’est-à-dire que pour
fabriquer x1 unités de P1 , il faut 1 × x1 unités de M1 , 1 × x1 unités de M2 et 2 × x1 unités de M3 , de
même pour la fabrication de x2 unités de P2 .
– Linéarité de la fonction économique. On suppose que le bénéﬁce peut s’exprimer à l’aide des bénéﬁces
unitaires c1 , c2 sous la forme :
Z = c1 x1 + c2 x2

– Réalisation d’un schéma de production. Un schéma de production est un couple (x1 , x2 ), x1 et x2

désignant respectivement les quantités de P1 et P2 fabriquées donc vendues, qui doit vériﬁer les
contraintes x1 ≥ 0, x2 ≥ 0. Deux questions se posent : un tel schéma est-il réalisable ? A-t-on suﬃ-
samment de matières premières pour assurer une telle production ?
– Le programme linéaire : 

 x1 ≥ 0, x2 ≥ 0


 x1 + 3x2 ≤ 18
x1 + x2 ≤ 8


 2x1 + x2 ≤ 14


Z = c1 x1 + c2 x2
où Z est une fonction économique ou fonction objectif qu’il faut maximiser.

Exemple 8.2.2 L’intendant d’un lycée doit composer un menu qui doit contenir un minimum d’éléments
nutritifs et qui doit être le moins coûteux possible. On se limite à une situation simple, deux denrées ali-
mentaires principales D1 , D2 et trois éléments nutritifs, les vitamines V, les calories C et les protéines P.

Le tableau suivant indique le nombre d’éléments nutritifs par unité d’aliment :

8.2. MODÉLISATION D’UN PROGRAMME LINÉAIRE 111

V C P
D1 1 1 3
D2 5 2 2

Une unité de D1 contient 1 unité de V, 1 unité de C et 3 unités de P.

Modèle mathématique :

– Contraintes diététiques. Le menu doit comporter au minimum 5 unités de V, 4 unités de C, 6 unités

de P. Les coûts unitaires sont 20 pour D1 , 25 pour D2 .

– Réalisation du menu. Un menu contenant x1 unités de D1 , x2 unités de D2 est réalisable si le couple

(x1 , x2 ) vériﬁe :


 x1 ≥ 0, x2 ≥ 0

x1 + 5x2 ≥ 5

 x + 2x2 ≥ 4
 1
3x1 + x2 ≥ 6
– Le programme linéaire. Le problème consiste à déterminer deux nombres x1 et x2 tels que :


 x1 ≥ 0, x2 ≥ 0


 x1 + 5x2 ≥ 5
x1 + 2x2 ≥ 4



 3x1 + x2 ≥ 6

Z = 20x1 + 25x2 graphique
où Z est la fonction objectif à minimiser.

Exercice 49 Formaliser les situations suivantes :
1. La société Bonvin, S.A., qui pratique le négoce en vins propose à sa clientèle deux vins de table : l’un
est dénommé “Extra”, l’autre “Supérieur”. Ces produits sont obtenus par coupage de crus issus de
diverses régions : un vin de l’Hérault, un vin du Bordelais et un vin d’Italie.
Les coupages sont réalisés selon les proportions ﬁxes suivantes :
Vin “Extra” Vin “Supérieur”
Vin de l’Hérault 0,5 0,2
Vin du Bordelais 0,3 0,6
Vin d’Italie 0,2 0,2
Total 1 1
Après les vendanges, la société dispose en stock dans ses cuves des quantités suivantes de crus d’origine :
Vin de l’Hérault .. 13600 hectolitres
Vin du Bordelais .. 12000 hectolitres
Vin d’Italie ... 10400 hectolitres
Ces quantités constituent les ressources disponibles pour la production de l’année à venir. En outre,
compte tenu des capacités techniques de mise en bouteille existantes, cette production ne peut pas
dépasser 36000 hectolitres au total dans l’année.
L’activité de cette entreprise comporte des coûts qui ont été classés en deux catégories :
– Une partie est considérée comme ﬁxe ; elle correspond aux approvisionnements, puisque ceux-ci sont
déja constitués, ainsi qu’aux frais de personnel. Ces coûts s’élèvent à 12000000 euros pour l’année.
– L’autre partie correspond aux frais de mise en bouteille, d’emballage et de commercialisation. Cette
seconde partie est proportionnelle aux quantités produites : soit 100 euros par hectolitre de vin
quelle que soit la qualité de celui-ci.
112 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

Une étude de marché révèle que celui-ci ne saurait absorber plus de

– 20000 hectolitres de vin “Extra” à 500 euros par hectolitre,
– et 16000 hectolitres de vin “Supérieur” à 600 euros l’hectolitre.
Le problème de cette entreprise peut être formulé ainsi :
Quelles quantités faut-il produire de vin “Extra” et “Supérieur” afin de rendre maximum le bénéfice
total ?
2. Considérons désormais :
– que le vin “Extra” doit contenir au moins 30% de cru du Bordelais et au plus 20% de cru d’Italie,
– et que le vin “Supérieur” doit être composé d’au moins 60% de cru du Bordelais et d’au moins 20%
de cru de l’Hérault.
Toutes les autres caractéristiques du problème restent identiques au cas précédent.
Le problème peut s’exprimer sous la forme :
Quelle quantité de chaque vin d’origine affecter à chaque qualité de produit fini ?
3. On considère un coût d’approvisionnement qui n’est plus fixe. Transport inclus, il s’élève à :
vin de l’Hérault : 230 euros l’hectolitre,
vin du Bordelais : 250 euros l’hectolitre,
vin d’Italie : 180 euros l’hectolitre.
Il subsiste néanmoins un coût fixe constitué pour l’essentiel de frais de personnel, égal à 4000000 euros.
Le problème présent comporte trois questions :
}
- Quelle quantité produire
pour chaque vin, “Extra” et “Supérieur”,
- Quelle composition adopter
- Quelle quantité de matières premières acquérir auprès des fournisseurs ?
Remarque 8.2.1 Ces trois questions sont liées et on peut constater que le fait de connaı̂tre la quantité
de chaque matière première incorporée dans chaque produit permet de déterminer simultanément
l’approvisionnement nécessaire, la composition adéquate des produits et la quantité à produire.
4. Les produits de la société sont conditionnés dans des récipients de 0, 75 litre et de 3 litres. Afin de
pouvoir satisfaire la clientèle, Bonvin se fixe comme objectif annuel de disposer d’au moins 400000
bouteilles de 3 litres et d’au moins 3200000 bouteilles de 0,75 litre.
Pour produire ces récipients Bonvin dispose de deux ateliers dont les rendements sont différents :
Nombre de récipients par heure de fonctionnement
Atelier A Atelier B
0,75 litre ... 500 400
3 litres ..... 400 320

Chaque atelier fonctionne au maximum 4000 heures dans l’année. Les prévisions de coût variable de
production de chaque type de récipient donnent comme résultats :
Coûts variables de production
Atelier A Atelier B
0,75 litre ... 0,4 0,55
3 litres ..... 0,75 0,85

Mais Bonvin peut également sous-traiter la fabrication de ces récipients à la société Corec qui propose
comme tarif :
0,5 euro la bouteille de 0,75 litre
1 euro la bouteille de 3 litres
Les dirigeants de Bonvin S.A. se posent trois questions
– faut-il produire des bouteilles et en quelles quantités ?
8.2. MODÉLISATION D’UN PROGRAMME LINÉAIRE 113

– en utilisant quelle technique de production (atelier A et/ou atelier B) ?

– faut-il sous-traiter tout ou partie de la production à Corec ?
qui peuvent être condensées en une seule :
Quelles ﬁlières utiliser pour obtenir les bouteilles nécessaires ?

8.2.2 Formule générale d’un programme linéaire

De façon générale, un problème de programmation mathématique met en jeu quatre catégories d’éléments :
– des variables ou activités,
– des coefficients économiques,
– des ressources,
– des coefficients techniques.
Les activités sont les variables de décision du problème étudié. Il s’agit pour l’entreprise de sélectionner le
meilleur programme d’activités X = (x1 , . . . , xn ), c’est-à-dire celui qui est le plus conforme à ses objectifs.
Les coefficients économiques mesurent le degré de réalisation de l’objectif de l’entreprise, associé à une
valeur unitaire de chacune des variables. À chaque variable xj est ainsi associé un coefficient économique cj .
L’évaluation des coefficients cj dépend du type d’objectif poursuivi : selon le cas ce sera un prix de vente,
une marge brute, un coût variable unitaire, etc.
Les ressources peuvent être également de nature très diverse selon le problème rencontré. Dans tous les
cas, ce sont les éléments qui limitent le calcul économique de l’entreprise : des capacités de production
limitées, des normes à respecter, des potentiels de vente, etc. Dans tout problème, il faudra ainsi prendre en
considèration un vecteur de ressources B = (b1 , . . . , bm ) donné.
Par coefficient technique on désignera le degré de consommation d’une ressource par une activité. À la
ressource i et à l’activité j correspondra le coefficient technique aij . Dans la mesure où le problème étudié
met en jeu n activités et m ressources, il faudra considérer m × n coefficients techniques que l’on pourra
regrouper dans un tableau du type suivant :
```
```
``Àctivités 1 ... j ... n
Ressources ```
``
1 a11 ... a1j ... a1n
.. .. .. .. .. ..
. . . . . .
i ai1 ... aij ... ain
.. .. .. .. ..
. . . . . ...
m am1 ... amj ... amn

Si les variables sont continues, si les coeﬃcients économiques et techniques sont indépendants des valeurs
des variables, alors le problème peut être formalisé à l’aide d’un programme linéaire.
Un même programme peut être traduit sous une forme canonique ou sous une forme standard ; l’une et
l’autre pouvant adopter soit la notation algébrique classique soit la notation matricielle que l’on ne traitera
pas ici.

Voyons tout d’abord la forme canonique. Elle se caractérise par des contraintes présentées sous la forme
d’inéquations telles que


 x1 ≥ 0, x2 ≥ 0, . . . , xn ≥ 0



 a11 x1 + a12 x2 + . . . + a1n xn ≤ ou ≥ ou = b1


 ..
.
 i1 x1 + ai2 x2 + . . . + ain xn ≤ ou ≥ ou = bi
 a



 ..

 .

am1 x1 + am2 x2 + . . . + amn xn ≤ ou ≥ ou = bm
114 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

et par une forme linéaire

Z = c1 x1 + c2 x2 + . . . + cn xn

Résoudre le programme linéaire consiste à déterminer les n-uplets (x1 , x2 , . . . , xn ) qui optimisent Z (maxi-
misent ou minimisent) Z ou à montrer que de tels n-uplets n’existent pas.

On se donne les déﬁnitions suivantes :

Définition 8.2.1
– On appelle solution réalisable tout n-uplet (x1 , x2 , . . . , xn ) vériﬁant le système d’inéquations précédent.
– On appelle solution optimale toute solution réalisable qui optimise Z.
– On appelle fonction objectif la forme linéaire
Z = c1 x1 + c2 x2 + . . . + cn xn
– L’ensemble des solutions réalisables du programme linéaire P est appelé domaine des solutions
réalisables. Lorsque ce domaine est non vide, on dit que P est réalisable.

Résoudre un programme linéaire consiste à déterminer les valeurs des variables qui permettent d’optimiser
la fonction économique.
Il existe diverses techniques de résolution parmi lesquelles la méthode graphique se montre à l’évidence
la plus rapide et la plus simple mais aussi la plus limitée, car dès lors que le nombre de variables ou de
contraintes dépasse 2, elle devient impraticable. C’est pourquoi divers chercheurs se sont efforcés de mettre
au point une méthode de calcul algorithmique qui permet de détecter la solution optimale (si elle existe)
quel que soit le nombre des variables et des contraintes.
Bien que très efficace, cette méthode connue sous le nom d’algorithme du simplexe, exige des calculs longs
et fastidieux. C’est pourquoi ceux-ci sont de plus en plus confiés à l’outil informatique. Dès lors une question
se pose : puisque les logiciels correspondants sont largement répandus, est-il nécessaire pour appliquer la
méthode, d’en connaı̂tre les ressorts ? Deux raisons essentielles justifient une réponse affirmative :
– d’abord, la compréhension des principes de résolution est une aide précieuse pour, en amont, analyser
et formaliser le problème et pour, en aval, interpréter et exploiter la solution obtenue ;
– ensuite parce que la démarche algorithmique présente en elle-même un intérêt formateur non négligeable.

8.3 Méthode graphique : problème à deux inconnues

8.3.1 Régionnement du plan
Le régionnement du plan revient à étudier le signe de ax + by + c avec (a, b) ̸= (0, 0).

Si on considère la droite D dont une équation est ax + by + c = 0 avec a ̸= 0 ou b ̸= 0, cette droite

partage le plan en deux demi-plans (I) et (II) de frontière D :

– Pour tout point M (x, y) situé sur D, on a ax + by + c = 0 .

– Pour tous les points M (x, y) situés dans le demi-plan (I), ax+by+c a le même signe et si ax+by+c > 0
(respectivement < 0) alors tous les points N (x, y) situés dans le demi-plan (II) vériﬁent ax+by +c < 0
(respectivement > 0).
8.3. MÉTHODE GRAPHIQUE : PROBLÈME À DEUX INCONNUES 115

Exemple 8.3.1
– Signe de x + y − 1 :

On trace la droite d’équation x + y − 1 = 0. À l’origine, x + y − 1 = (0) + (0) − 1 = −1 < 0 donc pour

tous les points M (x, y) situés dans le demi-plan (II), x + y − 1 < 0 et pour tous les points N (x, y)
situés dans le demi-plan (I), x + y − 1 > 0. Pour les points P (x, y) de la droite D, x + y − 1 prend la
valeur 0.

– Signe de −x + y :
On trace la droite D d’équation −x + y = 0, cette droite contient l’origine du repère. Pour le point
A(1, 0), x − y = 1 > 0 donc pour tous les points M (x, y) situés dans le demi-plan (I), x − y > 0 et
pour tous les points N (x, y) situés dans le demi-plan (II), x − y < 0. Pour les points P (x, y) de la
droie D, x − y prend la valeur 0.

8.3.2 Les ensembles convexes

Définition 8.3.1 Un ensemble E est dit convexe si pour M1 et M2 deux points quelconques de E, tous les
points du segment [M1 , M2 ] appartiennent à E.

Exemple 8.3.2
• Le disque est un ensemble convexe :

• Le rectangle est un ensemble convexe :

116 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

• Le cercle n’est pas un ensemble convexe : les points du segment ]M1 , M2 [ n’appartiennent pas au cercle.

• Cet ensemble n’est pas convexe.

8.3.3 Résolution de systèmes d’inéquations - Exemples

Exemple 8.3.3 On considère le système suivant :


 x1 ≥ 0, x2 ≥ 0

−x1 − x2 ≤ −1
 x1 + 4x2 ≤ 2


6x1 + x2 ≤ 2

Comme x1 ≥ 0 et x2 ≥ 0, les points M (x1 , x2 ) seront choisis dans le quart du plan :

L’ensemble des solutions est représentée par la surface grise.

