Écolesupérieured'ingénierieetd'architecture

Unité Zacatenco

Notes de cours

Ingénierie des systèmes

Saldaña García José Luis

Professeur : Ing. Luis Medina

Cravioto

6CM8
Concepts de base en ingénierie.
On appelle ingénierie la discipline qui utilise un ensemble de
connaissances techniques, scientifiques, pratiques et empiriques pour l'invention, le
la conception, le développement, la construction, la maintenance et l'optimisation de tout
type de technologies, machines, structures, systèmes, outils, matériaux et
processus.
L'objectif de l'ingénierie est d'offrir des solutions aux problèmes pratiques de la
personnes, tant au niveau social qu'économique et industriel. D'où l'ingénierie
soit une discipline qui transforme la connaissance en quelque chose de pratique pour le bénéfice
de l'humanité.
L'ingénierie civile est une discipline de l'ingénierie qui applique des connaissances de
différentes domaines, comme la physique, la
la chimie, la géologie, le calcul, la
mécanique ou hydraulique, entre autres,
para el diseño, la construcción y el
entretien des infrastructures de
grand format et d'utilisation publique comme
routes, aéroports, ponts,
chemins de fer presas, ports
aéroports, entre autres choses.
L'ingénieur s'appuie sur les sciences fondamentales (mathématiques, physique, chimie, biologie,
sciences économiques et administratives, sciences de l'ingénierie, ingénierie
appliquée) tant pour le développement de technologies, que pour la gestion efficace et
productif des ressources et des forces de la nature au bénéfice de la société. Le
l'ingénierie est une activité qui transforme la connaissance en quelque chose de pratique.

Origines de l'ingénierie.
L'histoire de l'ingénierie remonte à des temps très anciens, depuis l'invention
de outils comme le levier ou la roue, qui facilitaient la réalisation d'autres
travaux selon des principes de base en mécanique.
Les premières manifestations de l'ingénierie se sont produites dans l'Antiquité avec les
grandes constructions comme les pyramides, tant égyptiennes que précolombiennes.
Ainsi, il y a les grandes œuvres des Grecs et des Romains, qui ont mené
l'ingénierie à d'autres aspects de la vie comme la milice.
Au Moyen Âge, les avancées en matière d'ingénierie civile ont donné lieu à la
architecture gothique en Europe, tandis qu'en Asie des avancées ont été réalisées
importantes les domaines de la métallurgie et de l'hydographie.

3
Pendant la période moderne, la machine à vapeur a inauguré la Révolution industrielle.
C'est alors que l'ingénierie a commencé à être une science formelle. Elle doit être prise en compte
tiennent compte que l'ingénierie actuelle est un ensemble de connaissances et
techniques appliquées à la résolution de problèmes.
À partir de ce moment-là, les domaines de spécialisation ont commencé à se séparer comme le
C'étaient l'ingénierie militaire, mécanique, civile et de nouveaux noms ont été ajoutés à cette liste.

Nature, treatments and genres of engineering.

La nature de l'ingénierie est de planifier et de construire tout ce qui est nécessaire à l'homme.
manquer, développant des solutions techniques et technologiques pour la société en prenant
très en compte la responsabilité qu'il faut avoir.
Certains genres d'ingénierie sont :
Génie Civil
Ingénierie Biologique
Ingénierie Électrique
Ingénierie Médicale
Ingénierie Électronique
Ingénierie des Systèmes
Ingénierie Aéronautique
Ingénierie Chimique
Ingénierie Agricole
Ingénierie des Matériaux
Ingénierie Mécanique

Définitions et concepts de systèmes.

Un système est "un objet complexe dont les parties ou composants sont liés à
au moins l'un des autres composants ; qu'il soit conceptuel ou matériel. Tous
los sistemas tienen composición, estructura y entorno, pero solo los sistemas
Les matériaux ont des mécanismes, et seuls certains systèmes matériels ont une forme.

Bien que chacun des éléments d'un système puisse fonctionner de manière
indépendant, fera toujours partie d'une structure plus grande. De la même manière,
un système peut être, à son tour, un composant d'un autre système.

Le mot système vient du latin systēma, et celui-ci du grec σύστημα (systema),

identifié en espagnol comme "union de choses de manière organisée". De cette
Le mot dérive d'autres comme antisystème ou écosystème.
De la même manière, il existe un courant de pensée philosophique appelé systémisme,
créée par l'épistémologue argentin Mario Bunge, qui propose que tout ce que
un système ou un composant d'un système plus complexe.

4
L'approche systémique.
L'approche systémique représente la séquence linéaire d'événements. Dans le
camino peuvent apparaître des "branches", mais c'est toujours une séquence d'étapes qui
nous devons réaliser.
Un exemple très général est la séquence logique des processus d'exécution de
un projet : Nous avons formulé des objectifs, trouvé des exigences, organisé
activités, nous acquérons des livrables, et à la fin nous avons des produits et ensuite nous voyons
Quels sont les résultats.
L'approche systémique a comme point principal le concept de système, qui est un
ensemble d'éléments interconnectés avec un objectif commun.
Dans les projets, il est relativement facile de formuler l'objectif commun, qui peut être
formulé à deux niveaux : Le niveau du produit qui apparaît à la fin de tout
projet et le niveau de résultats que nous espérons lorsque le produit commence à
fonctionner.
Une chose importante est la caractéristique du système, ses éléments sont
interconnectés. Tout projet est un système parce que nous pouvons le décomposer.
dans différents sous-systèmes et, du point de vue technique et de la gestion, fait partie
du système de plus haut niveau, c'est pourquoi c'est aussi un sous-système.

Classification et structure des systèmes.

Les systèmes se classifient
Selon la manière dont ils sont constitués, ils peuvent être :

Systèmes physiques ou concrets : composés de choses réelles comme des équipements,

machines, objects. Example: The hardware.
Systèmes abstraits : composés de concepts, de plans, d'hypothèses et d'idées.
Souvent, ils n'existent que dans l'esprit des gens. Exemple : le
logiciel.
Selon sa relation avec l'environnement, cela peut être :
Ouverts : Systèmes qui échangent de la matière, de l'énergie ou de l'information avec le
environnement.
Cloisonnés : Systèmes qui n'échangent pas de matière, d'énergie ou d'information avec
l'environnement.

En fonction de sa nature, cela peut être :

Concrets : Système physique ou tangible.

5
 Abstraits : Systèmes symboliques ou conceptuels.
Concernant leur origine, ceux-ci peuvent être :

Naturels : Systèmes générés par la nature.

Artificiels : Systèmes qui sont des produits de l'activité humaine, sont
conçus et construits par l'homme.

Selon leurs relations, elles peuvent être :

Simples : Systèmes avec peu d'éléments.

Complexes : Systèmes avec de nombreux éléments et relations.
Cette classification est respective car elle dépend du nombre d'éléments et de la relation.
considérés. En pratique et en fonction des limites psychologiques de la perception et
compréhension humaine, un système avec plus ou moins sept éléments et relations
on peut considérer cela comme simple.

Un système est constitué de parties clairement différenciables, ses éléments,

relatives entre elles d'une manière particulière, combinaison qui constitue leur
structure. Cette structure est un agencement qui est attribué aux éléments
par le biais de ses relations. Les éléments peuvent être des objets matériels, comme
pièces métalliques d'un pont, ou idéales, comme les mots d'une phrase. C'est
dire, les structures sont des agencements réels ou idéaux d'éléments.

1.1.1 Concept de l'ingénierie des systèmes.

L'ingénierie des systèmes est une discipline de l'ingénierie qui s'occupe de
développer, améliorer et mettre en œuvre des systèmes informatiques. Fortement lié
con las matemáticas e informática, esta disciplina crea redes y sistemas al servicio
de l'organisation qui le demande.
L'ingénierie des systèmes travaille dans le but de contribuer au développement scientifique et
technologique par la recherche continue de nouvelles technologies et
procédures. Grâce à son caractère multidisciplinaire, cette carrière ouvre la porte
à une grande variété d'entreprises ou d'organisations, tant publiques que privées,
et en particulier dans celles de grande taille.

À quoi s'occupe un ingénieur en systèmes ?

Un diplômé en ingénierie des systèmes peut se consacrer à une multitude de tâches, parmi
elles
Créer, programmer, appliquer et maintenir des systèmes informatiques
Concevoir et maintenir des sites et des pages web

6
 Créer des logiciels et du matériel pour une entreprise, après avoir réalisé une
enquête
Optimiser les données gérées par ces entreprises
Administrer des systèmes d'information et des réseaux

1.1.2 Origine de l'ingénierie des systèmes.

L'origine du terme ingénierie des systèmes remonte aux Bell Telephone
Laboratoires dans les années 1940. La nécessité d'identifier et de manipuler les
propriétés d'un système dans son ensemble, qui dans des projets d'ingénierie complexes
peut différer énormément de la somme des propriétés des parties, a motivé à
plusieurs industries, en particulier celles qui développaient des systèmes pour le
Armée des États-Unis, à appliquer la discipline.
Lorsque la confiance dans l'évolution du design pour améliorer un système n'était plus possible
et les outils existants n'étaient pas suffisants pour satisfaire les croissantes
des demandes, de nouvelles méthodes ont commencé à être développées qui abordaien
complexité directement. L'évolution continue de l'ingénierie des systèmes
comprendre le développement et l'identification de nouvelles méthodes et techniques de
modélisation. Ces méthodes aident à une meilleure compréhension et au contrôle de la conception.
et le développement des systèmes d'ingénierie à mesure qu'ils deviennent plus complexes.
À cette époque, des outils populaires ont été développés qui sont souvent utilisés
dans le contexte de l'ingénierie des systèmes, y compris USL, UML, QFD et IDEF0.

1.2 Théorie générale des systèmes.

La théorie des systèmes ou théorie générale des systèmes est l'étude interdisciplinaire
des systèmes en général. Son objectif est d'étudier les principes applicables aux
systèmes à tous les niveaux dans tous les domaines de la recherche.
En 1950, Ludwig von Bertalanffy a proposé la théorie générale des systèmes.
dite. Par la suite, dans les années soixante-dix, Humberto Maturana a développé
le concept d'autopoièse, qui rend compte de l'organisation des systèmes
vivent comme des réseaux fermés d'autoproduction des composants qui les
constituent. W. Ross Ashby et Norbert Wiener ont développé la théorie mathématique de
la communication et le contrôle des systèmes à travers la régulation de la
rétroaction (cybernétique), qui est étroitement liée à la
théorie du contrôle. Dans la même décennie, René Thom et E.C. Zeeman ont proposé la
théorie des catastrophes, branche des mathématiques selon les bifurcations en

7
systèmes dynamiques qui classifient les phénomènes caractérisés par des soudains
déplacements dans son comportement.

La TGS surgit au XXe siècle comme un nouvel effort dans la recherche de concepts
et lois valables pour la description et l'interprétation de toutes sortes de systèmes réels
ou physiques.

1.3.2 Cycle de base d'un système.

Les entrées sont les revenus du système qui peuvent être des ressources
matériaux, ressources humaines ou information.
Les entrées constituent la force de démarrage qui fournit au système ses
besoins opérationnels.
Les entrées peuvent être :
En série : c'est le résultat ou la sortie d'un système précédent avec lequel le
le système en étude est directement lié.
Aléatoire : C'est-à-dire, au hasard, où le terme « hasard » est utilisé dans le sens
statistique les entrées aléatoires représentent des entrées potentielles pour un
système.
Rétroaction : c'est la réintroduction d'une partie des sorties du système dans
soi-même.
Processus : C'est ce qui transforme une entrée en une sortie, en tant que tel, cela peut être un
machine, un individu, un ordinateur, un produit chimique, entre autres.
Les Sorties : Les sorties des systèmes sont les résultats qu'ils obtiennent de
processus, tout comme les entrées, ceux-ci peuvent prendre la forme de produits,
services et informations.
La Retroalimentación: Es la que se produce cuando las salidas del sistema o la
influencia de las salidas del sistema en el contexto, vuelven a ingresar al sistema
comme ressource ou information.

La rétroaction permet le contrôle d'un système et lui permet de prendre des mesures
de correction en fonction des informations rétroalimentées.

1.3.3 La théorie générale des systèmes moderne.

Les postulats de base de la théorie générale des systèmes sont :

8
Il existe une nette tendance à l'intégration dans les diverses sciences naturelles et
sociales.
Cette intégration semble s'orienter vers une théorie des systèmes.
Cette théorie des systèmes peut être une manière plus large d'étudier les
domaines non physiques de la connaissance scientifique, en particulier les sciences sociales.

Cette théorie des systèmes, en développant des principes unificateurs qui traversent
verticalement les univers particuliers des diverses sciences impliquées, nous
ils approchent l'objet de l'unité de la science.
Cela pourrait nous mener à une intégration dans l'administration scientifique.

La théorie générale des systèmes affirme que les propriétés des systèmes ne
peuvent être décrits de manière significative en termes de leurs éléments séparés. Le
la compréhension des systèmes n'a lieu que lorsqu'ils sont étudiés dans leur ensemble,
impliquant toutes les interdépendances de ses parties.
Le concept de système est devenu dominant dans les sciences et, en particulier, dans la gestion.
Lorsqu'on parle d'astronomie, on pense au système solaire. La sociologie parle de
système social, et ainsi de suite. Actuellement, l'approche systématique est si
commun en administration que nous n'envisageons pas d'utiliser dans
tout moment.

1.3.4 Aspects interdisciplinaires d'un système : économiques,

administratifs, sociaux, techniques et technologiques.
Un domaine interdisciplinaire est un domaine d'étude qui traverse les limites
traditionnels entre plusieurs disciplines académiques. Le caractère interdisciplinaire de la
Ingeniería de Sistemas puede ser visualizado a través de tres aspectos:
La particularité de son approche, c'est-à-dire de l'approche systémique.
Le succès atteint par l'ingénierie des systèmes dans l'analyse et la solution de
problèmes traditionnellement traités par d'autres disciplines.
La variété de techniques et d'instruments qu'il utilise.

Un système économique est un ensemble structuré d'interrelations qui

déterminent la façon dont s'organise l'activité économique d'une société,
la production de biens et de services et leur distribution entre ses membres.
Un système administratif est un logiciel de gestion avec lequel toutes les entreprises
ils doivent compter pour avoir un meilleur contrôle de leurs ressources, systèmes et opérations,
mais malgré cela, les entreprises et les commerces doivent savoir qu'il existe de multiples
Les options des systèmes administratifs et leurs portées sont différentes pour chacun.

