TG Corrigee 2023-2024

Théorie des Graphes (2023-2024) Par Chef de Travaux AMANI MAISHA Page 1
République Démocratique du Congo

ENSEIGNEMENT SUPERIEUR ET UNIVERSITAIRE
INSTITUT SUPERIEUR PEDAGOGIQUE D’UVIRA
ISP-UVIRA
B.P 2316 Bujumbura/Burundi

Site Internet: www.ispuvira.edu.bi
E-mail: esu.ispuvira@gmail.com
Cours de Théorie des Graphes destiné aux

étudiants de L1 Informatique de Gestion.
Dispensé par AMANI MAISHA Sulutani
Chef de Travaux
Année académique 2023-2024
Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

I) Intitulé du cours : Théories des Graphes (TG)

II) Promotion :L1 Informatique de Gestion (L1IG).
III) Nombre d’heures :45H dont 30 théoriques et 15 pratiques
IV) Enseignant :AMANI MAISHA Sulutani, Chef de Travaux
au Département d’Informatique de Gestion à
l’ISP-Uvira.
V) Objectif du Cours :
L'objectif de ce cours est de donner les bases de la théorie des graphes : la méthodologie, les
problèmes et les modèles typiques, les principales techniques de résolution. Les étudiants
comprendront l’intérêt des graphes et découvrir leurs différents types.
Aussi, ce cours est de présenter à l’étudiant d’une part une de modélisation de solution sous
forme de graphe, d’autre part, ce cours contiendra un ensemble de techniques permettant à
l’étudiant de résoudre ses problèmes à travers des algorithmes comme : la recherche de
chemin minimal, le flot maximal, le chemin critique, les problèmes de transport,
d’affectation, les problèmes de voyageur, etc. Un étudiant maîtrisant les exercices de ce
cours sera capable de proposer une modélisation d'une grande part des problèmes des théories
des graphes rencontrés dans l'industrie, dans la vie sociale, dans l’entreprise, de proposer des
approches de résolution et d'en discuter les qualités respectives.
VI) Plan du Cours
Chapitre 0 : INTRODUCTION
Chapitre 1 : PREMIER CONTACT AVEC LES GRAPHES
Chapitre 2 : QUELQUES GRAPHES REMARQUABLES ET PRESENTATION NON
GRAPHIQUE
Chapitre 3 : PROBLEMES DU PLUS LONG, COURT CHEMIN ET DES FLOTS
Chapitre 4 : LES PROBLEMES D’ORDANNANCEMENT
Chapitre 5 : LES PROBLEMES TRANSPORT ET D’AFFECTION
Chapitre 6 : LES PROBLEMES DU VOYAGEUR DE COMMERCE
Chapitre 7 : APPLICATIONS
VII) Méthodologie d’enseignement

Cours est théorique et pratique avec tableau et craies et démonstration au TN plus les
interactions des étudiants. Pour une meilleures acquisition de la matière, l’enseignant
utilisera la méthode d’enseignement expositive et démonstrative. On partira des exemples

pour chaque notion développée afin de bien illuminer la matière. Dans les séances
d’exercices, les étudiants sont en face à des exercices qu’ils doivent résoudre.
La langue d’enseignement est le Français.
VIII) Mode d’évaluation
Les évaluations se feront en premier lieu par des travaux dirigés, des interrogations et
des travaux pratiques. L’ étudiant brillant aura droit à 2 points de plus pour chaque
intervention pertinente. La présence au cours est obligatoire et chaque présence vaut
un (1) point afin de constituer les travaux journaliers qui prendront 30 points et un
examen à notes fermées qui prendra à son tours 30 points.
IX) Prérequis
Etant une discipline de la Recherche Opérationnelle, le cours de la Théorie des
Graphes (TG) exige les prérequis en Initiation à la Recherche Opérationnelle, en
Mathématiques(calculs matriciels, notions des vecteurs), en Statistiques, en théorie des
ensembles et calcul des probabilités,….
X) Références bibliographiques
1) Didier Muller, Introduction à la théorie des graphes, Cahier N°6 du Cahier de la
CRM, 2012
2) Alain Bretto et ali, Elements de théories des graphies, 2 ème Edition revue et
augmentée, Lavoisier, Paris, 2018
3) Claude Berge, Graphes et hypergraphes, Bordas 1973, (300 pages).
4) Nguyen Huy Xuong, Mathématiques discrètes et informatique, Masson, 1997 Aimé
5) Sache, La théorie des graphes, Que-Sais-Je ?, 1974 ; réédition prévue en 2004 chez
6) Kaufmann, Des points des flèches, la théorie des graphes, Dunod, Sciencespoche,
épuisé.
7) Joel M. NZINSALO, Notes du Recherche Opérationnelle, Universite d’Abomey
Calavi, Benin
8) Luc Brun, Mathématiques pour l’informatique : éléménts de théorie des graphes,
Ensi-Caen.
9) Prof. OUSMANE THIARE, Théorie des graphes, SAT, 16 avril 2020
10) Israël DISASHI KABADI, Notes du Cours de la Théorie des Graphes, UPN, Inédit,
L1Math, 2022-2023

Chapitre 0. INTRODUCTION
Introduire une nouvelle matière n’est pas toujours chose plaisante car il s’agit souvent d’une
accumulation de dénitrions ! Et c’est hélas la situation rencontrée ici. Nous allons donc
agrémenter cette présentation, autant que faire se peut, d’exemples mettant en lumière
l’intérêt pratique de la théorie des graphes. Comme l’indique le titre de ce chapitre, nous nous
intéressons aux graphes et comme le lecteur va très vite s’en apercevoir, il en existe de
plusieurs types : simple, multi-graphe, digraphe, hypergraphe,...
La théorie des graphes constitue un très outil puissant pour schématiser les modèles des liens
et relations entre les objets. L’étude des graphes a commencé depuis le 18ème siècle par un
problème de curiosité mathématique lorsque Euler (1703-1783) a posé le célèbre problème
du pont de Königsberg (Kaliningrad).
Ces deux dernières décennies la théorie des graphes a suscité un intérêt exponentiel
essentiellement grâce à son rôle comme des modèles d’optimisation et de calculs explicites
nécessitant la conception et l’analyse de plusieurs algorithmes.
L’élaboration de ce cours est le fruit de la lecture de nombreux volumes (livres et cours)
récents traitant la théorie des graphes et les mathématiques discrètes. Ainsi on a eu la
conviction que la meilleure façon pour bien assimiler cette théorie est de commencer par les
graphes simples car à tout graphe orienté est associe un graphe non orienté en omettant les
orientations et par conséquence tout concept non orienté s’applique a` tout type de graphe et
on peut faire le passage entre les deux types. Ainsi, la maitrise des graphes simples facilitent
considérablement l’assimilation des graphes orientés et par suite le reste des chapitres.
La théorie des graphes est devenue un fondement théorique et pratique incontournable dans le
processus de modélisation de certains problèmes dans plusieurs domaines. L’apport des
graphes dans la résolution des problèmes réside dans la simplicité graphique, la similitude
avec des aspects distribués et les notions de parcours et de recherches de chemins. Une brique
de base dans la modélisation est le graphe. Les graphes apparaissent naturellement lorsqu'on
est confronté à un réseau (réseau de transport, réseau informatique, réseau d'eau ou de gaz,
etc.). Comment parcourir le réseau de manière optimale? C'est la question du voyageur de
commerce par exemple. Comment concevoir un réseau informatique robuste, tout en
minimisant le nombre de connexions?
0.1.Définition de la théorie des graphes
La Théorie des Graphes (TG) est la discipline mathématique et informatique qui étudie
les graphes, lesquels sont des modèles abstraits de dessins de réseaux reliant des objets.
Ces modèles sont constitués par la donnée de sommets (aussi appelés nœuds ou points, en
référence aux polyèdres), et d’arrêtes (aussi appelées liens ou lignes) entre sommets ; ces
arrêtes sont parfois non-symétriques( les graphes sont alors dit orientés) et sont
appelées des flèches ou d’arcs. La théorie des graphes est une discipline largement adressée
tant par la recherche que dans la formation en logistique et informatique.
0.2.Historique de la théorie des Graphes
L'histoire de la théorie des graphes débute avec les travaux d'Euler sur le problème devenu
célèbre des ponts de Königsberg (Sachs, 1988). Euler cherchait à déterminer s'il existait un
chemin empruntant les sept ponts Königsberg une seule fois. Pour résoudre son problème,
Euler n'a pas réellement tracé un graphe, mais il a théorisé le problème de la même façon en
nommant par une lettre les différentes terres séparées par les rivières et représenté les ponts
par des séquences de lettres (AB relie ainsi la terre A à la terre B).
0.3.Objectif de la théorie des graphes
L'objectif de la théorie des graphes est de résoudre des problèmes en simplifiant leur
représentation à une série de sommets et d’arêtes reliant ces sommets. La résolution du
problème peut alors être traitée de façon logique en opérant des algorithmes particuliers
cherchant à optimiser le graphe, ou à déterminer le plus court chemin, ou juste à caractériser
la structure du graphe. Un des problèmes les plus connus adressé par la théorie des graphes est
le problème du voyageur de commerce qui cherche à visiter un certain nombre de villes par le
chemin le plus court.
0.4. Domaines d’Application
En outre de son rôle éminent (remarquable) dans l’informatique, les mathématiques
appliquées (analyse numérique matricielle), la biologie, la physique (circuits électriques), la
chimie..., la théorie des graphes est devenue l’un des instruments les plus efficaces pour
résoudre de nombreux problèmes discrets que pose de nombreuses théories très utiles telles
que la recherche opérationnelle et l’économie. Autrement dit elle contribue à résoudre de
nombreux problèmes concrets de la vie courante.
Un graphe permet généralement de représenter la structure, les connexions d’un ensemble
complexe en exprimant les relations entre ses éléments: réseau de communication, réseaux
routiers, interaction de diverses espèces animales, circuits électriques,... Les graphes
constituent donc, une méthode de pensée qui permet de modéliser une grande variété de
problèmes en se ramenant à l’étude de sommets et d’arcs. Les derniers travaux en théorie des
graphes sont souvent effectués par des informaticiens, du fait de l’importance qu’y revêt
l’aspect algorithmique.


Chapitre 1 : PREMIER CONTACT AVEC LES GRAPHES

Plusieurs situations concrètes de notre vie quotidienne (vie sociale, économique, politique,
etc.) peuvent être formalisées au moyen de dessin permettant d’exprimer commodément le
problème posé et parfois même d’en suivre aisément la solution par un algorithme
approprié.
Les situations suivantes peuvent être traduites en graphe :

- différentes tâches exécutées par une ménagère lors de la préparation d’un déjeuner ; -
trafic routier ;
- Réseau de voies ferrées ;
- Fils électriques ;
- Rues d’une ville ;
- Echanges commerciaux ;
- Réseau de communications entre individus ;
- Circulations des informations dans un système ;
- Distribution de marchandises ;
- etc.
1.1 Définition
1.1.1. Graphe
Soit G, une relation sur un ensemble X ; on pourra représenter le fait que deux éléments a, b
de X sont en relation par un arc de a vers b : a → b. Si a, b et b, a sont en relation, on aura
une ligne non orientée (appelée arête) a — b. Une relation sera donc représentée par un
ensemble d’arcs (ou d’arêtes) pouvant se succéder.
Graphes non orientés

V=* +
E *( ) ( ) ( ) ( ) ( ) ( )+
1.2. Quelques Types des Graphes

1.2.1. Graphe Orienté
Un graphe orienté G est un couple (X,R) où X est un ensemble de sommets {x1,...,xn} et
R un ensemble de couples orientés (xi, xj) appelés arcs. Pour un arc (xi, xj) d'origine xi et
d'extrémité xj, xi est un précédent de xj, et xj est un suivant de xi . Un chemin est une suite
ordonnée (x1,...,xn) de sommets reliés par des arcs. La longueur du chemin est le nombre
d'arcs qu'il contient. Un circuit est un chemin (x1,...,xn) tel que x1 = xn.
La relation D définie sur X = {1, 2, 3, 6, 12} telle que: ∀x, y ∈ X, D(x, y) ssi x divise y peut
être représentée par :
1.2.2. Graphe Simple

Un graphe est simple si au plus une arête relie deux sommets et s'il n'y a pas de boucle sur
un sommet.
1.2.3. Graphe Connexe