On considère ensuite le système partiel
{
x1 ≥ 0, x2 ≥ 0
x1 + 4x2 ≤ 2
On trace la droite D1 d’équation x1 + 4x2 = 2. Comment déterminer le demi-plan qui convient ? Il suﬃt de
prendre un point quelconque du plan et d’observer si ses coordonnées vériﬁent l’inéquation. Si c’est le cas,
le point se situe dans le bon demi-plan. Considérons par exemple l’origine, x1 + 4x2 = 0 + 4 × 0 = 0 ≤ 2
donc l’origine est solution et tous les points situés dans le demi-plan contenant l’origine sont solutions.
8.3. MÉTHODE GRAPHIQUE : PROBLÈME À DEUX INCONNUES 117

On considère ensuite le système


 x1 ≥ 0, x2 ≥ 0
x1 + 4x2 ≤ 2

−x1 − x2 ≤ −1

On trace la droite D2 d’équation −x1 − x2 = −1. Considérons l’origine, −x1 − x2 = 0 − 0 = 0 > −1 donc
l’origine n’est pas solution, les solutions
( du
) système sont par conséquent les points du triangle ABC et son
2 1
intérieur avec A(1, 0), B(2, 0) et C , .
3 3

On considère enﬁn le système de départ



 x1 ≥ 0, x2 ≥ 0

x1 + 4x2 ≤ 2

 −x1 − x2 ≤ −1

6x1 + x2 ≤ 2
On trace la droite D3 d’équation 6x1 + x2 = 2. Considérons le point origine, 6x1 + x2 = 6 × 0 + 0 = 0 < 2
donc l’origine est solution de l’inéquation. On sélectionne le demi-plan qui convient et on observe ﬁnalement
que le système n’admet pas de solution (la partie grise est inexistante).

Exemple 8.3.4 On considère le système suivant :


 x1 ≥ 0, x2 ≥ 0
x1 + x2 ≤ 1

−3x1 + x2 ≤ −3
On sélectionne l’intersection des deux demi-plans x1 ≥ 0 et x2 ≥ 0.
118 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

On considère la droite d’équation D1 : x1 + x2 = 1. Le demi-plan qui convient est repéré grâce, par exemple,
à l’origine.

On considère la droite d’équation D2 : −3x1 + x2 = −3. Le demi-plan qui convient est repéré une fois de
plus grâce à l’origine. L’ensemble solution se restreint à un seul point, le couple solution (1, 0).

Exemple 8.3.5 On considère le système suivant :



 x1 ≥ 0, x2 ≥ 0

x1 + 5x2 ≥ 5

 x + 2x2 ≥ 4
 1
3x1 + 2x2 ≥ 6

Comme x1 ≥ 0 et x2 ≥ 0, les points M (x1 , x2 ) seront choisis dans le quart du plan :

On considère la droite d’équation D1 : x1 +5x2 = 5. Le demi-plan qui convient est repéré grâce, par exemple,
à l’origine.
8.3. MÉTHODE GRAPHIQUE : PROBLÈME À DEUX INCONNUES 119

On considère la droite d’équation D2 : x1 +2x2 = 4. Le demi-plan qui convient est repéré grâce, par exemple,
à l’origine.

On considère la droite d’équation D3 : 3x1 + 2x2 = 6. Le demi-plan qui convient est repéré grâce, par
exemple, à l’origine.

Exemple 8.3.6 On considère le système suivant :



 x1 ≥ 0, x2 ≥ 0

x1 + 3x2 ≤ 18

 x + x2 ≤ 8
 1
2x1 + x2 ≤ 14
Soient les droites d’équations respectives

D1 : x1 + 3x2 = 18, D2 : x1 + x2 = 8 et D3 : 2x1 + x2 = 14.

L’ensemble solution est un polyèdre convexe limité par la ligne polygonale OABCD.
120 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

8.3.4 Résolution de programmes linéaires

Exemple 8.3.7 On reprend le système de l’exemple 8.3.4 auquel on ajoute une fonction objectif :


 x1 ≥ 0, x2 ≥ 0

−3x1 + x2 ≤ −3

 x + x2 ≤ 1
 1
Z = 3x1 + x2 à maximiser

On rappelle que le domaine des solutions réalisables est donné graphiquement par :

Le programme linéaire admet une unique solution réalisable (1, 0) qui est d’ailleurs la solution optimale. Z
est maximum pour le couple (1, 0) et vaut Z = 3 × 1 + 0 = 3.

Exemple 8.3.8 On reprend le système de l’exemple 8.3.3 auquel on ajoute une fonction objectif :


 x1 ≥ 0, x2 ≥ 0


 x1 + 4x2 ≤ 2
−x1 − x2 ≤ −1



 6x1 + x2 ≤ 2

Z = 6x1 + x2 à maximiser

L’ensemble solution est donné graphiquement par :

Ce programme n’a pas de solution réalisable. Le domaine des solutions réalisables est le vide.

Exemple 8.3.9 On reprend le système de l’exemple 8.3.6 auquel on ajoute une fonction objectif :


 x1 ≥ 0, x2 ≥ 0


 x1 + 3x2 ≤ 18
x1 + x2 ≤ 8



 2x1 + x2 ≤ 14

Z = 2x1 + 4x2 à maximiser

Le domaine des solutions réalisables est donné graphiquement par :

8.3. MÉTHODE GRAPHIQUE : PROBLÈME À DEUX INCONNUES 121

Le domaine des solutions réalisables est un domaine plan, délimité par le polygone OABCD. Le domaine
plan est un ensemble convexe.

On détermine ensuite les couples (x1 , x2 ) de solutions réalisables tels que Z = 2x1 + 4x2 soit maximum.
Pour tout nombre Z, on note DZ la droite d’équation

Z = 2x1 + 4x2 .
( ) ( )
−4 −2 1
Un vecteur directeur de cette droite DZ est ⃗v ou w⃗ . Son coefficient directeur est − . En
2 1 2
1 Z
effet, x2 = − x1 + . Lorsque Z varie, ces droites DZ ayant même coefficient directeur sont parallèles entre
2 4
Z Z
elles. L’ordonnée à l’origine des droites DZ est . Maximiser Z est équivalent à maximiser . Le problème
4 4
consiste donc à déterminer une ou plusieurs droites DZ qui rencontrent le domaine des solutions réalisables
et ayant une ordonnée à l’origine maximale. Lorsque Z augmente, la droite DZ se déplace parallèlement à
elle même vers le haut :

La droite DZ qui rencontre le domaine des solutions réalisables et qui a une ordonnée à l’origine maximale
est celle qui contient le point C.
Le programme linéaire a une seule solution maximale, le couple (3, 5).
En conclusion, pour x1 = 3, x2 = 5, la fonction objectif est maximale et vaut

Z = 2 × 3 + 4 × 5 = 26.

Remarque 8.3.1 La fonction objectif atteint son maximum en un des sommets du polygone.
122 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

Exemple 8.3.10 On considère le système



 x1 ≥ 0, x2 ≥ 0

x1 + x2 ≥ 2

 2x 1 + x2 ≥ 3

Z = −x1 + x2 à minimiser
Le domaine des solutions réalisables est donné graphiquement par :

Le domaine des solutions réalisables est convexe. Minimisons la fonction objectif : pour Z donné, on trace
) DZ d’équation −x1 + x2 = Z ⇔ x2 = x1 + Z. Lorsque Z varie, ces droites DZ de vecteur directeur
la droite
(
1
(de coeﬃcient directeur 1) sont parallèles entre elles. On recherche une ou plusieurs droites DZ ayant
1
une ordonnée à l’origine Z minimale. Pour toute valeur de Z (∈ R), DZ rencontre le domaine des solutions
réalisables. Le programme linéaire n’a pas de solution minimale.

Exemple 8.3.11 On reprend le système de l’exemple 8.3.5 auquel on ajoute une fonction objectif :

 x1 ≥ 0, x2 ≥ 0



 x1 + 5x2 ≥ 5
x1 + 2x2 ≥ 4


 3x1 + 2x2 ≥ 6


Z = 20x1 + 25x2 à minimiser
Le domaine des solutions réalisables est donné graphiquement par :

4 Z
Pour Z donné, on trace la droite DZ d’équation Z = 20x1 + 25x2 ou encore x2 = − x1 + . Cette droite
( ) ( 5) 25
4 −25 −5
DZ a pour coeﬃcient directeur − , pour vecteur directeur ⃗v ou w⃗ et pour ordonnée à
5 20 4
8.3. MÉTHODE GRAPHIQUE : PROBLÈME À DEUX INCONNUES 123

Z 4
l’origine . On trace des droites DZ de coeﬃcient directeur − et on recherche une ou plusieurs droites
25 5
Z
DZ , rencontrant le domaine des solutions réalisables et ayant une ordonnée à l’origine minimale. La
25
droite DZ rencontrant le domaine
( ) des solutions réalisables et ayant une ordonnée à l’origine( minimale
) est
3 3
celle qui contient le point C 1, . La fonction objectif atteint son minimum pour le couple 1, et vaut
2 2
3 115
Z = 20 × 1 + 25 × = .
2 2
Exemple 8.3.12 On considère le système mis en place dans le cadre de l’exemple 8.3.6 :


 x1 ≥ 0, x2 ≥ 0


 x1 + 3x2 ≤ 18
x1 + x2 ≤ 8



 2x 1 + x2 ≤ 14

Z = c1 x1 + c2 x2

où Z est une fonction économique ou fonction objectif qu’il faut maximiser et c1 et c2 sont les bénéﬁces
unitaires.

Résolvons ce problème linéaire, on discutera bien-sûr des valeurs attribuées à c1 et c2 .

Le domaine des solutions réalisables est le domaine convexe délimité par le polygone OABCD. Les co-
ordonnées des sommets sont obtenues en déterminant les intersections des droites donc en résolvant des
systèmes de deux équations à deux inconnues.

Étude de cas particuliers

• c1 = 1, c2 = 4 : on trace les droites DZ d’équations :
1 Z
x1 + 4x2 = Z ⇔ x2 = − x1 +
( ) 4 4
−4
de vecteur directeur v⃗1 . La droite qui a une ordonnée à l’origine maximale est celle qui contient
1
( )
0
le point D . La fonction objectif est maximale pour le couple (0, 6) et vaut Z = 0 + 4 × 6 = 24.
6
• c1 = 2, c2 = 4 : on trace les droites DZ d’équations :
1 Z
2x1 + 4x2 = Z ⇔ x2 = − x1 +
( ) 2 4
−2
de vecteur directeur v⃗2 . La droite qui a une ordonnée à l’origine maximale est celle qui contient
1
( )
3
le point C . La fonction objectif atteint son maximum au point (3, 5) et vaut Z = 2×3+4×5 = 26.
5
• c1 = 2, c2 = 2 : on trace les droites DZ d’équations :
Z
2x1 + 2x2 = Z ⇔ x2 = −x1 +
( ) 2
−1
de vecteur directeur v⃗3 . Cette droite DZ est parallèle au côté (BC) du polygone. La fonction
1
objectif atteint son maximum en tous les points du côté (BC). La fonction objectif atteint donc ce
maximum pour tous les couples (x1 , x2 ) tels que x1 +x2 = 8 et 3 ≤ x1 ≤ 6. Z vaut alors 2x1 +2x2 = 16.
• c1 = 3, c2 = 2 : on trace les droites DZ d’équations :
3 Z
3x1 + 2x2 = Z ⇔ x2 = − x1 +
( ) 2 2
−2
de vecteur directeur v⃗4 . La droite qui a une ordonnée à l’origine maximale est celle qui contient
3
( )
6
le point B . La fonction objectif atteint son maximum au point (6, 2) et vaut Z = 3×6+2×2 = 22.
2
• c1 = 5, c2 = 1 : on trace les droites DZ d’équations :
5x1 + x2 = Z ⇔ x2 = −5x1 + Z
124 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

( )
−1
de vecteur directeur v⃗5 . La droite qui a une ordonnée à l’origine maximale est celle qui contient
5
( )
7
le point A . La fonction objectif atteint son maximum au point (7, 0) et vaut Z = 5 × 7 + 0 = 35.
0

Remarque 8.3.2 En fonction des différentes valeurs attribuées à c1 et c2 , la fonction objectif atteint son
maximum en différents sommets du polygone. Le programme linéaire a soit une unique solution soit une
infinité de solutions (lorsque la droite DZ est parallèle à l’un des côtés du polygone).

Étude du cas général.

L’équation de DZ est donnée par :
c1 Z
DZ : c1 x1 + c2 x2 = Z ⇔ x2 = − x1 + avec c1 > 0, c2 > 0.
c2 c2
( )
−c2 c1
Ces droites DZ ont pour vecteur directeur ⃗v , pour coefficient directeur m = − et pour ordonnée
c1 c2
Z
à l’origine p = .
c2
Z
Maximiser Z est équivalent à maximiser . On recherche une ou plusieurs droites DZ rencontrant le domaine
c2
des solutions réalisables et ayant une ordonnée à l’origine maximale.
– Le côté (AB) a pour équation 2x1 + x2 = 14, le coefficient directeur est −2 et 6 ≤ x1 ≤ 7.
– Le côté (BC) a pour équation x1 + x2 = 8, le coefficient directeur est −1 et 3 ≤ x1 ≤ 6.
1
– Le côté (CD) a pour équation x1 + 3x2 = 18, le coefficient directeur est − et 0 ≤ x1 ≤ 3.
3
c1
La droite DZ a pour coefficient directeur − , on compare ensuite ce coefficient aux pentes des droites
c2
contenant les côtés (AB), (BC) et (CD).

c1 c1
• − < −2 ⇔ > 2 ⇔ c1 > 2c2
c2 c2
Dans ce cas, la droite des bénéfices est plus ”pointue” que le côté (AB). Le maximum est atteint
au point A(7, 0) et en ce point seulement. Le programme linéaire admet une seule solution maximale
(7, 0) qui est un sommet, avec x2 = 0 on ne produit que P1 .
c1
• − = −2 ⇔ c1 = 2c2
c2
−2 est la pente du côté (AB). Les droites DZ : c1 x1 + c2 x2 = Z sont parallèles au côté (AB). Il y a
une infinité de solutions optimales représentées
{ par tous les points du segment [AB] défini par :
2x1 + x2 = 14
[AB] :
6 ≤ x1 ≤ 7
8.3. MÉTHODE GRAPHIQUE : PROBLÈME À DEUX INCONNUES 125

{
6 ≤ x1 ≤ 7
Tous les couples (x1 , x2 ) tels que sont solutions optimales, le bénéfice vaut alors
2x1 + x2 = 14
14c2 . En effet, Z = c1 x1 + c2 x2 = 2c2 x1 + c2 x2 = c2 (2x1 + x2 ).
c1 c1
• −2 < − < −1 ⇔ 1 < <2
c2 c2
−1 est la pente du côté (BC), −2 celle de (AB). Le maximum est atteint en un seul point B qui est
aussi un sommet.
c1 c1
• − = −1 ⇔ = 1 ⇔ c1 = c2
c2 c2
Les droites DZ sont parallèles au côté (BC). Il y a une infinité de solutions optimales représentées par
tous les points du segment [BC] défini par : {
x1 + x2 = 8
[BC] :
3 ≤ x1 ≤ 6
{
3 ≤ x1 ≤ 6
Tous les couples (x1 , x2 ) tels que sont solutions optimales, le bénéfice vaut alors 8c1 .
x1 + x2 = 8
c1 1
• −1 < − < −
c2 3
1
− est la pente du côté (CD), −1 celle du côté (BC). Le programme linéaire a un seule solution
3
optimale soit le point C(3, 5) qui est un sommet.
c1 1
• − = − ⇔ c2 = 3c1
c2 3
Les solutions optimales sont tous les points du{segment [CD] d’où une infinité de solutions.
x1 + 3x2 = 18
[CD] :
0 ≤ x1 ≤ 3
La fonction objectif atteint son maximum{pour tous les couples (x1 , x2 ) tels que
x1 + 3x2 = 18
0 ≤ x1 ≤ 3
et le bénéfice vaut Z = 18c1 .
1 c1 c1 1
• − <− <0⇔0< <
3 c2 c2 3
Il existe une seule solution optimale c’est-à-dire le point D(0, 6) qui est un sommet ; x1 étant nul, on
ne produit que P2 .