9
Le système social peut être défini comme une pluralité d'individus qui interagissent.
entre eux en accord avec des normes et des significations culturelles partagées. Le terme est
un principe clé dans la théorie des systèmes, qui gère le domaine de la sociologie.
Sistema técnico es aquel dispositivo, compuesto de entidades físicas y de agentes
humains, dont la fonction est de transformer un type d'objet pour obtenir
certains résultats caractéristiques du système, tant qu'il s'agit de
bénéfique.
Les systèmes technologiques sont des techniques ou des objets orientés vers la facilitation ou
diminution du travail humain. Quand nous parlerons d'un système technologique, nous
nous nous référerons à un ensemble de composants et de variables qui
contextualiseront l'action technique humaine.
1.3.5 Aplicar el concepto de ingeniería de sistemas en un proyecto de
ingénierie civile.
L'ingénierie des systèmes est l'application des sciences mathématiques et physiques pour
développer des systèmes qui utilisent économiquement les matériaux et les forces de la
nature au profit de l'humanité.
L'ingénierie civile couvre divers types de projets, chacun desquels
requiert de vastes connaissances en physique et en mathématiques, ainsi que la capacité de
résoudre des difficultés de manière créative. La liste des types est en constante
croissance et même certaines présentent des sous-catégories à l'intérieur d'eux.

Les experts en construction d'ouvrages civils sont impliqués dans la conception,

analyse et entretien de diverses structures, par exemple, des ponts et des bâtiments,
conçues pour s'adapter à divers besoins, tels que ceux du budget, à les
facteurs de charge et capacité de résistance de plusieurs sources. Ils doivent
considérer les conditions qui supporteront les structures, y compris les charges de
personnes et véhicules, et les environnements, par exemple, le vent.

1.3.6 Cas d'application de l'ingénierie des systèmes.

Les ingénieurs en systèmes jouent un rôle très important au sein des
organisations. Ces professionnels sont responsables de la surveillance du
performance des systèmes et évaluer les étapes des opérations pour garantir
que les problèmes informatiques soient résolus. Un ingénieur en systèmes, peut
se performer dans divers domaines d'application et dans de multiples disciplines,
selon le domaine dans lequel il se spécialise.

Voici les domaines dans lesquels un ingénieur en systèmes peut

s'acquitter
Construction de logiciels

10
Les ingénieurs souhaitant exercer dans ce domaine doivent
appliquer la pratique de ses connaissances sur la conception et la construction de
programmes informatiques.
Infrastructure technologique
C'est un domaine d'application où les ingénieurs en systèmes seront
réalisant des travaux de sélection de plates-formes matérielles et logicielles qui intègrent
un projet.
Sécurité informatique
L'ingénieur qui se concentre sur ce domaine devra veiller à la protection de la
infrastructure informatique, en particulier en ce qui concerne la protection de l'information.

Gestion de l'information
Un ingénieur en systèmes peut se développer dans n'importe quelle entreprise et
se comporter en gérant correctement ses informations.
Média multimédia
Un des domaines d'application dans lesquels un ingénieur peut se développer
systèmes, c'est la branche de la multimédia.

1.3 L'ingénierie des systèmes et la prise de décision.

La prise de décision, définition des problèmes, quantification, évaluation,
optimisation, suboptimisation, hiérarchisation, contrôle, planification et réglementation
ses fonctions communes à tout design de systèmes. Par conséquent, nous avons inventé une
teoría general de diseño de sistemas. Las soluciones a problemas particulares
peuvent évoluer à la suite d'une réorientation de la pensée, où
On considère tous les problèmes d'une classe, mais pas dans le développement d'un
méthode particulière. Dans la théorie générale des systèmes, il n'existe pas de méthodes particulières.
Par conséquent, sous cette hypothèse, nous commençons le traitement de la prise de décision, un
fonction commune (c'est-à-dire générale), à tout design de systèmes.

L'approche systémique est un processus de prise de décision utilisé pour

concevoir des systèmes. Il est donc fondamental de s'arrêter sur ce processus avant de
s'embarquer dans la tâche de concevoir des systèmes.

La prise de décision est un terme parfois réservé à l'action de

choisir entre plusieurs alternatives. Ce qui est une interprétation du concept très
limitée. La prise de décision est un processus de réflexion qui occupe tout le
activité qui a pour but de résoudre des problèmes.
Tout aspect qui reflète l'effort humain implique des activités avec un but.
dans lesquelles les problèmes doivent être résolus et des décisions prises. La prise de

11
les décisions peuvent être vues comme un processus interactif, un cycle qui inclut
plusieurs cercles successifs.

1.4 El enfoque de sistemas.

C'est un schéma méthodologique qui sert de guide pour la résolution de problèmes,
en particulier envers ceux qui émergent dans la direction ou l'administration d'un
système, en existant une discorde entre ce que l'on a et ce que l'on souhaite, son
problématique, ses composants et sa solution.
L'approche systémique est constituée des activités qui déterminent un objectif général et la
justification de chaque sous-système, les mesures d'action et les normes
en termes de l'objectif général, l'ensemble complet de sous-systèmes et leurs plans
pour un problème spécifique.
Le processus de transformation d'une ressource (problématique) en un produit (actions
planifiées) nécessite la création d'une méthodologie organisée en trois
grands subsystèmes :
. Formulation du problème
. Identification et conception de solutions
. Contrôle des résultats
Cela indique que les directives de travail de base sont :
1. Le développement de concepts et de directives pour étudier la réalité comme un
système (formulation du modèle conceptuel).
2. Le développement de schémas méthodologiques pour orienter le processus de solution de
problèmes dans ses diverses phases.
3. Le développement de techniques et de modèles pour soutenir la prise de décision, ainsi que
pour obtenir et analyser les informations requises.

1.4.1 Comparaison entre l'approche classique et l'approche systémique.

APPROCHE CLASSIQUE APPROCHE SYSTÉMIQUE

Toutes les choses Tout phénomène est

peuvent être partie d'un phénomène
désassemblées et maire.
Réductionnisme réduites à leurs ExpansionnismeLeperformancesde
éléments unsystèmedépend de
fondamentaux simples comment cela se rapporte à
le tout plus grand que cela

12
 que constituent ses contient et duquel
unités indivisibles. fait partie.

Consiste en Le phénomène qui se

décomposer le tout, prétend expliquer c'est
autant que possible vu comme faisant partie d'un
en parties plus simples, système supérieur, et c'est
indépendants et expliqué en termes
indivisibles, qui peuvent du rôle qu'il joue
se résoudre ou dans ce système.
s'expliquer davantage
Pensée facilité ; ensuite, Pensée
Analytique tu essolutionso synthétique
explications partielles
s'intègrent dans une
solution ou explication
de tout, qui constitue
la somme résultante de
les solutions ou
explications des
parties.

Il est basé sur la relation Explique

cause-effet. En lecomportementpar
le phénomène est la cause cela qui produit ou
d'un autre (son effet), pour cela qui est le sien
quand ceci est objectif
nécessaire et suffisant uobjectifproduire.
pour le provoquer. Comme
la cause est suffisante ÉMERGENT
Mécanisme pour obtenir l'effet, Téologie
SYSTÉMIQUE : Le tout est
seule celle-ci sera prise en compte
différent de chacun
raconte-le pour l'expliquer. de ses parties. Le
système présente
caractéristiques propres
que peuvent être
absents de ses parties
constitutives.

1.4.2 L'ingénierie des systèmes, l'environnement et la société.

L'ingénierie a contribué à générer beaucoup de ces changements dans la nature,
parmi lesquels se trouvent ceux de grand bénéfice pour la population, mais

13
également ceux qui sont considérés comme insoutenables d'un point de vue environnemental et
social
L'insoutenabilité environnementale, comprise comme le dépassement des limites
Les impôts par la nature, dans de nombreux cas, trouvent leur origine dans les modèles de
production et de consommation en eux-mêmes. Mais, comme nous le savons, ni les professionnels
de l'ingénierie qui ont participé à la création et à l'implémentation de technologies
qui ont été essentielles pour répondre à divers besoins humains, ni les
bénéficiaires de celles-ci, s'imaginaient à l'époque que beaucoup d'entre elles
pourraient entraîner les conséquences négatives que nous connaissons aujourd'hui.

Un ingénieur en systèmes, en plus de connaître et de maîtriser la technologie actuelle, est

capable de l'améliorer.
En effet, ces diplômés utilisent les nouveaux systèmes, logiciels, programmes et
des applications pour satisfaire les divers besoins de la population et, en plus,
pour développer des technologies qui améliorent la qualité de vie des personnes.
En plus de collaborer avec la technologie elle-même, elle incite au développement des personnes.

1.5.3. Interdisciplinaire de l'ingénierie des systèmes

L'ingénierie des systèmes est une branche interdisciplinaire de l'ingénierie qui permet
étudier et comprendre la réalité, dans le but de mettre en œuvre ou d'optimiser
systèmes complexes. Peut également être considéré comme l'application technologique de la
théorie des systèmes aux efforts de l'ingénierie, adoptant dans tout ce travail
le paradigme systémique. L'ingénierie des systèmes intègre d'autres disciplines et groupes
de spécialité dans un effort d'équipe, formant un processus de développement
centré.
L'ingénierie des systèmes a, comme domaine d'étude, tout système
existant. Par exemple, l'ingénierie des systèmes peut étudier le système.
digestif ou le système immunitaire humain, ou peut-être, le système fiscal d'un pays
spécifique. Dans ce sens, bien que dans certains pays on associe l'ingénierie de
des systèmes comme uniquement associés aux systèmes informatiques, cela est incorrect,
étant donné que les systèmes informatiques ne sont qu'une petite partie d'un vaste éventail de
types et classes de systèmes.
L'ingénierie des systèmes est l'application des sciences mathématiques et physiques pour
développer des systèmes qui utilisent économiquement les matériaux et les forces de la
nature pour le bénéfice de l'humanité.

1.5 Planificación de los medios y de recursos.

14
La planification des médias est la discipline de la publicité chargée de faire parvenir
les messages publicitaires au plus grand nombre de personnes de l'audience cible. Cela
cela se fait par le biais de la sélection des médias et des supports les plus adaptés pour
chaque occasion et cherchant toujours le coût le plus bas possible.

La planification des médias est la mise en œuvre de différentes stratégies et

tactiques pour diffuser un message publicitaire à travers les médias
communication que nous avons disponibles avec un budget limité. Ces
les stratégies impliquent une connaissance absolue du client, de l'annonceur, de ses
produits, prix, stratégies de marketing et de vente, ainsi que de leurs
concurrents. Essayant de nous anticiper à la concurrence toujours à travers des
médias.
La planification des ressources fait référence à l'ensemble des actions et à la
méthodologie que les organisations utilisent pour attribuer de manière efficace les
ressources qu'ils ont pour réaliser les travaux, les tâches ou les projets, et pour
planificar las fechas de inicio y finalización, teniendo en cuenta la disponibilidad de
les ressources. En fonction de l'industrie, les ressources peuvent être des personnes (qu'elles soient
employés ou travailleurs indépendants), équipements et machines (c'est fréquent
dans les affaires de construction, de fabrication ou de maintenance) ou d'espaces et
installations.

1.6 Analyse des problèmes.

Après avoir identifié et validé le problème central, il est crucial que, dans le
perspective de sa solution, cela doit être compris correctement, ce qui implique la
identification et compréhension de ses causes et effets les plus pertinents. L'analyse de
les problèmes ont pour but fondamental la détermination correcte des
causes qui origine un problème, dans l'optique que sa connaissance est utile
comme ligne directrice pour la détermination des alternatives de solution. Bien que l'analyse
des problèmes se fait en termes qualitatifs, dans les étapes avancées de
la conception du projet peut être effectuée de manière quantitative, donnant comme
résultat de la construction de la ligne de base du projet.
Les problèmes liés à la compétitivité des petits producteurs
peuvent avoir diverses causes, selon le niveau auquel il a été situé le
problème central. Ainsi, par exemple, si le problème central est défini comme « bas niveau »
de compétitivité" les causes se trouveront probablement tout au long de la
chaîne de valeur : qualité insuffisante des approvisionnements (approvisionnement), processus
inadecuado de production (fabrication ou opérations), articulation insuffisante à
marchés (marketing), faible capacité de négociation commerciale (distribution), etc.
Si, au contraire, le problème central se situe dans un aspect spécifique de la

15
chaîne de valeur, par exemple, la faible capacité de négociation commerciale ou le faible
niveau de productivité, les causes devront être recherchées à l'intérieur des phases de
distribution et production de la chaîne de valeur, respectivement.

1.6.1 L'importance de l'information.

L'information est un phénomène qui donne un sens aux choses.
En sens général, l'information est un ensemble organisé de données traitées,
que constituent un message sur un certain être ou phénomène. Les données se
perçoivent, s'intègrent et génèrent les informations nécessaires pour produire le
la connaissance qui est celle qui permet finalement de prendre des décisions pour réaliser les
actions quotidiennes qui assurent l'existence.
L'information traite et génère également la connaissance humaine. Quand
nous devons résoudre un certain problème ou nous devons prendre une décision,
nous utilisons diverses sources d'information et construisons ce qui, en général, se
désigne une connaissance ou une information organisée qui permet la résolution de
problèmes ou la prise de décisions.
La génération et l'obtention d'informations remplissent ces objectifs :

Augmenter la connaissance de l'utilisateur.

Fournir à celui qui prend des décisions la matière première fondamentale pour le
développement de solutions et le choix.
Fournir une série de règles d'évaluation et de règles de décision à des fins de
contrôle.

1.6.2 Que es un insumo, producto, variables, criterios, limitaciones y

restrictions.
Le input est tout ce qui est disponible pour l'utilisation et le développement de la vie humaine,
de ce que nous trouvons dans la nature, jusqu'à ce que nous créons nous-mêmes,
c'est-à-dire, la matière première d'une chose.

Un produit est une option éligible, viable et répétable que l'offre propose à
disposition de la demande, pour satisfaire un besoin ou répondre à un désir à
à travers son utilisation ou sa consommation. Le produit est l'un des composants structurels
de la combinaison de marketing.
Une variable est une caractéristique qui peut fluctuer et dont la variation est
susceptible d'adopter différentes valeurs, qui peuvent être mesurées ou observées.
Les variables prennent de la valeur lorsqu'elles sont en relation avec d'autres variables, c'est-à-dire si
faisant partie d'une hypothèse ou d'une théorie.

16
Comme critère, on désigne le principe ou la norme selon lequel on peut connaître la
vérité, prendre une décision, ou donner un avis ou juger sur un certain sujet. Le
le critère, en ce sens, est ce qui nous permet d'établir les lignes directrices ou
principes à partir desquels nous pourrons distinguer une chose de l'autre.
Limitar fait référence à mettre des limites à quelque chose, tandis que la notion de limite est liée
une ligne qui sépare deux territoires, à l'extrémité à laquelle arrive un certain temps,
à l'extrême que peut atteindre le psychique et le physique ou à une restriction

La restriction est une notion d'origine étymologique en latin restrictĭo. Il s'agit de

processus et la conséquence de restreindre. Ce verbe, pour sa part, réfère à limiter,
ajuster, rétrécir ou circonscrire quelque chose. La restriction, en général, marque toujours un
limite.

