PLAN

INTRODUCTION

1- Historique des problèmes résolus ;

2- Exemple introductif ;

3- Définition générale ;

4- Domaines d’application principale ;

5- Rentabilité de l’emploi de la P.L ;

6- Méthode algébrique du simplexe ;

7- Méthode pratique des tableaux ;

CONCLUSION
 PROGRAMMATION LINEAIRE
ALGORITHME DU SIMPLEXE

INTRODUCTION :

L’optimisation est la branche des mathématiques consistant à modéliser et à résoudre

analytiquement ou numériquement des problèmes de maximisation ou de minimisation d’une
fonction f à valeurs réelles éventuellement soumise à des contraintes. De façon générale, un
problème d’optimisation peut se mettre sous la forme Maximiser /(x) avec x G X ou Minimiser f(x)
avec x G X, où X est un certain ensemble. Dans le cas de l’optimisation continue, X peut être égale
à Rn (optimisation continue sans contrainte) ou une partie de Rn délimitée par des contraintes
continues (optimisation continue avec contraintes). Dans le cas de l’optimisation discrète, X peut
être {0,l}n ou une partie de Nn, ou encore un ensemble fini, etc. ; dans le cas où X est fini, on parle
aussi d’optimisation combinatoire. Les algorithmes auxquels cette discipline a recours étant
généralement destinés à être exécutés par un ordinateur, l’optimisation entretient d’étroites relations
avec l’informatique. Mais, au-delà des méthodes numériques, l’optimisation possède aussi un
corpus théorique d’éléments relatifs à la méthodologie, à la modélisation, à l’existence ou à la
caractérisation de solutions optimales (conditions nécessaires ou suffisantes d’optimalité), ou
encore aux relations qu’entretiennent certains problèmes entre eux (théories de la dualité par
exemple).L’optimisation intervient dans des situations quotidiennes auxquelles chacun peut être
confronté : quel itinéraire suivre pour aller d’un point à un autre le plus vite possible ou à moindre
coût ? Quels objets emporter dans son sac à dos quand on part en randonnée ? Comment utiliser au
mieux un budget dont on dispose ? Comment enregistrer des chansons sur des disques optiques
pour utiliser un minimum de disques? etc. Plus fondamentalement, les problèmes d’optimisation se
posent aussi à l’ingénieur, au chef d’entreprise, au chercheur ou au responsable de pouvoirs publics,
dans des domaines applicatifs de toute nature : industriels, civils ou militaires, touchant aussi bien
l’ingénierie que les mathématiques appliquées, la physique ou l’économie. Ils englobent par
exemple le dimensionnement et l’exploitation des réseaux (de télécommunications, de transport, de
distribution, de capteurs, etc.), les chaînes de production, la logistique et la gestion des ressources,
l’organisation d’une entreprise, etc. Des connaissances relevant de l’optimisation sont alors
indispensables pour aborder ces problèmes.
Cet exposé vise à mettre en lumière une facette de l’optimisation qui est la programmation linéaire
simplexe (algorithme du simplexe, théorie de la dualité).
1- HISTORIQUE DE LA METHODE DE PL SIMPLEXE :