Exemple 8.3.13 Considérons l’exemple suivant faisant intervenir trois dimensions :


 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
2x1 + x2 + 2x3 ≤ 4

Z = x1 + x2 à maximiser
On 
tracele plan
 d’équation
 2x1 
+ x2 + 2x3 = 4. Ce plan rencontre les axes de coordonnées aux points
2 0 0
M1  0 , M2  4 , M3  0 .
0 0 2
126 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

Le domaine des solutions réalisables est représenté par l’intérieur de la pyramide OM1 M2 M3 . La fonction
objectif est x1 + x2 = Z. Lorsque Z varie, x1 + x2 = Z est l’équation d’un plan parallèle à (0, ⃗k), ce plan
rencontre le plan (O,⃗i, ⃗j) suivant la droite d’équation Z = 0 et x1 + x2 = Z. Le plan PZ qui rencontre
  le
0
domaine des solutions réalisables et tel que Z soit maximum est celui qui contient le point M  4 . La
0
fonction objectif atteint son maximum en un seul point qui est d’ailleurs un des sommets, c’est-à-dire M2 .

8.3.5 Cas général

Soit un programme linéaire P. On admettra les résultats suivants :
1. Le domaine des solutions réalisables de tout programme linéaire à n variables est soit l’ensemble vide
∅ soit une partie convexe de Rn .
2. Dans le cas d’un programme linéaire à deux variables, le domaine des solutions réalisables, lorsqu’il
n’est pas vide, est une partie D du plan délimité par un polygone convexe, possédant éventuellement
des côtés de longueur inﬁnie.
Dans chaque cas, l’ensemble des solutions optimales (lorsqu’il n’est pas vide) contient un sommet de
D, c’est-à-dire que si la fonction objectif a un maximum ou un minimum, il est atteint en au moins
un des sommets du polygone délimitant le domaine des solutions réalisables.
3. On admettra que ces résultats se généralisent à un programme linéaire à n variables.

8.3.6 Exercices

Exercice
50 Une entreprise stocke successivement deux types de polystyrènes A1 et A2 dans trois en-
trepôts distincts E1 , E2 et E3 afin qu’ils y subissent des traitements particuliers. Le coût de fonctionnement
de l’entrepôt E1 est de 200 euros par jour, celui de l’entrepôt E2 est de 400 euros et celui de l’entrepôt E3
est de 300 euros. Les temps de stockage pour une tonne de polystyrène A1 sont de 3 jours dans l’entrepôt
E1 , de 1 jour dans l’entrepôt E2 et d’une demi-journée dans l’entrepôt E3 . Ils sont pour le polystyrène A2
de 2 jours dans chacun des 3 entrepôts.
Les coûts de fabrication des polystyrènes A1 et A2 sont respectivement de 600 euros et 400 euros la tonne.
Les prix de vente d’une tonne des polystyrènes fabriqués sont de 1950 euros pour A1 et de 2440 euros pour
A2 .
1. (a) Calculer le coût de stockage d’une tonne de polystyrène A1 et d’une tonne de polystyrène A2 .
(b) Déterminer le bénéfice réalisé par la fabrication, le stockage et la vente d’une tonne de chacun
des produits.
(c) En déduire que le bénéfice total Z pour la production, le stockage et la vente de x tonnes de
polystyrène A1 et de y tonnes de polysytyrène A2 est donné par Z = 200x + 240y.
2. La logistique des stockages est telle que l’entrepôt E1 peut fonctionner au maximum 360 jours dans
l’année, l’entrepôt E2 peut fonctionner au maximum 160 jours par an, l’entrepôt E3 ne peut fonctionner
annuellement plus de 120 jours.
La demande est telle que la production de polystyrène A1 ne peut dépasser 120 tonnes, celle de A2 50
tonnes.
(a) Déterminer les nombres x et y de tonnes des deux produits fabriqués pour que l’entrepôt E1
fonctionne exactement 360 jours et l’entrepôt E3 exactement 120 jours. Cette production est-elle
possible ?
(b) On veut maintenant déterminer les nombres x et y de tonnes des deux produits fabriqués, stockés
et vendus qui donneraient à l’entreprise le bénéfice maximum.
i. Donner les 7 contraintes de production ainsi que la fonction à maximiser sous la forme d’un
programme linéaire du type
8.3. MÉTHODE GRAPHIQUE : PROBLÈME À DEUX INCONNUES 127



 x ≤ · · · et/ou ≥ · · ·

 y ≤ · · · et/ou ≥ · · ·
 ..

 .

Z = · · · à maximiser

ii. Représenter sur le graphique ci-joint le domaine des solutions réalisables en justifiant.
iii. À l’aide d’une résolution graphique, déterminer en justifiant la production qui assurera le
bénéfice maximal. Quel sera alors son prix ?

Exercice
51 Une entreprise possède deux unités de production U1 et U2 . Elle commercialise ses pro-
duits à l’aide de trois entrepôts distincts E1 , E2 et E3 situés dans diﬀérentes zones de consommation. Le
tableau ci-dessous indique pour chaque entrepôt, les proportions de stockage d’unités x et y provenant
respectivement de U1 et U2 .

HH Ei
H E1 E2 E3
Ui HHH
U1 1 2 1
U2 2 3 1

Ces valeurs signiﬁent par exemple que les structures de l’entrepôt E1 permettent de stocker 2 fois plus
d’unités provenant de U2 que d’unités provenant de U1 .
L’organisation actuelle des entrepôts est telle que E1 ne peut stocker au total plus de 120 unités, E2 ne peut
stocker au total plus 200 unités et E3 ne peut stocker au total plus 90 unités.
Les productions journalières de U1 et de U2 sont limitées respectivement à 80 et 50 unités.
128 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

On sait que le bénéfice réalisé par l’entreprise est de 50 euros pour la vente d’une unité de U1 et 80 euros
pour la vente d’une unité de U2 .
On veut déterminer maintenant les nombres x et y d’unités provenant de U1 et U2 , qui permettraient à
l’entreprise de réaliser un bénéfice journalier maximum.
1. Donner les 7 contraintes portant sur x et y ainsi que la fonction à maximiser sous la forme d’un
programme linéaire
2. Résolution graphique
(a) Représenter sur le graphique de la page suivante, le domaine des solutions réalisables en justifiant
vos démarches.
(b) À l’aide d’une résolution graphique, déterminer en justifiant, la production qui assurera le bénéfice
maximal. À quoi sera alors égal ce bénéfice ?

Exercice
52 Le gérant d’un entrepôt souhaite renouveler le matériel de sécurité de son établissement.
Il a besoin au minimum de
– 90 paires de chaussures de sécurité,
– 240 casques de sécurité,
– 240 paires de gants.
Une première entreprise de vente lui propose un lot A comprenant 2 paires de chaussures, 4 casques et
8 paires de gants pour 200 euros. Une deuxième entreprise vend pour 400 euros un lot B de 3 paires de
chaussures, 12 casques et 6 paires de gants.
Pour répondre à ses besoins, le gérant achète x lots A et y lots B.
1. Traduire par un système d’inéquations les contraintes auxquelles satisfont x et y.
On considère un plan P rapporté à un repère orthonormé (O,⃗i, ⃗j). A tout couple (x, y) on associe le point
M de P de coordonnées (x, y), en prenant comme unité 1 cm pour 10 lots.
2. Représenter dans P l’ensemble des points M (x, y) satisfaisant aux inéquations :
8.3. MÉTHODE GRAPHIQUE : PROBLÈME À DEUX INCONNUES 129



 x ≥ 0 et y ≥ 0

2x + 3y ≥ 90

 x + 3y ≥ 60

4x + 3y ≥ 120
On hachurera la partie du plan formée des points pour lesquels les contraintes ne sont pas respectées.
3. Exprimer en fonction de x et de y la dépense en euros occasionnée par l’achat de x lots A et de y lots
B.
4. Est-il possible de procéder aux achats nécessaires avec 5000 euros ? Justiﬁer la réponse.
5. Déterminer graphiquement, en précisant la démarche suivie, le nombres de lots A et de lots B à acheter
pour avoir une dépense minimale.
6. Quelle est cette dépense minimale ?

Exercice 53 Un artisan fabrique des objets A et des objets B. On dispose des informations suivantes :
– La réalisation d’un objet A demande 30 euros de matière première et 125 euros de main-d’œuvre.
– La réalisation des objets B demande 70 euros de matière première et 75 euros de mains-d’œuvre.
– Les profits réalisés sont de 54 euros par objets A, et de 45 euros par objet B.
On note x le nombre d’objets A fabriqués et y le nombre d’objets B fabriqués, en une journée. La dépense
journalière en matière première ne doit pas dépasser 560 euros. La dépense journalière en main-d’œuvre ne
doit pas dépasser 1250 euros.
1. Traduire mathématiquement ces deux hypothèses.
2. Le plan est rapporté à un repère orthonormé (unité graphique = 1 cm). Représenter graphiquement
l’ensemble des points M (x, y) dont les coordonnées vérifient ces hypothèses. Exprimer le bénéfice
journalier Z de l’entreprise en fonction de x et de y, puis la production journalière d’objets A et B
qui assurerait un bénéfice maximum. On précisera, graphiquement, et par le calcul, cette production
journalière.
130 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

3. En déduire le montant de ce bénéﬁce.

Exercice 54 Résoudre le problème de la société Bonvin S.A. dans sa forme initiale à l’aide de la méthode
graphique (exercice 45)

8.4 La méthode du simplexe

L’algorithme du simplexe fut proposé en 1947 par G. B. Dantzig comme méthode de résolution générale
des programmes linéaires. La solution optimale est approchée par étapes ou itérations successives. Chaque
étape correspond au calcul de la valeur économique d’une solution. Comme il existe une inﬁnité de solutions
admissibles, la méthode propose de n’explorer qu’un nombre limité de solutions parmi lesquelles se trouve
à coup sûr la solution optimale.

La méthode du simplexe repose sur le théorème fondamental suivant :

Théorème 8.4.1
– Si un programme linéaire admet une solution possible ﬁnie, alors il admet au moins une solution de
base.
– Si ce programme linéaire admet une solution optimale, il admet au moins une solution de base optimale
(ce qui signiﬁe qu’une solution de base au moins est optimale).

La solution optimale étant une solution de base, l’algorithme du simplexe consiste à :

1. déterminer une solution de base,
2. faire subir un test d’optimalité à cette solution de base pour déterminer s’il s’agit ou non de la solution
optimale,
– s’il s’agit de la solution optimale, le problème est terminé,
– s’il ne s’agit pas de la solution optimale, on passe à l’étape 3.,
8.4. LA MÉTHODE DU SIMPLEXE 131

3. changer de solution de base puis reprendre la procédure au 1. jusqu’à l’obtention de la solution optimale.
Chaque changement de solution de base constitue une itération.
Aﬁn de réaliser les opérations successives de l’algorithme du simplexe, il convient de mettre le programme
sous une forme standard.

8.4.1 Programme linéaire standard

Exemple 8.4.1 On se donne le problème suivant :


 x1 ≥ 0, x2 ≥ 0

5x1 − x2 ≤ 3

 x + 4x2 ≤ 4
 1
Z = 2x1 + 3x2 à optimiser,
programme linéaire exprimé sous sa forme canonique.

On introduit des variables auxiliaires positives ou nulles appelées variables d’écart de la façon suivante :
{
5x1 − x2 + e1 = 3
5x1 − x2 ≤ 3 ⇔
e1 ≥ 0
{
x1 + 4x2 + e2 = 4
x1 + 4x2 ≤ 4 ⇔
e2 ≥ 0

Le programme linéaire peut se réécrire alors :



 x1 ≥ 0, x2 ≥ 0, e1 ≥ 0, e2 ≥ 0

5x1 − x2 + e1 = 3

 x + 4x2 + e2 = 4
 1
Z = 2x1 + 3x2 à optimiser.
Le programme est écrit sous sa forme standard et les variables e1 et e2 sont des variables d’écart.

Exemple 8.4.2 On se donne le programme linéaire ci-dessous :



 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0



 x1 + x2 ≤ 1

x1 + 2x2 + 3x3 ≤ 5

 x2 − 4x3 ≤ 2



 x + x2 + x3 = 5
 1
Z = 2x1 + x2 + x3 à optimiser.
On remplace les 3 inégalités par 3 égalités en introduisant 3 variables d’écart e1 , e2 et e3 . Le programme
linéaire standard est alors


 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, e1 ≥ 0, e2 ≥ 0, e3 ≥ 0



 x 1 + x 2 + e1 = 1

x1 + 2x2 + 3x3 + e2 = 5

 x2 − 4x3 + e3 = 2



 x + x2 + x3 = 5
 1
Z = 2x1 + x2 + x3 à optimiser.

Cas général.
Soit un programme linéaire à n variables. On remplace chacune des égalités
a1 x1 + a2 x2 + . . . + an xn ≤ b1
par l’égalité

a1 x1 + a2 x2 + . . . + an xn + e1 = b1 avec e1 ≥ 0
132 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

et chaque inégalité

a1 x1 + a2 x2 + . . . + an xn ≥ b1

par l’égalité

a1 x1 + a2 x2 + . . . + an xn − e1 = b1 avec e1 ≥ 0

On obtient alors le programme linéaire standard qu’on cherche à résoudre.