1.7 Concepts et types de modèles

Es una representación o abstracción de una situación u objeto real, que muestra las
relations (directes ou indirectes) et les interrelations de l'action et de la réaction dans
termes de cause et effet.
Types de modèles
• Iconique : C'est une représentation physique de certains objets, que ce soit sous forme
idéalisée (croquis) ou à une échelle différente
• Analogiques : Peut représenter des situations dynamiques ou cycliques, elles sont plus courantes.
et peuvent représenter les caractéristiques et les propriétés de l'événement qui se
étudie.
• Symboliques ou Mathématiques : Ce sont des représentations de la réalité sous forme de chiffres,
symboles mathématiques et fonctions, pour représenter des variables de décision et
relations qui nous permettent de décrire et d'analyser le comportement du système.

1.7.1 Clasificación de modèles iconiques, analogiques, symboliques,

mathématiques (quantitatives, qualitatives et typiques).
A. Modèle Iconique : C'est une représentation physique de certains objets, que ce soit sous forme
idéaliser ou à une échelle différente. Nous pouvons dire, par exemple, qu'une automobile de
Le jouet est un modèle emblématique d'une véritable voiture.

En général, ces modèles sont particulièrement adaptés à la représentation de

choses statiques ou dynamiques à un moment donné.
B. Modèle analogique : Il représente un ensemble de propriétés du système
étudié à travers des éléments qui possèdent des propriétés similaires. Par exemple,
en un mapa una línea continua representa una autopista o una línea punteada

17
représente une route en construction. Ces modèles sont utilisés avec bons
résultats dans la représentation de situations dynamiques, c'est-à-dire dans la
représentation de processus.
C. Modèle symbolique ou mathématique : C'est une représentation de la réalité à travers
de symboles, ceux qui ont généralement un caractère mathématique ou logique. Un type
un modèle symbolique est une équation. Une équation est facile à comprendre et à
gérer, se prêtant également à des processus computationnels.
Quantitatifs et qualitatifs : La plupart des problèmes d'une entreprise ou
l'organisation commence par une analyse et une définition d'un modèle qualitatif et se
avance progressivement jusqu'à obtenir un modèle quantitatif. La recherche de
les opérations s'occupent de la systématisation des modèles qualitatifs et de leur
desarrollo hasta el punto en que pueden cuantificarse. Cuando es posible construir
un modèle mathématique insérant des symboles pour représenter des relations entre
constantes et variables, nous sommes face à un modèle quantitatif. Une équation est un
modèle de ce type. Les formules, les matrices, les diagrammes ou séries de valeurs
qui sont obtenus par des processus mathématiques.

Construction du modèle.
L'objectif de la construction du modèle est de simuler un phénomène du monde réel
dans lequel le chercheur s'intéresse, dans le but de créer un modèle qui
soit plus simple à étudier que l'objectif lui-même.
Ce que l'on souhaite, c'est que les conclusions tirées du modèle soient également
applicable au public cible, car les deux sont suffisamment similaires. Sans
embargo, en raison de nos compétences en matière de modélisation qui sont limitées, le modèle
ce sera toujours plus simple que la cible.

Le modèle peut être représenté comme une spécification d'une équation mathématique,
une proposition logique ou un programme d'ordinateur, mais pour apprendre quelque chose de
cette spécification, il est nécessaire d'examiner comment le comportement du modèle se
se développe au fil du temps.

Utilité des modèles en ingénierie.

Actuellement, l'ingénierie des systèmes change son orientation vers une approche
orienté vers les modèles, qui décrivent le système selon différents points de vue
et en utilisant des notations diverses.

Cette approche présente les avantages suivants :

18
 . Les modèles sont un moyen de communication avec les clients, les utilisateurs et
fabricants.
. Ils permettent de maintenir l'intégrité du système grâce à la coordination des
actividades de diseño.
. Aident à concevoir en fournissant des modèles, et en organisant et enregistrant les
décisions.
. Ils permettent d'explorer et de manipuler les paramètres et les caractéristiques de la solution.
guidant dans l'agrégation et la décomposition des fonctions du système, ses
composants et éléments constructifs.

Cas d'étude de systèmes à grande échelle.

Ces systèmes se caractérisent par un grand nombre de composants
qui travaillent de manière coordonnée (la plupart à distance), répartis en
de nombreuses occasions tout au long d'une vaste surface et dans lesquelles les ressources
son limités. Comme objectif de contrôle de ces systèmes, en plus de garantir que
chaque composant du processus fonctionne correctement selon certaines conditions
préétablies, il devient nécessaire de planifier la stratégie de fonctionnement
afin que, en fonction des ressources disponibles, nous puissions répondre à des
demandes déterminées.

2.1 Définitions.
L'optimisation des processus est la discipline d'ajuster un processus pour l'optimiser
(faire le meilleur ou le plus efficace usage) d'un ensemble spécifique de paramètres sans
violer une restriction. Les objectifs communs sont de minimiser le coût et de maximiser
le rendement et/ou l'efficacité. C'est l'un des principaux
outilsquantitativesen laprise de décisionindustriels.
Aloptimiserun processus, l'objectif est de maximiser une ou plusieurs des spécifications
du processus, en maintenant tous les autres dans leurs limites. Cela se
vous pouvez faire en utilisant un outil deminage de processusdécouvrir les
activités critiques et goulets d'étranglement, en agissant uniquement sur eux.

Áreas
Il y a trois paramètres qui peuvent être ajustés pour affecter les performances optimales :

Optimisation des équipes

Le premier pas consiste à vérifier que l'équipement existant est utilisé au maximum,
examinant les données opérationnelles pour identifier les goulets d'étranglement dans l'équipement.

Procedimientos de operación

19
Les procédures opérationnelles peuvent varier considérablement d'une personne à l'autre ou
de tour en tour. L'automatisation de l'usine peut aider de manière significative.
Mais l'automatisation ne servira à rien si les opérateurs prennent le contrôle et exécutent.
plante à la main.
Contrôle de l'optimisation

Dans une usine de transformation typique, comme uneplante chimiqueou uneraffinerie de

pétrolehay cientos o incluso miles de bucles de control. Cada circuito de control
est responsable de contrôler une partie du processus, comme maintenir la température,
le niveau ou le flux.

2.1.2 Nature des procédures de

optimisation : Cas divers.
L'un des outils les plus importants de l'optimisation est la programmation
linéaire. Un problème de programmation linéaire est donné par une fonction linéaire de
plusieurs variables qui doivent être optimisées (maximisées ou minimisées) en respectant
avec un certain nombre de restrictions également linéaires.

Le mathématicien G.B. Dantzig a développé un algorithme appelé la méthode du simplexe pour

résoudre des problèmes de ce type. La méthode du simplexe originale a été modifiée afin
d'obtenir un algorithme efficace pour résoudre de grands problèmes de
programmation linéaire par ordinateur.
Grâce à la programmation linéaire, il est possible de formuler et de résoudre des problèmes de
une grande variété de domaines de l'activité humaine, parmi lesquels on peut
mentionner : attribution des ressources dans la planification gouvernementale, analyse des réseaux
pour la planification urbaine et régionale, la planification de la production dans l'industrie, et
la gestion des systèmes de transport et de distribution. Pour cela, la programmation
linéaire est l'un des succès de la théorie moderne de l'optimisation.

2.2 Histoire de la recherche opérationnelle.

Les débuts de ce qui est aujourd'hui connu sous le nom de Recherche Opérationnelle se
remontent aux années 1759 lorsque l'économiste Quesnay commence à utiliser
modèles primitifs de programmation mathématique. Plus tard, un autre économiste de
Walras, en 1874, utilise des techniques similaires. Les modèles linéaires de
la Recherche Opérationnelle a pour précurseurs Jordan en 1873,
Minkowski en 1896 et Farkas en 1903. Les modèles dynamiques probabilistes
ils ont leur origine avec Markov à la fin du siècle dernier.

20
Le développement des modèles d'inventaire, ainsi que celui des temps et des mouvements,
se déroule dans les années vingt de ce siècle, tandis que les modèles de ligne
des attentes découlent des études d'Erlang, au début du XXe siècle. Les
Les problèmes d'affectation sont étudiés par les Hongrois avec des méthodes mathématiques.
Konig et Egervary dans la deuxième et la troisième décennies de ce siècle. Les problèmes de
la distribution est étudiée par le russe Kantorovich en 1939. Von Neuman s'appuie sur
1937 ce qui, des années plus tard, aboutira à la Théorie des Jeux et la
Théorie des préférences (cette dernière développée en collaboration avec Morgenstern). Il y a
faire remarquer que les modèles mathématiques de la Recherche Opérationnelle
que ces précurseurs utilisaient, étaient basés sur le calcul différentiel et
Intégrale (Newton, Lagrange, Laplace, Lebesgue, Leibnitz, Reimann, Stieltjes, par
mentionner quelques-uns), la Probabilité et la Statistique (Bernoulli, Poisson, Gauss,
Bayes, Gosset, Snedecor, etc.).

2.2.1 Caractéristiques essentielles de la recherche opérationnelle.

La recherche opérationnelle est une méthode analytique avancée qui permet de
résolution de problèmes et prise de meilleures décisions dans les organisations.
Les méthodes les plus utilisées incluent la logique mathématique, la simulation, l'analyse de
réseaux, théorie des files d'attente et théorie des jeux.

Avec l'utilisation de la recherche opérationnelle, il est possible que les dirigeants dans les
les organisations peuvent construire des systèmes efficaces basés sur les données
complets, la prise en compte de toutes les alternatives possibles, prédire
soigneusement les résultats et faire usage d'outils et de techniques de décision.
Caractéristiques de la recherche opérationnelle
Parmi les principales caractéristiques de la recherche opérationnelle, on trouve les
suis suivants

. Pour enquêter sur les problèmes, utilisez la méthode scientifique de recherche.

. Le processus de recherche commence par l'observation de problèmes et
recolección de datos.
. Le problème se présente de manière quantitative, c'est seulement de cette façon que cela est possible
son analyse et évaluation.
. L'objectif de cette méthode est de résoudre des problèmes organisationnels.
. Il s'occupe de trouver la meilleure alternative pour la solution du problème.

21
 . Pour que cette méthode fonctionne, il est nécessaire de travailler en équipe, le
qui doit être composé d'experts.

2.2.2 Description de la théorie des ensembles convexes et sa relation avec la

programmation linéaire.

La théorie des ensembles convexes a été principalement développée par le célèbre

mathématicien allemand H. Minkowski. Il a introduit et étudié les concepts de
hiperplano soporte de un conjunto convexo y su envolvente afín, la función convexa,
la somme de ensembles convexes (maintenant appelée somme de Minkowski), les espaces
vectoriels de dimension finie avec la boule unitaire convexe (maintenant appelés
espaces de Minkowski), les volumes mirtos, les propriétés des fonctionnels
linéaires sur un ensemble convexe, etc. Cela s'est produit à la frontière des siècles
XIX et XX. Plusieurs mathématiciens (en particulier ceux qui travaillaient en Analyse
Classique) ont caractérisé sa contribution à la géométrie comme un jouet
mathématicien très beau et élégant, mais malheureusement inutile pour les
applications.
Aproximadamente un siglo ha pasado. Ahora la teoría geométrica de la convexidad
c'est l'un des outils importants des mathématiques appliquées modernes.
Les chercheurs en analyse fonctionnelle, en économie mathématique, en optimisation,
la théorie des jeux et de nombreuses autres branches des mathématiques modernes, théoriques et
appliquées, utilisent largement les notions et les résultats de la théorie des ensembles
convexos. Ahora es natural que, antes de trabajar con las fórmulas, las integrales,
les inégalités, etc. Il est nécessaire de représenter un tableau géométrique du
problème qui est en cours d'investigation.

2.2.3 Approche progressive de la programmation mathématique.

L'optimisation, également appelée programmation mathématique, sert à
trouver la réponse qui fournit le meilleur résultat, celle qui obtient les meilleurs
gains, plus de production ou bonheur ou celui qui atteint le moindre coût, gaspillage
le mal-être.
Pour avoir un sens, cela devrait être écrit sous forme d'une expression mathématique qui
contienne une ou plusieurs variables, dont les valeurs doivent être déterminées. La question que
Se formule, en termes généraux, est quels devraient être les valeurs de ces variables
pour que l'expression mathématique ait la plus grande valeur numérique possible
(maximisation) ou la valeur numérique la plus basse possible (minimisation). À ce processus
On appelle optimisation le processus de maximisation ou de minimisation.
a) Modèles linéaires. Le terme modèle linéaire est utilisé dans différents
manières selon le contexte. La manière la plus fréquente est en

22
 connexion avec des modèles de régression et le terme est souvent pris
comme un synonyme du modèle de régression linéaire. Cependant, le
terme est également utilisé dans l'analyse des séries chronologiques avec un
signification différente. Dans chaque cas, la désignation comme « linéaire » est
utilisée pour identifier une sous-classe de modèles pour lesquels la
réduction de la complexité de la théorie statistique associée est
possible.
b) Modèles non linéaires. Un modèle de régression non linéaire peut être
définir comme un ajustement à tout modèle différent du modèle d'une
ligne droite.

2.2.4 Les algorithmes pour résoudre les modèles d'optimisation.

La programmation linéaire est souvent l'un des sujets préférés tant de
professeurs comme d'élèves. La capacité d'introduire la PL en utilisant un
abordage graphique, la facilité relative de la méthode de solution, la grande disponibilité
de paquets de logiciels de PL et la large gamme d'applications font que le PL
accessible même pour les étudiants ayant peu de connaissances en mathématiques.
De plus, la PL offre une excellente occasion de présenter l'idée de l'analyse.
qu'est-ce que l'analyse des hypothèses puisque des outils puissants ont été développés
pour l'analyse de post-optimalité du modèle de PL.
La méthode du simplexe est un autre algorithme pour résoudre des problèmes de PL. N'oubliez pas que
la méthode algébrique fournit tous les sommets y compris ceux qui ne sont pas
réalisables. Par conséquent, ce n'est pas une manière efficace de résoudre des problèmes de PL
avec de nombreuses restrictions. La méthode du Simplex est une modification de la méthode
algebrique, qui surmonte ces déficiences. Cependant, la Méthode Simplexe a
ses propres déficiences. Par exemple, cela exige que toutes les variables soient
non-négatives (³ 0); De plus, toutes les autres contraintes doivent être sous la forme
£ avec un LMD de valeurs non-négatives.
Tout comme la méthode algébrique, la méthode du simplexe est une solution algorithmique
tabulaire. Cependant, chaque tableau (d'itération) dans la méthode du simplexe correspond à
un mouvement depuis un Ensemble de Base de Variables (EBV) (points extrêmes ou
esquinas) à un autre, en s'assurant que la fonction objectif s'améliore à chaque itération
jusqu'à trouver la solution optimale.
Les Recettes Numériques soutiennent que l'algorithme Simplex est 'presque toujours' O (Max
(N, M)), ce qui signifie que le nombre d'itérations est un facteur du nombre de
variables ou restrictions, celui qui est le plus grand.

