Aide à la Décision et

Optimisation en Logistique
Algorithmes et Applications

Fouad Riane

Le support de cours est basé sur les notes originales rédigées par

Salma Lahbabi, Michel Rioux , Marc Paquet, Nadine Meskens, Jean-Françis Hêche,
Francois Clautiaux et Nadia Brauner
 Aide à la Décision et
Optimisation en Logistique
Algorithmes et Applications

Programmation Linéaire
 Objectifs du cours
◼ Objectifs Généraux
◼ Formuler des problèmes d’optimisation et d’aide à la décision.
◼ Choisir les techniques de résolution appropriées.
◼ S’initier aux solveurs du marché.

◼ Objectifs spécifiques
◼ Modéliser quelques problèmes logistiques sous forme un PL, PLNE
ou PLVM
◼ Maîtriser la méthode de résolution Simplexe et autres techniques
◼ Se familiariser avec l’outil de résolution LINGO
◼ interpréter les résultats
2
 Contenu
1. Introduction à la RO
2. Initiation à la PL
◼ Résolution Graphique
◼ Algorithme du Simplexe
◼ Dualité et Analyse de Sensibilité
3. Logiciels d’optimisation : Excel - Lingo
◼ Modélisation et formalisation de problèmes
d’optimisation
4. PL en nombres entiers et Programmation
Dynamique. 3
1- Introduction à la RO
 Recherche Opérationnelle
◼ La plupart des problèmes économiques impliquent la
détermination d’un optimum :
◼ coût minimum, chiffre d’affaires ou profit maximum.
◼ Les ressources utilisées par les acteurs économiques pour
la réalisation de leurs activités sont limitées.
◼ Ces acteurs doivent tenir compte en plus de divers types de
contraintes qui s’imposent à eux.

5
 Recherche Opérationnelle

◼ Exemples d’application
◼ Gestion de production, stocks et approvisionnement
◼ Gestion de transports et de la logistique
◼ Gestion des ressources humaines et de la force de travail
◼ Gestion financière
◼ Gestion hospitalière
◼ Marketing
◼ Gestion de la vie publique

◼
6
 Recherche Opérationnelle
◼ Quelle est la meilleure solution d’un problème ?
◼ Quelle est la meilleure répartition d’un budget publicitaire entres les
différents médias ?
◼ Quel est le meilleur partage des territoires de vente entre les vendeurs?
◼ Quelle est la composition optimale d’un portefeuille d’actions ?
◼ Quel est le meilleur parcours permettant de visiter, en une et une seule
fois, plusieurs villes géographiquement réparties ?
◼ En quelle quantité et avec quelle fréquence faut-il fabriquer un articles
pour satisfaire la demande de la clientèle et minimiser les coûts ?
◼ Quel est le nombre minimale de couleurs nécessaires pour colorier les
département d’un pays ?
◼
7
 Recherche Opérationnelle

◼ Définition :
◼ « L’ensemble des méthodes et techniques rationnelles
d’analyse et de synthèse des phénomènes
d’organisation utilisables pour élaborer de meilleures
décisions ».
◼ « Une discipline carrefour associant étroitement les
méthodes et les résultats de l’économie d’entreprise, la
mathématique et l’informatique ».

8
Recherche Opérationnelle

9
 Recherche Opérationnelle

◼ Techniques de Modélisation :
◼ Programmation Mathématique
◼ Théorie des Graphes
◼ Théorie des Files d’Attente
◼ Simulation de Systèmes
◼ Théorie des Jeux
.
.
.

10
 Programmation Mathématique

◼ L’utilisation de la mathématique pour décrire ce que

le problème à résoudre ainsi que les relations entre
ses différentes données.

◼ Les données sont supposées quantifiables.

◼ Des variables correspondent aux décisions à prendre

pour atteindre un objectif spécifique.