8.4.2 L’algorithme du simplexe

Exemple 8.4.3 (solution unique)
1. Enoncé
Un ébéniste fabrique des bureaux sous forme standard ou luxe. Des études de marché ont montré que
pour l’année à venir, les possibilités de vente s’élèvent à 300 unités pour le modèle luxe et à 400 unités
pour le modèle standard. L’approvisionnement en bois est suﬃsant pour fabriquer annuellement 500
bureaux quel que soit le type. Par ailleurs, le temps de fabrication d’un modèle luxe est le double
de celui d’un bureau de modèle standard. La capacité annuelle de fabrication est telle que, si tous
les bureaux fabriqués étaient de type standard, on pourrait en fabriquer 700 au maximum. La vente
d’un bureau sous le modèle luxe conduit à une marge unitaire sur coût variable égale à 7, celle d’un
bureau de type standard égale à 5. On se propose de rechercher le programme annuel de fabrication
conduisant au proﬁt global maximum.

2. Mise en équation
Soit x1 le nombre de bureaux de type luxe, x2 le nombre de bureaux de type standard. Le programme
linéaire est


 x1 ≥ 0, x2 ≥ 0

 x1 ≤ 300



x2 ≤ 400

 x1 + x2 ≤ 500



 2x1 + x2 ≤ 700

Z = 7x1 + 5x2 à maximiser
3. Domaine des solutions réalisables

4. Forme standard
On introduit les variables d’écart xi avec i ∈ {3, 4, 5, 6} positives ou nulles.


 x1 + x3 = 300


 x2 + x4 = 400
x1 + x2 + x5 = 500



 2x1 + x2 + x6 = 700

Z = 7x1 + 5x2 à maximiser
8.4. LA MÉTHODE DU SIMPLEXE 133

5. Variables hors-base, variable dans la base

Une solution de base est avant tout une solution admissible ; elle satisfait l’ensemble des contraintes
et conditions de signe. Toute solution de base comporte deux catégories de variables.
– Des variables ayant une valeur prédéterminée nulle : ces variables nulles sont dites variables hors-
base (ou variables exclues). Il y a au moins autant de variables hors-base que le problème comporte
de variables réelles.
– Des variables ayant une valeur non nulle : ce sont les variables dans la base (ou variables retenues).
Leur nombre est au plus équivalent au nombre de variables d’écart.
De façon générale, si un problème comprend m contraintes et n variables réelles, pour qu’une solution
soit solution de base il faut et il suﬃt
– qu’elle soit solution admissible,
– qu’elle admette au moins n variables hors base et au plus m variables dans la base.
Pour amorcer l’algorithme du simplexe, il est nécessaire de connaı̂tre une solution de base.

La solution de base de départ de l’ébéniste consiste à ne rien produire : x1 = x2 = 0. Ces variables x1 , x2

qui sont nulles sont hors-base. Dans ce cas, x3 = 300, x4 = 400, x5 = 500, x6 = 700. Les variables
x3 , x4 , x5 , x6 non nulles sont dans la base. La valeur de la fonction économique est Z = 7×0+5×0 = 0.

VDB VHB
x3 x1
Notation : x4 x2
x5
x6
Tableau initial :

PP
PP VHB
PP x3 x4 x5 x6
VDB PP
P x1 x2 cste
• • • •
x3 1 0 1 0 0 0 300 x1 + x3 = 300
x4 0 1 0 1 0 0 400 x2 + x4 = 400
x5 1 1 0 0 1 0 500 x1 + x2 + x5 = 500
x6 2 1 0 0 0 1 700 2x1 + x2 + x6 = 700
Z 7 5 0 0 0 0 0 Z = 7x1 + 5x2

6. Première itération
La solution de base de départ consiste à ne rien produire soit x1 = x2 = 0. On étudie ensuite, à partir
de cette solution, jusqu’à quel niveau on peut porter x1 ou x2 conformément aux contraintes de façon
à accroı̂tre au maximum le proﬁt. Il se pose le problème du choix de la variable x1 ou x2 qui va passer
de la valeur 0 à une valeur strictement positive. La variable choisie sera appelée variable entrante.
• Critère de sélection de la variable entrante :
Cette sélection doit s’accompagner d’une augmentation de la fonction économique
Z = 7x1 + 5x2
La sélection portera sur x1 qui par unité rapporte le plus. Cette règle est appelée règle du plus
grand gain marginal :

Le critère de sélection de Dantzig de la variable entrante consiste, dans la fonction économique exprimée
exclusivement en fonction des variables hors-base, à sélectionner la variable aﬀectée du coeﬃcient
strictement positif le plus élevé.

• On exprime ensuite x3 , x4 , x5 , x6 et Z en fonction des variables hors-base x1 et x2

134 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE



 x3 = 300 − x1


 x4 = 400 − x2
x5 = 500 − x1 − x2



 x = 700 − 2x1 − x2
 6
Z = 7x1 + 5x2
La variable x2 reste hors-base donc nulle, la variable x1 entre en base. On reporte x2 = 0 dans ce
système, on obtient : 

 x3 = 300 − x1


 x4 = 400
x5 = 500 − x1


 x6 = 700 − 2x1


Z = 7x1
On cherche jusqu’à quel niveau il est possible de porter x1 , de façon compatible avec les contraintes
x3 ≥ 0, x4 ≥ 0, x5 ≥ 0, x6 ≥ 0. Les contraintes de positivité donnent
x1 ≤ 300, x1 ≤ 500, x1 ≤ 350.
La valeur maximale prise par x1 est donc 300. On remplace x1 par 300 dans le système et on obtient
x3 = 0, x4 = 400, x5 = 200, x6 = 100 et Z = 2100.
La variable x3 est devenue nulle, elle est sortie de la base, x3 est appelée variable sortante. Les
variables x1 et x3 ont permuté.

On exprime le programme standard en fonction des nouvelles variables hors-base x2 , x3 :

  

 x1 + x3 = 300 
 x1 = 300 − x3 
 x1 + x3 = 300

 
 

 x2 + x4 = 400  x4 = 400 − x2  x2 + x4 = 400
x1 + x2 + x5 = 500 ⇔ x5 = 500 − (300 − x3 ) − x2 ⇔ x2 − x3 + x5 = 200

 
 


 2x 1 + x2 + x 6 = 700 
 x = 700 − 2(300 − x ) − x 
 x − 2x3 + x6 = 100
  6 3 2
 2
Z = 7x1 + 5x2 Z = 7(300 − x3 ) + 5x2 Z = 5x2 − 7x3 + 2100
On exprime ce nouveau programme à l’aide d’un second tableau. Pour l’obtenir, on remplace impérativement
dans le premier tableau la variable x3 par la variable x1 (x1 et x3 ont permuté) et ceci dans la colonne
”variables dans la base”.
PP
PP VHB
PP x1 x4 x5 x6
VDB PP
P x2 x3 cste
• • • •
x1 1 0 1 0 0 0 300 x1 + x3 = 300
x4 0 1 0 1 0 0 400 x2 + x4 = 400
x5 0 1 −1 0 1 0 200 x2 − x3 + x5 = 200
x6 0 1 −2 0 0 1 100 x2 − 2x3 + x6 = 100
Z 0 5 −7 0 0 0 −2100 Z = 5x2 − 7x3 + 2100

On a pris la colonne des variables dans la base du premier tableau et on y a remplacé x3 par x1 .
Pour la fonction économique Z, le coeﬃcient constant 2100 est aﬀecté impérativement du signe ”−”
et on place −2100.

7. Deuxième itération
• Sélection de la variable entrante :
8.4. LA MÉTHODE DU SIMPLEXE 135

Z = 5x2 − 7x3 + 2100

On sélectionne x2 ; en eﬀet, toute augmentation de x3 à partir de la valeur 0 provoquerait une
diminution de la fonction économique Z.
• Sélection de la variable sortante : la variable x3 reste hors-base donc nulle, on remplace x3 par 0 dans
le système précédent, on obtient x1 = 300, x4 = 400−x2 ≥ 0, x5 = 200−x2 ≥ 0 et x6 = 100−x2 ≥ 0.
Les contraintes de positivité imposent
x2 ≤ 400, x2 ≤ 200 et x2 ≤ 100.
Jusqu’à quel niveau peut-on porter x2 ? La valeur maximale prise par x2 est 100. Dans ce cas,
x1 = 300, x4 = 300, x5 = 100 et x6 = 0.
La variable sortante est x6 .

Les variables hors-base sont alors x3 et x6 , les variables dans la base sont x1 , x2 , x4 et x5 . Cette
itération conduit au sommet B(300, 100). Pour cette solution, la fonction économique prend la valeur
2600.

x2 et x6 ont permuté. On exprime les variables dans la base en fonction des nouvelles variables hors-base
x3 et x6
 

 x 1 + x 3 = 300 
 x1 = 300 − x3

 

 x2 + x4 = 400  x2 = 700 − 2(300 − x3 ) − x6 = 100 + 2x3 − x6
x1 + x2 + x5 = 500 ⇔ x4 = 400 − (100 + 2x3 − x6 )

 

 2x1 + x2 + x6 = 700
  x5 = 500 − (300 − x3 ) − (100 + 2x3 − x6 )

 
Z = 7x1 + 5x2 Z = 7(300 − x3 ) + 5(100 + 2x3 − x6 )
Le programme linéaire se réécrit ﬁnalement :


 x1 + x3 = 300


 x2 − 2x3 + x6 = 100
2x3 + x4 − x6 = 300



 x + x5 − x6 = 100
 3
Z = 2600 + 3x3 − 5x6

PP
PP VHB
PP x1 x2 x4 x5
VDB PP
P x3 x6 cste
• • • •
x1 1 0 1 0 0 0 300 x1 + x3 = 300
x4 0 0 2 1 0 −1 300 2x3 + x4 − x6 = 300
x5 0 0 1 0 1 −1 100 x3 + x5 − x6 = 100
x2 0 1 −2 0 0 1 100 x2 − 2x3 + x6 = 100
Z 0 0 3 0 0 −5 −2600 Z = 3x3 − 5x6 + 2600

On a pris la colonne des variables dans la base du second tableau et on y a remplacé x6 par x2 (ces
deux variables permutent).
Pour la fonction économique Z, le coeﬃcient constant 2600 est aﬀecté du signe ”−” et on place −2600.

8. Troisième itération
136 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

• Sélection de la variable entrante :

Z = 3x3 − 5x6 + 2600
x3 sera la variable entrante car toute augmentation de x6 entraı̂ne une diminution de la fonction
économique Z.
• Sélection de la variable sortante : on exprime les variables dans la base en fonction des variables
hors-base x3 et x6 . 

 x1 = 300 − x3

x2 = 100 + 2x3 − x6

 x = 300 − 2x3 + x6
 4
x5 = 100 − x3 + x6
La variable x6 reste hors-base donc nulle, on remplace x6 par 0. On obtient x1 = 300 − x3 ≥ 0,
x2 = 100 + 2x3 ≥ 0, x4 = 300 − 2x3 ≥ 0 et x5 = 100 − x3 ≥ 0. Les contraintes de positivité donnent
x3 ≤ 300, x3 ≥ −50, x3 ≤ 150 et x3 ≤ 100.
La valeur maximale prise par x3 est 100. Pour x3 = 100, on obtient
x1 = 200, x2 = 300, x4 = 100 et x5 = 0.
La variable qui sort de la base est x5 .

Cette itération conduit au sommet C(200, 300). La valeur de la fonction économique est Z = 2900.

Les variables x3 et x5 ont permuté.

On exprime les variables dans la base en fonction des variables hors-base x5 et x6 .

 

 x3 = 100 − x5 + x6 
 x3 + x5 − x6 = 100

 

 x1 = 300 − (100 − x5 + x6 ) = 200 + x5 − x6  x1 − x5 + x6 = 200
x2 = 100 + 2(100 − x5 + x6 ) = 300 − 2x5 + x6 ⇔ x2 + 2x5 − x6 = 300

 


 x = 300 − 2(100 − x + x ) = 100 + 2x − x 
 x − 2x5 + x6 = 100
 4 5 6 5 6
 4
Z = 2600 + 3(100 − x5 + x6 ) = 2900 − 3x5 − 2x6 Z = 2900 − 3x5 − 2x6
On obtient le tableau :
PP
PP VHB
PP x1 x2 x3 x4
VDB PP
P x5 x6 cste
• • • •
x1 1 0 0 0 −1 1 200 x1 − x5 + x6 = 200
x4 0 0 0 1 −2 1 100 x4 − 2x5 + x6 = 100
x3 0 0 1 0 1 −1 100 x3 + x5 − x6 = 100
x2 0 1 0 0 2 −1 300 x2 + 2x5 − x6 = 300
Z 0 0 0 0 −3 −2 −2900 Z = 2900 − 3x5 − 2x6

On a pris la colonne des variables dans la base du troisième tableau et on y a remplacé x5 par x3 .
Pour la fonction économique Z, le coeﬃcient constant 2900 est aﬀecté du signe ”−” et on place −2900.
8.4. LA MÉTHODE DU SIMPLEXE 137

Conclusion :
Z = 2900 − 3x5 − 2x6 ,
x5 et x6 sont hors-base donc nulles, toute augmentation de x5 ou x6 entraı̂ne une diminution de Z. Il n’est
plus possible d’améliorer la fonction économique, la solution (x1 = 200, x2 = 300) est la solution optimale.
On interprète les résultats de la manière suivante :
. x1 = 200 bureaux de modèle luxe,
. x2 = 300 bureaux de modèle standard,
. x3 = 100, il reste une possibilité de fabriquer 100 bureaux de modèle luxe,
. x4 = 100, il reste une possibilité de fabriquer 100 bureaux de modèle standard,
. x5 = 0, tout le bois disponible est utilisé,
. x6 = 0, tout le temps disponible est utilisé.

Z est maximum pour x1 = 200, x2 = 300 et vaut 2900.

Disposition pratique des tableaux :

Afin de systématiser et de simplifier les calculs, ceux-ci peuvent être présentés sous forme de tableaux. Un
tableau correspond à une solution de base et une itération représente une modification du tableau.