2.3 La programmation linéaire.

23
La programmation linéaire a prouvé être un outil extrêmement puissant,
tant dans la modélisation de problèmes de la vie réelle que dans la théorie mathématique
de larges applications. Cependant, de nombreux problèmes intéressants d'optimisation
son non linéaires. L'étude de ces problèmes implique un mélange divers de
algèbre linéaire, calcul multivarié, analyse numérique et techniques de calcul.
Parmi les domaines spéciaux importants se trouve la conception d'algorithmes de
computación (incluidas las técnicas de puntos interiores para programación lineal),
la géométrie et l'analyse des ensembles convexes et des fonctions, et l'étude de
problèmes spécialement structurés, tels que la programmation quadratique. La
L'optimisation non linéaire fournit des informations fondamentales pour l'analyse
mathématicien, et est largement utilisé dans les sciences appliquées (dans des domaines tels que
comme la conception d'ingénierie, l'analyse de régression, le contrôle des stocks et dans
la exploration géophysique).
Le problème de la résolution d'un système linéaire d'inéquations remonte à
moins, à Joseph Fourier, après qui naît la méthode d'élimination de
Fourier-Motzkin. La programmation linéaire se présente comme un modèle mathématique
développé pendant la Seconde Guerre mondiale pour planifier les dépenses et les
retours, afin de réduire les coûts pour l'armée et d'augmenter les pertes de l'ennemi.
Il est resté secret jusqu'en 1947. Dans l'après-guerre, de nombreuses industries l'ont utilisé.
dans sa planification quotidienne.

2.3.1 Le modèle de programmation linéaire (Terminologie de la programmation

linéaire).
La programmation linéaire est le domaine de la programmation mathématique consacré à
maximiser ou minimiser (optimiser) une fonction linéaire, appelée fonction objectif,
de telle sorte que les variables de cette fonction soient soumises à une série de
restrictions exprimées par un système d'équations ou d'inéquations
aussi linéaires. La méthode traditionnellement utilisée pour résoudre des problèmes de
la programmation linéaire est la méthode du simplexe.

Les modèles de programmation entière sont une extension des modèles linéaires en
ceux que certaines variables prennent des valeurs entières. Fréquemment, les variables
les entières prennent uniquement des valeurs entre 0 et 1, car ce type de variables permet
représenter des conditions logiques.

2.3.2 Structure de base du problème (explication du modèle).

En concret, la programmation linéaire est une méthode mathématique qui permet d'analyser
et choisir le meilleur parmi de nombreuses alternatives. En termes généraux, nous pouvons penser
dans la programmation linéaire comme un moyen de déterminer la meilleure façon de
distribuer une quantité de ressources limitées dans le but d'atteindre un objectif
expresable en maximiser ou minimiser une certaine quantité.

24
Le modèle général d'un problème de programmation linéaire se compose de deux parties très
importantes : la fonction objectif et les contraintes.
La fonction objective linéaire

L'expression mathématique de l'objectif s'appelle la fonction objectif et le but doit être

maximiser ou minimiser cette expression.

La fonction objectif linéaire peut être représentée de la manière suivante :

Z = Cl X1 + C2 X2 +...... + Cn Xn
ou en utilisant la notation des sommes
n
Z = ∑ CjXj
j=1
Où :
Z = Fonction objectif linéaire.

Cj = Prix net ou coût unitaire, selon le modèle.

Xj = Activité ou processus.
L'objectif peut être la maximisation de certaines variables de revenu qui peuvent
varier en fonction des revenus nets ou bruts, selon la façon dont se structure le
modèle. La programmation linéaire peut également s'appliquer aux problèmes de
minimisation des coûts et ces programmes partent d'un ensemble différent de
critères pour son optimisation.
Les coefficients C1, C2...., Cn sont les coefficients de coût (connus) ou de
revenus, selon le type de problème que nous sommes en train de résoudre. D'autre part, X1,
X2. . . . , Xn sont les variables de décision (variables, ou niveaux d'activité) qui
doivent être déterminées de telle manière que l'objectif soit atteint dans les
restrictions auxquelles le problème est confronté.

Un ensemble de contraintes ou d'inégalités linéaires

Les restrictions, exprimées par des inégalités linéaires, sont composées
par les coefficients techniques (Aij), les activités ou processus (Xn), lesquels
ils ont également été pris en compte dans la fonction objective et en plus les niveaux ou
limitations (Bi). L'ensemble des restrictions s'exprime de la manière suivante :
A11 X1 + A12 X2 + …+ A1n Xn ≤ B1
A21 X1 + A22 X2 +...+ A2m Xn ≥ B2
...

25
... Am1 X1 + Am2 X2 + ... + Amn Xn = Bm

X1, X2,…,Xn ≥ 0
Selon Beneke et Winterboer (1984 : 25), il existe trois types de restrictions fondamentales : de
«plus grand que» (≥), «moins grand que» (≤) ou d'égalité (=), et celles-ci peuvent être
classées en raison de leur nature :
- Restrictions sur les ressources ou les intrants : celles-ci peuvent inclure des terrains, du capital,
main-d'œuvre et installations.
- Restrictions externes : cette classe inclut des concepts tels que les attributions
gouvernementaux de superficie de terrain, les limites de crédit accordées aux
produits ou obligations de type légal.
- Restrictions subjectives : ces restrictions sont imposées par l'opérateur lui-même.
Les limites peuvent être difficiles à définir, mais elles sont souvent réelles et significatives.
dans le processus de planification. Souvent, les contraintes imposées proviennent de
les propres objectifs personnels ou commerciaux du planificateur. Parmi les limitations
De ce type, on peut citer les suivantes :
• Limitations sur le niveau de crédit que le planificateur est prêt à utiliser. Dans
souvent inférieur au montant que les prêteurs sont prêts à
apporter. La motivation typique pour ce type de limitations est le désir peu explicite
de evitar los azares de la deuda.
• Restrictions en raison du risque lié au niveau des activités qui présentent des aspects
liés à des revenus très variables tels que l'élevage de moutons ou de
bétail
• Restrictions minimales concernant ce que l'opérateur juge souhaitable par
raisons non proprement liées aux revenus directs comme le fait de garder des vaches de
race pure, vaches laitières ou cultures pour maintenir les qualités du sol.
2.3.3 Élaboration du modèle sur une application à l'ingénierie civile.
Les modèles d'optimisation contribuent au profil professionnel de l'ingénieur civil.
bases pour le développement des capacités nécessaires qui lui permettent d'influencer
le processus de prise de décision du point de vue organisationnel, avec le
but de l'optimisation des processus et des ressources inhérentes au domaine de la pratique de
l'ingénierie civile.
La conception de structures soumises à des charges externes nécessite une évaluation
réaliste du facteur de sécurité par rapport à l'effondrement de la structure,
dénommé multiplicateur d'effondrement. La détermination de ce multiplicateur est
un requisito de base pour un design optimal. Le projet exige que le designer
établir un mécanisme d'effondrement de conception, exigence qui n'est pas possible
cumplir a priori. Ante este requerimiento las metodologías de análisis que permiten

26
déterminer le mécanisme d'effondrement réel pour un état de charges donné
une importance fondamentale.
Ce travail de recherche s'inscrit dans le domaine de la conception sismique de
structures et est axé sur le développement d'une méthode d'analyse et d'identification
du mécanisme d'effondrement d'une structure associée à un état de charges
donné, par l'étude et la vérification du comportement de celle-ci avec des techniques
de programmation linéaire. Dans ce sens, un méthode simple est mise en œuvre comme le
Simplex au processus de recherche du mécanisme d'effondrement des portiques plans. Le
le traitement de ce problème structurel conduit à la forme standard de celui-ci
méthodologie de programmation linéaire. Il est montré que l'obtention du multiplicateur
Le colapso peut être entièrement automatisé pour des portiques plats. À partir d'un
algorithme de résolution simple, et basé sur les mécanismes d'effondrement simples,
on obtient le mécanisme d'effondrement de la structure pour l'état des charges
dé
L'objectif principal est la vérification et l'optimisation de la conception d'une structure
en employant le mécanisme d'effondrement réel. Cette méthodologie permet également
s'assurer que tous les joints soient produits simultanément pour l'état de
charges de conception.

2.3.4 Méthode graphique.

Le méthode graphique ou méthode géométrique permet la résolution de problèmes
sencillos de programmation linéaire de manière intuitive et visuelle. Ce méthode se
trouve limité à des problèmes de deux ou trois variables de décision car ce n'est pas
possible d'illustrer graphiquement plus de 3 dimensions.
Bien qu'en réalité, les problèmes ne surviennent rarement uniquement avec deux ou trois.
Les variables de décision s'avèrent cependant très utiles pour cette méthodologie de
résolution. En reproduisant graphiquement les situations possibles telles que
existence d'une solution optimale unique, solutions optimales alternatives, le non
l'existence de solution et la non-brièvement, constituent une aide visuelle pour
interpréter et comprendre l'algorithme de la méthode Simplex (bien plus sophistiqué et
abstrait) et les concepts qui l'entourent.
Les phases de la procédure de résolution de problèmes par la méthode
Le graphique est le suivant :
1. Dessiner un système de coordonnées cartésiennes dans lequel chaque variable de
la décision est représentée par un axe.
2. Établir une échelle de mesure pour chacun des axes appropriée à son
variable associée.
3. Dessiner dans le système de coordonnées les contraintes du problème,
y compris celles de non-négativité (qui seront les propres axes). Noter que

27
 une inéquation définit une région qui sera le semi-plan délimité par la ligne
recta que se a comme une égalité, tandis que
que si une équation définit une région qui est la propre ligne droite.

L'intersection de toutes les régions détermine la région réalisable ou l'espace

de solutions (qui est un ensemble convexe). Si cette région n'est pas vide, se
continuera avec l'étape suivante. Sinon, il n'y a aucun point
qui satisfait simultanément toutes les contraintes, donc le
le problème n'aura pas de solution, étant appelé non réalisable.
5. Déterminer les points extrêmes ou sommets du polygone ou polyèdre que
forme la région réalisable. Ces points seront les candidats pour la solution
optimale.
6. Évaluer la fonction objectif à tous les sommets et celui (ou ceux) qui
maximisez (ou minimisez) la valeur résultante déterminée par la solution optimale
du problème.
Exemples
1.- Une entreprise produit deux types de tables : un style colonial et un autre style nordique.
Les
les utilités qui se dégagent de sa vente sont de 2 000 $ pour la coloniale et de 2 200 $ pour la
nordique. Pour cette semaine, une commande de 10 tables de type nordique a déjà été passée. Le directeur

la production souhaite réaliser la planification de sa production hebdomadaire en sachant que

seulement 450 heures pour la construction et 200 heures pour les vernir.
Le tableau suivant indique les heures nécessaires pour réaliser chacune des
tâches et l'utilité pour les deux tables.

Colonial Nordique
Construction 6h 8h
Vernissage 5h 2h
Utilité Unitaire 2000 $ $2200

28
Définition des variables de décision Fonction Objectif

x: Cantidad de mesas de tipo colonial a producir Max. U =2000 + 2200

y: Cantidad de mesas de tipo nórdico a producir
Restrictions

Commande :y ≥ 10 tables nordiques

Fabricación: 6x + 8y ≤ 450 heures

Opérations
Barnizado: 5x + 2y ≤ 200 heures
Fabricación: 6x + 8y ≤ 450
, ≥ 0
En dégageant x Despejando et

6x ≤ 450- 8y 8y ≤ 450- 6x
x ≤ (450- 8y) / 6 ≤ (450- 6x) / 8

Substituant quand : Substituer quand : Fabrication

= 0 = 0 x y
0 56,25
x ≤ (450– 8(0)) / 6 ≤ (450- 6(0)) / 8
75 0
x ≤ 75 ≤ = 56,25

Vernissage :5x + 2y ≤ 200

Résoudre x Despejando et

5x ≤ 200– 2y 2y ≤ 200- 5x
≤ (200- 2y) / 5 ≤ (200- 5x / 2

Remplaçant quand : Substituant quand : Barnisé

= 0 = 0 x y
0 100
x ≤ (200– 2(0)) / 5 ≤ (200– 5(0)) / 2
40 0
x ≤ 40 ≤ = 100

29
Pedido: y ≥ 10 tables nordiques

Fabricación: 6x + 8y ≤ 450 heures

Barnisage5x + 2y ≤ 200 heures

Graphique
60
B=(56,25)
50

40 C=(25,37.5)

30

20

D=(36,10)
10
A=(0,10)
0
0 5 10 15 20 25 30 35 40

Función Objetivo

á . = 2000x + 2200y

= (0,10) = 2 000x + 2 200y = 2000(0) + 2200(10) = 22 000

á = (0, 56,25)= 2 000 + 2 200y = 2000(0) + 2200(56.25) = 123 750

á = (25, 37,5)= 2 000 + 2 200 = 2000(25) + 2200(37,5) = 132 500

á = (36, 10)= 2 000 + 2 200 = 2000(36) + 2200(10) = 94000

On observe que la solution optimale est de produire 25 tables coloniales par semaine et
37,5 nórdicas, obtenant l'utilité maximale équivalente de 132 500 $ par semaine.

