Gestion de la production industrielle

2015-2016
Introduction: techniques de programmation

Un système MRP II (manufacturing ressources planning) est une démarche

simulatoire utilisant des algorithmes de résolution des problèmes. Elle permet de
trouver rapidement une réponse numérique, sans aucune garantie d’optimalité, mais
permet de satisfaire l’ensemble des demandes définies sur un ensemble de périodes à
venir.

La programmation linéaire est une modélisation mathématique, permettant

d’accélérer le processus de décision. Il s’agit d’un outil de réalisation d’un PDP sur un
échéancier réaliste au vu des données dont on dispose. Ces données sont agrégées et
moyennes. Le résultat obtenu est optimal.

Le but est de trouver un plan de production sur l’horizon de planification retenu,

en jouant notamment sur les variations des encours et des stocks de produits finis.

Hypothèse:
- Les besoins sont proportionnelles aux quantités produites.
 1- Modélisation monopériode (1)
Exemple introductif

L’entreprise LAVAM fabrique des machines à laver commercialisées sous diverses marques,
représentant une cinquantaine de références. Pour la planification à moyen terme, l’ensemble de la
production a été regroupé en trois grandes familles, correspondant à trois gammes du marché :
économique, moyenne, haute.
De la réunion mensuelle destinée à établir le PDP du mois suivant, on a extrait les propos rapportés
ci-après :
Service de production: L’usine LAVAM est subdivisée en trois ateliers :
1- L’atelier tôlerie où sont fabriqués les châssis et les tambours des machines. Dans cet atelier, la
machine utilisée pour fabriquer les tambours limite la production à 500 machines par mois.
2- L’atelier de montage : pour cet atelier les limitations viennent d’une part de la main d’oeuvre et
d’autre part de l’approvisionnement en programmateurs électroniques. Ces programmateurs qui
équipent les gammes moyennes et hautes, ont fait l’objet d’un contrat portant sur la livraison de
300 pièces pour le mois.
3- L’atelier de conditionnement : pour cet atelier la seule limitation vient de la main d’oeuvre.
Le tableau suivant donne les temps de travail nécessaire dans les ateliers pour les diverses gammes
en 1/10 d’heure.
Economique moyenne Haute

Montage 8 10 12
Conditionnement 2 3 4
 1- Modélisation monopériode (2)
Exemple introductif

Responsable des ressources humaines: En fonction des effectifs, les disponibilités en

main d’oeuvre sont de 600 heures au montage et 150 heures au conditionnement. Les
ouvriers sont tous mensualisés et touchent une paye fixe, y compris si la charge de
travail s’avère insuffisante.

Responsable commercial: Compte tenu des contrats signés, la production minimale de la

gamme haute est de 100 et de la gamme économique de 200. Il n’y a pas d’autres
contraintes. Le service commercial estime pouvoir écouler (vendre) toute la production.
Les prix de vente moyens respectifs pour les gammes économique, moyenne et haute
sont de 700 DH, 1000 DH et 1250 DH.

Responsable financier: Les coûts moyens des consommations ont été estimés
respectivement à 260 DH, 300 DH et 350 DH.
 1- Modélisation monopériode (3)
Modélisation

Variables de décision: On doit connaître le nombre de chacune des références à

fabriquer. Nous les noterons E (économique), M(moyenne) et H(haute).
Fonction objective: Nous voulons maximiser les marges sur coûts directs, c'est-à-dire la
différence entre les ventes et les coûts directs de fabrication.

Contraintes:

C1 : En tôlerie, il faut un tambour par machine et on ne peut en fabriquer que 500 dans
le mois,
C2 : Au montage, la demande (exprimée en 1/10) en main d’oeuvre est égale à (8 E +
10 M + 12 H).
C3 : Il faut un programmateur par machine moyenne et haute et le stock est limité à
300,
C4 : Au conditionnement, la demande en heures de travail est de (2 E+ 3 M + 4 H), la
disponibilité est de 1500.
C5 et C6 : respect des contrats signés: il faut fabriquer au moins 200 machines
économiques et 100 hautes.
 1- Modélisation monopériode (4)

Modèle analytique ou le programme linéaire

Maximiser
(700-260) E + (1000 – 300) M + (1250-350) H
S.C
C1 E+ M + H ≤ 500
C2 8 E + 10 M + 12 H ≤ 6000
C3 M + H ≤ 300
C4 2 E + 3 M + 4 H ≤ 1500
C5 H ≥ 100
C6 E ≥ 200
C.N.N E ≥ 0, M ≥ 0, H ≥ 0

Hypothèse: Dans le modèle monopériode, il n’y a pas de production commencée le mois

précédent et achevée pendent le mois considéré ou bien commencée ce mois et achevée
le suivant.
 1- Modélisation monopériode (5)

Méthode simpliciale pour l’optimisation

Le programme à résoudre est un programme linéaire en nombre entiers (PLNE). Les

progiciels commerciaux, basés le plus souvent sur la méthode du simplex, sont capable
de résoudre de manière exacte et en un temps raisonnable des problèmes en nombres
réels de très grande taille (plusieurs milliers de variables et contraintes).