– Tableau initial
PP
PP VHB
PP x3 x4 x5 x6
VDB PP
P x1 x2 cste
• • • •
x3 1 0 1 0 0 0 300
x4 0 1 0 1 0 0 400
x5 1 1 0 0 1 0 500
x6 2 1 0 0 0 1 700
Z 7 5 0 0 0 0 0

x1 = x2 = 0 représente le sommet origine et Z = 0. On a de plus, x3 = 300, x4 = 400, x5 = 500 et

x6 = 700.
On sélectionne dans la fonction économique la variable affectée du coefficient strictement positif le
plus grand. La variable x1 entre en base. Quelle est la variable sortante ?
On considère la colonne C obtenue en divisant les coefficients constants par la colonne des coefficients
de la variable x1 qui entre en base.

x1 constante C
300
x3 1 300 = 300
1
400
x4 0 400 = +∞
0
500
x5 1 500 = 500
1
700
x6 2 700 = 350
2

On sélectionne dans cette colonne le plus petit nombre strictement positif 300. La variable x3 sort
de la base. Les deux variables x1 et x3 ont permuté. Le pivot est situé à l’intersection de la colonne
variable entrante et de la ligne variable sortante et est égal à 1.
138 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

– Deuxième tableau :
Impérativement dans la colonne des variables dans la base du tableau initial, on remplace la variable
x3 qui sort de la base par la variable x1 qui entre en base, on recopie les autres variables d’où la
disposition du second tableau
PP
PP VHB
PP x1 x4 x5 x6
VDB PP
P x2 x3 cste
• • • •
x1
x4
x5
x6
Z
Comment remplit-on le tableau ?
On recopie la ligne Lp du pivot (avec un pivot a = 1) dans la ligne Lx1 :

Lp 1 0 1 0 0 0 300
On doit exprimer le programme en fonction des nouvelles variables hors-base x2 et x3 .
. Pour la ligne Lx4 ,
x2 + x4 = 400.
x4 s’exprime bien en fonction de x2 et x3 . On recopie cette ligne.
. Pour la ligne Lx5 ,
x1 + x2 + x5 = 500.
Par une combinaison linéaire de la ligne Lx5 et de la ligne pivot Lp , on élimine la variable x1 qui
est entrée en base :

Lx5 1 1 0 0 1 0 500
Lp 1 0 1 0 0 0 300
Lx5 − Lp 0 1 −1 0 1 0 200

On recopie ensuite cette nouvelle ligne Lx5 :

x2 − x3 + x5 = 200
. Pour la ligne Lx6

Lx6 2 1 0 0 0 1 700
Lp 1 0 1 0 0 0 300
Lx6 − 2Lp 0 1 −2 0 0 1 100

On recopie cette nouvelle ligne Lx6 :

x2 − 2x3 + x6 = 100
. Pour la ligne de la fonction économique LZ
LZ 7 5 0 0 0 0 0
Lp 1 0 1 0 0 0 300
LZ − 7Lp 0 5 −7 0 0 0 −2100
d’où la fonction économique exprimée en fonction des variables hors-base :
8.4. LA MÉTHODE DU SIMPLEXE 139

Z = 5x2 − 7x3 + 2100

On obtient donc le second tableau :

PP
PP VHB
PP x1 x4 x5 x6
VDB PP
P x2 x3 cste
• • • •
x1 1 0 1 0 0 0 300
x4 0 1 0 1 0 0 400
x5 0 1 −1 0 1 0 200
x6 0 1 −2 0 0 1 100
Z 0 5 −7 0 0 0 −2100

On a x2 = x3 = 0. Comme x1 = 300, on atteint le sommet A(300, 0) et Z = 2900. On a de plus,

x4 = 400, x5 = 200, x6 = 100.

– Troisième tableau :
Z = 5x2 − 7x3 + 2100,
la variable entrante est x2 (une augmentation de x3 entraı̂ne une dimimution de Z). Déterminons la
variable sortante : la colonne C est donnée par :
x2 constante C
300
x1 0 300 = +∞
0
400
x4 1 400 = 400
1
200
x5 1 200 = 200
1
100
x6 1 100 = 100
1
On sélectionne dans cette colonne C le coeﬃcient strictement positif le plus petit c’est-à-dire 100, la
variable x6 sort de la base. Les variables x2 et x6 ont permuté. Le pivot est situé à l’intersection de la
colonne variable entrante et de la ligne variable sortante. Ce pivot vaut 1.

On remplit le troisième tableau : dans la colonne des variables dans la base du deuxième tableau,
on remplace la variable x6 qui sort de la base par la variable x2 qui entre en base. On recopie la ligne
pivot avec le pivot de 1 :
Lp : 1.x2 − 2.x3 + 1.x6 = 100
PP
PP VHB
PP x1 x2 x4 x5
VDB PP
P x3 x6 cste
• • • •
x1
x4
x5
x2 0 1 −2 0 0 1 100
Z

Par des combinaisons avec la ligne pivot, on exprime le système en fonction des variables hors-base x3
140 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

et x6 c’est-à-dire qu’on élimine la variable x2 qui est entrée en base :

. pour la ligne Lx4 :
Lx4 0 1 0 1 0 0 400
Lp 0 1 −2 0 0 1 100
Lx4 − Lp 0 0 2 1 0 −1 300
. pour la ligne Lx5 :
Lx5 0 1 −1 0 1 0 200
Lp 0 1 −2 0 0 1 100
Lx5 − Lp 0 0 1 0 1 −1 100
. pour la ligne LZ :
LZ 0 5 −7 0 0 0 −2100
Lp 0 1 −2 0 0 1 100
LZ − 5Lp 0 0 3 0 0 −5 −2600

Une fois le tableau rempli, on obtient :

PP
PP VHB
PP x1 x2 x4 x5
VDB PP
P x3 x6 cste
• • • •
x1 1 0 1 0 0 0 300
x4 0 0 2 1 0 −1 300
x5 0 0 1 0 1 −1 100
x2 0 1 −2 0 0 1 100
Z 0 0 3 0 0 −5 −2600

On a x3 = x6 = 0. Comme x1 = 300 et x2 = 100, on est passé du sommet A(300, 0) au sommet

B(300, 100). On a de plus x4 = 300, x5 = 100 et Z vaut 2600.

– Quatrième tableau :
Z = 3x3 − 5x6 + 2600
La variable entrante est x3 (toute augmentation de x6 entraı̂ne une diminution de Z). Déterminons la
variable sortante : la colonne C est donnée par
x3 constante C
300
x1 1 300
= 300
1
300
x4 2 300 = 150
2
100
x5 1 100 = 100
1
100
x2 −2 100 = −50
−2
On sélectionne dans cette colonne C le coeﬃcient strictement positif le plus petit c’est-à-dire 100, la
variable x5 sort de la base. Les variables x3 et x5 ont permuté. Le pivot est 1, il est situé à l’intersection
de la colonne x3 et de la ligne x5 . On remplit le quatrième tableau : dans la colonne des variables dans
la base du troisième tableau, on remplace la variable x5 qui sort de base par la variable x3 qui entre
en base. On recopie la ligne pivot avec un pivot de 1 :
8.4. LA MÉTHODE DU SIMPLEXE 141

Lp : x3 + x5 − x6 = 100
PP
PP VHB
PP x1 x2 x3 x4
VDB PP
P x5 x6 cste
• • • •
x1
x4
x3 0 0 1 0 1 −1 100
x2
Z
Par des combinaisons avec la ligne pivot, on exprime le système en fonction des variables hors-base x5
et x6 c’est-à-dire qu’on élimine la variable x3 qui est entrée en base :
. pour la ligne Lx1 :

Lx1 1 0 1 0 0 0 300
Lp 0 0 1 0 1 −1 100
Lx1 − Lp 1 0 0 0 −1 1 200
. pour la ligne Lx4 :

Lx4 0 0 2 1 0 −1 300
Lp 0 0 1 0 1 −1 100
Lx4 − 2Lp 0 0 0 1 −2 1 100
. pour la ligne Lx2 :

Lx2 0 1 −2 0 0 1 100
Lp 0 0 1 0 1 −1 100
Lx2 + 2Lp 0 1 0 0 2 −1 300
. pour la ligne LZ :

LZ 0 0 3 0 0 −5 −2600
Lp 0 0 1 0 1 −1 100
LZ − 3Lp 0 0 0 0 −3 −2 −2900
On peut ensuite remplir le quatrième tableau :
PP
PP VHB
PP x1 x2 x3 x4
VDB PP
P x5 x6 cste
• • • •
x1 1 0 0 0 −1 1 200
x4 0 0 0 1 −2 1 100
x3 0 0 1 0 1 −1 100
x2 0 1 0 0 2 −1 300
Z 0 0 0 0 −3 −2 −2900
142 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

Conclusion, la fonction économique s’écrit Z = 2900 − 3x5 − 2x6 où x5 et x6 sont les variables hors-base donc
nulles. Toute augmentation de x5 et x6 conduit à une diminution de Z. Donc x1 = 200, x2 = 300, x3 = 100,
x4 = 100 et Z = 2900. La fonction économique atteint son maximum au point C(200, 300) et vaut 2900.

Exemple 8.4.4 (solution unique)

On considère le programme linéaire suivant


 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0


 x1 + 3x2 + 2x3 ≤ 40
3x1 + 2x2 + x3 ≤ 45



 x + x2 + 4x3 ≤ 38
 1
Z = 10x1 + 14x2 + 12x3 à maximiser

1. Programme standard :


 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0, x5 ≥ 0, x6 ≥ 0


 x1 + 3x2 + 2x3 + x4 = 40
3x1 + 2x2 + x3 + x5 = 45



 x + x2 + 4x3 + x6 = 38
 1
Z = 10x1 + 14x2 + 12x3 à maximiser
La solution de base de départ du programme correspond au sommet 0, c’est la solution nulle qui
consiste à ne rien produire : x1 = x2 = x3 = 0 et Z = 0. Les variables x1 , x2 , x3 sont hors-base donc
nulles, les autres variables x4 , x5 , x6 sont dans la base.
2. Tableau initial :
PP
PP VHB
PP x4 x5 x6
VDB PP
P x1 x2 x3 cste
• • •
x4 1 3 2 1 0 0 40 x1 + 3x2 + 2x3 + x4 = 40
x5 3 2 1 0 1 0 45 3x1 + 2x2 + x3 + x5 = 45
x6 1 1 4 0 0 1 38 x1 + x2 + 4x3 + x6 = 38
Z 10 14 12 0 0 0 0 Z = 10x1 + 14x2 + 12x3

• Choix de la variable entrante : on sélectionne la variable aﬀectée du coeﬃcient strictement positif le

plus grand dans la fonction économique, la variable x2 entre en base.
• Choix de la variable sortante : on détermine la colonne C :

x2 constante C
40
x4 3 40 ≃ 13, 33
3
45
x5 2 45 = 22, 5
2
38
x6 1 38 = 38
1
On sélectionne le coeﬃcient strictement positif le plus petit dans la colonne C, la variable x4 sort
de la base.
8.4. LA MÉTHODE DU SIMPLEXE 143

• Le pivot : il est situé à l’intersection de la colonne variable qui entre en base et de la ligne variable
qui sort de la base, ce pivot est 3. Aﬁn d’obtenir un pivot de 1, on divise tous les coeﬃcients de la
ligne pivot par ce pivot 3. On obtient la nouvelle ligne pivot :
1 2 1 40
Lp : x1 + x2 + x3 + x4 =
3 3 3 3
soit
1 2 40
Lp 1 1 0 0
3 3 3

3. Deuxième tableau :

PP
PP VHB
PP x2 x5 x6
VDB PP
P x1 x3 x4 cste
• • •
1 2 1 40
x2 1 0 0
3 3 3 3
x5
x6
Z

• On recopie la ligne du pivot avec le pivot de 1.

• Pour remplir ce second tableau, par des combinaisons avec la ligne pivot, on élimine la variable x2
qui est entrée en base :

. pour la ligne Lx5 :

Lx5 3 2 1 0 1 0 45
1 2 1 40
Lp 1 0 0
3 3 3 3
7 1 2 55
Lx5 − 2Lp 0 − − 1 0
3 3 3 3
. pour la ligne Lx6 :

L x6 1 1 4 0 0 1 38
1 2 1 40
Lp 1 0 0
3 3 3 3
2 10 1 74
Lx6 − Lp 0 − 0 1
3 3 3 3
. pour la ligne LZ :
LZ 10 14 12 0 0 0 0
1 2 1 40
Lp 1 0 0
3 3 3 3
16 8 14 560
LZ − 14Lp 0 − 0 0 −
3 3 3 3

Le deuxième tableau s’écrit alors :

144 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

PP
PP VHB
PP x2 x5 x6
VDB PP
P x1 x3 x4 cste
• • •
1 2 1 40
x2 1 0 0
3 3 3 3
7 1 2 55
x5 0 − − 1 0
3 3 3 3
2 10 1 74
x6 0 − 0 1
3 3 3 3
16 8 14 560
Z 0 − 0 0 −
3 3 3 3

On a par conséquent
16 8 14 560
Z= x1 + x3 − x4 +
3 3 3 3

4. Troisième tableau :
16
• La variable entrante est x1 ; en eﬀet, est le coeﬃcient strictement positif le plus grand dans la
3
fonction économique.
• La variable sortante est déterminée à l’aide de la colonne C :

x1 constante C
1 40 40 1
x2 / = 40
3 3 3 3
7 55 55 7 55
x5 / =
3 3 3 3 7
2 74 74 2
x6 / = 37
3 3 3 3
55
On choisit le coeﬃcient strictement positif le plus petit dans la colonne C soit , la variable x5
7
sort de la base.
7
• Le pivot est , situé à l’intersection de la colonne variable qui entre en base et de la ligne variable
3
7
qui sort de la base. Pour obtenir un pivot de 1, on divise la ligne pivot par ce pivot , on obtient
3
1 2 3 55
Lp = x1 − x3 − x4 + x5 =
7 7 7 7
soit
1 2 3 55
Lp 1 0 − − 0
7 7 7 7

• On exprime le système en fonction des nouvelles variables hors-base x3 et x4 et on élimine x1 qui

est entrée en base.
. Pour la ligne Lx2 :
1 2 1 40
Lx2 1 0 0
3 3 3 3
1 2 3 55
Lp 1 0 − − 0
7 7 7 7
5 3 1 75
Lx2 − 13 Lp 0 1 − 0
7 7 7 7
8.4. LA MÉTHODE DU SIMPLEXE 145

. Pour la ligne Lx6 :

2 10 1 74
Lx6 0 − 0 1
3 3 3 3
1 2 3 55
Lp 1 0 − − 0
7 7 7 7
24 1 2 136
Lx6 − 23 Lp 0 0 − − 1
7 7 7 7
. Pour la ligne LZ :
16 8 14 560
LZ 0 − 0 0 −
3 3 3 3
1 2 3 55
Lp 1 0 − − 0
7 7 7 7
24 22 16 1600
LZ − 16
3 Lp 0 0 − − 0 −
7 7 7 7
On peut maintenant remplir le troisième tableau :
PP
PP VHB
PP x1 x2 x6
VDB PP
P x3 x4 x5 cste
• • •
5 3 1 75
x2 0 1 − 0
7 7 7 7
1 2 3 55
x1 1 0 − − 0
7 7 7 7
24 1 2 136
x6 0 0 − − 1
7 7 7 7
24 22 16 1600
Z 0 0 − − 0 −
7 7 7 7

5. Quatrième tableau :
24 22 16 1600
Z= x3 − x4 − x5 +
7 7 7 7
24
• Variable entrante : on sélectionne le coeﬃcient , la variable x3 entre en base.
7
• Variable sortante :
x3 Constante C
5 75 75 5
x2 / = 15
7 7 7 7
1 55 55 1
x1 − / − = −55
7 7 7 7
24 136 136 24 17
x6 / =
7 7 7 7 3
La variable x6 sort de base.
24
• Le pivot est , on divise la ligne pivot par ce pivot et on obtient la nouvelle ligne pivot :
7
1 1 7 17
Lp : x3 − x4 − x5 + x6 =
24 12 24 3
1 1 7 17
Lp 0 0 1 − −
24 12 24 3
146 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

