5ème A Génie Industriel

Modélisation et simulation

Pr : Abdelhamid ZAKI

Année universitaire : 2023-2024

 Introduction Modélisation
• La Modélisation est une approche scientifique qui s’intéresse à la
compréhension et à la résolution de problèmes de décision se
posant dans les entreprises.

• Elle vise à l’amélioration de la performance du fonctionnement des

différents processus d’une entreprise.

• Champs d’application :
– Gestion de production (allocation des ressources, planification,
ordonnancement,…),
– Logistique (problème de localisation entrepôts, gestion de transport,
...),
– Décision stratégiques
Concept du processus de Modélisation
pour l’aide à la prise de décision
Concept du processus de Modélisation
pour l’aide à la prise de décision
• Représentation abstraite (relations, équations...)
d’un problème de décision

4 étapes :
1 Expression du problème
2 Modélisation du problème
3 Application de méthodes de résolution
4 Interprétation des résultat et prise de décision
 Les composantes d’un modèle
• La problématique décisionnelle
• Les paramètres endogènes : les variables de
décision.
• Les paramètres exogènes : les coefficients.
• Les liens entre les variables et les paramètres
(équations, contraintes).
• La fonction d’évaluation.
 La forme générale d’un modèle
mathématique
• Variables de décision : ce sur quoi porte la
décision, ce qui permet d’exprimer les contraintes
et la fonction-objectif

• Paramètres exogènes : les coefficients

• Fonction-objectif et les contraintes peuvent

s’écrire comme des équations et des
égalités/inégalités faisant intervenir des
coefficients et des variables.
 Exercice 1
Un atelier de tôlerie dispose de grandes plaques rectangulaires de tôle de 48*96 dm, appelées plaques-mères. L’atelier
reçoit une commande de 8 plaques rectangulaires de 36*50 dm, 13 plaques de 24*36 dm, 5 plaques de 20*60 dm et 15
plaques de 18*30 dm. Dans ce genre de problème extrêmement combinatoire, on exploite le fait qu’il existe un nombre
relativement réduit de combinaisons de rectangles qui peuvent être extraits des plaques-mères. Ces motifs de découpe
peuvent être facilement énumérés. La figure suivante résume les seize sous-ensembles qu’on peut trouver. Comment
satisfaire la demande en utilisant le moins possible de plaques-mères ?

Représentation
graphique des 16
motifs de découpe
Modélisation
 Solution

Nombre de plaques à découper : 11

• 5 plaques selon le motif 1
• 3 plaques selon le motif 3
• 2 plaques selon le motif 6
• 1 plaque selon le motif 7
 Exercice 2
Les papetiers fabriquent des rouleaux de papier dont la largeur est fixée par les caractéristiques de la
machine qu’ils utilisent. Ils les désignent sous le vocable de bobines-mères. Par contre, leurs clients
commandent des rouleaux de diverses largeurs. Comme il est fréquent que la largeur des bobines-mères
ne soit des multiples de celle des rouleaux commandés. Les papetiers encourent souvent, pour satisfaire
les commandes de leurs clientèles, des pertes de papier qu’ils désignent sous le nom de chutes.
Supposons que toutes les bobines-mères ont une largeur de 215 cm et une longueur de 250 m. Les
commandes acceptées figurent dans le tableau présenté ci-dessous. L’objectif est de satisfaire les 3
commandes tout en minimisant le nombre de bobines-mères à découper.

Commande Largeur (cm) Longueur (m) Nb de rouleaux demandé

C1 64 250 360
C2 60 250 180
C3 35 250 180
Exemple d’un plan de coupe :

Bobine-mère (largeur =215 cm )

Rouleau de 64 cm Rouleau de 64 cm Rouleau de 64 cm Chutes de 23 cm

Modélisation
 Solution

Nombre de plaques à découper : 200

• 120 bobines-mères selon le plan de coupe 1
• 60 bobines-mères selon le plan de coupe 7
• 20 bobines-mères selon le plan de coupe 10
 Exercice 3
La production de l’entreprise CIRAM se réduit à 2 produits périssables P et Q. Cette
production est absorbée en entier par un grossiste. Ce dernier n’impose pas de quota à
CIRAM et il laisse cette dernière fixer à sa guise ses niveaux quotidiens de production.
CIRAM vend les produits P e Q 42DH et 48DH l’unité respectivement. Chaque soir, les
produits sont acheminés chez le grossiste par un transporteur qui réclame à CIRAM 2DH
par kg transporté, moyennant un minimum quotidien garanti de 4000DH.
Les produits P et Q s’élaborent à partir des matières premières M et N selon la recette
présentée dans le tableau suivant :
Quantité nécessaire de M Quantité nécessaire de N
Produit Poids unitaire (kg)
(kg) (kg)
P 7 4 3