Algorithme du Simplex: procédé de calcul permettant la détermination d’une solution

optimale d’un programme linéaire. Il a été mis au point en 1948 par le mathématicien
américain B. Dantzig.
 1- Modélisation monopériode (6)

Forme canonique simpliciale: Cette forme de programme suppose qu’on maximise une
forme linéaire sous des contraintes qui sont des égalités et des contraintes de non
négativité. Si le programme comprend n variables x1,…xn formant le vecteur colonne X, la
fonction économique est une forme linéaire définie par le covecteur q = (q1,…qn) et on
maximisera :
q.X = q1x1+q2x2+….qnxn

Si nous avons m équations linéaires, la forme canonique simpliciale s’écrit :

Max q1x1+q2x2+….qnxn

b11x1+b12x2+….b1nxn = b1
b21x1+b22x2+….b2nxn = b2
…………………….
bm1x1+b2mx2+….bmnxn = bm

X1 ≥ 0, x2 ≥ 0, …, xn ≥ 0
 1- Modélisation monopériode (7)
La forme générale du modèle analytique:
Max f1x1+f2x2+….fnxn
S.C a11x1+a12x2+….a1nxn ≤ a1
a21x1+a22x2+….a2nxn ≤ a2
…………………….
am1x1+a2mx2+….amnxn ≤ am

x1 ≥ 0, x2 ≥ 0, …, xn ≥ 0

Mais il est facile de se ramener à partir de là à la forme canonique simpliciale en

introduisant dans les premiers membres des contraintes, des variables d’écart non
négatives z1, z2,…zm.
Max f1x1+f2x2+….fnxn

S.C a11x1+a12x2+….a1nxn + z1 = a1
a21x1+a22x2+….a2nxn + z2 = a2
…………………….
am1x1+a2mx2+….amnxn + zm = am

x1 ≥ 0, x2 ≥ 0, …, xn ≥ 0
z1 ≥ 0, z2 ≥ 0, …, zm ≥ 0
 1- Modélisation monopériode (8)
Pour des contraintes de type ≥, il faudra retrancher une variable d’écart non négative du
membre de gauche pour le rendre égal au membre de droite. Ainsi :

Max f1x1+f2x2+….fnxn Max f1x1+f2x2+….fnxn

S.C a11x1+a12x2+….a1nxn ≥ a1 S.C a11x1+a12x2+….a1nxn - z1 = a1

a21x1+a22x2+….a2nxn ≥ a2 a21x1+a22x2+….a2nxn - z2 = a2
……………………. …………………….
am1x1+a2mx2+….amnxn ≥ am am1x1+a2mx2+….amnxn - zm = am

x1 ≥ 0, x2 ≥ 0, …, xn ≥ 0 x1 ≥ 0, x2 ≥ 0, …, xn ≥ 0
z1 ≥ 0, z2 ≥ 0, …, zm≥ 0

Enfin, si on doit minimiser une fonction:

g1x1+g2x2+….gnxn ,
il est équivalent de maximiser :
-g1x1-g2x2-….-gnxn
 Etapes de résolution: Algorithme simplex (1)
La forme de tableaux est un formalisme plus facile à manipuler et à automatiser,
Chaque dictionnaire est représenté par un tableau de la forme :

Instructions:

Les variables d’écart sont appelées les variables de base. Les variables
de décision sont appelées variables hors base.
Toutes les variables hors base sont nulles quelque soit le nombre
d’itération effectué.
Dictionnaires 1: zi = bi, Z = 0, xj = 0 (on ne consomme aucune ressource,
on ne produit rien, on ne gagne rien)
 Etapes de résolution par l’algorithme simplex(2)
En partant de la solution basique (xj = 0), et on améliore le bénéfice.