Un graphe est connexe s'il est à partir de n’importe quel sommet, de rejoindre tous les autres
en suivant les arêtes. Un graphe connexe se décompose en composantes connexes. Sur le
graphe ci-dessous, les composantes connexes sont : { l,2, 3,4} et {5,6} mais le graphe est
non connexe.
1.2.4. Graphe complet

Un graphe est complet si chaque sommet du graphe est relié directement à tous les autres
sommets-
1.2.5. Graphe Bipartie

Un graphe est biparti si ses sommets peuvent être divisés en deux ensembles X et Y, de
sorte que Inules les arêtes du graphe relient un sommet dans X à un sommet dans Y (dans
l'exemple ci-dessous, on a X = {1,3 51 et Y = 12,4} cm vice versa).
1.2.6. Graphe Partiel et sous-graphe

Soit G = (V, E) un graphe. Le graphe G' = (V, E’) est un graphe partiel de G, si E’ est
inclus dans E. Autrement dit, on obtient G’ en enlevant une ou plusieurs arêtes au graphe G.
Pour un sous-ensemble de sommets A inclus dans V, le sous-graphe de G induit par A est le
graphe G=(A.E(A)) dont l’ensemble des sommets est A et l'ensemble des arêtes E(A) est
formé de toutes les arêtes de G ayant leurs deux extrémités dans A. Autrement dit, on obtient
G' en enlevant un ou plusieurs sommets au graphe G, ainsi que toutes les arêtes incidentes à
ces sommets.
1.2.7. Graphe Orienté valué

Un Graphe orienté valué est un graphe orienté G= (V, E) muni d’une fonction
supplémentaire w : E R qui associe une valeur (coût, poids ou longueur) à chaque arc. Le
graphe G deviendra alors G= (V,E w). Autrement dit, un graphe orienté valué est d’un
graphe G dont toutes les flèches ou arcs associé(es) ont des valeurs numériques.
1.2.8. Graphe acyclique

Un graphe acyclique est un graphe ne pouvant contenir au cycle quel qu’il soit.

1.2.9. Graphe isomorphe

En mathématiques, dans le cadre de la théorie des graphes, un isomorphisme de graphes est
une bijection entre les sommets de deux graphes qui préserve les arêtes. Ce concept est en
accord avec la notion générale d'isomorphisme, une bijection qui préserve les structures.
1.2.10. Digraphe
Un Digraphe ou « graphe orienté » est un graphe dont les arrêtes sont orientées et dont le
couple est défini comme suit ! (Départ, Arrivée). Par conséquence, le couple (x, y) est
différent du couple (y, x) puisque leur orientation est différente.
1.2.11. Graphe non orienté
En théorie des graphes, un graphe non orienté G=(V,E) est un couple formé de V un
ensemble de sommets et E un ensemble d'arêtes, chaque arête étant une paire de sommets.
Cette définition ne s'applique qu'aux graphes simples et n'est pas valable pour
les multigraphes.
1.3. Détermination des Degrés dans un graphe

1.3.1. Degré d’un sommet
En mathématiques et en informatique, et plus particulièrement en théorie des graphes,
le degré (ou valence) d'un sommet d'un graphe est le nombre de liens (arêtes ou arcs) reliant
ce sommet, avec les boucles comptées deux fois. Le degré d'un sommet est noté par d(v).
Autrement dit, on appelle degré du somme v, et on note par d(v), le nombre d’arrêtes
incidentes à ce sommet.
Attention : Une boucle sur un sommet compte double.
1.3.2. Degré d’un Graphe

Le degré d'un graphe est le degré maximum de tous ses sommets. . Dans l'exemple ci.
dessous, le degré du graphe est 4, à cause du somme v3. Un graphe dont tous les sommets ont
le même. degré est dit régulier. Si le degré commun est k, alors on dit que le graphe est k-
régulier.
1.4. Chaines et Cycles

1.4.1. Chaine
Une chaîne dans un graphe G est une suite ayant pour éléments alternativement des sommets
et des arêtes, commençant et se terminant par un sommet, et telle que chaque arête est
encadrée par ses extrémités.
En outres, Une chaîne est une suite d’arêtes telle que l’extrémité terminale de chaque arête
coïncide avec l’extrémité initiale de l’arête suivante.
On dira que la chaine relie le premier sommet de la suite au dernier sommet. En plus, on dira
que la chaîne a pour longueur le nombre d’arrêtes de la chaîne. Le graphe ci-dessous contient
entre autres les chaines (

NB : Il existe :
- Chaîne simple est une chaîne qui n’utilise pas deux fois la même arête.
- Chaîne eulérienne est une chaîne simple passant par toutes les arêtes d’un graphe.
- Chaîne hamiltonienne est une chaîne simple passant par tous les sommets d’un
graphe une et une seule fois.
1.4.2. Cycle
Un cycle est une chaîne simple se fermant sur elle-même. C’est donc une chaîne qui revient à
son point de départ. Dans le cas des graphes non orientés, un circuit est un cycle et un chemin
est une chaîne.
NB : Dans un graphe non orienté, un cycle est une suite d'arêtes consécutives distinctes
(chaine simple) dont les deux sommets extrémités sont identiques. Dans les graphes orientés,
la notion équivalente est celle de circuit, même si on parle parfois aussi de cycle (par exemple
dans l'expression graphe acyclique orienté).
NB : Il existe généralement :
- Un cycle hamiltonien est un cycle simple passant par tous les sommets d’un graphe
une et une seule fois.
- Un cycle élémentaire est un cycle ne passant pas deux fois par le même sommet,
sauf que le sommet final coïncide toujours avec le sommet de départ.
- Cycle eulérien : cycle simple passant par toutes les arêtes d’un graphe une et une
seule fois.
1.4.3. Une boucle
Une boucle est une ligne orientée qui revient à son sommet de départ.

NB : Le sommet V5 est bouclé.

1.4.4. Arborescence et arbre
Une arborescence est un graphe orienté d’un seul
tenant et sans circuit tel que, pour tout couple de
sommets de ce graphe, il existe toujours un autre
sommet, origine d’un chemin conduisant aux premiers sommets. L’origine de
l’arborescence est appelée «centre» ou «racine».
Un arbre est un graphe non orienté d’un seul tenant et sans cycle tel que pour aller d’un
sommet à un autre sommet du graphe, il existe toujours une chaîne.
Arborescence Arbre
1.4.5. Graphe Orienté valué

Un Graphe orienté valué est un graphe orienté G= (V, E) muni d’une fonction
supplémentaire w : E R qui associe une valeur (coût, poids ou longueur) à chaque arc. Le
graphe G deviendra alors G= (V,E w). Autrement dit, un graphe orienté valué est d’un graphe
G dont toutes les flèches ou arcs associé(es) ont des valeurs numériques.

1.4.6. Graphe acyclique

Un graphe acyclique est un graphe ne pouvant contenir au cycle quel qu’il soit.
1.4.7. Graphe isomorphe

En mathématiques, dans le cadre de la théorie des graphes, un isomorphisme de graphes est
une bijection entre les sommets de deux graphes qui préserve les arêtes. Ce concept est en
accord avec la notion générale d'isomorphisme, une bijection qui préserve les structures.
1.4.8. Digraphe
Un Digraphe ou « graphe orienté » est un graphe dont les arrêtes sont orientées et dont le
couple est défini comme suit ! (Départ, Arrivée). Par conséquence, le couple (x, y) est
différent du couple (y, x) puisque leur orientation est différente.
1.4.9. Graphe non orienté
En théorie des graphes, un graphe non orienté G=(V,E) est un couple formé de V un
ensemble de sommets et E un ensemble d'arêtes, chaque arête étant une paire de sommets.
Cette définition ne s'applique qu'aux graphes simples et n'est pas valable pour
les multigraphes.
1.5. Détermination des Degrés dans un graphe

1.5.1. Degré d’un sommet
En mathématiques et en informatique, et plus particulièrement en théorie des graphes,
le degré (ou valence) d'un sommet d'un graphe est le nombre de liens (arêtes ou arcs) reliant
ce sommet, avec les boucles comptées deux fois. Le degré d'un sommet est noté par d(v).
Autrement dit, on appelle degré du somme v, et on note par d(v), le nombre d’arrêtes
incidentes à ce sommet.
Attention : Une boucle sur un sommet compte double.
1.5.2. Degré d’un Graphe

Le degré d'un graphe est le degré maximum de tous ses sommets. . Dans l'exemple ci.
dessous, le degré du graphe est 4, à cause du somme v3. Un graphe dont tous les sommets ont
le même. degré est dit régulier. Si le degré commun est k, alors on dit que le graphe est k-
régulier.
1.6. Chaines et Cycles

1.6.1. Chaine
Une chaîne dans un graphe G est une suite ayant pour éléments alternativement des sommets
et des arêtes, commençant et se terminant par un sommet, et telle que chaque arête est
encadrée par ses extrémités.
En outres, Une chaîne est une suite d’arêtes telle que l’extrémité terminale de chaque arête
coïncide avec l’extrémité initiale de l’arête suivante.
On dira que la chaine relie le premier sommet de la suite au dernier sommet. En plus, on dira
que la chaîne a pour' longueur le nombre d’arrêtes de la chaîne. Le graphe ci-dessous contient
entre autres les chaines (

NB : Il existe :
- Chaîne eulérienne est une chaîne simple passant par toutes les arêtes d’un graphe.
- Chaîne hamiltonienne est une chaîne simple passant par tous les sommets d’un graphe
1.6.2. Cycle
Un cycle est une chaîne simple se fermant sur elle-même. C’est donc une chaîne qui revient à
son point de départ. Dans le cas des graphes non orientés, un circuit est un cycle et un chemin
est une chaîne.
NB : Dans un graphe non orienté, un cycle est une suite d'arêtes consécutives distinctes
(chaine simple) dont les deux sommets extrémités sont identiques. Dans les graphes orientés,
la notion équivalente est celle de circuit, même si on parle parfois aussi de cycle (par exemple
dans l'expression graphe acyclique orienté).
NB : Il existe généralement :
- Un cycle hamiltonien est un cycle simple passant par tous les sommets d’un graphe une
et une seule fois.
- Un cycle élémentaire est un cycle ne passant pas deux fois par le même sommet, sauf que
le sommet final coïncide toujours avec le sommet de départ.
- Cycle eulérien : cycle simple passant par toutes les arêtes d’un graphe une et une seule
fois.
1.6.3. Une boucle
Une boucle est une ligne orientée qui revient à son sommet de départ.
NB : Le sommet V5 est bouclé.

1.6.4. Arborescence et arbre
Une arborescence est un graphe orienté d’un seul tenant et sans circuit tel que, pour tout
couple de sommets de ce graphe, il existe toujours un autre sommet, origine d’un chemin
conduisant aux premiers sommets. L’origine de l’arborescence est appelée «centre» ou
«racine».
Un arbre est un graphe non orienté d’un seul tenant et sans cycle tel que pour aller d’un
sommet à un autre sommet du graphe, il existe toujours une chaîne.
Arborescence Arbre

Chapitre 2 : QUELQUES GRAPHES REMARQUABLES ET PRESENTATION

NON GRAPHIQUE D’UN GRAPHE
2.1. Graphes eulériens

En théorie des graphes, un parcours eulérien ou chemin eulérien, ou encore chaine
eulérienne d'un graphe non orienté est un chemin qui passe par toutes les arêtes, une fois par
arête. Le nom a été donné en référence à Leonhard Euler. Si un tel chemin revient au sommet
de départ, on parle de circuit eulérien ou cycle eulérien, ou encore tournée eulérienne. Un
graphe qui admet un circuit eulérien est dit eulérien. S'il admet un parcours eulérien, il est
dit semi-eulérien. En d’autres termes, on appelle cycle eulérien d’un graphe G un cycle
passant une et une -seule fois par chacune des arêtes de G. Un graphe est dit eulérien s'il
possède un cycle eulérien. On appelle chaîne eulérienne d'un graphe G une chaîne passant une
et une seule fois par chacune des arêtes de G, Un graphe ne possédant que des chaînes
eulériennes est semi- eulérien.
En résumé : Un cycle qui passe exactement une fois par chaque arête d’un graphe est dit «
eulérien ».
2.2. Graphe Hamiltonien

En Informatique et en Mathématique, dans le cadre de la théorie des graphes, un chemin
hamiltonien d'un graphe orienté ou non orienté est un chemin qui passe par tous les sommets
une fois et une seule. Un cycle hamiltonien est un chemin hamiltonien qui est un cycle.
Un graphe hamiltonien est un graphe qui possède un cycle hamiltonien.
Un graphe hamiltonien ne doit pas être confondu avec un graphe eulérien, où l'on passe par
toutes les arêtes une fois et une seule : dans un cycle hamiltonien, on peut très bien négliger
de passer par certaines arêtes. Un graphe peut être eulérien, hamiltonien, les deux à la fois, ou
aucun des deux : le graphe papillon est un exemple de graphe eulérien mais pas hamiltonien.