Q 3 2 1

L’objectif quotidien de CIRAM est de répartir la production de la journée entre les

produits P et Q de façon à maximiser le profit. Considérons une journée où CIRAM
dispose de 3200 kg de M et de 2400 kg de N. Et supposons que les ressources
productives de CIRAM permettent de traiter ces 5600 kg de matières premières durant la
journée.
1-Modéliser mathématiquement ce problème
2-Trouver une solution optimale en utilisant le solveur d’Excel
Modélisation (partie 1)
Solution Questions 1 et 2 :
 Question 3

3-Le grossiste décide de renégocier le contrat qui le lie à CIRAM : il exige la

livraison quotidienne d’au moins 2450 kg de P et d’au moins 1800 kg de Q.
Si ces minima ne sont pas atteints, le grossiste imposera des pénalités
pour un approvisionnement insuffisant. Il imposera une pénalité de 5DH
par kg manquant de P et une pénalité de 1,5DH par kg manquant de Q.

On vous demande d’adapter le premier modèle à la nouvelle situation et de

trouver la solution optimale
Modélisation (partie 2)
Modélisation (partie 2)
Solution Question 3 :
 Conclusion
• La pénalité imposée à CIRAM pour les Kg
manquant n’est pas suffisamment forte pour
déclencher la livraison d’unités de P.
• La pénalité minimale à fixer pour imposer à
CIRAM de livrer des produits P est 8DH/Kg.
 Exercice 4
Une entreprise industrielle possède 4 usines différentes à travers le pays et elle utilise la matière première MP1. Elle peut
acheter cette matière première auprès de 5 fournisseurs différents à des prix différents.
La demande mensuelle des 4 usines est connue. Le prix de MP1 et les frais de transport de chaque fournisseur à chaque
usine sont connus. Où l'entreprise doit-elle acheter la matière MP1 et combien doit-elle acheter, pour répondre à la
demande et minimiser les coûts ?
La demande mensuelle des 4 usines :
Usines Demandes-en (T)
Usine 1 420
Usine 2 360
Usine 3 400
Usine 4 375
Le prix d’achat en DH/T
Fournisseur 1 Fournisseur 2 Fournisseur 3 Fournisseur 4 Fournisseur 5
4000 4900 4700 4500 4400

La capacité maximale en (T)

Fournisseur 1 Fournisseur 2 Fournisseur 3 Fournisseur 4 Fournisseur 5

350 250 200 300 500

Le coût de transport en DH/T

Fournisseur 1 Fournisseur 2 Fournisseur 3 Fournisseur 4 Fournisseur 5
Usine 1 800 400 500 400 300
Usine 2 700 600 300 200 400
Usine 3 700 300 700 500 200
Usine 4 800 200 500 600 700
Modélisation
Modélisation
Solution
 Exercice 5
Une entreprise de production de verres pour table propose 6 modèles différents (V1 à V6), produits par lots de 1000 verres, et souhaite planifier
sa production sur un horizon de 12 semaines. La règle de gestion adoptée est le lancement par multiple de taille de lot. La demande en nombre
de lots de 1000 verres pour les 12 semaines à venir et pour chacun des modèles est connue et reportée dans le tableau suivant :

Demande 1 2 3 4 5 6 7 8 9 10 11 12
V1 20 22 18 35 17 19 23 20 29 30 28 32
V2 17 19 23 20 11 10 12 34 21 23 30 12
V3 18 35 17 10 9 21 23 15 10 0 13 17
V4 31 45 24 38 41 20 19 37 28 12 30 37
V5 23 20 23 15 10 22 18 30 28 7 15 10
V6 22 18 20 19 18 35 0 28 12 30 21 23