2.- Une entreprise d'assemblage de produits de communication doit programmer son

production hebdomadaire. En raison de problèmes de liquidité, vous souhaitez minimiser vos
coûts hebdomadaires, car ils paient la production 20 jours après la livraison.
Actuellement, il est en train de préparer deux articles différents, le T14 et le B2 ; les deux articles
doivent être assemblés et testés par du personnel spécialisé. L'entreprise acheteuse
requiert pas moins de 100 appareils par semaine ; du modèle B2, il doit livrer non

30
moins d'un quart de ce que j'ai remis du T14, mais en aucun cas cela ne doit
surpass by more than 150 the number of T14 teams. In table 2.4 it is indicated the
temps que les spécialistes mettent pour assembler et tester chaque équipement, exprimé
en minutes, ainsi que la disponibilité de temps.
ÉquipementsT14 B12 Disponibilité
Armés 10 min 12 min 55 h
Pruebas 30 min 6 min 100 h
Coûts $100 60 $

Définition des variables de décision

T: nombre d'articles T14 à produire

B : nombre d'articles B12 à produire

Fonction Objectif

Min. Z= 100 1+ 60 2

Restrictions

Commande : T + B ≥ 100 minimum d'équipements

Minimum de B2 : B ≥ ¼ T minimum d'équipements B2

Maximum de B2 : B ≤ T + 150 maximum d'équipements B2

Armado : 10 T + 12 B ≤ 55 (60) minutes

Tests : 30 T + 6 B ≤ 100(60) minutes
T, B ≥ 0

Équipements T14 B2 Disponible

Commande 1 1 ≥ 100
Minimum de B -1/4 1 ≥0
Maximum de B -1 1 ≤ 150
Armés 10 min 12 min ≤ 3300 min
Essais 30 min 6 min ≤ 6000 min
Coûts 100 $ 60 $
Opérations

1+ 2≥ 100

31
 1
− 1+ 2≥ 0
4
− 1+ 2≤ 150

10x1+ 12x2≤ 3300

30x1+ 6x2 ≤ 6000

1≥ 0

2≥ 0

Grafica
300
R3

250 R5

200

150

R4
100

R1 R2
50

0
0 50 100 150 200 250

R1 : T + B ≥ 100
Le graphique de l'ensemble des solutions a six sommets.
R2 : -¼ T + B ≥ 0 En déplaçant la FO dans la direction de minimisation, le
le dernier point abordé est (0, 100); cela indique que, pour
R3: -T + B ≤ 150 satisfaire toutes les contraintes, mais avec le minimum
R4 : 10 T + 12 B ≤ 3 300 coût, seulement 100 articles de ce type doivent être produits
B2, ce qui implique que ses coûts seront de 6 000 $.
R5 : 30 T + 6 B ≤ 6 000

T, B ≥ 0

2.3.5 Plus de deux variables méthode du simplexe.

La méthode du Simplex est une procédure itérative qui permet d'améliorer la solution de
la fonction objectif à chaque étape. Le processus se termine lorsqu'il n'est plus possible
continuer à améliorer ce valeur, c'est-à-dire que la solution optimale a été atteinte (le

32
valeur maximale ou minimale possible, selon le cas, pour laquelle toutes les conditions sont satisfaites
restrictions).
Partant de la valeur de la fonction objective à un point quelconque, la procédure
consiste à chercher un autre point qui améliore la valeur précédente. Comme on le verra dans le
méthode graphique, ces points sont les sommets du polygone (ou polyèdre ou polychoron,
si le nombre de variables est supérieur à 2) qui constitue la région déterminée par
les restrictions auxquelles le problème est soumis (appelée région faisable).
La recherche s'effectue en se déplaçant le long des arêtes du polygone,
depuis le sommet actuel jusqu'à un adjacent qui améliore la valeur de la fonction
objectif. Tant qu'il existe une région réalisable, comme son nombre de sommets et d'arêtes
C'est fini, sera-t-il possible de trouver la solution.

La méthode Simplex est basée sur la propriété suivante : si la fonction objective Z ne

prend son maximum au sommet A, alors il existe une arête qui part de A et vers
tout au long duquel la valeur de Z augmente.
Il sera nécessaire de prendre en compte que la méthode Simplex ne fonctionne qu'avec
restrictions du problème dont les inéquations sont du type "≤" (moins ou égal) et
ses coefficients indépendants soient supérieurs ou égaux à 0. Par conséquent, il sera nécessaire de
standardiser les restrictions pour qu'elles respectent ces exigences avant de commencer le
algoritmo del Simplex. En caso de que después de este proceso aparezcan
restrictions de type "≥" (supérieur ou égal) ou "=" (égalité), ou ne peuvent être changées,
il sera nécessaire d'employer d'autres méthodes de résolution, la plus courante étant le
méthode des Deux Phases.

Résoudre le problème suivant par la méthode du simplexe :

Maximiser Z = f(x,y) = 3x + 2y
sujet à : 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0

Les phases suivantes sont considérées :

1. Réaliser un changement de variables et normaliser le signe des termes

indépendants.

Un changement est apporté à la nomenclature des variables. Établissant la

correspondance suivante :

ox devient X1

oet devient X2

33
 Comme les termes indépendants de toutes les contraintes sont positifs
il n'est pas nécessaire de faire quoi que ce soit. Sinon, il faudrait multiplier par "-1" dans
les deux côtés de l'inéquation (en tenant compte que cette opération aussi
affecte le type de restriction.

[Link] les contraintes.

Les inéquations se transforment en équations en ajoutant des variables de

holgura, excesoyartificialessegún la tabla siguiente :

Tipo de desigualdad Type de variable qui apparaît

≥ - excès + artificiel
= + artificiel
≤ + aisance

Dans ce cas, une variable d'écart (X3, X4 et X5) est introduite dans chacune.
des contraintes du type ≤, pour les transformer en égalités, ce qui donne le
système d'équations linéaires :

2·X1+ X2+ X3= 18

2·X1+ 3·X2+ X4= 42
3·X1+ X2+ X5= 24

3. Égaler la fonction objective à zéro.

Z - 3·X1 - 2·X2 - 0·X3 - 0·X4 - 0·X5 = 0

4. Écrire le tableau initial de la méthode du Simplexe.

Le tableau initial de la méthode du Simplex est composé de tous les coefficients de

les variables de décision du problème original et celles de marge, d'excès et
artificielles ajoutées à l'étape 2 (dans les colonnes, étant P0 le terme
indépendant et le reste des variables Picoinciden avec Xi), et les restrictions (en
les coefficients des variables qui se
ils se trouvent à la base.

La première ligne est composée des coefficients de la fonction objectif,

tandis que la dernière ligne contient la valeur de la fonction objectif et les coûts
réduitsZj- Cj.

La dernière ligne se calcule comme suit : Zj = Σ(Cbi·Pj) pour i = 1..m, où si j =

0, P0= biy C0= 0, y en caso contrario Pj= aij. Aunque al tratarse de la première
tableau de la méthode du Simplex et tous les Cbnulos peuvent simplifier le calcul,
et pour cette fois disposer Zj = -Cj.

34
 Tableau I. Itération nº 1
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 18 2 1 1 0 0
P4 0 42 2 3 0 1 0
P5 0 24 3 1 0 0 1
Z 0 -3 -2 0 0 0

Condition d'arrêt.
Si l'objectif est la maximisation, lorsque dans la dernière ligne (ligne indicatrice) non
il n'existe aucune valeur négative parmi les coûts réduits (colonnes P1en
en avant) on atteint la condition d'arrêt.

En ce cas, on arrive à la fin de l'algorithme car il n'existe aucune possibilité de

amélioration. La valeur de Z (colonne P0) est la solution optimale du problème.

Un autre cas possible est que dans la colonne de la variable d'entrée à la base
tous les valeurs sont négatives ou nulles. Cela indique que le problème ne se
trouve limité et sa solution sera toujours perfectible. Face à cela
la situation n'est pas nécessaire de continuer à itérer indéfiniment et il est également possible de
terminer l'algorithme.

Dans le cas contraire, les étapes suivantes sont exécutées de manière itérative.

Sélection de la variable entrante et sortante de la base.

On détermine d'abord la variable qui entre dans la base. Pour cela,
choisissez la colonne dont la valeur dans la ligne Z est la plus petite parmi toutes
négatifs. Dans ce cas, ce serait la variable X1(P1) de coefficient -3.

S'il existait deux coefficients égaux ou plus qui remplissent la condition

antérieur (en cas d'égalité), on choisira la variable qui est
basiques.

La colonne de la variable qui entre dans la base s'appelle colonne pivot.

colorvert).

Une fois obtenue la variable qui entre dans la base, on procède à déterminer
quelle sera la variable qui en sort. La décision est prise sur la base d'un
calcul simple : diviser chaque terme indépendant (colonne P0) par le
élément correspondant de la colonne pivot, à condition que les deux éléments
sean strictement positifs (supérieurs à zéro). On choisit la ligne dont
le résultat a été un résultat minimal.

35
 S'il y avait un élément inférieur ou égal à zéro, ce quotient ne serait pas effectué.
Au cas où tous les éléments de la colonne pivot seraient de celle-ci
la condition aurait été remplie, la condition d'arrêt et le problème aurait une
solution non bornée (voirthéorie de la méthode du Simplex).

Dans cet exemple : 18/2 [=9], 42/2 [=21] et 24/3 [=8]

Le terme de la colonne pivot qui, dans la division précédente, a donné lieu au moindre
Un quotient positif indique la ligne de la variable de slack qui sort de la base. Dans
ce cas s'avère être X5(P5), avec un coefficient de 3. Cette ligne est appelée ligne pivot.
colorvert)

Si en calculant les quotients, deux résultats ou plus répondent à la condition pour

choisir l'élément saillant de la base (en cas d'égalité), on choisit celui qui
pas de variable de base (tant que c'est possible).

L'intersection de la ligne pivot et la colonne pivot marque l'élément pivot,

dans ce cas le 3.

Mettre à jour le tableau.

Les nouveaux coefficients du tableau sont calculés de la manière suivante :

oDans la ligne de l'élément pivot, chaque nouvel élément est calculé comme :

Nouvel Élément Ligne Pivote = Élément Précédent Ligne Pivote / Pivote

oDans le reste des lignes, chaque élément est calculé :

Nouvel Élément Ligne = Ancien Élément Ligne - (Ancien Élément Ligne

en Colonne Pivot * Nouvel Élément de Ligne Pivot)

Avec cela, l'élément pivot est normalisé et sa valeur devient 1, tandis que
que le reste des éléments de la colonne pivot s'annulent (analogue à la méthode
de Gauss-Jordan).

Voici les calculs pour la ligne P4 :

Antérieure fila P4 42 2 3 0 1 0
- - - - - -
Élément antérieur de la ligne dans la colonne pivot 2 2 2 2 2 2
x x x x x x
Nouvelle ligne pivot 8 1 1/3 0 0 1/3
= = = = = =
Nouvelle ligne P4 26 0 7/3 0 1 - 2/3

36
 La table correspondant à cette deuxième itération est :

Tableau II. Itération n° 2

3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 2 0 1/3 1 0 -2/3
P4 0 26 0 7/3 0 1 -2/3
P1 3 8 1 1/3 0 0 1/3
Z 24 0 -1 0 0 1

5. En vérifiant la condition d'arrêt, il est observé qu'elle n'est pas remplie car entre
Les éléments de la dernière ligne contiennent un négatif, -1. On continue à itérer.
à nouveau les étapes 6 et 7.
o6.1. La variable qui entre dans la base est X2(P2), étant donné que c'est la variable qui
correspond à la colonne où se trouve le coefficient -1.

o6.2. Pour calculer la variable qui sort, on divise les termes de la

colonne P0 entre les termes correspondants de la nouvelle colonne
pivote : 2 / 1/3 [=6], 26 / 7/3 [=78/7] et 8 / 1/3 [=24]. Comme le plus petit quotient
positif est 6, la variable qui sort de la base est X3(P3).

o6.3. L'élément pivot est 1/3.

o7. En actualisant à nouveau les valeurs du tableau, on obtient :

Tableau III. Itération n° 3

3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 6 0 1 3 0 -2
P4 0 12 0 0 -7 1 4
P1 3 6 1 0 -1 0 1
Z 30 0 0 3 0 -1

[Link] nouvelle vérification de la condition d'arrêt révèle qu'entre les

Les éléments de la ligne indicatrice comptent de nouveau un négatif, -1. Cela signifie que
la solution optimale n'a pas encore été atteinte et il faut continuer à itérer (étapes 6 et
7):

o6.1. La variable qui entre dans la base est X5(P5), car c'est la variable qui
correspond à coeficient -1.

37
 o6.2. On choisit la variable qui résulte du calcul du quotient entre les
termes de la colonne des termes indépendants et les termes
correspondantes de la nouvelle colonne pivot : 6/(-2) [=-3], 12/4 [=3], et
6/1 [=6]. Cette fois-ci, c'est X4(P4).

o6.3. L'élément pivot est 4.

o7. Après avoir mis à jour toutes les lignes, on obtient le tableau suivant :

Tableau IV . Itération nº 4
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 12 0 1 -1/2 1/2 0
P5 0 3 0 0 -7/4 1/4 1
P1 3 3 1 0 3/4 -1/4 0
Z 33 0 0 5/4 1/4 0

[Link] de l'algorithme.

On observe que dans la dernière ligne, tous les coefficients sont positifs, ce qui est respecté par
tant, la condition d'arrêt.

La solution optimale est donnée par la valeur de Z dans la colonne des termes
indépendants (P0), dans cet exemple : 33. Dans la même colonne, on peut voir le point
où elle est atteinte, en observant les rangées correspondant aux variables de décision
qui sont entrés dans la base : X1 = 3 et X2 = 12.

En déduisant le changement de variables, on obtient x = 3 et y = 12.

2.3.6 Méthode de dualité.

Le modèle dual d'un problème deProgrammation Linéaireconsiste en une instance
alternative de modélisation mathématique qui nous permet de récupérer l'information
du problème original communément connu sous le nom de modèle primal.
En conséquence, il suffit de résoudre l'un d'eux (primal ou dual) pour pouvoir
obtenir la solution optimale et la valeur optimale du problème équivalent (primal ou dual)
selon le cas). Pour cela, on peut utiliser, par exemple, les conditions
établies en leThéorème des Marges Complémentaires.
Les relations de dualité peuvent se résumer dans le tableau suivant :

38
 Problème de Minimisation Problème de Maximisation

Si la restriction est : La variable associée est

>= >=0

<= <=0

= irrestricta

Si la variable est : La restriction

correspondant est :

>=0 <=

<=0 >=

irrestricta =

La table précédente peut être interprétée de gauche à droite ainsi que

à droite à gauche.

Exercice proposé : Utiliser les relations de dualité en programmation

Linéaire, donné un problème primal P, démontrez que son correspondant
dualDqueda défini selon :

Dans ce qui suit, nous combinerons les différentes contraintes du problème primal.
pondérant par les valeurs non négatives y chacune, respectivement, de
mode d'obtenir la meilleure limite supérieure de la valeur optimale du problème P). Ça vaut
dire

39
Afin de garantir que le côté droit de cette dernière inégalité soit un
la limite supérieure de la fonction objectif du problème primal doit être respectée que :

Le meilleur choix de cette cote serait obtenu en résolvant le problème suivant de

optimisation

Ce problème est connu sous le nom de problème 'Dual' associé au problème

Primal
Il s'avère également que lors de la formulation du problème dual de D) on obtient le problème
primalP)(o un équivalent). L'une ou l'autre des deux livraisons la même
l'information et la valeur optimale atteinte sont les mêmes.

2.3.7 Simplexe dual.

Comme nous le savons, la méthode du simplexe est un algorithme itératif qui commence dans un
solution de base faisable mais non optimale, génère des solutions de base faisables chaque
vous améliorez jusqu'à trouver la solution optimale (si elle existe). Notez que la base
de sa logique est de maintenir la faisabilité, tout en cherchant l'optimalité. Mais surgit
la possibilité d'utiliser un autre schéma également itératif, qui, comme contrepartie du
simplex, commence avec une solution de base optimale, mais non faisable et maintient la
inmejorabilité tout en cherchant la faisabilité. Avec cette procédure, on parvient
également à la solution optimale.