2.3. Types particuliers des graphes

2.3.1. Graphe (d’une relation) symétrique
C’est un graphe dans lequel deux sommets adjacents sont toujours reliés par deux arcs (ou
flèches) doubles (un dans chaque sens).
a) Graphe (d’une relation) antisymétrique

C’est un graphe dans lequel aucune flèche n’est double, ce qui veut dire que deux sommets ne
sont pas reliés par deux arcs.
b) Graphe d’une relation non symétrique

Une flèche ou moins n’est pas double.
c) Graphe d’une relation non antisymétrique

Une flèche au moins est double. (a,d) et (d,a).
2.3..2. Graphe d’une relation réflexive
Tous les sommets possèdent une boucle.
d) Graphe d’une relation non réflexive

Un sommet au moins n’est pas bouclé.
e) Graphe d’une relation anti-réflexive

Aucun sommet n’est bouclé.
f) Graphe d’une relation non anti-réflexive

Un sommet au moins est bouclé
2.4. Présentation non Graphique des Graphes
Il est légitime de s’intéresser à la manière de représenter les graphes au sein d’un ordinateur,
puisque l’essor de la théorie des graphes est dû essentiellement à l’avènement de puissants
calculateurs. Plusieurs modes de représentation peuvent être envisagés selon la nature des
traitements que l’on souhaite appliquer au graphe considéré.
On peut représenter un graphe de diverses façons, entre autres par :
- une représentation sagittale (par flèche) ;
- une énumération de tous les sommets et arcs qui le composent ;
- des dictionnaires ou tableaux à simple entrée ;
- des matrices appropriées : matrice d’adjacence, matrice d’incidence sommets – arcs,
matrice aux arcs ;
- une grille.
2.4.1. Représentation sagittale d’un graphe

Une représentation sagittale d’un graphe se caractérise par un schéma pourvu de sommets
reliés entre eux par des lignes orientées ou non.

Gr1
2.3. Représentation d’un graphe sous forme de méthode énumérative des sommets et
arcs
Le graphe Gr1 se traduit par les sommets et arcs suivants :
2.3.1. Représentation d’un graphe à l’aide de dictionnaire

Soit un graphe G = (X, U).
On appelle « dictionnaire des suivants » de ce graphe un tableau à simple entrée dont chaque
ligne concerne un sommet précis et contient tous les suivants dudit sommet.
On appellera « dictionnaire des précédents » du graphe G un tableau à simple entrée dont
chaque ligne relève d’un sommet précis et contient tous les précédents du sommet en
question.
Soit le graphe orienté ci-après :
Grap. A

2.3.2. Représentation matricielle d’un graphe
a) Matrice d’adjacence( sommet – sommet)
La matrice d’adjacence associée au graphe Grap A est :
La lecture ligne par ligne de cette

matrice donne le dictionnaire des
suivants.
La lecture colonne par colonne donne

le dictionnaire des précédents.
La matrice d’adjacence d’un graphe

non orienté est une matrice
symétrique.
Les termes non nuls de la diagonale principale représentent des boucles. La matrice
d’adjacence d’un graphe non orienté est une matrice symétrique.
b) Matrice aux arcs associée à un graphe
Si dans la matrice d’adjacence ci-dessus on remplace les « 1 » par les arcs concernés, on
obtient une matrice dite « matrice aux arcs ».
Matrice aux arcs correspondant au graphe Grap A
c) Matrice d’incidence sommets – arcs d’un graphe sans boucle.
En mathématiques et informatique, et plus particulièrement en théorie des graphes, la matrice

d'incidence d'un graphe est une matrice qui décrit le graphe en indiquant quels liens arrivent
sur quels sommets. La matrice d'incidence est une matrice n x p, où n est le nombre de
sommets du graphe et p est le nombre de liens (arêtes ou arcs). Cette matrice est définie de
deux façons différentes selon que le graphe est orienté ou non orienté. Si le graphe est orienté,
la matrice est appelée « matrice d'incidence sommets-arcs1 » ; le coefficient de la matrice
d'incidence en ligne i et en colonne j vaut:
 -1 si l'arc xj sort du sommet vi

 1 si l'arc xj entre dans le sommet vi
 0 sinon
Certains auteurs utilisent une autre convention où les rôles de 1 et -1 sont permutés.
Si le graphe est non orienté, la matrice est appelée « matrice d'incidence sommets-arêtes » ;le
coefficient de la matrice d'incidence en ligne i et en colonne j vaut :
 1 si le sommet vi est une extrémité de l'arête xi
 2 si l'arête xj est une boucle sur vi
 0 sinon
Prenons le cas du graphe ci-contre. Il possède 5 sommets et 6 arêtes, la matrice d'incidence
aura donc 5 lignes et 6 colonnes :
ce qui donne la matrice d'incidence :

 le e sommet 1 est l'aboutissement des arêtes 1 et 5
 le sommet 2 est l'aboutissement des arêtes 1, 2 et 6
 le sommet 3 est l'aboutissement des arêtes 2 et 3
 le sommet 4 est l'aboutissement des arêtes 3 et 4
 le sommet 5 est l'aboutissement des arêtes 4, 5 et 6

On remarque que chaque colonne a une somme égale à 2, puisque chaque arête a deux
extrémités.
La matrice d’incidence sommets-arcs A d’un graphe G = (X, U) est une matrice à m lignes et
n colonnes telle que si u(i, j) est un arc de U, la colonne u vaut 0 partout sauf en :
aiu = +1 et aju = –1.
Ici, les lignes représentent les sommets et les colonnes les arcs. Pour le graphe 1.24 ci-
dessous, la matrice d’incidence sommets-arcs est :
Remarques :
• Chaque colonne comporte exactement 1 terme égal à 1 (dans la ligne du sommet initial
de l’arc) et un terme égal à –1 (dans la ligne du sommet terminal) ; les autres termes de la
colonne étant tous nuls ;
• La somme de chaque colonne est égale à 0 (un arc a une origine et une destination) ;
• La matrice est totalement uni modulaire i.e., toutes les sous-matrices carrées extraites
de la matrice ont pour déterminant +1, –1 ou 0.
2.4. Chemins dans un Graphes
2. 4.1. Définition et 1er exemple
Il s’agit de chercher le ou les chemins de longueur extrémale (minimum ou maximum) partant
du sommet n°1 et aboutissant à un sommet donné. Un chemin est une séquence finie et
alternée de sommets et d’arcs, débutant et finissant par des sommets, telle que chaque arc est
sortant d’un sommet et incident au sommet suivant dans la séquence.
Soit G = (X, U) un graphe orienté donné que nous supposons sans circuit. Les arcs du
graphe sont de plus valués. Un chemin µ permettant d’aller d’un sommet x du graphe à un
autre sommet xh est optimal si la somme des valeurs l(xi, xj) valuant chaque arc xixj = µh est
soit minimale, soit maximale. Dans le premier cas, l’optimum est un minimum, dans le
second, un maximum, la valeur extrémale étant :
et on obtient le chemin µ de valeur minimale ou le

chemin de valeur maximale.

Plusieurs algorithmes existent pour rechercher un tel chemin notamment l’algorithme de

Dijkstra, l’algorithme de Bellman - Kalaba, l’algorithme de Demoucron.
Dans ce cours, il a été plus commode d’utiliser l’algorithme de Bellman -Ford qui procède
par des marquages progressifs des sommets du graphe, de la manière suivante :
Exemple
Soit un réseau de villes A, B, C…G et des routes les reliant entre elles. Un voyageur veut
se rendre de la ville A vers la ville G. Trouver le chemin qu’il peut parcourir afin de
minimiser la distance.
2.4.2. Les Parcours de Graphes orientés

En théorie des graphes, un parcours de graphes est un algorithme consistant à explorer les
sommets d’un graphe de proche en proche à partir d’un sommet initial. Un cas particulier
important est le parcours d’un arbre. Le mot parcours est également utilisé dans un sens
différent, comme synonyme de chemin (parcours fermé étant un circuit). Pour parcourir un
graphe, on peut utiliser l’algorithme de Dijkstra ou de Ford-Bellman-Kalaba..
a) Boucle : Une boucle est une ligne orientée qui revient à son sommet de départ.
b) Chaîne : Une chaîne est une suite d’arêtes telle que l’extrémité terminale de
chaque arête coïncide avec l’extrémité initiale de l’arête suivante.
- Chaîne eulérienne est une chaîne simple passant par toutes les arêtes d’un
graphe.
- Chaîne hamiltonienne est une chaîne simple passant par tous les sommets d’un
graphe une et une seule fois.
c) Cycle :Un cycle est une chaîne simple se fermant sur elle-même. C’est donc une
chaîne qui revient à son point de départ. Dans le cas des graphes non orientés, un
circuit est un cycle et un chemin est une chaîne.
- Un cycle hamiltonien est un cycle simple passant par tous les sommets d’un graphe
- Un cycle élémentaire est un cycle ne passant pas deux fois par le même sommet, sauf
que le sommet final coïncide toujours avec le sommet de départ.
- Cycle eulérien : cycle simple passant par toutes les arêtes d’un graphe une et une
seule fois.
d) Arborescence et arbre
Une arborescence est un graphe orienté d’un seul tenant et sans circuit tel que, pour tout
couple de sommets de ce graphe, il existe toujours un autre sommet, origine d’un chemin
conduisant aux premiers sommets. L’origine de l’arborescence est appelée «centre» ou
«racine». Un arbre est un graphe non orienté d’un seul tenant et sans cycle tel que pour aller
d’un sommet à un autre sommet du graphe, il existe toujours une chaîne.

Chapitre 3: PROBLEMES DU PLUS LONG, COURT CHEMIN ET DES FLOTS
3.1. Le Problème d’optimisation dans un graphe valué
Le problème est de trouver le ou les chemins allant d’un sommet S 0 appelé « source » ou
« entrée » à un autre sommet S0 appelé « destination » ou « sortie » tel que la valeur totale
du chemin soit optimum c’est-à-dire ∑( ) = optimum (minimum ou maximum).
Dans la théorie économique, la recherche du chemin de valeur minimum ou maximum

permet de minimiser ou maximiser selon le cas, dans les problèmes de transport, de
vente…, le coût, la capacité, la distance, flot,… Les valeurs représentent alors le coût de
transport, les capacités,… Pour résoudre ce problème de recherche de chemin de valeur
optimum, il existe plusieurs algorithmes dont ceux de Ford- Bellman-Kalaba. Mais
l’algorithme suivant s’applique aisément pour les réseaux comportant un grand nombre
de sommets.
Après avoir vérifié qu’il n’y a pas de circuit dans le graphe on peut donc appliquer
l’algorithme.
3.2. Problèmes du plus long et du plus cours chemin dans un graphe

3.2.1. Problèmes du plus long dans un graphe
A chaque arc (x,y) est associé un nombre positif V(x,y) appelé la valeur de l'arc. L'algorithme
de Ford va nous permettre de déterminer le chemin de valeur maximale entre un sommet D
(Départ) et un sommet F (Fin).
- On ordonne le graphe par niveaux
- On fait la représentation du graphe par niveaux.
A partir de cette représentation, on supprime les sommets et les arcs par lesquels on ne peut
pas passer pour aller de D à F.
- En partant du sommet D de niveau le plus faible (le plus à gauche) jusqu'au sommet F de
niveau le plus fort (le plus à droite), on associe à chaque sommet x une marque m(x)
correspondant à la valeur du chemin de valeur maximale aboutissant à x.
m(D) = 0
m(x) = max [m(y) + V(y,x)] , le max étant pris sur tous les précédents y de x
La marque de F donnera donc la valeur du chemin le valeur maximale entre D et F. Le chemin

de valeur maximale est le chemin qui a permis d'aboutir à la marque de F. Il est obtenu en

partant de F et en regardant quel est le sommet précédent qui a permis d'obtenir m(F), et ainsi
de suite jusqu'à revenir en D.
3.2.2. Problèmes du plus cours chemin dans un graphe
Pour un chemin de valeur minimale, il suffit de remplacer "max" par "min" dans l'algorithme.
D’où l’algorithme devient alors :
m(D) = 0
m(x) = min [m(y) + V(y,x)] , le min étant pris sur tous les précédentsy de x
Exemple :
Trouver les chemins des valeurs maximales et minimales des graphes ci-après :
3.3. Problèmes de flot dans un graphe