Les premiers mathématiciens qui se sont occupés de problèmes, que l’on ne nommait pas encore à
l’époque « programmes linéaires » (P.L.), sont : LAPLACE (1749-1827) et le baron FOURIER qui,
vers 1825, a proposé une méthode d’élimination pour traiter des systèmes d’inéquations linéaires et
qui a défini une méthode géométrique pour atteindre le point le plus bas d’un solide délimité par des
facettes planes (c’est-à-dire d’un « polyèdre »), idée très voisine de celle qui préside à l’algorithme
dit « du simplexe » (le plus courant actuellement pour résoudre la P.L.) ; FOURIER est certes plus
connu pour ses séries trigonométriques ou encore en physique pour sa résolution de l’équation de la
chaleur. Mais l’importance économique de la P.L. n’apparaissait pas à l’époque et ses travaux sont
tombés dans l’oubli.
De même vers 1911, Charles DE LA VALLEE-POUSSIN, un mathématicien belge, s’est vu confier
par des astronomes un problème d’approximation minimale qui revenait en fait à résoudre un P.L. ;
il l’a résolu par une méthode de changement de base (tout comme dans le simplexe) ; mais il était
trop tôt pour qu’elle soit utilisée en économie et sa méthode n’avait été diffusée que dans le cercle
des astronomes. Elle est restée inconnue des chercheurs opérationnelle jusqu’à une date bien
postérieure de l’invention de l’algorithme du simplexe.
Il a fallu attendre l’époque de la seconde guette guerre mondiale pour que l’on modélise et résolve
des problèmes de logistique qui se formulaient en tant que P.L. : ainsi le russe KANTOROVITCH
en 1939 a imaginé une méthode inspirée des multiplicateurs de LAGRANGE, classiques en
mécanique, pour résoudre des « programmes de transport ». Il faut être patient dans la vie : ce n’est
qu’en 1975 qu’il fut récompensé pour l’ensemble de ses travaux par le prix Nobel d’économie,
conjointement avec l’américain KOOPMANS…
La contribution décisive a été l’invention de l’algorithme du SIMPLEXE, développé à partir de
1947 notamment par G.B. DANTZIG et le mathématicien VON NEUMANN. Cet algorithme a
ensuite été implémenté sur les premiers ordinateurs et perfectionné (« méthode révisée du simplexe
») pour accroître la précision des résultats et diminuer le volume de mémoire nécessaire à la
résolution.
Vers 1975-1979, les mathématiciens soviétiques SHORR puis KHACHIYAN ont apporté une
avancée théorique concernant la complexité de la programmation linéaire, (en créant un algorithme
polynômial) mais sans qu’elle débouche sur un algorithme plus efficace en pratique que le
SIMPLEXE.
Au milieu des années 80, l’indien KARMARKAR a proposé une nouvelle méthode créée aux Bell
Laboratories qui permettait de résoudre de très gros problèmes linéaires, par une démarche «
intérieure » au polyèdre des solutions admissibles. Vues les immenses répercussions économiques
et les implications financières de cette découverte, la méthode n’avait été publiée que
partiellement : toutefois la communauté scientifique internationale a confirmé désormais la validité
de l’approche de KARMARKAR ; notons toutefois que sur les PL de taille petite et moyenne le
SIMPLEXE garde souvent l’avantage. Depuis de nombreuses « méthodes intérieures » ont vu le
jour.
2- DIMENSIONS DES PROBLEMES RESOLUS :
On considère que des PL comportant m = 1 000 contraintes et n = 3 000 variables sont de
dimension courante (pour l’algorithme du simplexe). On parle de gros problèmes à partir de m = 5
000 contraintes et n = 10 000 variables. De très gros PL ont été résolus opérationnellement : un PL
avec m = 30 000 et n = 300 000 pour la gestion intégrée de la firme américaine NABISCO, et à la
NASA n = 35 000 et m = 512 000. Pour une compagnie aérienne, un problème avec n = 5 500 000
variables (mais seulement m=850 contraintes) a aussi été résolu. Avec des PL dont les données ont
des structures particulières, on a pu même dépasser les 10 000 000 de variables !
3- EXEMPLE INTRODUCTIF

Un atelier peut fabriquer 3 produits à la cadence de 50 unités/heures pour ,

25 u/h pour , 75 u/h pour , ceci à l’aide d’une machine unique disponible 45 heures par
semaine. Le marché ne peut, hebdomadairement, absorber plus de 1000 unités de , ni plus de 500
de , ni plus de 1500 de . Enfin, le bénéfice unitaire pour est de 4 €/unité, 12 €/u pour et
3€/u pour . Il s’agit de déterminer le programme de production hebdomadaire qui maximise le
bénéfice global.

La formulation mathématique est ici simple ; il y a au moins deux systèmes d’inconnues qu’il est
logique d’adopter :
soit , où est le nombre d’unités de fabriquées.
soit , où est le nombre d’heures de fabrication de .
Manifestement on a :
N.B : on peut dans des cas plus complexes, rencontrer des systèmes avec des nombres différents de
variables.
 On omet ici le fait que les variables sont entières.

4- DEFINITION GENERALE :
On a affaire à un programme linéaire lorsqu’on a modélisé un problème à l’aide de variables réelles
positives ou nulles de sorte que :

i = 1, … , m , c’est-à-dire m contraintes « explicites » linéaires.

0 j = 1, … , n , c’est-à-dire n contraintes « implicites ».