Considérons une variable hors-base dont le coefficient dans la dernière ligne (fonction
objective) du dictionnaire est positif.
Dans le Dictionnaire 1, tous les coefficients de la dernière ligne sont positifs, donc on peut
prendre n'importe quelle variable xi.
Il est évident que si on fait croître la variable choisie à partir de 0, les autres variables hors-
base restant nulles, la valeur de la fonction Z croît.
Jusqu'où peut-on « pousser xi », tout en gardant xj (i≠j)égale à zéro ? Il faut que la solution
reste réalisable. Les contraintes sur l'augmentation de xi

Exemple:
On choisit la variable hors base: A avec B = 0
Maximise 4 A + 3 B
S.C 2 A + B + z1 = 12 Les contraintes sur l'augmentation de A sont:
A+ 2 B + z2 = 12
A ≥ 0, B ≥ 0 z1 ≥ 0 ⇒ 12 – 2A ≥ 0 ⇒ A ≤ 6
z2 ≥ 0 ⇒ 12- A ≥ 0 ⇒ A ≤ 12
Dictionnaire 1: A= B = Z = 0; La plus restrictive de ces contraintes est A ≤ 6 (C1) →
Z1 = 12, Z2 = 12 Changement de dictionnaire en échangeant les rôles
de A et z1.
Etapes de résolution par l’algorithme simplex(2)
Les règles de manipulation des tableaux sont :
1- Initialisation. bi, cj , aij , Z = 0.
2- Choix de colonne pivot (variable à entrer en base):
→ Si Cj ≤ 0, j = 1,…n +m, alors STOP (la solution optimale est trouvée).
→ Sinon, choisir une colonne s, telle que Cs > 0.
3- Choix de ligne pivot (variable à sortir de la base ):
→ Si ais ≤ 0, i = 1,…, m, alors STOP (la fonction objective n'est pas bornée).
→ Sinon, choisir une ligne r, telle que :
br b 
= min  i , i : 1...m; ais > 0
ars  ais 
4- Pivot (passage d'un tableau au tableau suivant)
→ Transformation de la ligne pivot : elle est divisée par l'élément pivot:
' br arj
br = '
arj = ; j : 1...n + m
ars ars
Etapes de résolution par l’algorithme simplex(2)

4- Pivot (passage d'un tableau au tableau suivant)

→ Transformation de la colonne pivot : tout les cases sauf la case pivot
prennent la valeur zéro:
a’is = 0, i :1,......., r -1, r +1......m
5- Transformation des autres cases du tableau: on applique les règles suivantes:

' ais arj a b

aij = aij − bi' = bi − is r
ars ars

arj cs cb
'
cj = cj − z' = z + s r
ars ars
 Modélisation monopériode: Algorithme général
On considère une entreprise fabriquant n produits (i: 1…n), la demande di en chaque
produit est comprise dans l’intervalle [dmin, dmax]. Le gain apporté par une unité du produit i
est gi.

L’entreprise dispose de m ressources k (k: 1…m)présentes en quantités limitées bk . Ces

ressources sont soit de la main d’oeuvre payée en fixe, soit des approvisionnements, soit
des capacités de production des équipements. Le produit i requiert aik unités de la
ressource k.

Modélisation :

1- Les variables de décision sont les quantités xi du produit i à fabriquer.

n
2- L’objectif est de maximiser les gains : max ∑ g i xi
i =1
n
3- Les contraintes sont de la forme: ( k : 1..m); ∑ aik xi ≤ bk
i =1
(i : 1..n) d i min ≤ xi
xi ≤ d i max
 Modélisation monopériode: Prise en compte des
ressources additionnelles (1)
Exemple introductif
Reprenons l’exemple précédent. Au vu des premiers résultats, les ressources initialement
prévues sont insuffisantes. Tous les tambours et programmateurs sont utilisés, la main
d’oeuvre au conditionnement travaille à son maximum. On procède à un second tour de
table, ce qui permet de recueillir de nouvelles propositions.

Service ressources humaines: il est possible de travailler en heures supplémentaires, dans la

limite de 10% de la charge maximale normale pour chaque atelier. L’heure normale revient à
l’entreprise 100 DH au montage et 120 DH au conditionnement. Le surcoût d’une heure
supplémentaire est de 30DH à l’atelier de montage et 40 DH à l’atelier de conditionnement.

