Recherche opérationnelle

Recherche opérationnelle (Operations Research, OR) — une discipline scientifique interdisciplinaire liée au développement et à l'application de méthodes quantitatives d'optimisation basées sur la modélisation mathématique et diverses approches heuristiques. Elle sert d'outil pour la justification quantitative préliminaire des décisions de gestion au sein de systèmes complexes de natures diverses : techniques, économiques et organisationnels.

Essence et objectifs

Initialement, la recherche opérationnelle était définie comme une méthode scientifique fournissant aux dirigeants des bases quantitatives pour prendre des décisions relatives aux activités des organisations subordonnées. L'accent était mis sur le caractère appliqué de la discipline, orientée vers l'utilisation des avancées d'autres sciences pour analyser des problèmes spécifiques d'amélioration de la gestion.

Dans le contexte de cette discipline, une "opération" est un ensemble d'actions contrôlées, unies par une intention commune et visant à atteindre un objectif. Le terme trouve son origine dans le commandement militaire, où il désignait une action ciblée, mise en œuvre selon un plan défini.

Les méthodes de la recherche opérationnelle sont appliquées lorsqu'il est nécessaire d'organiser une activité ciblée qui peut être réalisée de différentes manières. Il faut alors choisir l'une des solutions possibles, chacune ayant ses avantages et ses inconvénients. L'objectif de la recherche opérationnelle est de fournir une justification quantitative préliminaire des décisions optimales en s'appuyant sur des indicateurs de performance. La prise de décision elle-même sort du cadre de la discipline et relève de la compétence du décideur.

Histoire et développement

La recherche opérationnelle en tant que discipline scientifique est apparue pendant la Seconde Guerre mondiale. Son développement est lié aux travaux de groupes de scientifiques engagés dans la résolution de problèmes de planification militaire. Les méthodes de RO ont été utilisées pour organiser des missions de combat, planifier des opérations navales et allouer des ressources.

Après la guerre, les méthodes ont été adaptées aux besoins du secteur civil : industrie, logistique, gestion des stocks et réorganisation de la production. Les ouvrages classiques ont été écrits dans les années 1950-1970 (G. Dantzig, R. Ackoff, C. Churchman, M. Arnoff).

En URSS, les méthodes de recherche opérationnelle se sont développées principalement sous les appellations de "modélisation mathématique", "programmation mathématique" ou "méthodes mathématiques d'optimisation". Parmi les figures clés, on compte L. V. Kantorovich (créateur de la programmation linéaire, lauréat du prix Nobel en 1975), B. G. Gnedenko, E. S. Ventsel et N. P. Bruslenko. Depuis la fin du XXe siècle, le terme "analytique de production" est également utilisé.

Méthodologie

La méthodologie de la recherche opérationnelle comprend les étapes suivantes :

1. Formalisation du problème initial ;
2. Construction d'un modèle (mathématique, de simulation, etc.) ;
3. Résolution du modèle (de manière analytique ou numérique) ;
4. Vérification de l'adéquation du modèle ;
5. Mise en œuvre de la solution et analyse de sensibilité.
6. La particularité de cette approche réside dans la combinaison de l'intuition du dirigeant avec les résultats de la modélisation. Un modèle n'est pas une copie parfaite de la réalité, mais un outil permettant de prendre des décisions plus éclairées.

Fonction objectif et critères d'efficacité

L'efficacité est définie comme la productivité de l'utilisation des ressources pour atteindre un objectif. Pour comparer les options entre elles, un critère quantitatif est introduit : la fonction objectif. Il s'agit d'un indicateur de performance formalisé qui doit être maximisé (par exemple, le profit, la productivité) ou minimisé (par exemple, les coûts, les dépenses, le temps).

En présence de plusieurs critères, on se trouve face à un problème d'optimisation multicritère. Dans ce cas, les solutions efficaces sont déterminées selon le critère de Pareto — comme des solutions qui ne sont inférieures à aucune autre sur l'ensemble des critères simultanément.

Formalisation des problèmes

Les méthodes de la recherche opérationnelle sont les plus efficaces pour résoudre des problèmes bien structurés (formalisables), qui permettent une formulation quantitative et la construction de modèles mathématiques. Ces modèles incluent des variables, des contraintes et une fonction objectif. Une solution est considérée comme réalisable si elle satisfait à toutes les contraintes ; elle est optimale si elle extrémise également la fonction objectif.

Modèles mathématiques d'opérations

Le modèle mathématique est la base de l'application des méthodes quantitatives en recherche opérationnelle. Il s'agit d'une description formalisée de l'activité gérée (l'opération), dans laquelle les paramètres clés, les dépendances et les objectifs sont identifiés. Un modèle simplifie et schématise toujours la réalité, et sa précision est déterminée par l'adéquation entre sa complexité et les informations disponibles.

Principes clés de la construction de modèles :

• Le modèle doit refléter les caractéristiques les plus importantes du phénomène et tenir compte des facteurs les plus significatifs.
• Le modèle ne doit pas être surchargé de détails secondaires qui compliquent l'analyse.
• Il n'existe pas de méthode de modélisation universelle — chaque modèle est choisi individuellement, en tenant compte des objectifs, du niveau d'incertitude et de la disponibilité des données.
• Il est recommandé d'utiliser plusieurs modèles pour un même phénomène et de comparer les résultats (ce que l'on appelle la « confrontation de modèles »).

Programmation mathématique

La programmation mathématique constitue le cœur des méthodes appliquées de la recherche opérationnelle.

Le problème est formulé sous la forme de :

• un domaine des solutions réalisables ;
• une fonction objectif ;
• des contraintes.