MAX ou MIN = c’est-à-dire optimiser une fonction linéaire, nommée

« fonction économique »

 Les sont des coefficients techniques, issus du processus étudié ; les représentent le
plus souvent des seuils d’activité ou des quantités de ressources disponibles.
 les sont des bénéfices ou des coûts issus de la comptabilité.

La linéarité peut se discuter : en pratique si l’on vend 1 000 unités d’un produit ou seulement une, le
prix unitaire n’est souvent pas le même…
5- DOMAINES D’APPLICATIONS PRINCIPALES :
 dans l’industrie du pétrole : commande de la marche des raffineries (distillation, reformage,
craquage), compositions ou de mélanges de produits.
 industries métallurgiques (alliages)
 dans l’industrie alimentaire (mélanges)
 plannings (rotation d’équipages, etc.) dans les compagnies de transport aérien, ferroviaire,
urbain.
 planification (par ex. en agriculture) ; matrices intersectorielles de LEONTIEFF (matrices
input-output).
  Composition des portefeuilles.
 etc.

6- RENTABILITE DE L’EMPLOI DE LA P.L :

Comme souvent en Recherche Opérationnelle, l’emploi de la P.L. permet d’optimiser des

systèmes et de réaliser des économies de l’ordre de 5 à 10% (parfois plus !) sur le coût de
fonctionnement du système.
Parfois ce pourcentage est bien moindre : ainsi l’optimisation de l’achat de pneumatiques
pour équiper des véhicules neufs chez un grand constructeur automobile avait permis une économie
de 0,5% sur un coût mensuel de 12 millions d’euros soit 600 000 €/mois … Ce qui couvrait
largement le salaire de l’ingénieur auteur de l’étude pendant toute sa vie professionnelle !
Il n’est pas rare qu’une optimisation à l’aide de la P.L. permette des gains annuels représentant 200
à 300 fois le coût de l’étude. Les « retours sur investissement » se comptent plus souvent en
semaines ou en mois, qu’en années…
7- METHODE ALGEBRIQUE DU SIMPLEXE :

On commence par ramener le PL à une forme « standard » pour laquelle toutes les
contraintes sont en égalité (ceci moyennant l’introduction de nouvelles variables, dites « d’écart ») ;
toutes les variables sont positives ou nulles ; la fonction économique est à maximiser (rappelons que
minimiser une fonction équivaut à maximiser son opposée).

Ainsi la contrainte signifie que étant inférieur ou égal à 1 000, il faut lui ajouter
une quantité positive (ou nulle), que nous noterons , pour amener
sa valeur à 1 000 : équivaut à : et
La variable est nommée « variable d’écart » et représente, dans le contexte de l’exemple, l’écart
à la saturation du marché en produit .
Les contraintes (1) à (4) peuvent s’écrire sous forme d’équation en introduisant des variables d’écart
:

NB : représente 150 fois le nombre d’heures de travail par semaine non employées : l’atelier est
disponible 45 heures par semaine ; le facteur 150 vient du fait que pour chasser les dénominateurs
de : , on a multiplié chaque membre par 150 ;
Car 6 750 = 45 x 150.

Les variables d’écart ont une contribution nulle à la fonction économique :

Z= 0 0 0 0 .
En effet ne pas saturer un marché ou encore ne pas utiliser des machines à 100%, cela ne rapporte
aucun bénéfice…

Prenons comme solution initiale le sommet O : c’est la solution « d’une

semaine de vacances» : on ne fabrique rien, on ne gagne rien ! mais cette solution est « admissible »
au sens mathématique puisque les contraintes du PL sont vérifiées.

Les m = 4 variables qui sont positives en O (autant que de contraintes) sont .

On les nomme « variables de base O ». De même les variables nulles au sommet O : sont
nommées « variables hors-base » ; on écarte de cet exposé introductif le cas de dégénérescence où
une variable de base serait nulle (tel serait le cas si par exemple quatre plans représentant des
contraintes étaient concourants en un même sommet).

PREMIERE ITERATION
On peut exprimer facilement les variables de base en O en fonction des variables hors base,
de même que la fonction économique Z :

L’examen de Z montre que pour augmenter sa valeur numérique, il faut donner à l’une des
variables hors base, actuellement nulle au sommet considéré (O), une valeur positive. Puisque dans
Z, a le coefficient (bénéfice marginal) le plus élevé, nous choisissons d’accroître en posant
= où est positif et croissant ; nous gardons, pour cette itération, les autres variables hors base
nulles : Le système devient :

Jusqu’à quelle valeur peut-on accroître (c’est-à-dire ) ?