◼ Il y a mesure explicite de l’objectif à atteindre

11
 Programmation Mathématique

◼ Comprenant entre autres :

◼ Programmation linéaire - PL
◼ Programmation en nombres entiers -PLNE
◼ Programmation linéaire en variables mixtes - PLVM
◼ Programmation non linéaire
◼ A pour but l’affectation optimale de ressources
limitées, en étant contraint par les :
◼ Conditions technologiques
◼ Conditions économiques
◼ Conditions pratiques
◼ …
12
 Programmation Mathématique

MAX (ou MIN): f0(X1, X2, …, Xn)

Sujet à: f1(X1, X2, …, Xn) <= b1

:
fk(X1, X2, …, Xn) >= bk
:
fm(X1, X2, …, Xn) = bm
La programmation Linéaire (PL)

14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Résolution analytique - Simplexe
31
32
33
34
35
 Ci 4 5 0 0 0
Ci X Y e1 e2 e3 Valeur
0 e1 2 1 1 0 0 8
0 e2 1 2 0 1 0 7
0 e3 0 1 0 0 1 3

Zi 0 0 0 0 0
Ci-Zi 4 5 0 0 0 0
 Ci 4 5 0 0 0
Ci X Y e1 e2 e3 Valeur
0 e1 2 1 1 0 0 8
0 e2 1 2 0 1 0 7
0 e3 0 1 0 0 1 3

Zi 0 0 0 0 0
Ci-Zi 4 5 0 0 0 0

Ci 4 5 0 0 0
Ci X Y e1 e2 e3 Valeur
0 e1 2 0 1 0 -1 5
0 e2 1 0 0 1 -2 1
5 Y 0 1 0 0 1 3

Zi 0 5 0 0 5
Ci-Zi 5 0 0 0 -5 15
 Ci 4 5 0 0 0
Ci X Y e1 e2 e3 Valeur
0 e1 2 0 1 0 -1 5
0 e2 1 0 0 1 -2 1
5 Y 0 1 0 0 1 3

Zi 0 5 0 0 5
Ci-Zi 5 0 0 0 -5 15

Ci 4 5 0 0 0
Ci X Y e1 e2 e3 Valeur
0 e1 0 0 1 -2 3 3
4 X 1 0 0 1 -2 1
5 Y 0 1 0 0 1 3

Zi 4 5 0 4 -3
Ci-Zi 0 0 0 -4 3 19
 Ci 4 5 0 0 0
Ci X Y e1 e2 e3 Valeur
0 e1 0 0 1 -2 3 3
4 X 1 0 0 1 -2 1
5 Y 0 1 0 0 1 3

Zi 4 5 0 4 -3
Ci-Zi 0 0 0 -4 3 19

Ci 4 5 0 0 0
Ci X Y e1 e2 e3 Valeur
0 e3 0 0 1/3 -2/3 1 1
4 X 1 0 2/3 -1/3 0 3
5 Y 0 0 -1/3 2/3 0 2

Zi 4 5 1 2 0
Ci-Zi 0 0 -1 -2 0 22
40
 Modélisation

◼ Qu’est ce qui cratérise notre problème ?

◼ Sur quoi doit-on décider ?

◼ Que cherche-t-on à optimiser ?

◼ Qu’est ce qui limite nos choix ?

41
 Modélisation
◼ Qu’est ce qui cratérise notre problème ?
◼ Paramètres.
◼ Nbre de produits, Nbre de matières, Proportion de MP dans
chaque PF, les quantités disponibles de MP, Prix de vente
des PF.
◼ Sur quoi doit-on décider ?
◼ Variables.
◼ Quantités en Kg à produire pour chaque produit A et B

42
 Modélisation
◼ Que cherche-t-on à optimiser ?
◼ Fonction Economique : Profit

◼ Qu’est ce qui limite nos choix ?

◼ Contraintes.
◼ Disponibilité des Matières premières

43
44
 Aide à la Décision et
Optimisation en Logistique
Algorithmes et Applications

Modélisation
46
47
 Modélisation

◼ Qu’est ce qui cratérise notre problème ?

◼ Sur quoi doit-on décider ?

◼ Que cherche-t-on à optimiser ?

◼ Qu’est ce qui limite nos choix ?