3.3.1. Notions
De nombreux problèmes de gestion présentent une analogie avec l’écoulement d’un flot dans
des canalisations. C’est le cas, notamment, de certains problèmes de transport où l’on cherche
à acheminer, d’un lieu vers un autre, des flux de marchandises donnés, alors que les voies de
communications ont des capacités limitées. Soulignons que les problèmes de transport ne sont
pas les seuls à recevoir une solution par les méthodes qui seront exposées dans ce chapitre.
Ainsi en est-il des problèmes de « transfèrement », par exemple les problèmes d’affectation
abordés au chapitre 5. En outre, un problème de flot se transforme très rapidement en un
problème de coût minimal.
3.3.2. Formalisation du problème de flot maximal
La formulation du problème de flot maximal demande tout d’abord de définir les deux notions
suivantes : réseau de transport et flot sur un graphe.
3.3.3. Réseau de transport
On appelle réseau un graphe fortement connexe, sans boucle et ayant plus d’un sommet. On
appelle nœud d’un réseau un sommet qui a plus de deux arcs incidents. Les autres sommets
sont appelés anti-nœuds. On appelle boucle tout chemin pour lequel seuls les premiers et
derniers sommets des nœuds.
On appelle « réseau de transport » un graphe fini G sans boucles, où à chaque arc (i,j) est
associé un nombre C(i, j)  0, appelé « capacité de l’arc ij » et où :
 Il existe un sommet x0 et un seul tel que -1 x0 : ce sommet x0 est appelé l’entrée du
réseau;
 Il existe un sommet xn et un seul tel que  xn   : ce sommet xn est appelé la sortie du

réseau. Les capacités de transport peuvent représenter des tonnages disponibles sur des
bateaux, des camions, des wagons, ou encore des débits des oléoducs, canalisations,
voies de transmissions, etc.
3.3.4. Problème de Flot dans un graphe
La principale question qui se pose pour un réseau de transport donné est de déterminer un flot
de valeur maximale ainsi que les flots le long de chaque arc. Il arrive fréquemment également
que l’on doit considérer des réseaux avec des capacités localisées non seulement sur les arêtes
mais également sur les sommets.
C’est notamment le cas pour les réseaux téléphoniques dans lesquels la limite de capacité est
autant due aux lignes qu’aux centraux. On peut ramener facilement ce problème au précédent
: il suffit de dédoubler chaque sommet en une entrée et une sortie liées par un arc ayant pour
capacité celle qu’on attribuait précédemment au sommet. On peut, de plus, se donner un coût
de transport d’une unité de flot sur chaque arc et chercher le flot maximal de coût minimal.

3.3.5. Recherche d’un flot complet.
Un flot  du réseau est une quantité (i, j) associée à chaque arc (i, j) du réseau tel que :
(4.1)
(4.2)
(4.3)
La relation (4.2) établit que pour tout sommet x, la somme algébrique des flux entrant dans x
est égale à la somme algébrique des flux sortants. Cette égalité est dite équation de nœud par
analogie aux modèles physiques et aux lois de Kirchhoff1 en électricité.
3.3.6. Enoncé du problème
Soit x0 l’afflux au point x0 ou la « valeur du flot x0 ». Le problème devient alors de chercher
un flot maximal dans un réseau, c’est-à-dire de trouver dans le réseau de transport G un flot
x0 satisfaisant aux contraintes 0  (i, j)  C(i, j) et rendant maximal l’afflux au sommet x0.
Ceci correspond au problème de programmation suivant :
(4.4)
(4.5)
3.3.7. Détermination du flot maximal par l’algorithme de Ford et Fulkerson
Nous définissons dans un premier temps les concepts « saturé » et « complet », puis
développons les différentes étapes de l’algorithme.
A partir des résultats précédents, on peut s’intéresser maintenant à une méthode constructive
de recherche d’un flot maximal.
Un arc (i, j) est dit saturé si (i, j) = C(i, j).
Un chemin est dit saturé si au moins un des arcs qui le composent est saturé.
Un flot est dit complet s’il n’y a plus sur le graphe de chemin de x0 à xn non saturé.
L’algorithme de Ford et Fulkerson fournit un processus de résolution par itérations

successives. Le mécanisme de calcul est décrit en considérant qu’un flot circule déjà sur le
graphe, c’est-à-dire que des flux (i, j) sont affectés à chaque arc (i,j).
1
Il s’agit en particulier de la première loi de Kirchoff
Dans l’étape initiale, il s’agira éventuellement d’un flot nul. Les étapes de cet algorithme sont
les suivantes :
3.3.8. Détermination d’un flot au jugé
Dans un premier temps, on détermine un flot « approximatif » ou sommaire respectant les

conditions de capacité et de conservation énoncées plus loin. Le flot nul qui à tout arc (i, j)
associe (i, j) = 0 est toujours possible, mais pour aboutir plus vite à l’optimum, on peut
essayer de partir d’un flot de valeur supérieure.
3.3.9. Détermination d’un flot complet
Rappelons qu’un flot est dit complet si et seulement si tous les chemins du graphe sont
saturés. Les chemins non saturés, s’il en existe, peuvent être saturés en ajoutant au flot de
chacun de ses arcs la quantité d avec :
d = Min [C(i, j) – (i, j)]. (4.6)
La quantité est dite « capacité résiduelle de l’arc (i, j) ».
C(i, j) – (i, j) (4.7)
4.3.3. Détermination d’un flot maximal à partir d’un flot complet

Définition
On appelle chaîne de x0 à xn, une suite ordonnée des sommets (x0, x1, …, xi, xi+1, …, xn) telle
que pour tout xi ≠ xn,
xi+1  G(xi) xi+1 est un suivant de xi (4.8)
ou xi +1  P(xi) xi +1 est un précédent de xi (4.9)
En d’autres termes, il y a une chaîne de x0 à xn, si on peut aller de x0 à xn en suivant les arcs
dans les sens des flèches ou en sens inverse.
Une chaîne est dite saturée :
si, parmi tous les arcs parcourus dans le sens des flèches, il y en a au moins un pour lequel
(xi,xi+1) = C(xi, xi+1) (4.10)
ou si, parmi tous les arcs parcourus en sens inverse des flèches, il y en a au moins un pour
lequel (xi+1, xi) = 0 (4.11)
On obtient un flot maximal lorsque toutes les chaînes sont saturées. Lorsqu’une chaîne n’est
pas saturée, on peut toujours l’améliorer en augmentant de d le flot sur les arcs de A + et en le
diminuant de d sur les arcs de A- avec :
- d = Min [d1, d2] (4.12)

- d1 = min [C(xi, xi+1) – (xi, xi+1)] (4.13)
- d2 = min [(xi +1, xi)] (4.14)
- A+ = l’ensemble des arcs parcourus dans le sens des flèches sur la chaîne non
saturée trouvée ;
- A- = l’ensemble des arcs parcourus dans le sens inverse des flèches sur la même
chaîne.
3.3.10. Application aux problèmes de circulation
Une application intéressante de la théorie des graphes est la représentation et la résolution des
problèmes de « circulation ». Considérons par exemple le schéma ci-dessous qui représente
l’ensemble des liaisons routières permettant de nous rendre de la localité E vers la localité S.
Notons que chacune de ces liaisons est à sens unique.
A ce schéma peut être associé un graphe dont les sommets correspondent :

- aux localités de départ et d’arrivée. Le sommet E sera dit «Entrée du réseau» car E n’a pas
de précédent et S « sortie du réseau » car c’est un sommet sans suivant.
- aux intersections de routes (tous les autres sommets qui seront appelés « nœuds de transit ».
Les arcs correspondent aux liaisons routières et sont orientés dans le même sens.
On obtient ainsi le graphe suivant :
Le problème à résoudre est de déterminer le flux maximum de voitures qui peuvent se rendre
de E à S. Par flux, il faut entendre un certain nombre de véhicules par heure. On raisonnera
par la suite en régime stationnaire (débit constant), en supposant qu’il ne se forme de file
d’attente en aucun point du réseau. Associons à chaque arc (i, j) un nombre C(i, j) qui est la
capacité de l’arc joignant le sommet i au sommet j. Ce nombre est le nombre maximum de
véhicules que chaque route peut faire passer chaque heure, celui-ci est fonction de la largeur
de la route, de la vitesse maximale autorisée, du caractère plus ou moins accidenté, etc.
Associons également à chaque arc (i, j) un nombre (i, j) appelé flot sur l’arc (i, j). C’est la
circulation réelle sur chaque route. Les capacités sont données par les nombres encerclés du
graphe 3.2 (en milliers de véhicules par heure). Les nombres non encadrés portés sur les arcs
se rapportent au flot sur chaque arc. Nous faisons l’hypothèse que le flux de véhicules (flot)
est constant le long de chaque arc (aucun ne s’arrête en route) et à chaque nœud de transit, il
arrive autant de véhicules qu’il en repart (principe de la conservation du flot). Sur le graphe,
les nombres non encadrés sur les arcs respectent ces conditions.
Un flux de 6.000 véhicules par heure entre E et S est donc compatible avec la capacité des
routes (6 = 2 + 3 + 1 flux partant de E = 4 + 2 = flux arrivant en S). Le flot sur chaque arc
doit respecter la contrainte de capacité (4.4).
Pour trouver un flot complet sur le graphe ci-haut, on cherche un chemin non saturé de E à S.
Reprenons le graphe ci-haut où l’on reporte le flot de départ en marquant les arcs saturés. On
a:
Le chemin (E, 4, S) est non saturé. Pour le saturer, on ajoute au flot de chacun de ses arcs la
quantité Min [C(i, j) – (i, j)]. Sur le graphe, c’est l’arc (E, 4) sur le chemin non saturé qui
nous donne la capacité résiduelle minimum qui est égale à C(E, 4) – (E, 4) = 2 – 1 = 1. En
l’ajoutant au flot de chaque arc du chemin non saturé (E, 4, S), on obtient le nouveau flot du
graphe qui donne aussi les arcs saturés.

Ce flot est complet car il n’existe aucun chemin non saturé de E à S. Mais ce flot n’est pas
nécessairement maximum. En effet, sur le graphe du graphe ci-haut, la chaîne (E, 2, 1, 3, 4,
S) n’est pas saturée. Sur cette chaîne non saturée, la capacité résiduelle minimale sur les arcs
de A+ est 4 – 3 = 1. Le flot minimal sur les arcs de A- est 1. On modifie donc le flot selon les
règles énoncées plus haut (augmenter de d = min [d1, d2] le flot sur les arcs de A+ et le
diminuer de d sur les arcs de A- ). On obtient alors le graphe ci-après :
Sur cette dernière figure, il existe encore une chaîne non saturée de E à S. C’est la chaîne (E,
1, 3, 4, S). La valeur de d sur cette chaîne est égale à 2. On obtient ainsi le flot du graphe ci-
après :
Puisque toutes les chaînes de ce graphe sont maintenant saturées, le flot ainsi obtenu est
maximal, avec (S) = 10.
3.3.11. Problème (Exercice) d’application

Une société agro-industrielle dispose de café brut dans les Centres d’exploitation suivants :
- Aketi (A), Bumba (B), Kikwit (K) et Manterne (M).
Elle doit assurer l’approvisionnement de ses différentes usines de torréfaction situées à

Faradji (F), Likasi (L), Tumba (T) et Uvira (U). Le tableau ci-dessous donne en milliers de
tonnes :
- les quantités disponibles dans chaque usine d’exploitation;
- la demande de chaque usine de torréfaction ;

- les capacités de transport disponibles sur des véhicules assurant la liaison entre les
différentes origines et les usines de traitement.
Tableau : Capacités de transport entre les centres d’exploitation et les centres de

torréfaction ainsi que les demandes et les quantités disponibles en milliers de
tonnes
Destination F L T U Stocks disponibles
Origine
Aketi 150 100 50 - 200
Bumba 150 150 50 50 350
Kikwit 100 100 200 400
Manterne 200 100 200
Demande 300 400 200 200
On demande de définir les quantités à transporter de chaque origine vers chaque destination
de façon à satisfaire au maximum la demande des usines de traitement.
Solution
On construit un graphe dont les sommets correspondent aux centres d’origine et aux usines de
traitement, les arcs représentant les différentes possibilités de transport avec les capacités
disponibles. Les sommets correspondant aux centres origine sont reliés au sommet d’entrée E
par un arc dont la capacité est égale au stock disponible. Les sommets correspondant aux
usines de traitement sont reliés au sommet de sortie S par un arc dont la capacité est égale à la
demande. Il conviendra de rendre maximale la valeur de (S) indiquant la demande satisfaite.
Première étape : Détermination d’un flot au jugé.
Il est proposé ci-après un flot qu’il faudra par la suite optimiser. Les valeurs en gras sont les
flots.