Service des achats: a contacté un sous-traitant qui pourrait fabriquer un maximum de 100
tambours. Bien entendu, ces tambours reviendraient plus chers que ceux fabriqués en
interne. Ce surcoût est estimé à 20DH par tambour. Une seconde source
d’approvisionnement de programmateurs est possible. Un fournisseur extrême-oriental a été
contacté. Il exige une commande minimale de 100 programmateurs et peut en livrer jusqu’à
150. Ces programmateurs ont un prix unitaire de 5DH plus élevé que ceux livrés
actuellement, et de plus, le transport a un coût fixe de 1000 DH.
 Modélisation monopériode: Prise en compte des
ressources additionnelles(2)
Définition des variables de décision

o Les variables donnant le nombre de familles à fabriquer : E, M, H

o Nombre d’heures supplémentaires à faire par atelier (montage et conditionnement). Ces

variables seront notées : HSupM et HSupC et seront exprimées en 1/10 d’heure.

o Nombre de tambours à sous traiter: TST .

o Programmateurs: passons nous une commande ? Cette décision est une valeur logique
oui/non. En programmation linéaire, nous la traduirons par une variable bivalente (pouvant
prendre les valeurs 0 ou 1). On notera CC cette variable.
o Si CC = 1, il faut décider du nombre de programmateurs à commande (variable CCP), et
dans ce cas, ce nombre est au minimum 100. Ce que nous traduirons par la contrainte :
PCC ≥ 100 CC.
o Si CC = 1, la commande maximale en programmateur est de 150. Ceci se traduit par la
contrainte : PCC ≤ 150CC.
 Modélisation monopériode: Prise en compte des
ressources additionnelles(3)
Fonction objective
On utilise la fonction objective du modèle précédent, diminué des coûts supplémentaires
engendrés par l’augmentation des heures de travail dans les ateliers de montage et de
conditionnement, par les tambours sous-traités, et les programmateurs éventuellement :
Maximiser
440 E + 700 M + 900 H –30HSupM – 40 HSupC – 20 TST – 5 PCC – 1000 CC
S.C
C1 E+ M + H ≤ 500 + TST (limite des tambours disponibple en tôlerie)
C2 8 E + 10 M + 12 H ≤ 6000 + HSupM (limite heures en montage)
C3 M + H ≤ 300 + PCC (limite programmateurs)
C4 2 E + 3 M + 4 H ≤ 1500 + HSupC (limite heures conditionnement)
C5 H ≥ 100 (demande minimum)
C6 E ≥ 200
C7 PCC ≥ 100 CC (Nombre minimum à commander des programmateurs)
C8 PCC ≤ 150CC (Nombre maximum à commander des
programmateurs)
C9 HSupM ≤ 600 (limite heures supp en montage)
C10 HSupC ≤ 150 (limite heures supp en conditionnement)
C11 TST ≤ 100 (limite de sous traittance des tambours)
C12 CC=0 ou 1,
C.N.N E ≥ 0, M ≥ 0, H ≥ 0, TST ≥0, HSupM ≥0, HSupC ≥ 0, PCC ≥ 0
 Modélisation monopériode: Prise en compte des
ressources additionnelles(4)
Solution optimale (Lindo 6.1)

La résolution de ce programme donne les résultats ci-dessous. La fonction objective

vaut à l’optimum de 370 766,67 DH. Par rapport au premier tour de table, le gain
augmente de 370 766 – 338 000 DH = 32 766 DH.

VARIABLE VALUE
A 1
E 200
M 283
HSUPM 0
HSUPC 150
TST 83
PCC 100
H 100
 Modélisation monopériode avec ressources additionnelles: Algorithme général
On considère une entreprise fabriquant n produits (i: 1…n), la demande di en chaque produit est
comprise dans l’intervalle [dmin, dmax]. Le gain apporté par une unité du produit i est gi. L’entreprise
dispose de m ressources k (k: 1…m). Le produit i requiert aik unités de la ressource k. La ressource k
peut être obtenue de diverses sources Slk. Le coût (surcoût) d’une unité de Slk est Clk . On peut séparer
les ressources en deux groupes :
- Les sources Slk du premier groupe existent en quantité limitée blk.
- Pour le second groupe, il y a une quantité minimale imposée alk et il y a un coût fixe flk à payer si l’on
décide d’utiliser la source.
Les variables de décision sont : Les quantités xi du produit i à fabriquer, Les quantités ylk de la source
Slk à utiliser, Les variables bivalentes zlk associées aux sources du second groupe : zlk = 1 si on utilise la
source l pour se procurer la ressource k.
L’objectif est de maximiser les gains diminués des coûts variables et fixes des ressources.
n m m
max ∑ g i xi − ∑∑ C y − ∑ f l k zlkl
k k
l
i =1 k =1 l k =1

n
(k : 1..m); ∑ aik xi ≤ ∑ ylk
i =1 l

(i : 1..n)d i min ≤ xi
xi ≤ d i max
ylk ≤ blk zlk
ylk ≤ alk zlk
zlk ∈ 0,1
 Programmation sur un horizon donné