Dans la colonne variables dans la base du troisième tableau, on remplace la variable x6 par la variable
x3 et on y recopie la nouvelle ligne pivot
PP
PP VHB
PP x1 x2 x3
VDB PP
P x4 x5 x6 cste
• • •
x2
x1
1 1 7 17
x3 0 0 1 − −
24 12 24 3
Z
On exprime le système en fonction des variables hors-base x4 , x5 et x6 . On élimine la variable x3
qui est entrée en base :
. pour la ligne Lx2 :
5 3 1 75
Lx2 0 1 − 0
7 7 7 7
1 1 7 17
Lp 0 0 1 − −
24 12 24 3
11 1 5 20
Lx2 − 57 Lp 0 1 0 − −
24 12 24 3
. pour la ligne Lx1 :
1 2 3 55
Lx1 1 0 − − 0
7 7 7 7
1 1 7 17
Lp 0 0 1 − −
24 12 24 3
7 5 1 26
Lx1 + 17 Lp 1 0 0 −
24 12 24 3
. pour la ligne LZ :

24 22 16 1600
LZ 0 0 − − 0 −
7 7 7 7
1 1 7 17
Lp 0 0 1 − −
24 12 24 3
LZ − 24
7 Lp 0 0 0 −3 −2 −1 −248

Le quatrième tableau est ﬁnalement donné par :

PP
PP VHB
PP x1 x2 x3
VDB PP
P x4 x5 x6 cste
• • •
11 1 5 20
x2 0 1 0 − −
24 12 24 3
7 5 1 26
x1 1 0 0 −
24 12 24 3
1 1 7 17
x3 0 0 1 − −
24 12 24 3
Z 0 0 0 −3 −2 −1 −248
8.4. LA MÉTHODE DU SIMPLEXE 147

6. Conclusion :
Z = −3x4 − 2x5 − x6 + 248
Les trois variables x4 , x5 et x6 sont aﬀectées de coeﬃcients négatifs, toute augmentation de x4 , x5 ou
x6 diminuerait la valeur de Z. Il n’est plus possible d’améliorer la fonction économique.
20 26 17
Z est maximum pour x4 = 0, x5 = 0, x6 = 0, x1 = , x2 = , x3 = et Z = 248.
3 ( 3 )3
20 26 17
La fonction économique atteint son maximum au point , , . De plus, x4 = 0, x5 = 0 et
3 3 3
x6 = 0, les trois matières premières sont utilisées en totalité.

Exemple 8.4.5 (inﬁnité de solutions)

On se donne le programme linéaire suivant :



 x1 ≥ 0, x2 ≥ 0

 x2 ≤ 45



3x1 + x2 ≤ 120

 x1 + 2x2 ≤ 100



 x + x2 ≤ 60
 1
Maximiser Z = x1 + 2x2

1. Résolution graphique

Les côtés du polygone sont déﬁnis de la manière suivante :

• le segment [AB] : x2 = 45, 0 ≤ x1 ≤ 10

• le segment [BC] : x1 + 2x2 = 100, 10 ≤ x1 ≤ 20
• le segment [CD] : x1 + x2 = 60, 20 ≤ x1 ≤ 30
• le segment [DE] : 3x1 + x2 = 60, 30 ≤ x1 ≤ 40

( )
−2
On trace les droites DZ d’équations Z = x1 + 2x2 , ces droites ont pour vecteur directeur ⃗v .
1
Elles sont parallèles entre-elles et de plus, elles sont parallèles au côté (BC) d’équation x1 + 2x2 = 100,
10 ≤ x1 ≤ 20. La droite DZ qui rencontre le domaine des solutions réalisables et qui a une ordonnée à
l’origine maximale est la droite qui contient B et C, d’équation x1{+2x2 = 100. La fonction économique
x1 + 2x2 = 100
atteint son maximum 100 en tous les points du segment [BC] :
10 ≤ x1 ≤ 20

2. Le simplexe
Comment fait-on apparaı̂tre cette inﬁnité de couples solutions dans les tableaux du simplexe ?
148 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

(a) Tableau initial : les variables hors-base sont x1 et x2 , le programme standard est donné par :

 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0, x5 ≥ 0, x6 ≥ 0



 x2 + x3 = 45


3x1 + x2 + x4 = 120
 x1 + 2x2 + x5 = 100




 x1 + x2 + x6 = 60

Z = x1 + 2x2 à maximiser

Le tableau initial peut s’écrire sous la forme :

PP
PP VHB
PP x3 x4 x5 x6
VDB PP
P x1 x2 cste C
• • • •
45
x3 0 1 1 0 0 0 45 = 45
1
120
x4 3 1 0 1 0 0 120 = 120
1
100
x5 1 2 0 0 1 0 100 = 50
2
60
x6 1 1 0 0 0 1 60 = 60
1
Z 1 2

(b) Première itération

On sélectionne la variable x2 qui entre en base, la variable qui sort de base est x3 . Le pivot est 1,
la ligne pivot est

Lp 0 1 1 0 0 0 45

les variables x2 et x3 permutent

. Pour la ligne Lx4 :

Lx4 3 1 0 1 0 0 120
Lp 0 1 1 0 0 0 45
Lx4 − Lp 3 0 −1 1 0 0 75
. Pour la ligne Lx5 :

Lx5 1 2 0 0 1 0 100
Lp 0 1 1 0 0 0 45
Lx5 − 2Lp 1 0 −2 0 1 0 10
. Pour la ligne Lx6 :

Lx6 1 1 0 0 0 1 60
Lp 0 1 1 0 0 0 45
Lx6 − Lp 1 0 −1 0 0 1 15

. Pour la ligne LZ :
8.4. LA MÉTHODE DU SIMPLEXE 149

LZ 1 2
Lp 0 1 1 0 0 0 45
LZ − 2Lp 1 0 −2 0 0 0 −90

PP
PP VHB
PP x2 x4 x5 x6
VDB PP
P x1 x3 cste C
• • • •
45
x2 0 1 1 0 0 0 45 = +∞
0
75
x4 3 0 −1 1 0 0 75 = 25
3
10
x5 1 0 −2 0 1 0 10 = 10
1
15
x6 1 0 −1 0 0 1 15 = 15
1
Z 1 0 −2 0 0 0 −90

Cette première itération conduit du sommet O(0, 0) au sommet A(0, 45) et Z = 90.

(c) Deuxième itération

Z = x1 − 2x3 + 90,
la variable x1 entre en base, la variable x5 sort de base, le pivot est 1, la ligne pivot est
Lp : x1 − 2x3 + x5 = 10
soit
Lp 1 0 −2 0 1 0 10

les variables x1 et x5 permutent

L x2 0 1 1 0 0 0 45
Lp 1 0 −2 0 1 0 10
L x2 0 1 1 0 0 0 45

Lx4 3 0 −1 1 0 0 75
Lp 1 0 −2 0 1 0 10
Lx4 − 3Lp 0 0 5 1 −3 0 45

Lx6 1 0 −1 0 0 1 15
Lp 1 0 −2 0 1 0 10
Lx6 − Lp 0 0 1 0 −1 1 5

LZ 1 0 −2 0 0 0 −90
Lp 1 0 −2 0 1 0 10
LZ − Lp 0 0 0 0 −1 0 −100
150 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

PP
PP VHB
PP x1 x2 x4 x6
VDB PP
P x3 x5 cste C
• • • •
45
x2 0 1 1 0 0 0 45 = 45
1
45
x4 0 0 5 1 −3 0 45 =9
5
10
x1 1 0 −2 0 1 0 10 = −5
−2
5
x6 0 0 1 0 −1 1 5 =5
1
Z 0 0 0 0 −1 0 −100

Les variables hors-base sont x3 , x5 et

Z = 0.x3 + (−1).x5 + 100 = −x5 + 100.

Pour x3 = x5 = 0, on obtient x1 = 10, x2 = 45, x4 = 45 et x6 = 5. On atteint le sommet

B(10, 45). Dans la fonction économique, la variable hors-base x3 est aﬀectée du coeﬃcient 0. Si
on augmente x3 , Z sera invariant et égal à 100.

(d) Troisième itération

On fait entrer en base x3 , x6 sort de base, le pivot est 1, la ligne pivot est

Lp : x3 − x5 + x6 = 5

soit

Lp 0 0 1 0 −1 1 5

x3 et x6 ont permuté

Lx2 0 1 1 0 0 0 45
Lp 0 0 1 0 −1 1 5
Lx2 − Lp 0 1 0 0 1 −1 40

Lx4 0 0 5 1 −3 0 45
Lp 0 0 1 0 −1 1 5
Lx4 − 5Lp 0 0 0 1 2 −5 20

Lx1 1 0 −2 0 1 0 10
Lp 0 0 1 0 −1 1 5
Lx1 + 2Lp 1 0 0 0 −1 2 20

LZ 0 0 0 0
Lp 0 0 1 0 −1 1 5
LZ + [Link] 0 0 0 0 −1 0 −100
8.4. LA MÉTHODE DU SIMPLEXE 151

PP
PP VHB
PP x1 x2 x3 x4
VDB PP
P x5 x6 cste
• • • •
x2 0 1 0 0 1 −1 40
x4 0 0 0 1 2 −5 20
x1 1 0 0 0 −1 2 20
x3 0 0 1 0 −1 1 5
Z 0 0 0 0 −1 0 −100

La fonction économique s’écrit :

Z = −1.x5 + 0.x6 + 100 = −x5 + 100
Les variables hors-base sont x5 , x6 . Pour x5 = x6 = 0, on obtient x1 = 20, x2 = 40, x3 = 5,
x4 = 20 et Z = 100. Z est maximum pour le deuxième sommet C(20, 40). On a obtenu Z
maximum pour deux sommets adjacents B(10, 45) et C(20, 40). On admettra que la fonction
économique atteint son maximum en tous les points du segment [BC].

Remarque 8.4.1

1. La présence d’un zéro dans la ligne pivot entraı̂ne l’invariance de la colonne correspondante.

Reprenons le tableau initial de l’exemple 8.4.3 :

PP
PP VHB
PP x3 x4 x5 x6
VDB PP
P x1 x2 cste C
• • • •
300
x3 1 0 1 0 0 0 300 = 300
1
400
x4 0 1 0 1 0 0 400 = +∞
0
500
x5 1 1 0 0 1 0 500 = 500
1
700
x6 2 1 0 0 0 1 700 = 350
2
Z 7 5 0 0 0 0 0

Le pivot est 1, dans la ligne pivot, les variables x2 , x4 , x5 , x6 sont affectées du coefficient 0. Ces quatre
colonnes seront invariantes dans le tableau suivant, on peut donc recopier ces quatre colonnes sans
effectuer de calculs.
PP
PP VHB
PP x1 x4 x5 x6
VDB PP
P x2 x3 cste
• • • •
x1 1 0 1 0 0 0 300
x4 1 1 0 0
x5 1 0 1 0
x6 1 0 0 1
Z 5 0 0 0
152 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

On peut aussi recopier la ligne pivot. De plus, le système doit s’exprimer en fonction des variables
hors-base x2 , x3 donc x4 s’exprime en fonction de x2 , x3 ainsi que x5 , x6 et Z d’où les compléments
dans le tableau “encadrés”. On peut donc, sans eﬀectuer de calculs, remplir certaines cases du tableau.

2. La présence d’un zéro dans la colonne du pivot entraı̂ne l’invariance de la ligne correspondante.

On reprend le second tableau de l’exemple 8.4.3. En utilisant les deux remarques 1. et 2., on ob-
tient
PP
PP VHB
PP x1 x4 x5 x6
VDB PP
P x2 x3 cste C
• • • •
300
x1 1 0 1 0 0 0 300 = 300
1
400
x4 0 1 0 1 0 0 400 = 400
1
200
x5 0 1 −1 0 1 0 200 = 200
1
100
x6 0 1 −2 0 0 1 100 = 100
1
Z 0 5 −7 0 0 0 −200

x2 entre en base, x6 sort de base, le pivot est 1, la ligne pivot est

Lp 0 1 −2 0 0 1 100

. Dans la ligne du pivot, les variables x1 , x4 ou x5 sont aﬀectées du coeﬃcient 0, on recopiera ces trois
colonnes.
. On recopie la ligne du pivot.
. Dans la colonne du pivot apparaı̂t un zéro, on recopie la ligne Lx1 .
Ces remarques permettent donc d’obtenir deux lignes et trois colonnes du tableau suivant :
PP
PP VHB
PP x1 x4 x5 x6
VDB PP
P x2 x3 cste
• • • •
x1 1 0 1 0 0 0 300
x4 0 1 0
x5 0 0 1
x2 0 1 −2 0 0 1 100
Z 0 0 0

Les variables hors-base étant x2 , x3 , le système s’écrit en fonction des variables hors-base seulement
d’où les compléments dans le tableau “encadrés´’.
Il reste neuf cases à remplir dans le tableau.

3. Si deux coeﬃcients positifs dans la fonction économique sont égaux, on pourra déterminer dans chaque
colonne correspondante le pivot éventuel et le rapport associé. On choisira comme pivot celui qui
correspond au plus grand rapport.

Exemple 8.4.6 On se donne le programme linéaire suivant :

8.4. LA MÉTHODE DU SIMPLEXE 153



 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0

3x1 + 5x2 + x3 ≤ 150

 x + 4x2 + 2x3 + x5 ≤ 80
 1
Z = 2x1 + 2x2 + x3 à maximiser

Le programme standard s’écrit



 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0, x5 ≥ 0

3x1 + 5x2 + x3 + x4 = 150

 x + 4x2 + 2x3 + x5 = 80
 1
Z = 2x1 + 2x2 + x3 à maximiser

PP
PP VHB
PP x4 x5
VDB PP
P x1 x2 x3 cste
• •
x4 3 5 1 1 0 150
x5 1 4 2 0 1 80
Z 2 2 1

1. Si l’on choisit comme variable sortante x1 , la colonne C est alors

x1 C
150
x4 3 150 = 50
3
80
x5 1 80 = 80
1
La variable sortante est x4 , le pivot est égal à 3, le rapport vaut 50.

2. Si l’on choisit comme variable sortante x2 , la colonne C est donnée par :

x2 C
150
x4 5 150 = 30
5
80
x5 4 80 = 20
4

La variable sortante est alors x5 , le pivot est égal à 4 et le rapport vaut 20.

On choisit comme variable sortante celle qui correspond au plus grand rapport. Dans l’exemple, 50 > 20, la
variable sortante est x4 , la variable entrante x1 , le pivot est 3.