Deuxième étape : Détermination d’un flot complet
On vérifie si le flot du graphe, égal à 900 tonnes, est complet. Rappelons qu’un flot est dit
complet si tous les chemins du graphe de E a S sont saturés, c’est-à-dire ont un arc au moins
pour lequel la capacité, C(i, j), est égale au flot (i, j). On constate que les chemins E, K, U, S
et E, M, U, S ne sont pas saturés. Donc le flot du graphe n’est pas complet. Considérons le
premier chemin non saturé E, K, U, S. La capacité résiduelle minimale est 200 – 150 = 50. En
augmentant le flot de cette quantité sur chacun des arcs du chemin, le flot passe à 950. Ce flot
est maintenant complet car l’arc (U, S) est devenu saturé (le deuxième chemin empruntant le
même arc l’est devenu aussi).
Troisième étape : Détermination du flot maximal
Bien que complet, le flot obtenu n’est pas maximal car la chaîne E, M, T, A, L, S est non
saturé. On calcule alors d = min {d1, d2} par la formule (4.12) ; ce d étant égal à 50, on ajoute
cette quantité au flot des arcs parcourus dans le bon sens et on la retranche au flot des arcs
parcourus en sens inverse. D’où le graphe sur lequel toutes les chaînes de E à S sont à présent
saturées. Ce flot est alors égal à 1000 tonnes.

Flot maximal = 1000 tonnes

Solution optimale

Chapitre 4 : LES PROBLEMES D’ORDANNANCEMENT
4.1. Notions préliminaires
Un problème d'ordonnancement consiste à ordonner dans le temps un ensemble de tâches

contribuant à la réalisation d'un même projet. L'objectif est de minimiser la durée de
réalisation duprojet compte tenu des contraintes d'antériorité reliant les différentes tâches. De
plus, on détermine les calendriers de réalisation de chacune de ces tâches ainsi que les marges
de manœuvre associées. L’ordonnancement est une programmation des activités et des
ressources nécessaires à l’exécution de ces dernières. Cette programmation tient compte des
différentes contraintes techniques du projet et de la disponibilité des ressources utilisées.
4.2.Objectif
L’objectif visé est de permettre au projet d’atteindre ses objectifs de délai, de coûts et de
performances. Pour définir un problème d’ordonnancement, il faut :
- décomposer le projet en tâches élémentaires ;
- préciser les contraintes qui s’opposent à ce que les tâches soient exécutées
arbitrairement.
Une telle méthode doit donc permettre :
- d’analyser le projet en profondeur, c’est-à-dire le décomposer en tâches ;
- de mettre sur pied un plan d’action contribuant à réaliser ledit projet tout en
respectant les contraintes, c’est-à-dire de déterminer le meilleur temps nécessaire à la
réalisation de l’ensemble de l’ouvrage entrepris ;
- et enfin, de contrôler le bon déroulement du projet, c’est-à-dire de localiser les tâches
ou les étapes-critiques ou celles qui ne peuvent être ni retardées, ni ralenties, sans que
la fin des travaux soit décalée du temps correspondant.
4.3.Les Méthodes d’ordonnancement
Les techniques modernes d’ordonnancement de projet remontent à la fin des années 50. Il
s’agit d’un ensemble de méthodes qui permettent au responsable du projet de prendre des
décisions nécessaires dans de meilleures conditions possibles. Parmi les méthodes
d’ordonnancement existantes, on distingue :
- Les méthodes de type diagramme de GANTT (ou diagramme à barres) ; -
- Aux USA,
 la méthode CPM (Critical Path Method) développée en 1956-57 par la société
du Pont et Remington Rand Univac, dans le cadre de la gestion de projets de
construction et de maintenance ;

 la méthode PERT (Program Evaluation and Review Technique)3 ;

 la méthode CPS (Critical Path Schedulling) mise au point en 1958 par l’US
Navy (marine américaine) dans le cadre du projet Polaris ;
- En France, la méthode MPM (Méthode des Potentiels Métra) développée en 1961 par
Bernard Roy de la SEMA à l’occasion de la construction du paquebot France et d’une
centrale nucléaire. D’autres méthodes furent développées plus tard comme le PERT.
COST (Permettant le contrôle budgétaire des projets traités par le PERT) et la
méthode RAMPS (Ressource Allocation and Molti Project Schedulling) conçue pour
ordonnancer simultanément plusieurs projets. Nous présenterons d’abord le
diagramme ou graphique de Gantt, puis exposerons par la suite la méthode CPM, le
PERT et la méthode MPM.
4.4.Méthode de Construction des Graphes
Exemple : Les opérations mises en jeu dans la construction d'un ensemble hydro-
électrique sont lessuivantes :
a) Construction des voies d'accès

b) Travaux de terrassement
c) Construction des bâtiments administratifs
d) Commande du matériel électrique
e) Construction de la centrale
f) Construction du barrage
g) Installation des galeries et conduites forcées
h) Montage des machines
i) Essais de fonctionnement
Les contraintes d'antériorité sont les suivantes :
Opérations durée (mois) Opérations d’antériorités

A 4 -
B 6 A
C 4 -
D 12 -
E 10 b,c,d
F 24 b,c
G 7 A
H 10 e,g
I 3 f,h

Deux méthodes sont classiquement utilisées : la Méthode des Potentiels Metra (MPM),
et la méthode PERT (Programm Evaluation and Research Task). Toutes les deux
utilisent des graphes pour résoudre le problème.
4.4.1. Par la Méthode Française : Méthode des Potentiels Metra (MPM)
a) Notions
Cette méthode, appelée aussi méthode des potentiels-tâches, fait appel à une représentation
diamétralement opposée à celle de PERT. En effet, les tâches sont maintenant identifiées par
les sommets (non plus par des arcs), les arcs correspondant pour leur part aux conditions
d’antériorité entre les tâches. De plus, les arcs sont valués chacun par un nombre donnant la
durée minimale devant s’écouler entre le début de la tâche représentée par l’extrémité initiale
et celui de la tâche placée à l’extrémité terminale. La formalisation du projet est également
plus souple : si de nouvelles tâches ou de nouvelles contraintes doivent être introduites, il est
très facile de les ajouter. Dans la méthode PERT, cela nécessiterait la construction d’une
partie du graphe.
b) Construction du graphe
1) un sommet correspond à une tâche
2) un arc définit une relation d'antériorité
3) la valeur de l'arc définit le temps minimum séparant deux tâches successives.
4) Chaque sommet de la représentation graphique est figuré par un rectangle :
Tx T*x
X
où :
x = nom de la tâche,
Tx = date de début au plus tôt de la tâche
T*x = date de début au plus tard de la tâche.
5) Un sommet terminal permettant de dater la fin des travaux est rajouté au graphe.
6) La représentation graphique est ordonnée par niveaux des sommets, c.à.d. des
tâches.

Calendrier au plus tôt

Une tâche x ne pouvant débuter que lorsque toutes les tâches qui y aboutissent sont
terminées, Tx correspond à la valeur du chemin de valeur maximale aboutissant à x.
Ceci sera obtenu en utilisant l'algorithme de Ford (voir chapitre sur les graphes), après
avoir ordonné le graphe par niveaux des tâches.
Tx = max [Ty + V(y,x)] , le max étant pris sur les précédents y de x.
Exemple:
Ta = Tc = Td = 0Tb = Ta + 4 = 4
Tg = Ta + 4 = 4
Tf = Max (Tb + 6 ; Tc + 4) = Max (10 ; 4) = 10
Te = Max (Tb + 6 ; Tc + 4 ; Td + 12 ) = Max
(10 ; 4 ; 12) = 12Th = Max (Te + 10 ; Tg + 7)
= Max (22 ; 11) = 22
Ti = Max (Tf + 24 ; Th + 10) =
Max (34 ; 32) = 34Tz = Ti + 3 =
37
Ces résultats peuvent être reportés sur le graphe
Pour le sommet terminal z, Tz correspond à la durée minimale du projet (qui

correspond au chemin de valeur maximale aboutissant à z). Le chemin de valeur
maximale associé est appelé chemin critique, constitué de tâches critiques : un
retard sur l'une de tâches critiques entraînerait unallongement de la durée du projet.
Exemple :
Le chemin de valeur maximale est le chemin a, b, f, i. (voir chapitre sur les

graphes) et a pour durée 37.

Calendrier au plus tard

Il s'agit de la date au plus tard à laquelle peut commencer une tâche sans remettre
en cause la date de fin des travaux. Ceci sera obtenu en commençant par les
sommets de niveau les plus élevés jusqu'aux sommets de niveau les plus faibles.
T*z = Tz pour le sommet terminal
T*x = min [T*y - V(x,y)] , le min étant pris sur les suivants y de x.
Exemple :
T*i = T*z - V(i,z) = 37 - 3 = 34 T*h = T*i - V(h,i) = 34 - 10 = 24T*f = T*i - V(f,i) = 34 -
24 = 10
T*e = T*h - V(e,h) = 24 - 10 = 14T*g = T*h - V(g,h) = 24 - 7 = 17

T*b = Min [T*e - V(b,e); T*f - V(b,f) = Min [14 - 6; 10 - 6 ] = 4
T*a = Min [T*b - V(a,b); T*g - V(a,g) = Min [4 - 4; 17 - 4 ] = 0
T*c = Min [T*f - V(c,f); T*e - V(c,e) = Min
[10 - 4; 14 - 4 ] = 6T*d = T*e - V(d,e) = 14 -
12 = 2
Ces résultats peuvent être reportés sur le graphe
Remarque: sur les tâches critiques a, b, f, i, on a T*x = Tx

7) Marges totales
C'est le retard maximum que l'on peut prendre dans la mise en route d'une tâche
sans remettre encause les dates au plus tard des tâches suivantes (donc sans
retarder la fin des travaux).
mt(x) = T*x - Tx

Exemple :
mt(a) = T*a - Ta = 0 - 0 = 0
mt(b) = T*b - Tb = 4 - 4 = 0
mt(c) = T*c - Tc = 6 - 0 = 6
mt(d) = T*d - Td = 2 - 0 = 2
mt(e) = T*e - Te = 14 - 12 = 2
mt(f) = T*f - Tf = 10 - 10 = 0
mt(g) = T*g - Tg = 17 - 4 = 13
mt(h) = T*h - Th = 24 - 22 = 2
mt(i) = T*i - Ti = 34 - 34 = 0
Marges libres
C'est le retard maximum que l'on peut prendre dans la mise en route d'une tâche
sans remettre encause les dates au plus tôt des tâches suivantes (donc sans retarder
la fin des travaux).
mL(x) = min [Ty - Tx - V(x,y)] , le min étant pris sur les suivants y de x.
Exemple :
mL(a) = Min [Tb - Ta - V(a,b) ; Tg - Ta -
V(a,b)] = Min (0 ; 0) = 0
mL(b) = Min [Tf - Tb - V(b,f) ; Te - Tb -
V(b,e)] = Min (0 ; 2) = 0
mL(c) = Min [Tf - Tc - V(c,f) ; Te - Tc -
V(c,e)] = Min (6 ; 8) = 6
mL(d) = Te - Td - V(d,e) = 0
mL(e) = Th - Te - V(e,h) = 0
mL(f) = Ti - Tf - V(f,i) = 0
mL(g) = Th - Tg - V(g,h) = 11
mL(h) = Ti - Th - V(h,i) = 2
mL(i) = Tz - Ti - V(i,z) = 0