Le bénéfice global de Z est proportionnel à : l’entreprise peut-elle devenir immensément riche en
donnant à une valeur très élevée ? En fait non, car il ne faut pas oublier que toutes les variables
sont positives ou nulles, et doivent le demeurer (« contraintes implicites ») :

Ainsi la plus grande valeur de qui respecte la positivité de toutes les variables est =500 (et non
pas 1125 qui rendrait négatif). Si l’on pose donc =500, il vient numériquement :
On reconnaît alors les coordonnées du sommet C : le programme de production associé
engendre un bénéfice Z = 6000 €.

On vient donc de trouver un procédé algébrique qui nous a permis de passer du

sommet O d’un polyèdre à un sommet « voisin » (C), en décrivant une arête de ce polyèdre.

SECONDE ITERATION

Pour pouvoir progresser il convient d’exprimer les variables de base au sommet C, c’est-à-
dire celles qui sont positives en C, en fonction des variables hors-base en C (qui y sont nulles). Or,
en C, désormais est devenue positive et s’est annulée : on va donc procéder à un ECHANGE
entre la variable qui entre dans la base et la variable qui sort de la base.

Repartons du système associé au sommet O et transformons le pour obtenir celui associé au

sommet C :

Sommet O

Nous allons donc exprimer les variables de base en C (celles positives en ce sommet) en
fonction des variables hors base (celles nulles en C). On commence, à partir de l’équation de
l’échange, qui est la relation qui a fixé la valeur maximale à donner à la variable entrante (ici ), à
exprimer la variable entrante en fonction de la variable sortante (et, éventuellement, des autres
variables hors base) :

Puis chacune des autres variables de base en C : , de même que Z doit être exprimée en
fonction des variables hors base en C c’est-à-dire . Pour ce faire, il suffit dans
l’expression de chacune de ces autres variables de base en C, de substituer à la
variable ( la variable entrante) son expression issue de l’équation de l’échange :

Il vient donc :

Sommet C

TROISIEME ITERATION

On peut alors, partant de C (avec un bénéfice de 6000 €), pratiquer une nouvelle itération
afin d’accroître le bénéfice. La variable entrante est la variable hors base qui a le plus grand
coefficient positif dans l’expression de Z en fonction des variables hors base ; soit ici . On pose
donc est positif croissant, en gardant . Il vient :

Pour respecter la non-négativité des variables, on prend au mieux sort de la base ;

l’équation de l’échange est ; en substituant dans les autres équations du système
associé au sommet C, à la valeur 1000 - issue de l’équation de l’échange, il vient :

Sommet B

On reconnaît en effet le système associé au sommet B (l’expression des variables de base en B :

et de en fonction des variables hors base en B : ).
Puisque Z ainsi exprimé comporte encore un coefficient positif : 3 sur une variable hors base ( ,
on peut pratiquer une nouvelle itération ; on pose positif et croissant, et on garde ;
il vient :

On prend au mieux : en effet la variable est la première à s’annuler quand

croît ; est donc la variable sortante ; l’équation de l’échange est : ; d’où
, obtenu après division par le coefficient 2, nommé « pivot » de cette
itération. Dans les itérations antérieures le pivot était égal à 1 et la division de l’équation de
l’échange par le pivot 1 était passée inaperçue.

En substituant à cette valeur dans les autres équations du système associé à B, il vient :
 Sommet R

On reconnaît le sommet R (1000, 500, 375) et le bénéfice associé : 11125 €.

DERNIERE ITERATION

La variable hors base ayant dans Z un coefficient positif : , elle… entre en base : on pose
positif et croissant et ; il vient :

La variable sortante est donc (car la valeur maximale de est : ).

L’équation de l’échange est : soit

D’où : car pour exprimer , il a fallu diviser l’équation de l’échange par

le coefficient , le « pivot » de cette itération.

En substituant à cette valeur dans les autres équations du système associé à R, il vient :

Sommet Q

On reconnaît le sommet Q : avec un bénéfice de :

Z = 11 500 €/ semaine.

Ce sommet est optimal : il n’est pas possible d’améliorer Z par le procédé ci-dessus car tous les
coefficients des variables (hors base) figurant dans Z sont négatifs (on peut alors démontrer, en
utilisant un argument de convexité que dans ces conditions l’optimum est effectivement atteint).