On distingue la programmation linéaire, non linéaire, en nombres entiers et multicritère.

• Programmation linéaire — une branche de la programmation mathématique où la fonction objectif et les contraintes sont linéaires. Elle est utilisée pour l'optimisation avec des ressources limitées.
• Programmation non linéaire — un problème d'optimisation où la fonction objectif ou au moins une des contraintes est non linéaire. Elle est appliquée pour modéliser des dépendances complexes.
• Programmation en nombres entiers — une catégorie de problèmes d'optimisation où certaines ou toutes les variables ne peuvent prendre que des valeurs entières. Pertinente pour résoudre des problèmes de nature combinatoire.
• Programmation multicritère — un domaine de l'optimisation qui prend en compte simultanément plusieurs fonctions objectifs. Les solutions sont choisies en tenant compte des compromis entre les critères.

Problèmes typiques de la recherche opérationnelle

Les classes de problèmes les plus typiques incluent :

• Problèmes d'allocation de ressources — répartition optimale de ressources limitées entre des activités concurrentes, en tenant compte de contraintes données. Exemple : établir un plan de production avec des matières premières et des équipements limités.
• Problèmes de transport — détermination d'un plan de transport optimal qui minimise les coûts totaux de déplacement des produits des points d'origine aux points de destination.
• Problèmes d'affectation — assignation d'exécutants à des tâches (ou d'équipements à des opérations) de manière à minimiser les coûts totaux ou à maximiser l'effet global. C'est un cas particulier du problème de transport.
• Problèmes de files d'attente — modélisation de systèmes avec files d'attente (par exemple, banques, entrepôts, centres de télécommunication) pour analyser les temps d'attente, l'utilisation des ressources et optimiser le nombre de serveurs.
• Problèmes de gestion des stocks — définition d'une stratégie de réapprovisionnement et de stockage garantissant la satisfaction de la demande à un coût minimal.
• Problèmes de remplacement d'équipement — choix du moment pour remplacer un équipement vieillissant ou usé afin de minimiser les coûts de réparation, d'exploitation et d'acquisition.
• Problèmes de réseaux — détermination du chemin critique dans les graphes de projet, optimisation des flux dans les réseaux (par exemple, de transport ou d'information), minimisation du temps d'exécution d'un projet.
• Problèmes de découpe et de placement — optimisation du placement d'objets (par exemple, des pièces sur une feuille de matériau) pour minimiser les déchets.
• Problèmes de théorie des jeux — modélisation de situations conflictuelles impliquant deux ou plusieurs parties ayant des intérêts divergents, analyse des stratégies du point de vue des gains et des risques.
• Problèmes d'optimisation multicritère — recherche de solutions optimales selon plusieurs critères, souvent contradictoires (par exemple, qualité vs coût vs délai).
• Modélisation par simulation — modélisation de systèmes complexes dont le comportement ne peut être décrit de manière analytique précise (par exemple, la logistique de grands hubs ou les systèmes de production à forte incertitude).

Chaque type de problème peut être représenté sous la forme d'un modèle mathématique contenant des variables, des contraintes et une fonction objectif.

Méthodes

• Théorie des probabilités et statistiques
• Théorie des graphes
• Théorie des jeux
• Modélisation par simulation
• Modèles de files d'attente
• Modèles de gestion des stocks et de remplacement
• Modèles de réseau et chemin critique

Limites de la méthode

• Sensibilité excessive aux données initiales ;
• L'optimisation locale ne garantit pas l'optimalité globale du système ;
• Inadéquation du critère par rapport à l'objectif réel ;
• Possibilité d'effets indésirables si les contraintes ne sont pas toutes prises en compte.

Applications

La recherche opérationnelle est appliquée dans les domaines suivants :

• logistique et gestion des stocks ;
• planification de la production ;
• construction et planification des investissements ;
• économie, défense, énergie ;
• gestion publique et d'entreprise.

Liens externes

• Article sur la recherche opérationnelle sur systems-analysis.ru
• Article sur la recherche opérationnelle sur Wikipédia (FR)
• Article sur la recherche opérationnelle sur Wikipédia (EN)

Bibliographie

• Kantorovich, L. V. (1939). Méthodes mathématiques d'organisation et de planification de la production. PDF
• Ventsel, E. S. (1972). Recherche opérationnelle. PDF
• Ventsel, E. S. (2004). Recherche opérationnelle : problèmes, principes, méthodologie. 3e éd. PDF
• Hillier, F. S. & Lieberman, G. J. (trad. de l'anglais, 2005). Introduction to Operations Research. 7e éd. russe. PDF
• Dantzig, G. (1966). Programmation linéaire, ses applications et généralisations. Trad. de l'anglais. HTML
• Dantzig, G. B. (1963). Linear Programming and Extensions. RAND PDF.
• Kantorovich, L. V. (1960). Mathematical Methods in the Organization and Planning of Production. PDF.
• Churchman, C. W.; Ackoff, R. L.; Arnoff, E. L. (1957). Introduction to Operations Research. Archive.org.
• Hillier, F. S.; Lieberman, G. J. (2014, 10e éd.). Introduction to Operations Research. PDF.
• Winston, W. L. (2004, 4e éd.). Operations Research: Applications and Algorithms. PDFroom.
• Ford, L. R.; Fulkerson, D. R. (1956). Maximal Flow Through a Network. PDF.
• Nemhauser, G. L.; Wolsey, L. A. (1988). Integer and Combinatorial Optimization. Wiley.
• Bellman, R. (1957). Dynamic Programming. PDF.