4.4.2. Par la Méthode Américaine (Potentielle-Étape)
a) Signification
La méthode P E R T « Program Evaluation and Review Technic » a été mise au point aux U S
A en 1958 pour la surveillance des délais de réalisation des fusées Polaris. Cette fabrication
nécessitait l’intervention de 250 fournisseurs et 9000 sous-traitants. En français, cela signifie
Technique d’évaluation et de mise à jour de programmes. Elle très utilisée dans les domaines
technique, administratif et commercial.
b) Définition
Le PERT (Programm of Evaluation and Review Technic) est, comme la MPM, une
technique d'ordonnancement basée sur la théorie des graphes, visant à optimiser la
planification des tâches d'un projet. Le P.E.R.T. est une méthode consistant à mettre en ordre
sous forme de réseaux plusieurs tâches qui grâce à leur dépendance et à leur chronologie
concourent toutes à l’obtention d’un produit fini. Cette technique aurait été conçue sous
l'appellation initiale de méthode CPM (Critical Method Path) par la marine américaine, en
1958, pour coordonner les tâches des milliers d'entreprises impliquées dans son projet
"Polaris" (programme de développement de missiles à ogive nucléaire). Compte tenu de son
efficacité (elle aurait permis de réduire de 14 à 7 ans la durée globale de réalisation du projet
Polaris) elle s'est rapidement imposée dans les organisations, gouvernementales ou non, ayant
à gérer des projets importants (programme Apollo de la NASA, construction d'autoroute,
etc.) au détriment du diagramme de Gantt. L'utilisation du PERT permet, notamment, de
déterminer la durée minimum nécessaire pour mener à bien un projet et les dates auxquelles
peuvent ou doivent débuter les différentes tâches nécessaires à sa réalisation pour que cette
durée minimum soit respectée.
c) Objectifs
•Ordonner dans le temps un nombre élevé d’opérations
• Réaliser l’ensemble des opérations dans le temps le plus bref
• Contrôler l’avancement des travaux.

d) Symboles
e) Construction du graphe avec PERT

Le recours au PERT suppose qu'aient préalablement été identifiées les différentes tâches
nécessaires à la réalisation d'un projet, leur durée et leurs relations d'antériorité. Généralement
ces informations sont synthétisées dans un tableau du type suivant dit tableau des tâches et
antériorité.
Tâches Durée Antériorité(s)
Le PERT permet de représenter l'ensemble des tâches sur un graphe orienté, à partir duquel il
sera possible d'identifier leurs dates au plus tôt et au plus tard et de calculer leurs marges. Un
graphe orienté est un réseau composé d'une entrée et d'une sortie, ainsi que de points (appelés
"sommets") reliés entre eux par des flèches (appelées "arcs").
Les principales conventions d'un réseau PERT sont les suivantes :
- chaque tâche est symbolisée par un arc, auquel est associé une valeur numérique
correspondant à sa durée.
- les sommets auxquels aboutissent les arcs correspondent donc à des étapes, qui
marquent l'aboutissement d'une ou plusieurs tâches.
- chaque étape est identifiée par un numéro d'ordre et renseignée sur la date à
laquelle elle peut être atteinte au plus tôt ("date au plus tôt") et au plus tard
("date au plus tard") pour respecter le délai optimal de réalisation du projet.
- le graphe possède une entrée (sommet sans antécédent) et une sortie (sommet
sans descendant) qui correspondent respectivement aux étapes "Début des
opérations" et "Fin des opérations".

Du fait de ses conventions, il est parfois nécessaire d'introduire des "tâches fictives" de durée
nulle pour traduire correctement sur un graphe les relations d'antériorité de certaines tâches,
notamment lorsque celles-ci partagent avec d'autres une partie de leurs antécédents.
Le respect des antériorités est essentiel pour la conception d’un réseau PERT. Les tâches
peuvent être réalisées en :
- En série, c’est-à-dire successivement.
A précède immédiatement B
- En parallèle, c’est-à-dire en même temps
- Le respect des relations d’antériorité nécessite le recours aux tâches fictives.

A précède immédiatement B A et C précédent immédiatement D
- Quel est le graphe de l’ensemble des 2 relations précédentes ?

1) Est-ce le suivant ?
Non car C précède B, c’est faux.
2) Il faut introduire une tâche fictive
Juste car A avant B, A et C avant D, x = 0
3) Un arc correspond à une tâche

4) la valeur de l'arc représente la durée de la tâche.
5) un sommet est une étape signifiant que :
6) toutes les tâches qui y arrivent sont terminées toutes les tâches qui en partent peuvent
commencer
7) Un réseau est constitué par des étapes et des tâches.

NB :
- Pour alléger le réseau PERT on attribut à chaque définition une

lettre alphabétique.
- Les tâches suivant leur disposition dans un réseau peuvent être :

successives, simultanées, convergentes
- Chaque sommet de la représentation graphique est figuré par un cercle
où n = nom ou numéro de l'étape

tn = date de début au plus tôt de
l'étape t*n = date de début au plus
tard de l'étape
- Un sommet terminal et un sommet initial sont rajoutés au graphe.
La représentation graphique est ordonnée par niveaux des sommets, c.à.d. des étapes.
Les tâches n’ayant aucune antériorité sont représentées en première position.

L’utilisation de lamatrice des antériorités facilite la détermination des niveaux d’exécution
des tâches.
Le graphe se lit de gauche à droite (de l'étape "DÉBUT" à celle de "FIN").
NB : Il y a aujourd’hui des solutions informatiques pour toutes questions

d’ordonnancement moyennant des applications informatiques. Ces applications sont à
titre d’exemple : MS Project (très puissant pour faire la gestion des taches et toutes les
contraintes), Gantt Project,….
f) Calcul des différentes marges d'une tâche dans un réseau PERT
On appelle "marge" d'une tâche le retard qu'il est possible de tolérer dans la réalisation de
celle-ci, sans que la durée optimale prévue du projet global en soit affectée. Il est possible de
calculer trois types de marges : la marge totale, la marge certaine et la marge libre.
La marge totale d'une tâche indique le retard maximal que l'on peut admettre dans sa
réalisation (sous réserve qu'elle ait commencé à sa date au plus tôt) sans allonger la durée
optimale du projet.
Elle se calcule en retirant la durée de la tâche en question à l'écart qu'il peut y avoir entre sa
date au plus tôt de début et sa date au plus tard de fin :

Marge totale tâche "ij" = Date au plus tard "étape j" - Date au plus tôt "étape
i" - Durée tâche "ij"
Sauf cas particulier, un retard correspondant à la marge totale d'une tâche se traduit par une
modification des dates au plus tôt des tâches qui lui succèdent et entraîne, généralement,
l'apparition d'un second chemin critique. Il n'est donc pas possible de cumuler des retards
correspondant à leur marge totale sur plusieurs tâches successives, sans remettre en cause la
durée optimale prévue pour le projet.
La marge libre d'une tâche indique le retard que l'on peut admettre dans sa réalisation (sous
réserve qu'elle ait commencé à sa date au plus tôt) sans modifier les dates au plus tôt des
tâches suivantes etsans allonger la durée optimale du projet.
Elle se calcule en retirant la durée de la tâche en question à l'écart qu'il peut y avoir entre ses
dates au plus tôt de début et de fin :
Marge libre tâche "ij" = Date au plus tôt "étape j" - Date au plus tôt "étape i" -
Durée tâche "ij"
Un retard correspondant à la marge libre d'une tâche reste sans conséquence sur les marges
des tâches qui lui succèdent. Il est donc possible de cumuler des retards, s'inscrivant dans leur
marge libre, pour plusieurs tâches successives, sans remettre en cause la durée optimale
prévue pour le projet.
La marge certaine d'une tâche indique le retard que l'on peut admettre dans sa réalisation
(quelle que soit sa date de début) sans allonger la durée optimale du projet.
Elle se calcule en retirant la durée de la tâche en question à l'écart qu'il peut y avoir entre sa
date au plus tard de début et sa date au plus tôt de fin :
Marge certaine tâche "ij" = Max [ 0 , (Date au plus tôt "étape j" - Date au
plus tard "étape i" - Durée tâche "ij") ]
D'après cette formule, la marge certaine est considérée comme nulle lorsque son calcul
donne un nombre négatif.

Chapitre 5 : LES PROBLEMES DE TRANSPORT ET D’AFFECTION
5.1. Généralités
De nombreux problèmes de gestion présentent une analogie avec l’écoulement d’un flot dans
des canalisations. C’est le cas, notamment, de certains problèmes de transport où l’on cherche
à acheminer, d’un lieu vers un autre, des flux de marchandises donnés, alors que les voies de
communications ont des capacités limitées. Soulignons que les problèmes de transport ne
sont pas les seuls à recevoir une solution par les méthodes qui seront exposées dans ce
chapitre. Ainsi en est-il des problèmes de « transfèrement », par exemple les problèmes
d’affectation. En outre, un problème de flot se transforme très rapidement en un problème de
coût minimal.
4.5.Flot dans un réseau de transport

On appelle réseau de transport un graphe fini, sans boucle comportant une entrée 1 et une
sortie 𝑝 telles que : depuis 1 il existe un chemin vers tout autre sommet k et de tout sommet k
il existe un chemin vers 𝑝. On dit que 1 est une source et 𝑝 est un puits. Tout arc 𝑢 est valué
par un entier positif (𝑢) nommé « capacité » de l’arc 𝑢, qui représente une capacité de
transport associée à la liaison figurée par cet arc : ces capacités de transport peuvent être des
tonnages disponibles sur des bateaux, des camions, des wagons, ou encore des débits dans des
canalisations, oléoducs, voies de transmission, etc. Etant donné un réseau de transport. Le
problème à résoudre consiste à acheminer une quantité maximale de 1 à 𝑝 en tenant compte
des capacités de transport. La quantité (𝑢) transportée sur chaque arc 𝑢 est nommé flux sur
l’arc. Elle vérifie donc 0 ≤ (𝑢) ≤ 𝑐(𝑢). En tout sommet différent de la source 1 et du puits 𝑝,
on a une loi de conservation : La somme des flux arrivant sur le sommet x est égale à la
somme des flux partant du sommet x. Un flot Φ est déterminé par la donnée du flux pour tout
arc du réseau de transport. La valeur 𝑉(Φ) d’un flot est, par définition, la somme des flux
partant de la source 1 ou bien elle égale à la somme des flux des arcs arrivant sur le puits 𝑝.
Exemple
On considère trois châteaux d’eau A, B et C gérés par un syndicat intercommunal, alimentant
quatre villages D, E, F et G. Le château d’eau A bénéficie d’une alimentation et d’une réserve
capables de débiter 45 l/s ; le château B peut seulement débiter 25 l/s et le château d’eau C, 20
l/s. Plusieurs canalisations existent et leur débit en l/s, est mentionné pour chacune sur la
figure ci-après. Le village D aurait besoin d’un débit de 30 l/s, le village E, 10 l/s, le village F,
20l/s et enfin le village G, 30 l/s. On demande d’établir la meilleure alimentation possible.