Chez LAVAM, la réunion mensuelle a pour but d’établir le PDP sur les trois mois suivants.
Ici, nous ne prendrons en compte que les contraintes sur les ressources vues au tout
premier exemple (monopériode sans RA), mais nous disposons en plus des données sur
les mois à venir.
Responsable commercial
A partir des commandes fermes connues et des prévisions, il est possible de dresser une
fourchette des commandes attendues. Le tableau suivant donne les ventes minimales,
moyennes et maximales pour chaque famille.
Economique Moyenne Haute
Mois 1 80/100/120 90/110/130 120/130/140
Mois 2 90/105/120 120/140/160 100/105/110
Mois 3 100/120/140 100/120/140 130/150/170

Responsable des ressources humaines

En fonction du nombre de jours ouvrés et des effectifs, les disponibilités en main d’oeuvre
pour les trois mois (respectivement) seront : au montage : 500h, 450h et 550h au
conditionnement : 100h, 90h, et 120h.
 Programmation sur un horizon donné

Responsable de production
Compte tenu des arrêts programmés par la maintenance préventive, la production
maximale de tambours sera respectivement de 500, 380 et 400 sur les trois mois.
Responsable des achats
La livraison des programmateurs électroniques sera de 400 par mois. Un inventaire de
stocks actuels (mois 0) nous donne les disponibilités suivantes pour le début du premier
mois: composantes: 60 tambours et 50 programmateurs pour les approvisionnements,
produits finis: 30 machines de la gamme économique, 50 de la gamme moyenne et 10 de
la gamme haute.
Responsable financier
Le stock représente une charge financière très importante. Les coûts moyens de
possession mensuels sont de 1 F pat tambour, 5 F par programmateur, 30, 45 et 60 F par
machine: Economique, moyenne et haute respectivement.

La première question qui se pose est de savoir si l’entreprise est capable de répondre à la
demande dans les trois cas de figure suivants :

• Scénario pessimiste : On se fixe les demandes minimales,

• Scénario probable : on se fixe les demandes moyennes,
• Scénario optimiste : on se fixe les demandes maximales
 Programmation sur un horizon donné

Variables de décision : Il faut décider du nombre de chacune des références à fabriquer

durant chacun des mois 1,2 et 3:
E1, E2, E3
M1, M2, M3
H1, H2, H3

Il faut connaître le niveau des stocks restant en fin de mois (autrement dis, disponible
pour le mois suivant). Ces stocks peuvent se calculer à partir des fabrications et des
demandes du mois précédent. Les variables de stock ne sont donc pas impératives, mais
permettent de simplifier notablement le modèle. Nous les noterons St+Produit+Mois avec
Produit = [E, M, H, Tamb, Progr] et Mois = [0,1, 2, 3]. La variable StE1 représente le stock
de la gamme économique en début du mois 1. Le mois 0 représente les stocks de départ
et le mois 3 les stocks disponibles à la fin de l’horizon.

Objectif : Nous voulons maximiser la différence entre les ventes et les coûts directs de
fabrication et de stockage. Nous aurons donc la fonction objective suivante dans le
programme linéaire :

Max 440 (E1+E2+E3) +700 (M1+M2+M3) + 900 (H1+H2+H3) -30

(StE0+StE1+StE2+StE3) -45 (STM0+StM1+StM2+StM3) - 60 (StH0+StH1+StH2+StH3) -
(StTamb0+StTamb1+StTamb2+StTamb3) -5 (StProgr0+StProgr1+StProgr2+StProgr3)
 Programmation sur un horizon donné

Contraintes:
Nous retrouvons tout d’abord pour chacun des mois les contraintes statiques de l’exemple
initial.