48
49
50
51
52
53
54
 Aide à la Décision et
Optimisation en Logistique
Algorithmes et Applications

Suite
 Mix de Production
◼ Nous considérons trois types de produits, et deux usines. Nous
exprimons le profit par unité de produit en milliers de dollars. Nous
connaissons les ventes potentielles par produit (unités/semaine), et la
capacité de production par usine (h/semaine). Nous avons toutefois
comme contrainte que pas plus de deux produits ne peuvent être
fabriqués, et une seule des deux usines doit être exploitée.
◼ Les données du problème sont résumées dans
57
58
 Problème de Transport

Customers Demand
Warehouse
s Capacity C1 15

E1 35 C2 17
C3 22
E2 25
C4 12
E3 21

Unit Cost: C1 C2 C3 C4

E1 2 6 7 10
E2 6 4 2 6
E3 9 5 4 5
60
61
62
63
64
65
 Problème Transhippement

Unit Shipping Cost C1 C2 C3 C4 C5 C6 C7 C8

W1 80 95 100 130 115 129 130 120
W2 115 75 150 95 90 200 80 117
W3 120 90 95 120 100 95 40 50
Demand 750 500 250 850 700 750 500 750

Unit Shipping Cost W1 W2 W3 Capacity

P1 450 150 160 2 500
P2 150 300 160 3 000
66
67
 Optimisation des recettes
◼ Une entreprise sidérurgique a reçu commande de cinq tonnes d'acier destiné à la
fabrication de carrosseries automobiles. Les teneurs de cet acier en différents
éléments chimiques doivent se trouver dans les fourchettes suivantes:

◼ Pour fabriquer cet acier, l'entreprise dispose de sept matières premières dont les
teneurs, les quantités disponibles et les cours d'achat sont donnés dans le
tableau suivant:
 Modèle
◼ Données
◼ E: ensemble des éléments chimiques, i = 1, .. 3
◼ F: ensemble des ferrailles , j=1, ..,7
◼ D= Tonnage en Acier demandé [Kg]
◼ Tmin: Teneur minimum du tonnage fabriqué en élément chimique i
[%]
◼ Tmax : Teneur maximum du tonnage fabriqué en élément chimique i
[%]
◼ tij : Teneur en élément chimique i d’une tonne de la ferraille j [%]
◼ Sj: Stock disponible du la ferraille j [Kg]
◼ Cj: coût unitaire de la ferraille j [$/kg]
◼ Variables
◼ Xj : Quantité de la ferraille j à utiliser pour fabriquer le tonnage
d’acier demandé [Kg]
70
71
72
73
 Horaire de travail
◼ Nous souhaitons établir un horaire quotidien, sachant que chaque jour est
divisé en périodes et en supposant que nous avons pu estimer un nombre
minimum d’employés devant être affecté durant chaque période.
◼ Chaque jour est divisé en quarts de travail de 8 heures. Plusieurs quarts
partagent une même période, mais chaque quart exige un salaire
particulier.
◼ Nous souhaitons savoir combien d’employés doit-on affecter à chaque
quart de travail de façon à minimiser le total des salaires versés, en
respectant le nombre minimum d’employés pour chaque période.
 Aide à la Décision et
Optimisation en Logistique
Algorithmes et Applications

Analyse Post Optimale et Dualité

76
77
78
79
80
81
82
83
84
Primal & Dual

85
86
87
88
89
90
91
92
◼ La compagnie Wyndor Glass Co. fabrique 2 type de produits verriers de
haute qualité. Elle dispose à cette fin de trois usines (usine 1, usine 2,
usine 3), qui ont chacune une capacité de production limitée en heures.
Les produits 1 et 2 donnent lieu à un profit de $50 et $45,
respectivement. Le temps de fabrication des lots de produits sont
données dans la tableau suivant.
Usine 1 Usine 2 Usine 3
Prod 1 3 1 1
Prod 2 1 2 1
480 240 240

◼ Le directeur souhaite louer des capacités supplémentaires pour ses

usines. Le responsable financier désire assurer cette opération selon les
règles de la rationalité économique, il est souhaitable de payer les
heures louées, tout en s’assurant que les prestations seront assez
élevées pour couvrir le coût supplémentaires.
◼ En tenant compte de ces considérations, comment définir le plan de
location optimal ?

93