Solution
Constatons d’abord que, si nous ajoutons au graphe représentant les canalisations avec leur
débit, une entrée (source) O et une sortie (puits) P, toutes deux fictives, on obtient un réseau
de transport. On value les arcs (𝑂, 𝐴), (𝑂, 𝐵) et (𝑂, 𝐶) leur attribuant comme capacités les
disponibilités respectives en A, B et C. De même, on value les arcs (𝐷, 𝑃), (𝐸, 𝑃) et (𝐹, 𝑃) et
(𝐺, 𝑃) par les besoins respectifs en D, E, F et G.
Le problème se ramène alors à passer un flot de valeur maximale de O vers P(ou si l’on veut,
sur un arc imaginaire, dit de « retour », qui reviendrait de P vers O. Voici un flot Φ sur ce
réseau de transport :

5.3. Problèmes du Transport

5.3.1. Définition
En mathématique, en économie et en informatique, la théorie du transport est le nom donné
à l’étude du transfert optimal de matière et à l’allocation optimale de ressources. Le
problème a été formalisé par le mathématicien français Gaspar MONGE en 1781.
D’importants développement ont été réalisés dans ce domaine pendant la Seconde Guerre
mondiale par le mathématicien et économiste russe Léonid KANTOROVITCH. Par
conséquent, le problème dans sa forme actuelle est parfois baptisé problème (du transport)
de Monge-Kantorovitch.
5.3.2. Présentation et formalisation
Un problème de transport peut être défini comme l’action de transporter depuis "m origines"
vers "n destinations" des matériaux, au moindre coût. Donc, la résolution d’un problème de
transport consiste à organiser le transport de façon à minimiser son coût.
5.3.3. Position du problème

Les problèmes de transport se posent comme suit : il faut minimiser le coût de transport d'un
certain bien dans m usines P1, P2, ..., Pm situées en des endroits différents; les quantités de ce

bien disponible dans chaque usine sont respectivement O1, O2, ..., Om (offres). Ce bien est
demandé sur n marchés M1, M2, ..., Mn; les quantités sur chaque marché sont respectivement
d1, d2, ..., dn (demandes). La présentation des données se fait d'habitude sous forme du
tableau ci-après:
Si l'on appelle cij, le coût du transport d'une unité du bien de l'origine i à la destination j et xij,
la quantité transportée du centre i vers le centre j, le problème linéaire de transport consiste
alors à trouver un schéma de transport tel que :
 La demande de chaque marché soit satisfaite;
 L'offre de chaque usine ne soit pas dépassée;
 Le coût total du transport soit minimum.
5.3.3. Méthode de résolution: recherche d’une solution de base réalisable
a) Solution de base
On appelle solution de base d'un programme de transport, une solution admissible
comportant M= (m+n-1) xij>0, c’est-à-dire qu’une solution de base comporte (m.n – M)
zéros. Le graphe d’une solution de base est un graphe connexe sans cycle, c’est-à-dire un
arbre comportant N=m+n sommets soit M=N-1 arcs. (Un graphe est connexe s’il existe au
moins une chaîne entre toute paire de sommets. Une chaine qui se ferme sur elle-même est un
cycle.).
1) Méthode du COIN NORD-OUEST :
La méthode du coin Nord-Ouest, ou MCNO (North-west Corner Method, NWCM),

est utilisée pour trouver une solution à un programme de transport sans prise en
compte du coût.
- Présentation : La méthode du coin nord-ouest est une méthode facile mais elle n’a pas de
sens économique. Puisqu’elle consiste à affecter au coin nord-ouest de chaque grille la
quantité maximale possible sans se préoccuper de l’importance du coût.

- Principe : On considère à chaque étape, le Nord-Ouest de la grille. On part donc de la route

(i1, j1) ; on sature soit la ligne i 1 soit la colonne j1. Puis on recommence sur la sous-grille
formée des lignes et des colonnes non saturées.
Cette procédure aboutit en général à une solution de base. Si à chaque choix d’une
relation, on a épuisé une demande ou une disponibilité mais non les deux, (sauf pour la
dernière), donc on a sélectionné (m + n – 1) liaisons et obtenu (m -1)(n – 1) zéros.
- Application de la méthode du coin nord-ouest

Exemple 1 :
Exemple Initialement
Soit la matrice du transport ci-après :
Coûts / Besoins / Stocks
Sources/Destinataires 1 2 3 4 5 Stocks
1 10 6 3 5 25 49
2 5 2 6 12 5 30
Demandes 15 20 5 25 14
Par le méthode du Nord-Ouest, déterminer le coût.
Transports
Sources/Destinataires 1 2 3 4 5
1
2
Étape 1 :

1 10 6 3 5 25 49
2 5 2 6 12 5 30
Demandes 15 20 5 25 14
Transports
1 15
2 0

Etape 2

1 10 6 3 5 25 49-15= 34
2 5 2 6 12 5 30
Demandes 0 20 5 25 14
Transports
1 15 20
2 0 0
Étape 3

1 10 6 3 5 25 34-20= 14
2 5 2 6 12 5 30
Demandes 0 0 5 25 14
Transports
1 15 20 5
2 0 0 0
Étape 4

1 10 6 3 5 25 14-5= 9
2 5 2 6 12 5 30
Demandes 0 0 0 25 14

Transports
1 15 20 5 9
2 0 0 0 16
Etape 5

1 10 6 3 5 25 0
2 5 2 6 12 5 30-16= 14
Demandes 0 0 0 0 14
Transports
1 15 20 5 9 0
2 0 0 0 16 14
Coût de la solution
La solution trouvée avec cette méthode n'est pas optimale en termes de coût. On trouve ici :
15*10 + 20*6 + 5*3 + 9*5 + 0*25 + 0*5 + 0*2 + 0*6 + 16*12 + 14*5 = 592.
Exemple2 :
Soit, la société Alpha possédant quatre dépôts A1, A2, A3 et A4 dans lesquels existent des
quantités respectives de 896, 782, 943, 928 unités d’une matière première, et cinq usines D1,
D2, D3 , D4 et D5 demandant respectivement 800, 439, 50, 790 et 1470 unités de celles-ci.
Les coûts de transport, C ij, sont donnés par le tableau ci-dessous. Comment organiser le
transport au moindre coût total?

Première étape :
A1-D1 est le coin Nord-Ouest, on lui affecte min (800;896) soit 800 unités demandées par
D1et fournies en A1.
On sature ainsi la demande D1 dont la colonne disparaît et on obtient le tableau 2 pour lequel
le coin N-O est A1-D2.
Deuxième étape : A1-D2 est le coin N-O, on lui affecte 96 unités demandées par D2 et
fournies en A1.

On sature ainsi l’offre en A1, qui disparaît. On obtient le tableau 3 pour lequel le coin N-O est
A2-D2.
Troisième étape :
A2-D2 est le coin N-O, on lui affecte 343 unités demandées par D2 et offert par
A2.
On satisfait ainsi la demande D2, qui disparaît. On obtient le tableau 4 pour lequel le coin N-
O est A2-D3.

Quatrième étape : A2-D3 est le coin N-O, on lui affecte 50 unités fournies par A2 et
demandée en D3.
On sature la demande D3, qui disparaît. On obtient le tableau 5 pour lequel le coin N-O est
A2-D4.
Cinquième étape : A2-D4 est le coin N-O, on lui affecte 389 unités fournies par A2 et
demandée par D4.

On sature l’offre A2, qui disparaît. On obtient le tableau 5 pour lequel le coin N-O est A3-D4.
Sixième étape : A3-D4 est le coin N-O, on lui affecte 401 unités fournies par A3 et demandée
par D4.
On sature la demande D4, qui disparaît. On obtient le tableau 5 pour lequel le coin N-O est
A3-D5.
Dernière étape : Il ne reste qu'une colonne D5 on affecte aux liaisons existantes le transport
de façon évidente.
Nous avons ainsi obtenu une solution de base réalisable puisque la condition d’avoir (n -1)(m
-1) variables nulles dans la solution est satisfaite (12 cases vides dans le dernier tableau).
Le coût de cette solution de base est de :
Le coût de cette solution est : 800* 21+ 96*11+ 343* 52 + 50* 43 + 389* 29 + 401* 80 +
542*93 + 928*54 = 181 721 UM
c) Règle de la pénalité unitaire (méthode de la différence maximale ou méthode de Balas

Hammer ou encore méthode VAM (méthode d’Approximation de Vogel))
1) Présentation :
Le principe est de retenir en priorité les possibilités de transport auxquelles sont attachées les
plus fortes pénalités unitaires. On comprend que si une unité n'est pas transportée suivant la
possibilité la plus favorable, elle doit l'être au mieux par la possibilité qui la suivrait dans
l'ordre d'intérêt. Dans une rangée, la pénalité unitaire se mesure par la différence entre
l'élément le plus favorable (le plus petit en cas de minimisation, le plus grand en cas de
maximisation) et l'élément qui a la valeur la plus proche. En pratique (pour un problème à
minimum), on calcule pour chaque ligne et chaque colonne, la différence entre l'élément le
plus petit et celui qui a la valeur la plus proche : ce sont les pénalités unitaires. On décide
ensuite le maximum de transport possible, au moindre coût, dans la rangée correspondant à la
pénalité la plus élevée. En d'autres termes, on prend le maximum des différences et on
attribue à la case contenant le coût minimum de la ligne ou de la colonne correspondante le
minimum entre la disponibilité et la demande.
Cette méthode est basée sur le calcul des regrets. Le regret associé à une ligne ou à une
colonne est la différence entre le coût minimum et le coût immédiatement supérieur dans cette
ligne ou dans cette colonne. C’est une mesure de la priorité à accorder aux transports de cette
ligne ou de cette colonne, car un regret important correspond à une pénalisation importante si
on n’utilise pas la route de coût minimum.
La méthode de Balas-Hammer fournit, en général, une solution très proche de l’optimum; le
nombre de changements de base nécessaires pour arriver à une solution optimale est peu élevé
(il arrive même assez fréquemment que la solution donnée par cette règle soit optimale).
2) Principe :
D’abord, on calcule pour chaque rangée, ligne ou colonne, la différence entre le coût le plus
petit avec celui qui lui est immédiatement supérieur. Ensuite on affecte à la relation de coût
le plus petit correspondant à la rangée présentant la différence maximale la quantité la plus
élevée possible. Ce qui sature une ligne ou une colonne. Et on reprendre le processus jusqu'à
ce que toutes les rangées soient saturées.
3) L’algorithme de Balas -Hammer:
∆l représente la différence entre le coût minimum et celui immédiatement
supérieur sur une ligne. ∆c représente la différence entre le coût minimum et celui
immédiatement supérieur sur une colonne.
1) Calculer les différences ∆l et ∆c pour chaque ligne et colonne.

2) Sélectionner la ligne ou la colonne ayant le ∆l ou ∆c maximum.
3) Choisir dans cette ligne ou colonne le coût le plus faible.
4) Attribuer à la relation (i, j) correspondante le maximum possible de matière
transportable de façon à saturer soit la destination soit la disponibilité.
5) calculer la quantité résiduelle soit demande soit en disponibilité.
6) Eliminer la ligne ou la colonne ayant sa disponibilité ou demande satisfaite.
7) SI nombre de lignes ou colonnes> 2 retour en 2. SINON affecter les quantités
restantes aux liaisons.
On recommence le processus après avoir éliminé la rangée des coûts et corrigé les contraintes
affectées par les transports déjà décidés. On s'arrête quand on a une solution complète.
4) Application de l’algorithme de Balas-Hammer
Exempe1
Données initiales
Tableau représentant les coûts entre des sources et des destinataires, ainsi queles stocks
disponibles pour les sources et les demandes des destinataires :


1 10 6 3 5 25 49
2 5 2 6 12 5 30
Demandes 15 20 5 25 14
Calcul des regrets
Coûts / Besoins / Stocks / Regrets

Sources/Destinataires 1 2 3 4 5 Stocks Regrets
1 10 6 3 5 25 49 5-3=2
2 5 2 6 12 5 30 5-2=3
Demandes 15 20 5 25 14
Regrets 10- 6- 6- 12- 25-
5=5 2=4 3=3 5=7 5=20
Le regret le plus important est celui de la colonne 5 : 20. Dans cette rangée, on repère le
coût minimal : C(2,5) = 5.
Remplissage de la matrice des transports
Transports
1 0
2 14
Réitération du principe
Coûts / Besoins / Stocks / Regrets

Sources/Destinataires 1 2 3 4 Stocks Regrets
1 10 6 3 5 49 5-3=2
2 5 2 6 12 30-14=16 5-2=3
Demandes 15 20 5 25
Regrets 10-5=5 6-2=4 6-3=3 12-5=7
ETC...
Résultat : On en arrive à établir le tableau des transports :
Transports
1 0 19 5 25 0
2 15 1 0 0 14

5) Le coût total se calcule par un produit scalaire entre les matrices des coûts et
destransports.
6) Ici, le coût optimal est donc : 0*10 + 19*6 + 5*3 + 25*5 + 0*25 + 15*5 + 1*2 + 0*6
+ 0*12 + 14*5 = 401
Exemple 2 : Reprenons l’exemple précédant, et cherchons une solution de base par
l’algorithme de Balas-Hammer.
Première étape :
Deuxième étape :

Troisième étape :
Quatrième étape :
Cinquième étape :

Sixième étape :
Septième étape :
Dernière étape :
Il nous reste qu’une source non épuisée A3, on l’affecte à D5 qui demande exactement 85
unités. Enfin, la solution de base est :