Pour un lot de chaque modèle, on dispose du coût de production et du coût de stockage, du temps d’utilisation des machines en heures et de la
taille de la zone de stockage nécessaire en nombre de casiers. Pour chaque modèle, on connait le stock initial et le stock final souhaité à la fin de
l’horizon de planification (en nombre de lots). Ces informations sont résumées dans le tableau suivant :

Coût de Coût de temps d’utilisation Casiers de stockage

stock initial stock final
production stockage machines nécessaires
V1 100 25 50 10 2 4
V2 80 28 20 10 1 5
V3 110 25 0 10 4 5
V4 90 27 15 10 8 6
V5 200 10 0 10 11 4
V6 140 20 10 10 9 9

Par semaine, le temps de travail des machines est égal à 850 heures. La capacité de stockage est de 400 casiers. Quelles sont les quantités de
verres à produire pour chaque période de façon à minimiser le coût total de production et de stockage ?
Modélisation
Modélisation
Solution
Solution
 Exercice 6
La société VTX doit s’assurer de disposer d’espaces d’entreposage suffisants pour les 6 prochain mois, en attendant la mise
en service du nouvel entrepôt dont la construction doit débuter incessamment. Voici les besoins minimaux en espaces
d’entreposage prévus pour le semestre prochain.

Mois Besoins minimaux en 100 m²

1 35
2 20
3 30
4 10
5 15
6 20
La société VTX peut louer aisément les espaces nécessaires auprès d’un spécialiste d’entreposage et administrateur d’un
immense entrepôt situé à proximité de l’usine VTX, en signant des contrats pour autant de mois qu’elle le souhaite et pour
autant de mètres carrés qu’il lui en faudra. Les coûts de location sont proportionnels à la surface louée, mais ils varient
selon la durée de location. Le tableau suivant donne les coûts unitaires de location pour des périodes allant de 1 à 6 mois.

Durée de location (en mois) 1 2 3 4 5 6

Coût de location (en $/100 m²) 200 360 500 625 745 850

L’objectif de VTX est de minimiser le coût total des contrats de location qui lui assureront la satisfaction de tous ses
besoins en espaces d’entreposage au cours des 6 prochains mois. VTX cherche à établir la gamme de contrats à conclure
avec le spécialiste d’entreposage. Cela suppose l’établissement d’un calendrier de début et de fin des contrats incluant
le nombre de centaines de mètres carrés retenus par chacun d’eux.

Quels contrats devrait signer VTX avec le spécialiste d’entreposage pour minimiser les frais d’entreposage durant les 6
prochain mois ?
Modélisation
Modélisation
 Solution

Solution : établir 5 contrats de location d’un coût total de 21250

 Exercice 7

1-Donner les différents plans de coupe :

N° Découpe Type 1 Type 2 Type 3 Chute Taille

Barre
1 150
2 150
3 150
4 150
5 150
6 150
7 200
8 200
9 200
10 200
11 200
12 200
13 200
14 200
15 200
2-Donner la modélisation mathématique de ce problème de découpage :
3-Résoudre le problème avec le solveur d’Excel:
Modélisation
Modélisation
 Solution

Nombre de barres à découper :

• 50 barres de 200 cm selon le plan de coupe 7
• 37 barres de 200 cm selon le plan de coupe 12
• 07 barres de 200 cm selon le plan de coupe 15
 Exercice 8
Un ensemble de 7 tâches doit être exécuté sur une machine critique (machine goulot). La préemption n’est pas autorisée
(démarrer puis arrêter une tâche avant son exécution complète n’est pas autorisé). Chaque tâche (i) ne peut démarrer avant
une date de disponibilité (ri). Sa durée d’exécution est p. d est la date de fin au plus tard espérée.

Tâche (i) 1 2 3 4 5 6 7
Date disponibilité r(i) 2 5 4 0 0 8 9
Durée p(i) 3 6 8 4 2 4 2
Date fin d(i) 10 21 15 10 5 15 22

Quelle est la séquence optimale qui permet de minimiser la durée totale ?