El nuevo algoritmo fue desarrollo en 1954 por C. E. Lemke y se conoce con el

nombre de la méthode Dual-Simplex. Voici sa structure et un
exemple pour illustrer son application.
Tout d'abord, le modèle doit être exprimé au format standard en ajoutant les variables.
de marge et d'excès nécessaires.

40
Ensuite, dans les équations qui ont des variables d'excès (résultant de
les restrictions de type >), il faut multiplier par (-1) des deux côtés, pour faire
positif le coefficient de la variable d'excès, et former ainsi un vecteur unitaire qui
nous permet de prendre cette variable d'excès comme une variable de base initiale. sans
nécessité d'ajouter une variable artificielle dans cette contrainte.

1. En faisant cela, on parvient à avoir sous les variables de base

apparaît une matrice identité, qui est celle que le simplexe prend toujours
comme base initiale.
2. Nous obtiendrons que les termes du côté droit des équations
multipliées par (-1) deviennent de signe négatif, ce qui fait que la
la solution initiale soit infaisable.
Il est important de souligner que ce processus est très utile car dans de nombreux
les modèles évitent l'inclusion de variables artificielles au moment de
transformer un modèle au format standard.

L'algorithme pour résoudre un modèle de maximisation est le suivant :

Étape 1 : Trouver une solution de base initiale infaisable et

inmejorable
Écrire le tableau initial en prenant les variables de marge et d'excès comme
variables de base initiales

Étape 2 : Test de faisabilité

Si toutes les variables de base sont non négatives, la solution actuelle est la
optimale.
S'il y a au moins une variable de base négative, sélectionner comme variable
de sortie
(appelons-la (XB)s), celle avec la valeur la plus négative. Les égalités
ils peuvent se casser arbitrairement.

Paso 3: Prueba de inmejorabilidad

Si dans la ligne de la variable de base de sortie (XB), tous les coefficients

de remplacement avec les variables non basiques sont non négatives, la solution de
le modèle est optimal ! limité. Le processus est terminé.
Si dans la ligne de la variable de base de sortie (XB)s, il y a au moins un
coefficient d'échange négatif, on effectue les quotients entre l'effet
neto de chaque variable non basique et son coefficient correspondant de

41
 échange négatif. C'est-à-dire, étant (XB)s la variable de sortie, on calcule
tous les quotients.

On prend comme variable d'entrée (appelons-la Xe) celle qui

correspond au minimum des quotients de l'ensemble précédent
Si la variable d'entrée est Xe, l'élément pivot sera l'élément (Se)s.
Le match nul peut être rompu arbitrairement.
Aplicar la operación de pivoteo para generar la nueva tabla, en la cual
apparaître Xe comme variable de base au lieu de la variable de sortie (XB)s
Repetir el algoritmo a partir del paso 2.

Résoudre le modèle suivant en utilisant la méthode Dual-Simplex

Minimiser Z= 2X1 + 2X2

Sujeto à : 3X1 +X2 > 10
4X1 +3X2 > 12
X1 +2X <
con X1, X2 > 0

En exprimant le modèle au format standard et en l'ajustant pour que les variables

les variables de surplus de base sont :

Minimiser Z= 2X1 + 2X2

Sujeto a : -3X1 -X2 +IE1 = -3

-4X1 -3X2 +IE2 = -6

X1 +2X +IE3 = 3

En utilisant la méthode du dual simplex, nous obtenons, successivement :

Básicas X1 X2 E1 E2 H3 Solución
E1 -3 -1 1 0 0 -3

E2 -4 -3 0 1 0 -6

42
 H3 1 2 0 0 1 3

Ej 2 1 0 0 0 0

Vente E2
Alors les quotients sont

Nota : Observez que lorsque l'objectif est de minimiser, on prend la valeur absolue.
des quotients.

Basiques X1 X2 E1 E2 H3 Solution
E1 - 0 1 - 0 -1
5/3 1/3

E2 4/3 1 0 - 0 2
1/3

H3 - 0 0 2/3 1 -1
5/3

Ej 2 0 0 1/3 0 2

Vente H1

Les quotients sont :

Basiques X1 X2 E1 E2 H3 Solución
E10 1 -3/5 1/5 0 3/5

43
 E2 0 1 4/5 - 0 6/5
3/5

H3 0 0 -1 1 1 0

Ej 0 0 2/5 1/5 0 12/5

La solution optimale est X1 = 3/5, X2 = 6/5 ; Z = 12/5

Dans le graphique, nous observons le chemin que l'algorithme a réellement suivi pour passer de
la solution infaisable avec une valeur Z = 0 à la solution réalisable optimale avec une valeur Z = 12/5.

L'application de la méthode du simplexe dual est particulièrement utile dans l'analyse de

sensibilité. On l'utilise lorsque, après avoir obtenu la solution optimale, on
vous souhaitez ajouter une nouvelle contrainte au modèle si la nouvelle contrainte n'est pas respectée.

Dans ce cas, on obtient que, pour les valeurs optimales des variables de décision,
la solution reste optimale, mais devient infaisable. Surge alors la
nécessité d'appliquer l'algorithme Dual-Simplex pour extraire la variable de base qui
il a une valeur infaisable. Lorsque nous étudierons le sujet de l'analyse de sensibilité
nous analyserons un cas comme celui cité

2.3.8 Analyse de sensibilité.

L'analyse de sensibilité est une technique qui étudie l'impact qu'ont
sur unevariabledépendant d'un modèle financier, les variations dans
une des variables indépendantes qui le composent.

Expliqué de manière simple, ce que nous faisons, c'est observer comment une augmentation affecte
ou une diminution de la valeur d'un facteur sur le résultat final dans une analyse
financier. Par exemple, si nous utilisons la valeur actuelle nette(VAN)nous pourrions
être intéressé par ce qui se passerait avec cette valeur si l'investissement initial augmentait
nécessaire à un projet.

Exemple :

L'analyse peut être réalisée avec une feuille de calcul. L'investissement de l'exemple est
une nouvelle machine. Les flux de trésorerie représentent les deux options, la VANa et

44
el VANn. Les différences entre les flux de trésorerie sont dues à des variations dans les
ventes dues à deux scénarios possibles, par exemple, en fonction d'une
campagne publicitaire.

Nous pouvons observer que dans le premier cas, la VAN est de 564,29 unités.
monétaires (u.m.) dans le second de 648,61 u.m. Par conséquent, la sensibilité du VAN
est de 14,94 % et positif. Face à ces changements dans les ventes, il se produirait un
incrément de la VAN de près de 15 %. Par conséquent, il semble que cette campagne puisse
être efficace.

2.4 Algorithme de transport.

L'algorithme de transport organise les calculs d'une manière plus confortable
profiter de l'avantage de la structure spéciale du modèle de transport. Pare
cela suit les mêmes étapes que la méthode du simplexe, cependant, au lieu d'utiliser
la table simplex normale tire parti de la structure particulière du modèle
de transport pour organiser les calculs d'une manière plus confortable.

Il convient d'ajouter que l'algorithme spécial de transport a été développé par

première fois où la norme était de faire les calculs à la main et où il était nécessaire de
solutions avec méthode abrégée.
Aujourd'hui, nous disposons de programmes informatiques qui nous aident à résoudre les
problèmes qui se posent dans la recherche opérationnelle, cependant, le
L'algorithme, en plus de son importance historique, permet d'avoir une perspective sur son utilisation.
des relations théoriques primal-dual pour arriver à un résultat pratique, d'améliorer
les calculs à la main.
Un autre détail important est que l'algorithme de transport repose sur l'hypothèse que
le modèle est équilibré et cela signifie que la demande totale est égale à la
offre totale. Si le modèle est déséquilibré, il pourra toujours être augmenté avec un
source fictive ou destination fictive pour restaurer l'équilibre.

45
Les étapes de l'algorithme de transport sont exactement les mêmes que celles de l'algorithme
simplex.
Dans la première étape, on détermine une solution de base faisable de départ qui nous
aidez à poursuivre l'étape deux.
Dans la deuxième étape, on utilise la condition d'optimalité de la méthode du simplexe
pour déterminer la variable d'entrée parmi toutes les variables de base.
Arrêtez-vous si vous êtes satisfait.
Dans la troisième étape, on utilise la condition de faisabilité de la méthode du simplexe pour
déterminer la variable de sortie et ainsi obtenir la nouvelle solution et
par la suite revenir à l'étape deux.

2.4.1 Caractéristiques d'un problème de transport.

En général, les problèmes de transport s'occupent (de manière littérale ou imaginaire) de
la distribution depuis n'importe quel groupe de centres de fourniture, appelés origines,
à Tout groupe de centres de réception, appelés destinations, de manière à ce que se
minimiser le coût total de distribution.
Hypothèse des exigences : chaque source a un approvisionnement fixe d'unités,
donde este suministro completo tiene que distribuirse entre los destinos. De manera
similaire, chaque destination a une demande fixe d'unités, où cette demande
completa doit être reçue depuis les origines.
Propriétés des solutions réalisables : un problème de transport aura des solutions
factibles si et seulement si la somme de leurs ressources est égale à la somme de leurs demandes
(équilibre entre l'offre totale de toutes les origines et la demande totale de tous)
les destinations). Dans certains problèmes réels, les ressources représentent en réalité
quantités maximales (et non quantités fixes) à distribuer.
Supposition de coût : le coût de distribution d'unités de n'importe quelle origine à n'importe quel
le destin donné est directement proportionnel au nombre d'unités distribuées. Par
donc, ce coût est juste le coût unitaire de distribution par le nombre de
unités distribuées.
Le modèle : tout problème (qu'il implique ou non le transport) s'adapte au modèle d'un
problème de transport s'il peut être décrit entièrement en termes d'un tableau
de paramètres (origine-destination : coûts, ressources, demande) et satisfait à la fois la
supposition des exigences comme la supposition de coût. L'objectif est de minimiser
le coût total de distribution des unités. Tous les paramètres du modèle sont
inclus dans le tableau des paramètres.
Il suffit de remplir un tableau de paramètres pour formuler le problème de
transport

46
 2.4.2 Méthodes pour déterminer une solution faisable
básique initial pour maximiser et minimiser.
EnProgrammation Linéaireune Solution de Base Faisable (SBF) est celle qui
En plus d'appartenir à la région ou zone faisable du problème, il est possible de
représenter par une solution réalisable dans l'application deMéthode
Simplexsatisfaisant les conditions de non-négativité.

Dans ce contexte, une solution de base réalisable correspondra à l'un des

vértices du domaine de faisabilité dont la coordonnée ou la solution peut être
représenter à travers un ensemble de contraintes actives pour le modèle.
Pour développer le concept précédent, considérons le problème suivant de
optimisation mathématique (linéaire)

La résolution graphique du problème précédent est présentée dans le graphique suivant :

47
L'airea achuradacorrespond à la sphère de faisabilité du problème,
s'identifiant en particulier 5 sommets que nous avons appelés
arbitrairement A, B, C, D et E.
La solution optimale du modèle linéaire est atteinte au sommet
CdondeX=100eY=350convalor óptimoV(P)=3.100. Notar que dicha solución
on peut obtenir à travers la résolution d'un système d'équations avec les
restrictions 1 et 3 (R1 et R3) en égalité.
En conséquence, le sommet Cademás d'être une solution de base faisable est
une solution de base réalisable optimale.
En ce qui concerne les sommets A, B, D et E, ce sont des solutions de base réalisables (non

optimales) en raison de l'application de laMéthode du Simplexeau moins une

la variable non essentielle aura un coût négatif réduit (ce qui permettra d'améliorer le
valeur actuelle de la fonction objectif).
Le tableau ci-dessous est celui que l'on obtient en portant le problème à sa forme
standard, en ajoutant S1, S2 et S3 comme variables d'écart des contraintes 1,
2 et 3, respectivement (R1, R2 et R3).

48
Les deux variables non basiques (initiales) X et Y ont un coût réduit négatif (-3 et -
8) donc X=0 et Y=0 qui bien qu'il s'agisse d'une solution de base faisable (sommet A) ne
c'est la solution optimale.

Pour continuer la démonstration, nous effectuerons une itération de la méthode.

Simplex incorporant la variable Ya à la base (critère coût réduit 'plus
négatif") et où le minimum quotientMin {1.600/4; 1.700/2; 350/1}=350 ==>
S3déjà la base :

La solution de base faisable est maintenant X=0 et Y=350 (sommet B), cependant, le
le coût réduit de la variableXsuit étant négatif et donc nous n'avons pas encore
nous avons trouvé à l'optimum. En conséquence, Xentra à la base et nous obtenons le
mínimo cociente:Min {200/2; 1.000/6}=100 ==> S1deja la base:

Enfin, la solution optimale (solution de base faisable optimale) est atteinte.

conX=100eY=350(vértice C) où toutes les variables non basiques (S1 et S3)
ils ont des coûts réduits supérieurs ou égaux à zéro, respectant le critère de
optimalité.
Que se passe-t-il avec les sommets D et E ? Ils sont aussi des solutions de base réalisables.
(non optimales) qui pourraient être trouvées par exemple en incorporant en première
instance (table initial) to the variable X to the base. In this way, it should be achieved
elvértice Eluego de une itération et elvértice Den une seconde itération.
Noter qu'il existe également d'autres solutions réalisables (non basiques) comme, par
exemple,X=100eY=100qui appartiennent au domaine des solutions faisables, mais
il ne peut pas être représenté par la résolution d'un système d'équations.

49
 2.4.3 Types de problèmes : équilibré et
déséquilibré.
Il est assez fréquent que la quantité totale d'unités que les origines
ils peuvent envoyer et la quantité d'unités requises par les destinations peut être différente.
Cela signifie que la capacité totale et la demande totale sont différentes. C'est donc,
que nous sommes confrontés à un problème de transport non équilibré ou déséquilibré.
Pour résoudre cette difficulté, on introduit des origines fictives ou des destinations fictives.
selon le cas. Le but est d'équilibrer la demande et la capacité à appliquer
une méthode qui fournit une solution initiale faisable.

Primer caso: Capacidad total > Demanda total → Destino ficticio

Se agrega un destino ficticio cuando la capacidad total es mayor que la demanda

total. Une demande égale à la capacité excédentaire est assignée à la destination fictive.
Les coûts de transport unitaires associés aux itinéraires qui sont créés en ajoutant le
Le destin fictif est zéro, en réalité, aucune expédition n'est effectuée vers le destin fictif.

La demande pour la destination fictive représente la capacité excédentaire, c'est-à-dire que,

la demande du destin fictif se calcule en soustrayant la demande totale de la capacité
total.
Le fait que la capacité totale soit supérieure à la demande totale signifie que les origines
ils peuvent envoyer plus d'unités que ce que les destinations exigent. Les unités
requises dans une destination fictive représentent une capacité non utilisée dans l'un de
les origines.
Une destination fictive ajoute une colonne supplémentaire au tableau du problème de
transport

Par exemple, considérons trois usines A, B et C qui effectuent des envois à cinq
entrepôts D, E, F, G et H. Le tableau de transport est le suivant :

50
En additionnant les capacités des plantes, nous avons un total de 2 100 unités.
(1 000 + 600 + 500 = 2 100) y, en calculant la demande totale, nous avons 1 700 unités
(500+100+600+300+200=1,700), par conséquent, il y a un problème de transport
non équilibré et la capacité totale est supérieure à la demande totale, il est nécessaire
ajouter une destination fictive pour équilibrer le problème.