La règle d’entrée du plus grand gain marginal nous propose une méthode qui permet d’obtenir la valeur
optimale de Z, mais rien n’indique que cette méthode propose le plus court chemin.

Exemple 8.4.7 Soit le programme linéaire



 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0


 x1 ≤ 5
4x1 + x2 ≤ 25



 8x 1 + 4x2 + x3 ≤ 125

Z = 4x1 + 2x2 + x3 à maximiser

Le programme standard s’écrit

154 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE



 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0, x5 ≥ 0, x6 ≥ 0


 1 + x4 = 5
x
4x1 + x2 + x5 = 25



 8x1 + 4x2 + x3 + x6 = 125

Z = 4x1 + 2x2 + x3 à maximiser
On a le tableau :
PP
PP VHB
PP x4 x5 x6
VDB PP
P x1 x2 x3 cste C
• • •
x4 1 0 0 1 0 0 5 5
25
x5 4 1 0 0 1 0 25 = 6, 25
4
125
x6 8 4 1 0 0 1 125 = 15, 625
8
Z 4 2 1 0 0 0 0

On se trouve au sommet origine O(0, 0), x4 = 5, x5 = 25, x6 = 125 et Z = 0.

On applique la règle du plus grand gain marginal, x1 entre en base, x4 sort de base, le pivot est 1. On
obtient le tableau suivant
PP
PP VHB
PP x1 x5 x6
VDB PP
P x2 x3 x4 cste C
• • •
5
x4 1 0 0 1 0 0 5 = +∞
0
5
x5 0 1 0 −4 1 0 5 =5
1
85
x6 0 4 1 −8 0 1 85 = 21, 25
4
Z 0 2 1 −4 0 0 −20

On se trouve au sommet A1 de coordonnées (5, 0, 0) avec x4 = 0, x5 = 5, x6 = 85 et Z = 20.

x2 entre en base, x5 sort de base, le pivot est 1.

PP
PP VHB
PP x1 x2 x6
VDB PP
P x3 x4 x5 cste C
• • •
5
x1 1 0 0 1 0 0 5 =5
1
5
x2 0 1 0 −4 1 0 5 −
4
65
x6 0 0 1 8 −4 1 65 = 8, 125
8
Z 0 0 1 4 −2 0 −30

On se trouve au sommet A2 de coordonnées (5, 5, 0) avec x4 = 0, x5 = 0, x6 = 65 et Z = 30.

8.4. LA MÉTHODE DU SIMPLEXE 155

x4 entre en base, x1 sort de base, le pivot est 1.

PP
PP VHB
PP x2 x4 x6
VDB PP
P x1 x3 x5 cste C
• • •
x4 1 0 0 1 0 0 5 +∞
x2 4 1 0 0 1 0 25 +∞
x6 −8 0 1 0 −4 1 25 25
Z −4 0 1 0 −2 0 −50

On se trouve au sommet A3 de coordonnées (0, 25, 0) avec x4 = 5, x5 = 0, x6 = 25 et Z = 50.

x3 entre en base, x6 sort de base, le pivot est 1.

PP
PP VHB
PP x2 x3 x4
VDB PP
P x1 x5 x6 cste C
• • •
x4 1 0 0 1 0 0 5 5
x2 4 1 0 0 1 0 25 6, 25
x3 −8 0 1 0 −4 1 25 −3, 125
Z 4 0 0 0 −2 −1 −75

On se trouve au sommet A4 de coordonnées (0, 25, 25) avec x4 = 5, x5 = 0, x6 = 0 et Z = 75.

x1 entre en base, x4 sort de base, le pivot est 1.

PP
PP VHB
PP x1 x2 x3
VDB PP
P x4 x5 x6 cste C
• • •
x1 1 0 0 1 0 0 5 +∞
x2 0 1 0 −4 1 0 5 5
x3 0 0 1 8 −4 1 65 −16, 25
Z 0 0 0 −4 2 −1 −95

On se trouve au sommet A5 de coordonnées (5, 5, 65) avec x4 = 0, x5 = 0, x6 = 0 et Z = 95.

x5 entre en base, x2 sort de base, le pivot est 1.

156 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

PP
PP VHB
PP x1 x3 x5
VDB PP
P x2 x4 x6 cste C
• • •
x1 1 0 0 1 0 0 5 5
x5 0 1 0 −4 1 0 5 −1, 25
x3 0 4 1 −8 0 1 85 −10, 625
Z 0 −2 0 4 0 −1 −105

On se trouve au sommet A6 de coordonnées (5, 0, 85) avec x4 = 0, x5 = 5, x6 = 0 et Z = 105.

x4 entre en base, x1 sort de base, le pivot est 1.

PP
PP VHB
PP x3 x4 x5
VDB PP
P x1 x2 x6 C
• • •
x4 1 0 0 1 0 0 5
x5 4 1 0 0 1 0 25
x3 8 4 1 0 0 1 125
Z −4 −2 0 0 0 −1 −125

On se trouve au sommet A7 de coordonnées (0, 0, 125) avec x4 = 5, x5 = 25, x6 = 0 et Z = 125.

La fonction économique s’écrit alors :

Z = −4x1 − 2x2 − x6 + 125,

les variables hors-base x1 , x2 et x6 sont aﬀectées de coeﬃcients négatifs, Z atteint son maximum au point
A7 (0, 0, 125) et vaut 125.

La règle du plus grand gain marginal nous a contraint au chemin OA1 A2 A3 A4 A5 A6 A7 de coordonnées
respectives (0, 0, 0), (5, 0, 0), (5, 5, 0), 0, 25, 0), (0, 25, 25), (5, 5, 65), (5, 0, 85), (0, 0, 125).

Retour sur le tableau initial :

PP
PP VHB
PP x4 x5 x6
VDB PP
P x1 x2 x3 cste C
• • •
x4 1 0 0 1 0 0 5 +∞
x5 4 1 0 0 1 0 25 +∞
x6 8 4 1 0 0 1 125 125
Z 4 2 1 0 0 0 0

Si on n’utilise pas la règle du plus grand gain marginal et si on décide de faire entrer x3 en base, x6 sort de
base et le pivot est 1 :
8.4. LA MÉTHODE DU SIMPLEXE 157

PP
PP VHB
PP x3 x4 x5
VDB PP
P x1 x2 x6 cste
• • •
x4 1 0 0 1 0 0 5
x5 4 1 0 0 1 0 25
x3 8 4 1 0 0 1 125
Z −4 −2 0 0 0 −1 −125
les variables hors-base x1 , x2 et x6 sont affectées de coefficients négatifs, Z atteint son maximum au point
A7 (0, 0, 125) et vaut 125. Le résultat est cette fois-ci atteint en une seule itération à l’aide de ce qu’on appelle
la règle du plus petit gain marginal. Il conviendra de choisir alors parmi les deux règles proposées afin de
minimiser les temps de calculs.

8.4.3 Détermination d’une solution de base admissible

Reprenons l’exercice 45 et le cas de l’entreprise Bonvin (1.) mais avec des spéciﬁcations supplémentaires :
Bonvin s’est engagée à fournir à sa clientèle :
– au moins 15000 hectolitres de vin “Extra”,
– et au moins 5000 hectolitres de vin “supérieur”.

Sous sa forme canonique le programme linéaire s’écrit :



 X1 , X2 ≥ 0



 0, 5X1 + 0, 2X2 ≤ 13600




 0, 3X1 + 0, 6X2 ≤ 12000



 0, 2X1 + 0, 2X2 ≤ 10400
X1 ≤ 20000



 X2 ≤ 16000



 X1 ≥ 15000



 X2 ≥ 5000



max Z avec Z = 400X1 + 500X2
Les données supplémentaires ont été traduites par les deux dernières contraintes qui sous leur forme standard
s’écrivent :
X1 − e6 = 15000 X2 − e7 = 5000 avec e6 , e7 ≥ 0.
Dans cette hypothèse, il n’existe plus de base naturelle évidente pour amorcer les calculs car si X1 = X2 = 0
alors
e6 = −15000 et e7 = −5000
ce qui est en contradiction avec les conditions de non-négativité.

Une solution consiste alors à annuler au hasard n variables parmi les m + n variables que comporte le
problème (dans le cas de l’exemple précédent, 2 variables parmi 9).
n
Il y a alors Cm+n solutions de base envisageables (ici C92 = 36). Mais toutes ne sont pas admissibles et,
de plus, si le nombre de variables et de contraintes est important, il devient fastidieux de s’en remettre au
hasard.
C’est pourquoi une procédure plus méthodique consiste :

1. À introduire dans chaque contrainte h qui pose problème une variable artificielle ah affectée
d’un coefficient égal à 1.
2. À infliger à chaque variable artificielle une pénalité sous la forme d’un coefficient négatif (dans le
cas d’un problème de maximisation) et de valeur absolue très élevée dans la fonction économique
originelle.
158 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

Ainsi, l’introduction de variables artificielles permet de déterminer simplement une base, certes artificielle,
mais admissible pour amorcer l’algorithme.
Les pénalités ont pour objet de provoquer l’élimination des variables artificielles au fil des itérations.
La méthode consiste donc ensuite

3. À retenir comme solution de base initiale la base artiﬁcielle telle que :

– toutes les variables artificielles sont en base (c’est-à-dire non nulles) ;
– toutes les autres variables des contraintes où figurent des variables artificielles (réelles et
d’écart) sont hors base (c’est-à-dire nulles).
4. À appliquer l’algorithme du simplexe jusqu’à ce que toutes les variables artificielles soient sup-
primées.

Dans le cas étudié, après introduction des variables artiﬁcielles a6 et a7 respectivement dans les contraintes
6 et 7, le problème s’écrit :



 X1 , X2 , e1 , . . . , e7 , a6 , a7 ≥ 0





 0, 5X1 + 0, 2X2 + e1 = 13600



 0, 3X1 + 0, 6X2 + e2 = 12000


 0, 2X1 + 0, 2X2 + e3 = 10400
X1 + e4 = 20000



 X2 + e5 = 16000



 X1 − e6 + a6 = 15000



 X2 − e7 + a7 = 5000



max Z avec Z = 400X1 + 500X2 − Ga6 − Ga7

Les tableaux ci-dessous montrent qu’après deux itérations, une solution de base admissible est obtenue.
Cette base n’est plus artiﬁcielle mais réelle. La procédure doit ensuite être poursuivie jusqu’à l’obtention de
l’optimum, sans tenir compte des colonnes concernant les variables artiﬁcielles.

PP
PP VHB
PP e1 e2 e3 e4 e5 a6 a7
VDB PP
P X1 X2 e6 e7 cste C
• • • • • • •
e1 0,5 0,2 1 0 0 0 0 0 0 0 0 13600 68000

e2 0,3 0,6 0 1 0 0 0 0 0 0 0 12000 20000

e3 0,2 0,2 0 0 1 0 0 0 0 0 0 10400 52000

e4 1 0 0 0 0 1 0 0 0 0 0 20000 +∞
e5 0 1 0 0 0 0 1 0 0 0 0 16000 16000
a6 1 0 0 0 0 0 0 -1 0 1 0 15000 +∞
a7 0 1 0 0 0 0 0 0 -1 0 1 5000 5000
Z 400 500 0 0 0 0 0 0 0 -G -G 0
8.4. LA MÉTHODE DU SIMPLEXE 159

PP
PP VHB
PP X2 e1 e2 e3 e4 e5 a6
VDB PP
P X1 e6 e7 cste C
• • • • • • •
e1 0,5 0 1 0 0 0 0 0 0,2 0 12600 25200

e2 0,3 0 0 1 0 0 0 0 0,6 0 9000 30000

e3 0,2 0 0 0 1 0 0 0 0,2 0 9400 47000

e4 1 0 0 0 0 1 0 0 0 0 20000 20000
e5 0 0 0 0 0 0 1 0 1 0 11000 +∞
a6 1 0 0 0 0 0 0 -1 0 1 15000 15000
X2 0 1 0 0 0 0 0 0 -1 0 5000 +∞
Z 400 0 0 0 0 0 0 0 500 -G -2500000

PP
PP VHB
PP X1 X2 e1 e2 e3 e4 e5
VDB PP
P e6 e7 cste C
• • • • • • •
e1 0 0 1 0 0 0 0 0,5 0,2 5100
e2 0 0 0 1 0 0 0 0,3 0,6 4500
e3 0 0 0 0 1 0 0 0,2 0,2 6400
e4 0 0 0 0 0 1 0 1 0 5000
e5 0 0 0 0 0 0 1 0 1 11000
X1 1 0 0 0 0 0 0 -1 0 15000
X2 0 1 0 0 0 0 0 0 -1 5000
Z 0 0 0 0 0 0 0 400 500 -8500000

On peut alors démarrer l’algorithme du simplexe avec la solution admissible X1 = 15000 et X2 = 5000.

8.4.4 Utilisation de la méthode du simplexe lorsque la solution optimale n’existe pas

On considère l’exemple suivant :

Exemple 8.4.8


 x≥0 , y≥0
Maximiser ω = 2x + 6y si x − y ≤ 30

y − x ≤ 40

En résolvant graphiquement ce problème on remarque que la solution optimale n’existe pas puisque l’en-
semble convexe des solutions réalisables n’est pas borné et la fonction objectif peut augmenter dans ce cas
sans limite.
Appliquons l’algorithme du simplexe à cet exemple : la solution (x, y) = (0, 0) est admissible.
160 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

PP
PP VHB
PP e1 e2
VDB PP
P x y cste C
• •
e1 1 -1 1 0 30 -30
y -1 1 0 1 40 40
ω 2 6 0 0 0

PP
PP VHB
PP y e1
VDB PP
P x e2 cste C
• •
e1 0 0 1 1 70 +∞
y -1 1 0 1 40 -40
ω 8 0 0 -6 -240

Aucun coefficient de la colonne sélectionnée n’est positif donc la colonne C ne donne aucune valeur positive
non infinie, x peut donc augmenter indéfiniment et la fonction objectif ω également. On dira dans ce cas
que la valeur maximale n’existe pas.

8.4.5 Utilisation de la méthode du simplexe dans un problème de minimisation

On considère l’exemple suivant :

Exemple 8.4.9

 x≥0 , y≥0
Minimiser ω = −2x + y si x − 3y ≥ −1

x−y ≤ 1

On déﬁnit dans ce cas une façon de transformer les problèmes de minimisation en problèmes de maximisation.
On formule le principe suivant :

minimiser ω = - maximiser(-ω)

Le problème de minimisation précédent devra donc être transformé en un problème de maximisation soit

 x≥0 , y≥0
Maximiser −ω = 2x − y si x − 3y ≥ −1

x−y ≤ 1

Appliquons l’algorithme du simplexe à cet exemple : la solution (x, y) = (0, 0) est admissible.