• C2, C4 : En ce qui concerne la main d’oeuvre, les contraintes sont identiques

• C1 : En ce qui concerne les programmateurs, on en reçoit 400 chaque mois, auquel il
faut additionner ceux restés en stock. Après fabrication, ceux qui resteront, constituent les
stocks pour le mois suivant. On a donc :
→ Mois1 : M1+H1+ SProgr1 = 400 + SPogr0
→ Mois2 : M2+H2+ SProgr2 = 400 + SPogr1
→ Mois3 : M3+H3+ SProgr3 = 400 + SPogr2

• C3 : En ce qui concerne les tambours, il est possible d’en fabriquer un maximum de 500 au
mois 1. Supposons que la fabrication du mois soit de 460 machines. Compte tenu des 60
tambours en stock, la demande réelle sera de 400 tambours pour une capacité de 500. Nous
avons toute latitude entre ces deux valeurs, et au-delà de 400, les tambours supplémentaires
constitueront le stock du mois 1. On a ici une inéquation, alors que pour les
programmateurs, nous avions une équation :

E1 + M1 + H1 + StTamb1 ≤ 500 + StTamb0

 Programmation sur un horizon donné

Contraintes:
Les contraintes de contrats seront remplacées par des contraintes exprimant qu’il faut
satisfaire les demandes du scénario testé. Une demande peut être satisfaite par le stock,
ou par la fabrication du mois. Les fabrications excédentaires constituent le stock du mois
suivant. Pour la gamme économique, les contraintes seront donc de la forme :

• Mois 1 : StE0+E1 = DmdeE1+ StE1

• Mois 2 : StE1+ E2= DmdeE2+StE2
• Mois 3 : StE2+ E3= DmdeE3+StE3

Dans le cas des problèmes de planification multi-périodes (indices de mois), les

contraintes se répètent à l’identique. La contrainte générique serait ici :

Mois i StE(i-1) + E(i)= DmdeE(i)+ StE(i)

Remarques : Afin de rendre moins fastidieux l’écriture du programme, dans les logiciels
de programmation linéaire du commerce, il est possible de donner les contraintes
génériques. Un programme dit « modeleur » se charge de générer le programme
correspondant.
 Programmation su r un horizon donné

On considère les demandes moyennes:

 Programmation sur un horizon donné

On considère une entreprise ayant à fabriquer n produits i (i =1,…n) sur p périodes

consécutives j (j = 1,..p). La demande du produit i pendent la période j est di,j. La pénurie
est interdite. Le gain d’une unité de produit i est gi. Elle dispose de m ressources k (k=
1,….m) présentes en quantités limités bi,j, en période j. Un produit i requiert ai,k unités de
la ressource k. Ces ressources sont de trois catégories.

• Les ressources R1 ne sont pas stockables d’une période à l’autre (main

d’oeuvre)
• Les ressources R2 peuvent être fabriquées en vue de constituer des stocks
(tambours)
• Les ressources R3 inutilisées en période j constituent le stock de j
(programmateurs).

Le coût de stockage unitaire par période de la ressource k de type R2 ou R3 est de rk et

celui d’un produit fini i est si. Les variables de décision sont :

Les quantités Xi,j du produit i à la période j,

Les stocks résiduels SRk,j de la ressource k en fin de période j
Les stocks Si,j du produit fini i en fin de période j.
 Programmation sur un horizon donné: algorithme

n p n p n p
max ∑ ∑ g i xi , j − ∑ ∑ si Si , j − ∑ ∑ srk i SRk , j
i =1 j =1 i =1 j =1 i =1 j =1

Sous les contraintes

n
∑ aik X i, j ≤ bk , j ; (k ∈ R1)
i =1
n
∑ ai,k X i, j + SRk , j ≤ bk , j + SRk , j −1; (k ∈ R 2)
i =1
n
∑ ai,k X i, j + SRk , j = bk , j + SRk , j −1; (k ∈ R3)
i =1
Si , j −1 + X i , j = d i , j + Si , j
 Résolution graphique d’un programme linéaire à deux variables de décision

Maximise 4 A + 3 B
S.C 2 A + B + z1 = 12 B
A+ 2 B + z2 = 12
A ≥ 0, B ≥ 0

-On trace les droites d1 : B = 12 – 2 A de pente -2

et la droite d2 : B = 6 – (1/2) A de pente (-1/2). On
trace ensuite les droites isomarges (parallèles):
4A + 3 B = d3, de pente (-4/3).
Les contraintes (d1 et d2) déterminent un
domaine de solutions réalisables formé de plans
de production x = (A, B). Un tel domaine porte le
nom d’ensemble de production. L’optimum est
alors la solution réalisable située sur la droite
isomarge la plus haute. A

On obtient le point A de coordonnées A=4 et B = 4. On remarque qu’il s’agit d’un

sommet du polyèdre qui constitue l’ensemble de production.