En la siguiente tabla se ha agregado un destino ficticio como una columna adicional

dans le tableau du problème de transport, ses coûts de transport unitaires associés
son zéro puisque aucune expédition n'est réalisée. De plus, la demande qui lui est faite
l'attribution est de 400 unités et résulte de la soustraction de la demande totale de la capacité
total (2 100 - 1 700 = 400).

Deuxième cas : Demande totale > Capacité totale → Origine fictive

Un origine fictif est ajouté lorsque la demande totale est supérieure à la capacité
Au contexte fictif, on lui attribue une capacité égale à la demande excédentaire.
De la même manière que dans le premier cas, les coûts de transport unitaires associés
les routes qui sont créées en ajoutant la source fictive sont nulles, car elles ne sont jamais
embarquent des unités depuis l'origine fictive.

La capacité de l'origine fictive représente la demande excédentaire, c'est-à-dire la

la capacité de l'origine fictive est calculée en soustrayant la capacité totale de la demande
total
Le fait que la demande totale soit plus élevée signifie que les destinations nécessitent plus.
unités à partir desquelles les origines peuvent envoyer. Les unités envoyées depuis un
une origine fictive représente une demande non satisfaite dans l'un des destinations.
Une origine fictive ajoute une ligne supplémentaire au tableau du problème de transport.
Considérons le même exemple que dans le cas précédent, mais en établissant la
capacité de l'usine A à 100 unités. Le tableau du problème de transport est
la suivante :

51
Nous additionnons les capacités des plantes et obtenons un total de 1 200 unités.
(100+600+500=1,200) y, en calculant la demande totale, nous avons 1,700 unités
(500+100+600+300+200=1 700). Il s'agit d'un problème de transport.
déséquilibré, la demande totale est supérieure à la capacité totale, il est nécessaire
ajouter une origine fictive pour équilibrer le problème.

Alors, nous ajoutons une plante fictive ce qui se traduit par une ligne supplémentaire dans
la tabla, los costos de transporte unitarios en dicha fila son cero puesto que ningún
l'embarquement quitte l'usine fictive. La capacité qui est attribuée à l'usine fictive
correspond à la différence entre la demande totale (1 700 unités) et la capacité
total (1 200 unités).

52
 2.4.4 Problèmes de transport dégénéré.
Pour un problème de transport équilibré avec m origines et n destinations, un
une solution avec moins de m + n - 1 variables supérieures à zéro est dégénérée. La
la dégénérescence peut se produire dans les cas suivants :

• Dans le calcul d'une solution de base admissible initiale : lorsque les conditions sont satisfaites
simultanément origine et destination dans une étape qui n'est pas la dernière de la méthode de
Vogel ou la méthode du coin nord-ouest.
• À chaque itération de l'algorithme de transport, lorsqu'il y a une égalité dans le
critère de la variable qui sort de la base.
Lorsqu'une solution est dégénérée, il faut distinguer entre les flux nuls qui
correspondent à des variables de base et ceux qui correspondent à des variables non
basiques.

2.4.5 Test d'optimalité.

Pour déterminer si la solution de base actuelle est optimale, on utilise l'équation (0) pour
réécrire la fonction objective en termes uniquement des variables non basiques
actuels.

Z = 30 + 3x1 - 5x4/2

Augmenter la valeur de l'une de ces variables non basiques (avec l'ajustement des
valeurs des variables de base pour qu'elles respectent encore le système de
les équations) signifie se déplacer vers l'une des deux solutions de base faisables
adjacents. Comme x1 a un coefficient positif, la faire croître conduit à une solution
basique faisable adjacente qui est mieux que la solution actuelle, donc celle-ci n'est pas
optimale.

En termes généraux, la solution de base réalisable actuelle est optimale si et seulement si toutes
les variables non basiques ont des coefficients non positifs (≤ 0) dans la forme actuelle de
la fonction objective. Cette forme actuelle est obtenue en déplaçant les variables xj de côté
droit de l'équation (0) actuelle après avoir converti toutes les équations
à la forme appropriée d'élimination de Gauss [qui élimine les variables de base de
cette équation]. D'une manière équivalente, les variables peuvent être laissées du côté
gauche et donc le test d'optimalité consiste à ce que toutes les variables
aucune de base n'ait de coefficients non négatifs (≥ 0) dans l'équation (0) actuelle.

2.5 Algorithme d'attribution.

53
L'Algorithme d'Affectation est utilisé dans le problème classique de la Recherche
de Opérations (Problèmes d'Assignation).
Le problème d'affectation inclut des applications telles que l'affectation de personnes à
tâches. Bien que ses applications semblent différer du problème de transport, on verra
que ce problème est un cas particulier du problème de transport.
Il y a une limitation, à savoir qu'une seule ressource peut être assignée à chaque tâche.
Il peut rester des ressources ou des tâches, mais on ne peut pas en attribuer deux.
ressources à une même tâche, ou trois.
Le problème de l'attribution est basé sur une information comparative pour prendre
la décision de à qui attribuer une ressource.
Son origine se trouve dans la révolution industrielle, en raison de l'émergence des
les machines ont rendu nécessaire d'assigner une tâche à un travailleur.

Thomas Jefferson en 1792 l'a suggéré pour attribuer un représentant à chaque État.
mais ce problème apparaît formellement en 1941, lorsque F.L. Hitchcook publie
une solution analytique du problème, mais ce n'est qu'en 1955 que Harold W. Kuhn
présente la méthode hongroise, qui a ensuite été révisée par James Munkres en
1957.
Les étapes pour l'application de la Méthode Hongroise sont :

1. Pour résoudre un problème d'affectation dont l'objectif est de maximiser la

fonction objective, il faut multiplier la matrice des gains par moins un (-1) et
résoudre le problème comme un problème de minimisation.

2. Si le nombre de lignes et de colonnes dans la matrice des coûts est différent, le

le problème d'affectation est déséquilibré. La méthode hongroise peut
fournir une solution incorrecte si le problème n'est pas équilibré ; en raison de cela
auparavant, il faut d'abord équilibrer tout problème d'affectation (en ajoutant
lignes ou colonnes fictives) avant de le résoudre par la méthode hongroise.
3. Dans un grand problème, il peut s'avérer difficile d'obtenir le nombre minimum de lignes.
nécessaires pour couvrir tous les zéros dans la matrice de coûts actuelle. On peut
démontrer que, si j lignes sont nécessaires pour couvrir tous les zéros, alors il
ils peuvent attribuer uniquement j travaux à un coût nul dans la matrice actuelle ; cela explique
pourquoi cela se termine-t-il quand m lignes sont nécessaires.

2.5.1 Terminologie mathématique de la méthode d'attribution.

Le modèle d'affectation est un type spécial de problème de programmation linéaire en

ceux qui sont affectés sont des ressources destinées à l'exécution de tâches. Pour

54
Exemple, les affectés peuvent être des employés à qui il faut donner du travail.
L'attribution de personnes à des emplois est une application courante du problème de

asignación. Sin embargo, los asignados no tienen que ser personas. También
ils peuvent être des machines, des véhicules ou des usines, ou même des périodes auxquelles ils sont attribués

tareas.

«La meilleure personne pour le poste» est une bonne description du modèle de

attribution.

L'objectif du modèle est de déterminer l'affectation optimale (de coût minimal) de

travailleurs à des postes.

Le modèle général d'affectation avec n travailleurs et n postes se représente en

le tableau suivant :

Pour qu'il s'adapte à la définition d'un problème d'affectation, il est nécessaire que

ce type d'applications se formule de manière à ce que les suivants soient respectés

supuestos:

1. Le nombre de tâches attribuées est égal au nombre de tâches. (Ce nombre se

denote par n.)

À chaque assigné, une seule tâche est attribuée.
3. Chaque tâche doit être réalisée par un seul affecté.

55
 4. Existe un costo cij asociado con el asignado i (i 5 1, 2, . . . , n) que realiza la
tâche j (j 1, 2, . . . , n).
5. L'objectif est de déterminer comment les n attributions doivent être effectuées pour

minimiser les coûts totaux.

Le modèle d'affectation peut être résolu directement sous forme de modèle normal.

de transport. Cependant, le fait que toutes les offres et les demandes sont

égaux à 1, a conduit au développement d'un algorithme simple de solution

méthode hongroise.
2.5.2 Solution de base initiale faisable.
En Programmation Linéaire, une Solution de Base Faisable (SBF) est celle qui en plus
d'appartenir à la région ou à la zone viable du problème peut être représenté à travers
d'une solution réalisable dans l'application de la Méthode du Simplex satisfaisant les
conditions de non-négativité.
Dans ce contexte, une solution de base faisable correspondra à l'un des sommets.
du domaine de faisabilité dont la coordonnée ou la solution peut être représentée par
à travers un ensemble de contraintes actives pour le modèle.
Une solution de base réalisable est une solution de base avec toutes les variables positives.
égales à 0. Graphiquement, on parle des points extrêmes de la région
Il aura au moins n-m variables égales à zéro et toutes seront supérieures ou égales.
à zéro

2.5.3 Test d'optimalité.

Pour déterminer si la solution de base actuelle est optimale, on utilise l'équation (0) pour
réécrire la fonction objective en termes uniquement des variables non basiques
actuels.

Z = 30 + 3x1 - 5x4/2

Augmenter la valeur de l'une de ces variables non basiques (avec l'ajustement des
valeurs des variables de base pour qu'elles continuent à respecter le système de
Les équations signifient se déplacer vers l'une des deux solutions de base viables
adyacentes. Comme x1 a un coefficient positif, la faire croître mène à une solution
une solution de base réalisable adjacente qui est meilleure que la solution actuelle, donc celle-ci n'est pas
optimale.

56
En termes généraux, la solution de base réalisable actuelle est optimale si et seulement si toutes
les variables non de base ont des coefficients non positifs (≤ 0) dans la forme actuelle de
la fonction objectif. Cette forme actuelle est obtenue en déplaçant les variables xj de l'autre côté
droit de l'équation (0) actuelle après avoir converti toutes les équations
à la forme appropriée d'élimination de Gauss [qui élimine les variables de base de
cette équation]. De manière équivalente, les variables peuvent rester du côté
gauche et alors le test d'optimalité consiste à ce que toutes les variables
Les variables de base n'ont pas de coefficients négatifs (≥ 0) dans l'équation (0) actuelle.

2.6 Modèles d'inventaire.

Les modèles de gestion des stocks sont des méthodes qui aident à réduire ou minimiser les
niveaux de stock requis dans la production. Il existe plusieurs méthodes qui nous
aident à atteindre cet objectif, voici quelques-uns d'entre eux.

LA CLASSIFICATION ABC C'est une méthode pour regrouper des articles en 3 classes par rapport
la valeur totale en argent, afin d'identifier les articles qui ont le plus grand
impact sur les coûts des inventaires. Résous, quel article d'un grand
Combien d'articles différents doivent être vérifiés plus attentivement ?
réalité, il est courant de demander des centaines et des milliers d'articles différents, comme par exemple :
Médicaments pour une pharmacie, fournitures pour une université, etc. Dans de tels cas, le
Le suivi de milliers d'articles peut souvent nécessiter des ressources excessives.
de temps et de travail. La classification ABC est appropriée dans de telles situations car
permet d'identifier quels sont les différents articles les plus importants; selon
les coûts impliqués.
Modelo ¨JUST IN TIME¨ (JIT) El objetivo, en este caso es reducir o eliminar en gran
mesurer l'inventaire requis dans un processus de production. C'est un système dans le
que les inventaires ne sont disponibles que lorsque cela est nécessaire.
Les modèles d'inventaire nous aident à réduire les coûts générés par la possession de matières
prima ou articles qui servent à réaliser un certain processus. Ils nous aident à déterminer le
momento en que se debe realizar un pedido y la cantidad de producto que se debe
demander.

2.6.1 Concepts, terminologie et classification des

inventaires.

57
Ce sont tous les biens ou matériaux tangibles qui sont destinés à la vente ou à être
utilisés dans le processus de production et de vente, à un moment ou dans le futur de la
organisation.
Classification des modèles d'inventaire.
Demande indépendante :
Demande dépendante :
Demande déterministe :
Demande probabilistique :
oDéficit:
oTiempo líder:
oRabais
Nomenclature.
El costo del pedido u organización: (K)
Le coût d'achat : (C)
Le coût de conservation : (H)
Taux de transfert : (I)
Coût de déficit:: (B)

Modèle EOQ (sans ruptures). La Quantité Économique de Commande ou Economic Order

Quantité, Cela s'applique lorsque la demande d'un produit est constante tout au long
l'année et que chaque nouvelle commande est livrée dans son intégralité lorsque le stock arrive
à zéro. La Quantité Économique de Commande cherche essentiellement à trouver
le montant de la commande qui réduit au minimum le coût total de l'inventaire de la
entreprise.
Modèle EOQ (avec pénuries). Ce modèle est utilisé lorsque les clients acceptent
retards, c'est-à-dire, quand il y a des manquants, les clients affectés s'attendent à ce que le
producto esté disponible de nuevo. Las órdenes se satisfacen una vez que se
réapprovisionnez l'inventaire.

Modèle EOQ avec rabais pour quantités. Fondamentalement, ce modèle est un

application du modèle général (EOQ) sans rupture, sauf que dans ce cas, quand on
acquièrent de plus grandes quantités d'un bien, les fournisseurs accordent des rabais sur
la valeur de l'unité achetée.
Modèle LEP (sans manquants). Le modèle LEP (lot économique de production) est pour
entreprises qui se consacrent à produire leurs produits et non à simplement acheter et
vendre. C'est pourquoi ce modèle prend en compte un taux de production, lequel est
dénotée par la lettre R. Il convient de préciser que ce taux de production doit être supérieur
à la demande (R supérieur à d).

58
Modèle LEP (avec manquants). Le modèle de LEP avec manquants (Lot Économique de
La production qui admet des manquements) propose qu'on atteigne un niveau maximum de
production ou inventaire maximum, puis l'inventaire est consommé et une fois
épuisé les stocks, la production recommence. Ce modèle
suppose que le client est prêt à attendre un temps pendant lequel le fabricant
répondez à votre demande et acceptez une certaine quantité de manquants.