1-Modéliser mathématiquement ce problème
2-Trouver une solution optimale en utilisant le solveur d’Excel
Modélisation
Modélisation
 Solution 9

La séquence optimale : 5 – 1 – 4 – 6 – 7 – 2 – 3
 INTRODUCTION À LA SIMULATION

• la simulation est une imitation qui reflète le fonctionnement d’un système

réel au fil du temps

• Beaucoup de systèmes réels sont très complexes à résoudre

mathématiquement. D’où l’intérêt de la simulation qui permet d’imiter les
comportement du système étudié

• La simulation est utilisée comme un outil d’analyse qui:

– permet de prédire l’effet des changements de l’états des différentes
variables sur le système étudié
– permet de prédire la performance d’un nouveau système

• contrairement aux modèles d'optimisation, les modèles de simulation

sont exécutés plutôt que résolus
 INTRODUCTION À LA SIMULATION

• La simulation est un processus qui consiste à :

- Concevoir un modèle du système étudié,
- Mener des expérimentations sur ce modèle
- Interpréter les observations fournies par le déroulement du modèle
et formuler des décisions relatives au système.

• Le but est de comprendre le comportement dynamique du système,

de comparer des configurations, d’évaluer et d’optimiser différentes
stratégies de pilotage des performances.
 Les étapes de la simulation
• la simulation est basée sur génération et l’exploitation des nombres
aléatoires

• pour générer une variable aléatoire uniforme entre 0 et 1, utiliser la

fonction Excel « = ALEA() »

• pour générer un entier aléatoire uniformément distribué dans la plage 0-

100, utiliser « = TRONQUE(100*ALEA() ; 0) ». La fonction « TRONQUE »
renvoie la partie entière d’un nombre
 Les étapes de la simulation
1- Concevoir une expérience :
Le nombre généré aléatoirement doit être utilisé à cette étape. La mesure de
la performance doit être basée sur le résultat de l’expérience

2- Reproduire l'expérience :
Exécuter l’expérience plusieurs fois (ex: 100 fois). Obtenir pour chaque
expérience une valeur qui mesure la performance

3- Effectuer une analyse statistique des différentes mesures de performance

enregistrées

La simulation et optimisation consiste à exécuter la simulation plusieurs fois,

chaque expérience avec différentes valeurs de chaque paramètre jusqu’à
l’obtention des valeurs optimales des différents paramètres
 Exemple
• Une société industrielle achète, stock et vend des appareils électriques. Elle a un stock initial
de 25 unités.
• Chaque semaine un nombre de clients achète quelques unités. Le nombre de clients et la
demande par client suivent les distributions aléatoires suivantes:

Nombre de clients Probabilité Demande par client Probabilité

0 0,1 1 0,1
1 0,3 2 0,15
2 0,25 3 0,4
3 0,2 4 0,35
4 0,15
• La société utilise la politique d’approvisionnement suivante : si à la fin de la semaine le niveau
de stock est inférieur ou égale à 10 (PC=10) et qu’il n'y a pas de commande en cours, alors
passation d’une commande de Q=25 unités.
• Le coût de stockage = 1 DH/unité/semaine
• Le coût de commande = 45 DH/commande
• Une commande passée à la fin de la semaine (n) arrive au début de la semaine (n+2)
• S’il y a une rupture de stock (pénurie). La demande est satisfaite une fois la commande
suivante est arrivée. Le coût de pénurie = 5 DH/unité/semaine
• Le responsable de stock désire, avec cette politique d’approvisionnement, déterminer le coût
de gestion de stock moyen par semaine
• Il désire aussi déterminer les valeurs optimales de PC et Q qui lui permettent de minimiser le
coût de gestion de stock moyen par semaine
 Exemple
• On calcul la probabilité cumulée et on désigne des intervalles basées sur les
valeurs de la probabilité cumulée

Nombre de clients Probabilité Probabilité cumulée intervalles

0 0,1 0,1 0,00-0,10
1 0,3 0,4 0,11-0,40
2 0,25 0,65 0,41-0,65
3 0,2 0,85 0,66-0,85
4 0,15 1 0,85-1,00

Demande par client Probabilité Probabilité cumulée intervalles

1 0,1 0,1 0,00-0,10
2 0,15 0,25 0,11-0,25
3 0,4 0,65 0,26-0,65
4 0,35 1 0,67-1,00
 Exemple
Pour vous montrer le principe de la simulation, dans cet exemple, on vous donne la simulation de 5 semaines uniquement.