7- METHODE PRATIQUE dite « DES TABLEAUX »

La méthode des tableaux vise à alléger la méthode algébrique (dont le but est surtout
didactique) et à la systématiser pour ainsi déboucher sur un algorithme et son implémentation sous
forme de logiciel.
 La différence principale entre la méthode des tableaux et la méthode algébrique est la
suivante : dans l’expression des variables de base en fonction des variables hors base en tout
sommet, on va désormais laisser toute les variables, qu’elles soient de base ou hors- base, dans le
membre de gauche de chaque équation. Ainsi pour le sommet 0, le système (I) sera réécrit sous la
forme (II) :

D’autre part, on économisera des écritures en représentant les coefficients de ces équations en
tableau comme ci-dessous ; le tableau associé, formé de cinq sous- tableaux, est le suivant (il
revient à noter le système II en tableau) :

i j1 2 3 4 5 6 7

BASE 4 1 0 0 1 0 0 0 1000
associée 5 0 1 0 0 1 0 0 500
au 6 0 0 1 0 0 1 0 1500
sommet O 7 3 6 2 0 0 0 1 6750

4 12 3 0 0 0 0 Z-0

Le sous- tableau de gauche à une seule colonne, liste les indices des variables de base pour le
sommet O : .

Le sous- tableau principal, de dimensions m x n, reproduit les coefficients des membres

gauches du système d’équation II, notés plus haut.

Le sous- tableau de droite, à une seule colonne, indique les valeurs des variables de base
(second membres de II) au sommet courant (ici : O).

Le sous- tableau du bas, à une seule ligne, donne le coefficient de chaque variable dans

la fonction économique Z (exprimée uniquement en fonction des variables hors- base).

Le carré en bas à droite comporte Z moins sa valeur numérique au sommet associé à ce

tableau (elle vaut 0 pour O, soit ).
8- Pratique d’une itération sur un tableau

. On détermine la variable entrante par application du « premier critère de DANTZIG » : lire alors
dans le sous- tableau inférieur les valeurs des et sélectionner celle qui est la plus grande
positive ; ici, c’est qui se trouve en colonne 2 : on a donc e = 2 ; autrement dit, va entrer
en base.
. On calcule ensuite les quotients , c’est-à-dire ici puisque e est déjà déterminé (e=2).
Ceci revient à faire, dans chaque ligne i, le quotient du second membre par le terme qui, dans la
ligne i, se trouve en colonne e (ici 2) ; il est pratique de disposer ces quotients immédiatement à
droite des (cf le tableau ci-dessous).

Selon le critère de DANTZIG, c’est qui va sortir de la base, puisque le plus petit rapport positif
est obtenu pour ; on a donc s = 5 :

i j 1 2 3 4 5 6 7

4 1 0 0 1 0 0 0 1000 _
pivot :
5 0 1 0 0 1 0 0 500 500 (*)
s 6 0 0 1 0 0 1 0 1500
7 3 6 2 0 0 0 1 6750 6750/6 = 1125

4 12 3 0 0 0 0 Z-0
e

. L’équation de l’échange doit alors être divisée membre à membre par le coefficient PIVOT ( ),
ici égal à 1 ; le pivot se trouve à l’intersection de la ligne de la variable sortante et de la colonne de
la variable entrante.

Ensuite, dans la méthode algébrique, dans toutes les autres équations on substituerait à la variable
entrante son expression qui est issue de l’équation de l’échange. Dans la méthode des tableaux on
pratique différemment, par combinaison linéaire.
Ainsi la ligne i = 7 s’écrit :

Il y figure la variable entrante ; pour éliminer (afin que la ligne 7 modifiée exprime la valeur
de uniquement en fonction des variables qui sont hors base au nouveau sommet atteint en fin
d’itération), au lieu de substituer à la quantité : 500 - , on va effectuer une combinaison
linéaire. Celle-ci consiste à multiplier l’équation de l’échange, soit par un coefficient
adéquat k, de telle sorte que si l’on ajoute à la ligne 7 l’équation de l’échange multipliée par k, le
coefficient de la variable entrante s’annule :