PP
PP VHB
PP e1 e2
VDB PP
P x y cste C
• •
e1 1 -3 -1 0 -1 -1
e2 1 -1 0 1 1 1
−ω 2 -1 0 0 0
8.4. LA MÉTHODE DU SIMPLEXE 161

PP
PP VHB
PP x e1
VDB PP
P y e2 cste C
• •
e1 0 -2 -1 -1 -2 1
x 1 -1 0 1 1 -1
−ω 0 1 0 -2 -2

PP
PP VHB
PP x y
VDB PP
P e1 e2 cste C
• •
1 1
y 0 1 1
2 2
1 3
x 1 0 2
2 2
1 5
−ω 0 0 − − -3
2 2

L’algorithme s’arrête, la solution maximale est −ω = 3 si x = 2 et y = 1. La solution minimale sera donc

ω = −3 si x = 2 et y = 1.

8.4.6 Exercices récapitulatifs

Exercice 55 Une entreprise fabrique 3 produits P1 , P2 et P3 à partir des 3 composants C1 , C2 et C3 .
Les composants sont acheminés vers l’usine par l’intermédaire d’une société de transport qui facture le coût
de transport à l’unité. Les données sont rassemblées dans les tableaux ci-dessous :

Produits
P1 P2 P3

Nombre de composants C1 1 2 4

Nombre de composants C2 2 1 2

Nombre de composants C3 3 2 2

Par exemple, pour fabriquer une unité de produit P3 , il faut 4 composants C1 , 2 composants C2 et 2
composants C3 .
On se donne ensuite les coûts unitaires transport et hors transport en euros des diﬀérents composants :

C1 C2 C3
Coûts unitaires hors-transport (en euros) 20 25 25
Coûts unitaires transport (en euros) 7 6 5

Les contraintes d’approvisionnement sont telles que l’entrepôt dispose chaque semaine de 70 composants C1 ,
80 composants C2 et 60 composants C3 .
Les marges sur coûts variables unitaires sont de 3 euros pour P1 , 5 euros pour P2 et 6 euros pour P3 .
On note respectivement x, y et z les nombres d’unités de P1 , P2 et P3 fabriquées au cours d’une semaine.
1. Quels sont les coûts totaux hors-transport ainsi que les coûts totaux de transport pour chacun des
composants utilisés ?
162 CHAPITRE 8. LA PROGRAMMATION LINÉAIRE

2. Présenter la forme canonique du programme linéaire permettant de maximiser la marge sur coûts
variables hebdomadaires.
3. Présenter la forme standard du programme linéaire permettant de maximiser la marge sur coûts
variables hebdomadaires.
4. Déterminer le programme optimal de production. Quelle est la marge correspondante ?
5. Si l’entreprise fabrique le programme optimal, combien reste t-il de composants de chaque sorte ?

Exercice 56 Suite à l’incendie d’un entrepôt, une société fait appel à vos compétences pour reconsti-
tuer un programme linéaire retrouvé sur place, dans un état malheureusement assez délabré. Les seules
informations dont vous disposez consistent en le tableau donné ci dessous :

PP
PP VHB
PP x y z e1 e2 e3 cste C
VDB PP
P

e1 1 0 0 0 0 0 400

e2 2 1 1 0 0 0 1000

e3 2 2 3 0 0 0 2000

Z 20 16 12 0 0 0 0

1. À l’aide du tableau, déterminer le programme linéaire réalisé par l’entrepôt.

2. Recréer un contexte économique d’entrepôt utilisant les données du tableau précédent.
3. Résoudre le programme linéaire précédent.
4. Comment procède t-on aﬁn de minimiser la fonction objectif ?

Exercice 57 Une entreprise fabrique trois types de piles : sèches de type 1 (PS1), sèches de type 2 (PS2)
et à combustible (PC). Le processus de fabrication comporte trois étapes :
– l’assemblage,
– un test de qualité,
– un traitement d’isolation.
Seules les piles satisfaisant le test de qualité sont soumises au traitement d’isolation. Les piles qui ratent le
test de qualité sont mises au rebut.
Au cours du mois prochain, l’entreprise disposera en temps-machine de 9000 heures pour l’assemblage, de
1200 heures pour les tests de qualité et de 8500 heures pour le traitement d’isolation. Le tableau suivant
résume les informations pertinentes du procédé de fabrication :

Assemblage Test Isolation Proﬁt Taux Perte

Type
(seconde/unité) (s/unité) (s/unité) (euros/unités) d’échec (euros/unité)
PS1 33 3 15 1, 25 3% 0, 6
PS2 25 4, 5 22 1 1% 0, 55
PC 24 4 21 1, 1 2% 0, 75

1. Quel type de problème reconnaı̂t-on ?

2. Modéliser cet exercice de façon à pouvoir répondre aux questions suivantes :
(a) Quel est le nombre optimal de piles de chaque type à fabriquer le mois prochain si l’entreprise
est assurée de vendre toute sa production ?
8.4. LA MÉTHODE DU SIMPLEXE 163

(b) Quel sera le proﬁt ?

Exercice 58 La société SUPERSTOCK désire stocker dans son nouvel entrepôt trois types de produits à
savoir des coussins (produit P1 ), des traversins (produit P2 ) et des couvertures (produit P3 ) à l’aide de trois
conditionnements particuliers C1 (sacs), C2 (palettes) et C3 (cartons). Les données sont rassemblées dans
les tableaux ci-dessous :

Conditionnement
C1 C2 C3

Nombre de coussins P1 20 40 80

Nombre de traversins P2 40 20 40

Nombre de couvertures P3 60 40 40

Les contraintes de fabrication sont telles que l’entreprise stocke journalièrement 1400 coussins, 1600 traversins
et 1200 couvertures. Les gains relatifs au stockage et au transport pour les trois conditionnements sont donnés
ci-dessous :

C1 C2 C3

Gains relatifs au stockage (en euros) 46 55 105

Gains relatifs au transport (en euros) 14 45 15

1. Donner la forme canonique du programme linéaire associé.

2. Une résolution graphique du programme linéaire précédent est-elle possible ? Si oui, comment s’y
prendre pour trouver la solution optimale ?
3. À l’aide de la méthode du simplexe, résoudre le programme linéaire proposé en utilisant la règle du
plus grand gain marginal.
4. Retrouver cette solution à l’aide du plus petit gain marginal.
5. Préciser la valeur maximale de la fonction objectif ainsi que les quantités restantes de coussins, tra-
versins et couvertures.

Vous aimerez peut-être aussi

Optimisation1 PDF
Pas encore d'évaluation
Optimisation1 PDF
169 pages
Optimisation1 Chap8 PDF
Pas encore d'évaluation
Optimisation1 Chap8 PDF
61 pages
Optimisation1 Chap8
Pas encore d'évaluation
Optimisation1 Chap8
61 pages
Optimisation et Ordonnancement Logistique
Pas encore d'évaluation
Optimisation et Ordonnancement Logistique
14 pages
Optimisation et Graphes en Logistique
100% (1)
Optimisation et Graphes en Logistique
28 pages
Optimisation et Ordonnancement
Pas encore d'évaluation
Optimisation et Ordonnancement
28 pages
K. Iskafi R.o.2 Gi S4 FPK 2013-2014
Pas encore d'évaluation
K. Iskafi R.o.2 Gi S4 FPK 2013-2014
126 pages
Notes RO TWR 19 20
100% (1)
Notes RO TWR 19 20
45 pages
Optimisation des flux en logistique
Pas encore d'évaluation
Optimisation des flux en logistique
156 pages
Cours 316 Recherche Opérationnelle
Pas encore d'évaluation
Cours 316 Recherche Opérationnelle
44 pages
Introduction à la RO pour débutants
Pas encore d'évaluation
Introduction à la RO pour débutants
210 pages
Info H 3000
Pas encore d'évaluation
Info H 3000
163 pages
Kila 1
Pas encore d'évaluation
Kila 1
30 pages
Introduction à la Recherche Opérationnelle
Pas encore d'évaluation
Introduction à la Recherche Opérationnelle
185 pages
Graphes et Optimisation : Cours Complet
Pas encore d'évaluation
Graphes et Optimisation : Cours Complet
29 pages
Théorie Des Graphes L3 UFRMI 2020
Pas encore d'évaluation
Théorie Des Graphes L3 UFRMI 2020
69 pages
Modele de Recherche Operationnele
Pas encore d'évaluation
Modele de Recherche Operationnele
113 pages
CoursPontsRO 3 4
Pas encore d'évaluation
CoursPontsRO 3 4
2 pages
Théorie Des Graphes
Pas encore d'évaluation
Théorie Des Graphes
69 pages
Recherche OPerationelle
Pas encore d'évaluation
Recherche OPerationelle
59 pages
Google
Pas encore d'évaluation
Google
249 pages
Cours Recherche Operationelle
Pas encore d'évaluation
Cours Recherche Operationelle
106 pages
Théorie des graphes en recherche opérationnelle
100% (2)
Théorie des graphes en recherche opérationnelle
127 pages
Théorie Des Graphes L3 Maths 2019
Pas encore d'évaluation
Théorie Des Graphes L3 Maths 2019
64 pages
Méthodes D'optimisation Dans Les Réseaux de Transport Et Applications
Pas encore d'évaluation
Méthodes D'optimisation Dans Les Réseaux de Transport Et Applications
94 pages
ACFr
Pas encore d'évaluation
ACFr
65 pages
Cours
100% (1)
Cours
71 pages
Sadi, Aris
Pas encore d'évaluation
Sadi, Aris
39 pages
Benmoussa INFO3 ENPC
Pas encore d'évaluation
Benmoussa INFO3 ENPC
64 pages
001-Syllabus Exercices
Pas encore d'évaluation
001-Syllabus Exercices
113 pages
Gestion de Projets Informatique
Pas encore d'évaluation
Gestion de Projets Informatique
132 pages
Introduction à la RO pour étudiants
Pas encore d'évaluation
Introduction à la RO pour étudiants
177 pages
Théorie D Graphes Prog Lin (Très Bien)
Pas encore d'évaluation
Théorie D Graphes Prog Lin (Très Bien)
69 pages
Introduction à la Théorie des Graphes
Pas encore d'évaluation
Introduction à la Théorie des Graphes
45 pages
0746 Recherche Operationnelle Aspects Mathematiques Et Applications
Pas encore d'évaluation
0746 Recherche Operationnelle Aspects Mathematiques Et Applications
175 pages
EXPOSE Algo - Graphes
Pas encore d'évaluation
EXPOSE Algo - Graphes
40 pages
Théorie des Graphes pour Étudiants L3
Pas encore d'évaluation
Théorie des Graphes pour Étudiants L3
52 pages
Optimisation Discrète et Théorie des Graphes
Pas encore d'évaluation
Optimisation Discrète et Théorie des Graphes
66 pages
Problème de Flot Application À Un Réseau de Transport
Pas encore d'évaluation
Problème de Flot Application À Un Réseau de Transport
111 pages
Rope Cours 1 Et 2
Pas encore d'évaluation
Rope Cours 1 Et 2
111 pages
Cours
Pas encore d'évaluation
Cours
35 pages
Cours Algo Graphes
Pas encore d'évaluation
Cours Algo Graphes
40 pages
Ro
Pas encore d'évaluation
Ro
73 pages
Cahier de l'ASN #3 - 10 ANS APRÈS FUKUSHIMA - Quelles Améliorations Pour La Sûreté Des Installations Nucléaires en France
100% (1)
Cahier de l'ASN #3 - 10 ANS APRÈS FUKUSHIMA - Quelles Améliorations Pour La Sûreté Des Installations Nucléaires en France
28 pages
Coude Iso 3d 90 Degres Roule Soude-Inox-5611-Fiche-Produit-Pdf-184-Ko-5611 Fiche Produit-Lmod1 356 0
Pas encore d'évaluation
Coude Iso 3d 90 Degres Roule Soude-Inox-5611-Fiche-Produit-Pdf-184-Ko-5611 Fiche Produit-Lmod1 356 0
1 page
Guide des Générateurs de Fonctions
Pas encore d'évaluation
Guide des Générateurs de Fonctions
12 pages
EN I10.068.0 GTD RHP Manual Startup (FR)
Pas encore d'évaluation
EN I10.068.0 GTD RHP Manual Startup (FR)
45 pages
Ch1 Machine A Courant Continu
100% (7)
Ch1 Machine A Courant Continu
31 pages
Efficacité Énergétique D'un Site Industriel
Pas encore d'évaluation
Efficacité Énergétique D'un Site Industriel
2 pages
État Des Ingénieurs Génie Electrique Réf182018
Pas encore d'évaluation
État Des Ingénieurs Génie Electrique Réf182018
40 pages
Les Mille Et Une Questions en Prépa - Questions Ouvertes de Physique
100% (3)
Les Mille Et Une Questions en Prépa - Questions Ouvertes de Physique
516 pages
Échantillonnage et Intervalles de Fluctuation
100% (1)
Échantillonnage et Intervalles de Fluctuation
4 pages
1er DS - 2bsmbiof-2018-2019
71% (7)
1er DS - 2bsmbiof-2018-2019
3 pages
Probabilité, Variable Aléatoire. Loi Binomiale: Table Des Matières
Pas encore d'évaluation
Probabilité, Variable Aléatoire. Loi Binomiale: Table Des Matières
16 pages
Liste Des Pièces À Fournir Pour Le Visa Long Séjour Bis
100% (1)
Liste Des Pièces À Fournir Pour Le Visa Long Séjour Bis
3 pages
Corrigé Examen National Math 2018
Pas encore d'évaluation
Corrigé Examen National Math 2018
4 pages
Resume MATH BAC
100% (2)
Resume MATH BAC
38 pages
Examen - Blanc - 1 - SM - Biof 2020
100% (3)
Examen - Blanc - 1 - SM - Biof 2020
9 pages
Exergie
100% (1)
Exergie
4 pages
Devoir 1 Modele 3 Physique Chimie 2 Bac SM Semestre 1
75% (8)
Devoir 1 Modele 3 Physique Chimie 2 Bac SM Semestre 1
4 pages
40-102 Équilibre Chimique PDF
100% (1)
40-102 Équilibre Chimique PDF
2 pages
Liste Des Pièces À Fournir Pour Le Visa Long Séjour Bis
100% (1)
Liste Des Pièces À Fournir Pour Le Visa Long Séjour Bis
3 pages
Thermo 2
Pas encore d'évaluation
Thermo 2
42 pages
Ondes
100% (1)
Ondes
32 pages
Introduction à la statistique descriptive
100% (7)
Introduction à la statistique descriptive
124 pages
Le Monde Des Pharmaciens
100% (1)
Le Monde Des Pharmaciens
287 pages
Modèle et Lois du Gaz Parfait
100% (1)
Modèle et Lois du Gaz Parfait
2 pages
Chapitre0 MGE1 2011 PDF
100% (1)
Chapitre0 MGE1 2011 PDF
52 pages
Échelle Logarithmique et Règle à Calcul
100% (1)
Échelle Logarithmique et Règle à Calcul
2 pages
Cycle Combiné
100% (3)
Cycle Combiné
45 pages
Limite de Betz
100% (1)
Limite de Betz
3 pages