Nombre Nombre Command Coût de

Nombre Demande Demande Stock Coût de Coût de
Semaine Aléatoire Aléatoire Stock final e ou command Coût total
de clients par client totale initial stockage pénurie
(1) (2) Réception e
 Exemple
On commence par la semaine1. On génère un nombre aléatoire (1) entre 0 et 1 grâce à la fonction Excel « =ALEA() » Enter

La valeur générée aléatoirement 0,43 se trouve dans l’intervalle « 0,41 – 0,65 », donc le nombre de client est « 2 »

Nombre de Probabilité
clients Probabilité cumulée intervalles
0 0,1 0,1 0,00-0,10
1 0,3 0,4 0,11-0,40
2 0,25 0,65 0,41-0,65
3 0,2 0,85 0,66-0,85
4 0,15 1 0,85-1,00
 Exemple
On fait la même chose pour la demande. On génère un nombre aléatoire (2) entre 0 et 1 : « =ALEA() » Enter

Nombre Nombre de Nombre Demande par

Semaine
Aléatoire (1) clients Aléatoire (2) client

1 0,43 2 0,45

On génère un 2ème nombre aléatoire (2) entre 0 et 1 parce que nous avons 2 clients

Nombre Nombre de Nombre Demande par

Semaine
Aléatoire (1) clients Aléatoire (2) client

1 0,43 2 0,45
0,87

La valeur générée aléatoirement 0,45 se trouve dans l’intervalle « 0,26 – 0,65 », donc la demande par client est « 3 »
Demande par Probabilité
client Probabilité cumulée intervalles Nombre Nombre de Nombre Demande par
Semaine
1 0,1 0,1 0,00-0,10 Aléatoire (1) clients Aléatoire (2) client
2 0,15 0,25 0,11-0,25
3 0,4 0,65 0,26-0,65 1 0,43 2 0,45 3
4 0,35 1 0,67-1,00 0,87
La valeur générée aléatoirement 0,87 se trouve dans l’intervalle « 0,67 – 1,00 », donc la demande par client est « 4 »
Demande par Probabilité
client Probabilité cumulée intervalles Nombre Nombre de Nombre Demande par
Semaine
1 0,1 0,1 0,00-0,10 Aléatoire (1) clients Aléatoire (2) client
2 0,15 0,25 0,11-0,25
3 0,4 0,65 0,26-0,65 1 0,43 2 0,45 3
4 0,35 1 0,67-1,00 0,87 4
 CS = 1 DH/unité/semaine
Exemple CC= 45 DH/commande
C pénurie = 5 DH/unité/semaine
Stock init = 25
La demande totale de la 1ère semaine est 3+4=7 Stock initial PC= 10 et Q = 25
Pas de Commande
et pas Réception
Stock final
=25 -7=18

Nombre Nombre Command Coût de

Nombre Demande Demande Stock Coût de Coût de
Semaine Aléatoire Aléatoire Stock final e ou command Coût total
de clients par client totale initial stockage pénurie
(1) (2) Réception e

1 0,43 2 0,45 3 7 25 18 - - 18 - 18
0,87 4
 CS = 1 DH/unité/semaine
Exemple CC= 45 DH/commande
C pénurie = 5 DH/unité/semaine
Stock init = 25
PC= 10 et Q = 25

Pour la 2ème semaine on procède de la même manière. On génère un nombre aléatoire (1) entre 0 et 1

Nombre Nombre Command Coût de

Nombre Demande Demande Stock Coût de Coût de
Semaine Aléatoire Aléatoire Stock final e ou command Coût total
de clients par client totale initial stockage pénurie
(1) (2) Réception e

1 0,43 2 0,45 3 7 25 18 - - 18 - 18
0,87 4
2 0,93 4 0,08 1 12 18 6 C25 45 6 - 51
0,26 3
0,73 4
0,77 4

Nombre de Probabilité
clients Probabilité cumulée intervalles
0 0,1 0,1 0,00-0,10
1 0,3 0,4 0,11-0,40
2 0,25 0,65 0,41-0,65
3 0,2 0,85 0,66-0,85
4 0,15 1 0,85-1,00
 CS = 1 DH/unité/semaine
Exemple CC= 45 DH/commande
C pénurie = 5 DH/unité/semaine
Stock init = 25
PC= 10 et Q = 25