Manifestement on doit choisir k = - 6, ce qui peut déterminer visuellement sur le tableau. On

retranche donc à la ligne 7, six fois la ligne du pivot ; ce calcul se fait mentalement directement sur
le tableau :

ancienne ligne 7 3 6 2 0 0 0 1 6750

- ligne de l’échange mult. par 6 0 6 0 0 6 0 0 3000

nouvelle ligne 7 3 0 2 0 -6 0 1 3750

Dans notre exemple, il se trouve que la variable entrante est absente des lignes 4 et 6 (son
coefficient est nul dans chacune de ces deux lignes). Il n’y a aucune transformation à apporter à ces
lignes pour obtenir le nouveau tableau (celui associé à C) : on peut les recopier à l’identique
(« copier/coller »).
Dans la fonction économique (fn éco.), par contre, figure la variable entrante ; en effet, la
dernière ligne du tableau se lit : On va procéder de même pour éliminer
: il suffira de retrancher membre à membre 12 fois l’équation de l’échange (dans sa forme obtenue
après division par le pivot) à cette dernière ligne. Soit :
x 500, d’où :

Comme plus haut, on voit que ce calcul peut se pratiquer mentalement sur le tableau :

ancienne ligne de la fn éco. 4 12 3 0 0 0 0 Z-0

- ligne de l’échange mult. par 12 0 12 0 0 12 0 0 6000

nouvelle ligne de la fn éco. 4 0 3 0 -12 0 0 Z-6000

Ainsi le tableau obtenu après une itération, caractéristique du sommet C, est le suivant :

i j 1 2 3 4 5 6 7

s 4 1 0 0 1 0 0 0 1000 1000, le petit

2 0 1 0 0 1 0 0 500 _
sommet C 6 0 0 1 0 0 1 0 1500 _
7 3 0 2 0 -6 0 1 3750 3750/3=1250

4 0 3 0 -12 0 0 Z-6000
e
Le lecteur pourra aisément vérifier que la traduction algébrique de ce tableau coïncide avec le
système associé au sommet C, donné plus haut dans l’exposé de la méthode algébrique.

Fin de l’exemple
Ayant donné le détail de la pratique de la première itération, nous donnons pour les itérations
suivantes le résultat du calcul : (à chaque itération le coefficient pivot est marqué par une
astérisque).

1 2 3 4 5 6 7

1 1 0 0 1 0 0 0 1000 _
2 0 1 0 0 1 0 0 500 _ sommet B
6 0 0 1 0 0 1 0 1500 1500/1
s 7 0 0 2 -3 -6 0 1 750 750/2=375

0 0 3 -4 -12 0 0 Z - 10 000

e
1 2 3 4 5 6 7

1 1 0 0 1 0 0 0 1000 1000/1
2 0 1 0 0 1 0 0 500 _ sommet R

s 6 0 0 0 3 1 1125 750

3 0 0 0 -3 0 375 négatif

0 0 0 -3 0 Z - 11 125

1 2 3 4 5 6 7

1 1 0 0 0 -2 250
2 0 1 0 0 1 0 0 500 sommet Q

4 0 0 0 1 2 750
3 0 0 1 0 0 1 0 1500

0 0 0 0 -4 Z – 11 500

L’optimum est atteint en 4 itérations (tous les sont alors négatifs ou nuls : c’est le test de fin).
On reconnaît le sommet Q avec
Le bénéfice maximal étant de Z = 11 500 € par semaine.
 CONCLUSION

La programmation linéaire a un champ d’application très vaste : de l’industrie du pétrole aux

compagnies de transport, à la productique, etc. Ce champ s’étend encore actuellement, notamment
vers les PME, grâce à la baisse des coûts des matériels informatiques, aux performances des
logiciels disponibles ainsi qu’aux services fournis aux entreprises par les spécialistes de Recherche
Opérationnelle.
L’algorithme du simplexe permet de résoudre efficacement les PL issus du monde économique
(même s’il n’est pas « polynomial » : on peut construire des instances artificielles sur lesquels cet
algorithme passe par tous les sommets admissibles du polyèdre associé).
 BIBLIOGRAPHIE
- Introduction à l’optimisation continue et discrète . COLLECTION IRIS
Sous la direction de Nicolas Puech. Irène Charon, Olivier Hudry
editions.lavoisier.fr 2019, Lavoisier, ParisISBN : 978-2-7462-4863-2.
- PRECIS DE RECHERCHE OPERATIONNELLE : 6ème édition, R.FAURE, B.
LEMAIRE, C. PICOULEAU éditeur DUNOD, 2009.