2.6.2 Modèle classique de la quantité économique de

commande.
Le modèle EOQ (Quantité Économique de Commande) consiste à trouver le point en
que les coûts de commande et les coûts de maintenance soient égaux, afin que
determinar el nivel de inventario y la cantidad óptimas para realizar un pedido.
Il est basé sur 3 hypothèses clés : 1. Que la demande est constante et connue à
priori; 2. Que la frecuencia de uso del inventario es constante en el tiempo; 3. Que
Les commandes sont reçues au moment exact où les stocks sont épuisés.
Con el modelo EOQ (Cantidad Económica de Pedido) se busca que no haya
escassez de stocks et que la quantité optimale de commande soit constante.

2.6.3 Modèle d'achat sans déficit.

Pour travailler ce modèle, on suppose un taux de production continu, ce qui
permet de faire un réapprovisionnement constant de l'inventaire pendant le temps de
production. Dans ce modèle en particulier, parce qu'il s'agit d'un achat, il est déduit que le
l'article ne sera pas produit mais acheté ou qu'un matériel auxiliaire est nécessaire
utilisé dans la production, mais cet élément est acheté.
Ce modèle est également connu sous le nom de modèle de quantité de commande économique
le lot économique (EOQ); c'est l'un des modèles d'inventaire les plus anciens et
connu; il est basé sur des hypothèses.

Il est basé sur les hypothèses suivantes :

La demande est constante et connue.

Le délai de livraison est constant et connu.
La commande arrive en un seul lot et tout en même temps.

59
 Les coûts de commande d'une commande et les coûts de maintenance sont
constantes et connus.
Il n'est pas possible d'obtenir des réductions pour quantité.

On évite les ruptures de stock.

Il n'est pas permis de différer la demande à l'avenir.

Avec ces hypothèses sur l'utilisation de l'inventaire au fil du temps, le graphique

a une forme de dents de scie.
Pour travailler sur ce modèle, il est nécessaire de connaître certaines variables telles que :

Q= Quantité optimale à acheter par commande (EOQ).

D= Demande par unité de temps.
Co= Costo por ordenar el pedido.
Cm = Coût de maintien d'une unité par an.
CTO = Coût total pour passer une commande.
CTM= Costo total de mantenimiento.
CT = Coût total de l'inventaire.

La quantité optimale de commande se produira au point où le coût de commande d'un

la commande et les coûts de stockage soient égaux.

Coût total par (Demande annuelle / Quantité optimale) * Coût par

trier trier
CTO = (D / Q) * Co
Coût total de
(Quantité optimale / 2) * Coût de maintenance
maintenance
CTM = (Q/2) * Cm

Ensuite, on procède à l'égalisation :

CTO=CTM
(D/Q)*Co=(Q/2)*Cm
2(D*Co)=Q(Q*Cm)
2DCo=Q^2 CM
Q^2=2DCMo/cM
Q=√(2DCo/Cm)

2.6.4 Achat avec déficit.

Pour travailler ce modèle, les hypothèses suivantes sont nécessaires :

La demande est constante et connue.

Le taux de production est constant et connu.

60
La commande arrive en un seul lot et tout à la fois.
• Les coûts de passation de commande, les coûts de maintenance et les coûts de
la pénalité et les fixes sont constants et connus.
Les remises pour quantité ne sont pas possibles.
• Il est permis de différer une demande à l'avenir.

La réapprovisionnement des stocks se fait instantanément.

Il est nécessaire de connaître les variables suivantes à travailler :

Q = Quantité optimale à acheter par commande.

D = Demande par unité de temps.
Co = Coût par commande de la commande.
Cm = Coût de maintien d'une unité par an.
CTO = Coût total pour passer une commande.
CTM = Coût total de maintenance.
Cv = Coût variable par unité.
Cp = Coût unitaire de pénalité par unité de temps.
d = Taux de demande quotidien.
p = Tache de production quotidienne.
Ct = Coût total moyen par unité de temps.
CT = Coût total par unité de temps.
La quantité optimale à commander est obtenue à partir de la formule suivante :

Q = (2DCo Cp + Cm )/(CmCp)

Bibliographie
TELLO, E. A. R. (2012). Concepts de base en ingénierie. Victoria, Mexique.
Pressman, R. S., & Troya, J. M. (1988). Ingénierie du logiciel.

Von Bertalanffy, L. (1968). Théorie générale des systèmes. New York, 3(1), 1.

Cathalifaud, M. A., & Osorio, F. (1998). Introduction aux concepts de base de la

théorie générale des systèmes. Bande de Möbius, (3).

Jarne, J. I. J., & Gadea, J. A. L. (1997). Classification et évolution internationale de

les systèmes. Madrid : AECA.

61
Hernández Gaviño, R. (2010). Introducción a los sistemas: conceptos y
applications. Pearson Éducation.

QUIROZ, G. G. C., CEDEÑO, I., & DEL TRABAJO, F. D. E. CARRERA DE

INGÉNIERIE EN SYSTÈMES.

Carmona, D. H. (2011). Théorie générale des systèmes : une approche vers l'ingénierie
de systèmes 2Ed. Lulu. com.

Castrillón, E. P. (2010). Les sciences fondamentales en ingénierie des systèmes : Revue

éducation en Ingénierie,5(10), 74-84.

SAN CRISTÓBAL, D. H. INGÉNIERIE DES SYSTÈMES.

Blanchard, B. S. (1995). Ingénierie des systèmes. Isdefe.

Pérez de Tudela, C. (1993). Importance de l'information. Dans Mapfre Sécurité (pp. 45-
52).

Felicísimo, A. M. (2000). Concepts de base, modèles et simulation. Disponible à

Adresse électronique : [Link]/~feli/, visité le,5(20), 09.

Perugachi, M. L. (2004). Optimisation des processus (Vol. 48). Éditions Abya Yala.

Carmona, F. (2005). Modèles linéaires. Pub. Univ. de Barcelone, Barcelone.

Krick, Edward V. Introduction à l'ingénierie et au design en ingénierie 2e.

Édition, Éditorial Limusa, Mexique, 1998, 240 pages.

Cárdenas, Miguel Ángel. L'approche des Systèmes - Stratégies pour son

Mise en œuvre, 1ère Édition, Éditions Limusa, Mexique, 1991, 165 pages.

Cárdenas, Miguel Ángel. La Ingeniería de Sistemas, Filosofía y Técnicas la

Ingénierie des Systèmes, 1re édition, Éditorial Limusa, S. A. Mexique, 1974, 293 pages.

Hall, A. Ingénierie des Systèmes, 1re Édition, Cía. Editorial Continental, S. A., Mexique
1983, 580 pages.

62
Gerez Víctor : L'approche des systèmes, 1ère édition, Éditions Limusa, Mexique, 1976
580 pages.

Corzo, Miguel Ángel Introduction à l'Ingénierie des Projets, 1ère Édition, 6ème.
Réimpression, Éditions Limusa, 1982, 225 pages.

Jaufred M. Francisco. , Méthodes d'Optimisation, 1ère Édition, Représentations et

Servicios de Ingeniería S. A. Mexique. 1975, 720 pages.

Thierauf, Robert. Prise de Décisions par le biais de la Recherche de

Opérations, 1ère édition, Éditions Limusa. Mexique, 1972., 558 pages.

Shamblim, James. Recherche Opérationnelle, une Approche Fondamentale, 1ère

Édition, Éditions Mc. Graw Hill, Colombie 1978, 422 pages.

Rios Insua, Sixto Programmation Linéaire et Applications, Éditions Alfa Omega, Mexique,
1998, 418 pages.

Wayne L. Winston, Recherche Opérationnelle, 4ème Édition, Éditions Thompson

Mexique, 2005, 1418 pages.

Mokhtar, Bazaraa. et al., Programmation Linéaire et Flux dans les Réseaux, Éditions Noriega,
Mexique, 2003, 879 pages.

Méthode Graphique (tâche).

La méthode graphique est une technique de résolution de problèmes de
programmation linéaire qui est principalement utilisée pour des cas avec deux
variables. Bien que ce ne soit pas très pratique pour un grand nombre de variables,
c'est très utile pour interpréter et analyser les résultats et la sensibilité du
problème. Cependant, dans les cas où un plus grand nombre est requis de
il est possible d'utiliser d'autres techniques comme la projection dans un
plan.
La méthode graphique est basée sur la représentation graphique des contraintes
du modèle de programmation linéaire, ce qui permet de déterminer le polygone
solution ou région faisable. Selon le théorème fondamental de la

63
programmation linéaire, s'il existe une solution qui respecte les contraintes
du modèle, se trouvera à l'un des sommets de la région faisable.

64
 Exercice 2.

. = 180x1+ 250x2
S.a. 1+ 150x2≤ 3500(1) Pour (4):
20x2≤ 1800(2)
0,5x2= 120
50x1− 120x2≥ −190(3)
2= 240
0,5 2= 120(4)
1, 2≥ 0 1= 0

Pour (1): Graphisme :

1+ 150x2≤ 3500

1= 0
150 x2= 3500
2= 23,33

2= 0

1= 3500

Pour (2):
20x2≤ 1800 Il n'y a pas de point ou de zone faisable :

2= 90

1= 0

Para (3):
50x1- 120x2≥ −190

1= 0
-120x2= −190

2= 1,58

2= 0
50x1= −190

1= 3,8

65
 Exercice 1.

. = 300x1+ 150x2 Graphiquement :

S.a. 2x1+ 3x2≤ 150 (1)

2x1+ 0,5 2≥ −50(2)
2x2≤ 250 (3)
1, 2≥ 0

Pour (1) :
2x1+ 3x2≤ 150

1= 0
3x2= 150

2= 50

2= 0 Le point E(-112,5,125) représente le

2x1= 150 maximum, alors :

1= 75 = 300 1+ 150x2
(
= 300-112,5 )
( =) −150000
+ 150125
Pour (2):
2x1+ 0,5x2≥ −50

1= 0
0,5 2= −50

2= −100

2= 0
2x1 = −50

1-25

Para (3):
2x2≤ 250

2= 125

1= 0

5
 Exercice 3.
1= 11,67
. = 450x1- 300x2
S.a. 150x1− 160x2≥ 280(1) Pour (4) :
-120x1= 290(2)
-25x2= 180
30x1+ 120x2≤ 350(3)
2 = 7.2
−25x2= 1804
1, 2≥ 0 1= 0
Pour (1) : Graphiquement :

150 1− 160x2≥ 280

1= 0
-160 x2= 280
2= -1,75

2= 0
150 x1= 280

1= 1,87

Pour (2) : Il n'y a pas de point ou de zone faisable :

−120 1= 290

2= 0

1= −2,42

Pour (3) :
30x1+ 120x2≤ 350

1= 0
120x2= 350

2= 2,92

2= 0
30x1= 350

6
 Exercice 4.
2=-1,5

. = 30x1- 25x2 2= 0
S.a. 20x1- 35x2≥ 65(1) 125x1= −300
−35x1+ 12x2≤ 180(2)
1= -2,4
125x1+ 200x2= −300(3)
180x2≤ 350(4)
1, 2≥ 0 Pour (4):

Pour (1) : 180x2≤ 350

20x1− 35x2≥ 65 2= 1,94

1= 0 1= 0

-35 x2= 65 Graphiquement :

2= −1.86

2= 0
20 x1= 65

1= 3,25

Pour (2) :
-35x1+ 12x2≤ 180
Il n'y a pas de point ou de zone réalisable :
1= 0
12 x2= 180
2= 15

2= 0
-35 x1= 180

1 = −5,14
Pour (3) :
125x1+ 200x2 = −300

1= 0
200x2= −300

7
 Ejercicio 5.

. = 25x1+ 30x2 Pour (4) :

S.a. -15x1+ 35x2≤ 150(1) 20x2≤ −35

20x2≤ 200(2)
2= -1,75
2x1- 3x2≥ −180(3)
1= 0
20x2≤ −35(4)
1, 2≥ 0 Graphiquement :

Pour (1):
−15x1+ 35x2≤ 150

1= 0
35 x2= 150
2= 4,29

2= 0
-15 x1 = 150

1= −10 Il n'y a pas de point ou d'aire faisable :

Pour (2) :
20x2≤ 200

2= 10

1= 0
Pour (3):
2x1- 3x2≥ −180

1= 0
-3x2= −180

2= 60

2= 0
2x1= −180

1= −90

8
 Exercice 6.
0,5 2= 4
. = 3x1+ 2x2 2= 8

S.a. −3x1+ 2x2≤ 12(1) 2= 0

-4x1≥ 10(2)
1 =4
3x2= 8(3)
Graphiquement :
1+ 0.5x2≥ 4(4)
1, 2≥ 0
Pour (1):
−3x1+ 2x2≤ 12

1= 0
2 x2= 12
2= 6

2= 0
-3 x1= 12

1= −4

Il n'y a pas de point ou d'aire faisable :

Pour (2) :
-4x1≥ 10

2= 0

1= −2,5
Pour (3):
3x2= 8

2= 2.67

1= 0

Pour (4) :

1+ 0,5 2≥ 4

1= 0

9
 Exercice 7.
2= 0
. = -0,5x1+ 2x2 3x1= 10
S.a.4x1+ 2≥ 8(1) 1= 3,33
0,5x1+ 2x2≤ 6(2)
Graphiquement :
3x1+ 4x2= 10(3)
1, 2≥ 0

Pour (1) :

4x1+ 2≥ 8

1= 0

2= 8

2= 0
4 x1= 8

1= 2
Point faisable : (1.69,1.23) :

Pour (2) : Z = -0.5x1+ 2x2

( + 2) 1.23(
= -0,5 1,69 )
0,5x1+ 2x2≤ 6 = 1,615

1= 0
2x2= 6

2= 3

2= 0
0,5x1 = 6

1= 12
Pour (3) :
3x1+ 4x2= 10

1= 0
4x2= 10
2= 2,5

10
 Exercice 8.
Graphiquement :

. =2 1+ 4x2

S.a. 1+ 2x2≤ 8(1)

3x1+ 2≤ 6(2)
3x2≥ 3(3)
− 1≤ 3(4)
1, 2≥ 0

Pour (1):

1+ 2x2≤ 8

1= 0

2= 4
Il n'y a pas de zone faisable :
2= 0

1= 8

Pour (2) :
3x1+ 2≤ 6

1= 0

2= 6

2= 0
3x1 = 6

1= 2
Pour (3) :
3x2≥ 3

2= 1

1= 0

11
 Ejercicio 9.
2= 8
. =-3x 1+ 2x2 2= 0
S.a. −3x1+ 2x2≤ 8(1) 1= 4
-4x1 ≤ 10(2)
Graphiquement :
3x2= 8(3)

1+ 0,5 2≤4(4)
1, 2≥ 0

Pour (1):
-3x1+ 2x2≤ 8

1= 0

2= 4

2= 0
-3x1= 8
Il n'y a pas de zone faisable :
1= −2,67

Pour (2) :
−4x1≤ 10

2= 0

1= −2,5
Pour (3):
3x2= 8

2= 2,67

1= 0

Para (4):

1+ 0,5x2≤ 4

1= 0

12