Pour la 2ème semaine on procède de la même manière. On génère un nombre aléatoire (1) entre 0 et 1
De même pour nombre aléatoire (2). Il faut générer 4 nombres aléatoires entre 0 et 1 parce que nous avons 4 clients

Nombre Nombre Command Coût de

Nombre Demande Demande Stock Coût de Coût de
Semaine Aléatoire Aléatoire Stock final e ou command Coût total
de clients par client totale initial stockage pénurie
(1) (2) Réception e

1 0,43 2 0,45 3 7 25 18 - - 18 - 18
0,87 4
2 0,93 4 0,08 1 12 18 6 C25 45 6 - 51
0,26 3
0,73 4
0,77 4

Nombre de Probabilité
clients Probabilité cumulée intervalles Demande par Probabilité
0 0,1 0,1 0,00-0,10 client Probabilité cumulée intervalles
1 0,1 0,1 0,00-0,10
1 0,3 0,4 0,11-0,40
2 0,15 0,25 0,11-0,25
2 0,25 0,65 0,41-0,65
3 0,4 0,65 0,26-0,65
3 0,2 0,85 0,66-0,85
4 0,35 1 0,67-1,00
4 0,15 1 0,85-1,00
 CS = 1 DH/unité/semaine
Exemple CC= 45 DH/commande
C pénurie = 5 DH/unité/semaine
Stock init = 25
La demande totale de la PC= 10 et Q = 25
2ème semaine est Stock initial de sem2
1+3+4+4=12 = stock final de sem1
Commande de Q=25
Stock final
=18-12=6 < 10

Nombre Nombre Command Coût de

Nombre Demande Demande Stock Coût de Coût de
Semaine Aléatoire Aléatoire Stock final e ou command Coût total
de clients par client totale initial stockage pénurie
(1) (2) Réception e

1 0,43 2 0,45 3 7 25 18 - - 18 - 18
0,87 4
2 0,93 4 0,08 1 12 18 6 C25 45 6 - 51
0,26 3
0,73 4
0,77 4

Nombre de Probabilité
clients Probabilité cumulée intervalles Demande par Probabilité
0 0,1 0,1 0,00-0,10 client Probabilité cumulée intervalles
1 0,1 0,1 0,00-0,10
1 0,3 0,4 0,11-0,40
2 0,15 0,25 0,11-0,25
2 0,25 0,65 0,41-0,65
3 0,4 0,65 0,26-0,65
3 0,2 0,85 0,66-0,85
4 0,35 1 0,67-1,00
4 0,15 1 0,85-1,00
 CS = 1 DH/unité/semaine
Exemple CC= 45 DH/commande
C pénurie = 5 DH/unité/semaine
Stock init = 25
PC= 10 et Q = 25
Pour la 3ème semaine on procède de la même manière. On génère un nombre aléatoire (1) entre 0 et 1
De même pour nombre aléatoire (2). Il faut générer 3 nombres aléatoires entre 0 et 1 parce que nous avons 3 clients

Nombre Nombre Command Coût de

Nombre Demande Demande Stock Coût de Coût de
Semaine Aléatoire Aléatoire Stock final e ou command Coût total
de clients par client totale initial stockage pénurie
(1) (2) Réception e

1 0,43 2 0,45 3 7 25 18 - - 18 - 18
0,87 4
2 0,93 4 0,08 1 12 18 6 C25 45 6 - 51
0,26 3
0,73 4
0,77 4
3 0,66 3 0,96 4
0,28 3
0,22 2

Nombre de Probabilité
clients Probabilité cumulée intervalles Demande par Probabilité
0 0,1 0,1 0,00-0,10 client Probabilité cumulée intervalles
1 0,1 0,1 0,00-0,10
1 0,3 0,4 0,11-0,40
2 0,15 0,25 0,11-0,25
2 0,25 0,65 0,41-0,65
3 0,4 0,65 0,26-0,65
3 0,2 0,85 0,66-0,85
4 0,35 1 0,67-1,00
4 0,15 1 0,85-1,00
 CS = 1 DH/unité/semaine
Exemple CC= 45 DH/commande
C pénurie = 5 DH/unité/semaine
Stock init = 25
PC= 10 et Q = 25
Pour la 3ème semaine on procède de la même manière. On génère un nombre aléatoire (1) entre 0 et 1
De même pour nombre aléatoire (2). Il faut générer 3 nombres aléatoires entre 0 et 1 parce que nous avons 3 clients

Nombre Nombre Command Coût de

Nombre Demande Demande Stock Coût de Coût de
Semaine Aléatoire Aléatoire Stock final e ou command Coût total
de clients par client totale initial stockage pénurie
(1) (2) Réception e

1 0,43 2 0,45 3 7 25 18 - - 18 - 18
0,87 4
2 0,93 4 0,08 1 12 18 6 C25 45 6 - 51
0,26 3
0,73 4
0,77 4
3 0,66 3 0,96 4 9 6 0 (-3) - - - 15 15
0,28 3
0,22 2

Pas de Commande parce que

La demande totale de la nous somme en attente d’une
2ème semaine est 4+3+2=9 Stock initial de sem3 Stock final
= stock final de sem2 commande lancée là la fin de
=6-9 = -3
la semaine 2 et qui arrivera
Nous avons une
au début de la semaine 4
rupture de stock
 CS = 1 DH/unité/semaine
Exemple CC= 45 DH/commande
C pénurie = 5 DH/unité/semaine
Stock init = 25
PC= 10 et Q = 25
Pour la 4ème semaine on procède de la même manière. On génère un nombre aléatoire (1) entre 0 et 1
De même pour nombre aléatoire (2). Il faut générer 1 nombre aléatoire entre 0 et 1 parce que nous avons 1 seul client

Nombre Nombre Command Coût de

Nombre Demande Demande Stock Coût de Coût de
Semaine Aléatoire Aléatoire Stock final e ou command Coût total
de clients par client totale initial stockage pénurie
(1) (2) Réception e

1 0,43 2 0,45 3 7 25 18 - - 18 - 18
0,87 4
2 0,93 4 0,08 1 12 18 6 C25 45 6 - 51
0,26 3
0,73 4
0,77 4
3 0,66 3 0,96 4 9 6 0 (-3) - - - 15 15
0,28 3
0,22 2
4 0,14 1 0,12 2 2 22 20 R25 - 20 - 20

Stock initial de sem4 = stock final de

La demande totale de la sem3 + la réception de 25 unités au
2ème semaine est 2 début de la semaine 4 comme prévu – Stock final Réception de 25 unités
les 3 unités qui manquent = 0+25-3=22 =22-2=20
 CS = 1 DH/unité/semaine
Exemple CC= 45 DH/commande
C pénurie = 5 DH/unité/semaine
Stock init = 25
PC= 10 et Q = 25
Pour la 5ème semaine on procède de la même manière. On génère un nombre aléatoire (1) entre 0 et 1
Dans ce cas on va pas générer un nombre aléatoire pour (2) parce que nous avons 0 client

Nombre Nombre Command Coût de

Nombre Demande Demande Stock Coût de Coût de
Semaine Aléatoire Aléatoire Stock final e ou command Coût total
de clients par client totale initial stockage pénurie
(1) (2) Réception e

1 0,43 2 0,45 3 7 25 18 - - 18 - 18
0,87 4
2 0,93 4 0,08 1 12 18 6 C25 45 6 - 51
0,26 3
0,73 4
0,77 4
3 0,66 3 0,96 4 9 6 0 (-3) - - - 15 15
0,28 3
0,22 2
4 0,14 1 0,12 2 2 22 20 R25 - 20 - 20
5 0,03 0 - - 0 20 20 - - 20 - 20
 Exemple

• Le résultat de la 1ère simulation de 5 semaines donne :

le coût de gestion de stock moyen = (18+51+15+20+20)/5 = 24,8 DH/sem

• Normalement il faut augmenter le nombre de semaines par simulation

(ex:50) et répéter plusieurs fois la simulations (ex:100) avec différentes
valeurs de (PC et Q) afin qu’on puisse effectuer une analyse statistique
permettant de décider le bon choix des paramètres.