Son coût est : 439*11+457*13+782*29+800*11+50*14+8*80+85*93+928*54 = 101.605

UM
Exemple 3 : Soit le tableau des coûts et des contraintes ci- après :
Destination
Origine M1 M2 M3 M4 M5 M6 Quantités
disponibles
P1 12 27 61 49 83 35 18
P2 23 39 78 28 65 42 32
P3 67 56 92 24 53 54 14
P4 71 43 91 67 40 49 9
Quantités demandées 9 11 28 6 14 5 73
Les premières pénalités sont désignées sur le tableau initial par C et par L suivant qu'elles
portent sur les colonnes ou les lignes.
Destination
Origine 1 2 3 4 5 6 Quantités disponibles L
1 12 27 61 49 83 35 18 15
2 23 39 78 28 65 42 32 5
6
3 67 56 92 24 53 54 14 29
4 71 43 91 67 40 49 9 3
C 11 12 17 4 13 7
Nous voyons que la plus grande pénalité unitaire est 29. Commençons par approvisionner
l'origine 3 au moyen de 6 unités de la destination 4. Nous indiquons 6 au-dessus de C34 et nous
barrons la colonne 4 qui a reçu son dû. La disparition de cette colonne modifie le disponible en
3 (qui devient 8) et provoque éventuellement des modifications des pénalités.
En poursuivant ainsi, on obtient une première solution complète. Les tableaux suivants
reflètent l'ensemble des travaux réalisés sur le tableau initial.
2e pas
Destination
Origine 1 2 3 5 6 Quantités disponibles L
1 12 27 61 18 83 35 18 15
2 23 39 78 65 42 32 16
3 67 56 92 53 54 8 1
4 71 43 91 40 49 9 3
Quantités demandées 9 11 28 14 5 67
C 11 12 17 13 7 C(1,3) = 18

3e pas
Destination
Origine 1 2 3 5 6 Quantités disponibles L
2 23 9 39 78 65 42 32 16
3 67 56 92 53 54 8 1
4 71 43 91 40 49 9 3
Quantités demandées 9 11 10 14 5 49
C 44 4 13 13 7 C(2, 1) = 9
4è pas
Destination
Origine 2 3 5 6 Quantités disponibles L
2 39 78 65 42 23 3
3 56 92 53 54 8 1
4 43 91 40 9 49 9 3
Quantités demandées 11 10 14 5 40
C 4 13 13 7 C(4, 5) = 9
5e pas
Destination
Origine 2 3 5 6 Quantités disponibles L
11
2 39 78 65 42 23 3
3 56 92 53 54 8 1
Quantités demandées 11 10 5 5 31
C 17 14 12 12 C(2, 2) = 11
6e pas
Destination
Origine 3 5 6 Quantités disponibles L
2 78 65 42 5 12 23
3 92 53 54 8 1
Quantités demandées 10 5 5 20
C 14 12 12 C(2,6) = 5
7e pas
Destination
Origine 3 5 Quantités disponibles L
2 78 65 7 13
3 92 53 5 8 39
Quantités demandées 10 5 15
C 14 12 C(3,5) = 5

8e pas
Destination
Origine 3 Quantités disponibles
2 78 7
3 92 3
Quantités demandées 10 10
C 14 C(2, 3) = 7
La solution recherchée est donc :
Destination
Origine M1 M2 M3 M4 M5 M6 Quantités disponibles
P1 18 18
P2 9 11 7 5 32
P3 3 6 5 14
P4 9 9
Le coût total de transport est égal à :

CT = 61(18) + 23(9) + 39(11) + 78(7) + 42(5) + 12(5) + 24(6) + 53(5) + 40(9) = 3.535
4) Méthode du coût minimum
Les étapes de la méthode du coût minimum sont les suivantes :
Localiser la case dont le coût est le plus bas et y placer le maximum d’unités possibles.
Si deux cases ont le même coût, on remplit d’abord celle qui peut absorber le plus
d’unités, ensuite on remplit les autres cases quand c’est possible.
Affecter le maximum d’unités possibles à la case suivante ayant le coût le plus bas ;
Répéter a. et b. jusqu’à satisfaction de l’offre et de la demande.
Exemple : On donne la matrice de transport ci-dessous, comportant trois origines et quatre

destinations.

On demande de chercher la ou les solutions optimale(s) en utilisant, pour la première solution

de base :
a) la méthode du coin nord – ouest ;
b) la méthode de Balas-Hammer
c) la méthode du coût minimum.
5.4. Problèmes d’Affectation

5.4.1. Définition
En informatique, plus précisément en Recherche Opérationnelle et l’optimisation
combinaison, le problème d’affectation consiste à attribuer aux lieux des tâches à des
agents. Chaque agent peut réaliser une unique tâche pour un coût donné et chaque tâche
doit être réalisée par un unique agent. Les affectations (c-à-d les couples agent-tâche) ont
toutes un coût défini. Le but est de minimiser le coût total des affectations afin de
réaliser toutes les tâches.
5.4.2. Présentation et formalisation
Il s’agit d’un cas particuliers du problème de transport avec n entrepôts et n magasins, et où la
demande associée à chaque destination égale à 1. Le problème consiste à affecter les
éléments d’un ensemble à ceux d’un autre ensemble de sorte que la somme des coûts des
affectations soit minimale.
Supposons que, dans une entreprise, n ouvriers puissent travailler indifféremment sur n
machines, mais avec plus ou moins d'efficacité. L'efficacité peut se mesurer par le revenu
provenant de la vente des produits fabriqués par les divers ouvriers travaillant sur les
différentes machines. L'unité i exécute la tâche j avec un coût ou un profit cij. Comment
doit-on affecter chaque unité à une seule tâche pour que la rentabilité soit optimale ?
La matrice des coûts (profits) associée est C =
Le programme à résoudre est :

Plusieurs algorithmes permettent de résoudre le problème d’affectation, pour ce cours on

développera l’uniquement l’algorithme Hongroise.
a) La méthode Hongroise
1) Présentation
Cet algorithme repose essentiellement sur la constatation suivante. On ne change pas la ou les
solutions optimales en augmentant ou en diminuant d'une même quantité ߣtous les éléments
d'une même ligne (ou d'une même colonne) de la matrice des Cij.
Après une telle opération, la valeur totale est augmentée ou diminuée de . ߣ Par conséquent,
si l'on fait apparaître, par des transformations de ce type, suffisamment de zéros dans le
tableau, mais pas de coûts négatifs, et qu'il existe n zéros "indépendants" (c'est-à-dire un seul
zéro dans chaque ligne et dans chaque colonne), on aura alors trouvé l'affectation optimale.
2) Résolution d’un problème d’affectation par l’algorithme hongrois :

a) Cas de Minimisation
Afin d'expliquer la démarche suivie, considérons l'exemple suivant :

Soit La société Beta possédant quatre ateliers : fonte, moulage, laminage et traitement
thermique, qu’on va nommer respectivement F, M, L et T, pour lesquels elle veut affecter
quatre chef de service polyvalents, monsieur A, B, C et D.
Les coûts d’affectation pour chaque liaison sont donnés par le tableau ci-dessous. Comment
organiser l’affectation de façon à en minimiser le coût?
Première étape :
Réduction des lignes : on crée une nouvelle matrice des coûts en choisissant le
coût minimal sur chaque ligne et en le soustrayant de chaque coût sur la ligne.

Exemple : pour la première ligne (A) :
 Relation (A, F) : 60 -60 = 0

 Relation (A, M) : 170-60=110
 Relation (A, L) : 330-60=270
 Relation (A, T) : 360-60=300
Deuxième étape :
Réduction des colonnes : on crée une nouvelle matrice des coûts en choisissant le coût
minimal dans chaque colonne et en le soustrayant de chaque coût dans la colonne.
Troisième étape :
Maintenant, il faut déterminer le nombre minimal de lignes nécessaires sur les lignes et les
colonnes pour couvrir tous les zéros. Si ce nombre est égal au nombre de lignes (ou
colonnes), la matrice est réduite; aller à l’étape 5. Si ce nombre est inférieur au nombre de
lignes (ou colonnes), aller à l’étape 4.
Dans ce cas, le nombre minimal de lignes est de 3 qui est inférieur au nombre de ligne ou
colonne (4), alors on passe à l’étape 4.
Quatrième étape :
Premièrement, il faut trouver la cellule de valeur minimum non couverte par une ligne, puis,
soustraire cette valeur de toutes les cellules non couvertes. Ensuite, ajouter cette valeur aux
cellules situées à l’intersection de deux lignes. Et enfin, retourner à l’étape 3.

La valeur minimum des cellules non couvertes est 20. On soustrait 20 des cellules non
couvertes et on l’ajoute aux cellules qui se trouvent à l’intersection des lignes, ceci nous
donne le tableau suivant :
4.3. Le Problème de Transport
Maintenant, le nombre minimal de ligne est égale à 4.
La solution optimale est donc la suivante :
Résultat donné par la méthode Hongroise :

La solution à pour coût :
Le coût total= 60 + 200 + 180 + 90 = 530 UM pour les affectations :

A
B
C
D
b) Cas de Maximisation
La même technique s'applique à la recherche d'un maximum. Il suffit, au départ, de

transformer le problème en un problème à minimum soit en changeant le signe tous les termes
de la matrice, soit en retranchant tous les éléments de la matrice d'un nombre au moins égal au
plus grand de ces éléments. En appliquant la technique, on minimise ainsi l'écart par rapport à
un certain plafond. Il est évident que le maximum du problème d'affectation formé avec les cij
correspond au minimum de celui formé avec les c"ij. On recherche la solution optimale du
tableau formé avec les c"ij.
Exemple
Le Chef de Section des SCAI doit affecter 5 enseignants aux cours suivants : Info et
Bureautique, Algo1, RO, Gestion des Stocks et Théorie des Graphes. Le Chef de Section
souhaite affecter ces enseignants en optimisant leurs aptitudes à enseigner les cours souhaités.
Ces aptitudes sont mesurées par les cotes obtenues dans ces différentes branches à l’ISP-
Uvira. Elles sont données dans le tableau ci-dessous.
Info et Algo1 RO GeStock Théorie

Bureautique des
Graphes
E1 15 09 07 08 02
E2 03 17 04 10 09
E3 06 06 08 07 16
E4 11 02 16 16 11
E5 18 15 03 12 09

Etant un problème de maximisation, il est nécessaire, avant d’appliquer la

méthode hongroise, de transformer préalablement les données du tableau ci-haut, soit en les
multipliant par -1 soit en les retranchant de la donnée la plus élevée, ici 18.
Info et B. Algo1 RO GeStoc Théorie Min Info et B. Algo1 RO GeStock Théorie des Min
k des G G
E1 -15 -09 -07 -08 -02 -15 E1 3 9 11 10 16 3
E2 -03 -17 -04 -10 -09 -17 E2 15 1 14 8 9 1
E3 -06 -06 -08 -07 -16 -16 E3 12 12 10 11 2 2
E4 -11 -02 -16 -16 -11 -16 E4 7 16 2 2 7 2
E5 -18 -15 -03 -12 -09 -18 E5 0 3 15 6 9 0
On appliquera ensuite la méthode hongroise au problème ainsi transformé, en commençant par

l’étape d’obtention de zéros. On constatera que les deux tableaux donneront une matrice identique.
Dans ce cas ci-haut s, le nombre minimal de lignes est de 4 qui est inférieur au
nombre de ligne ou colonne (5), alors on passe à l’étape suivante.
- Premièrement, il faut trouver la cellule de valeur minimum non couverte par une ligne,
puis, soustraire cette valeur de toutes les cellules non couvertes. Ensuite, ajouter cette
valeur aux cellules situées à l’intersection de deux lignes. Et enfin, retourner à l’étape
précédente.
- La valeur minimum des cellules non couvertes est 3. On soustrait 3 des cellules non
couvertes et on l’ajoute aux cellules qui se trouvent à l’intersection des lignes, ceci nous
donne le tableau suivant :

Les cellules non couvertes sont :
6 8 7 13
3 15 6 9
Info et B. Algo1 RO Ge Stock Théorie des G

E1 0 6 5 4 10
E2 17 0 13 7 8
E3 13 10 8 9 0
E4 7 14 0 0 5
E5 0 0 12 3 6
La solution au problème est :
Enseignants Cours Coût

E1 I. B 15
E2 Algo 17
E3 RO 16
E4 Ge Stock 12
E5 Théorie des G 16
Total 76

c) Cas particulier : (Nombre d’Ouvriers est différents au nombres de tâches et vice

versa)
1) N M ( avec N= nombre de tâches et M = nombre d’ouvriers)
a) M N : Dans ce cas, on recherche la fonction de séparation uniquement sur
les lignes. Certaines tâches ne seront pas exécutées.
Choisir B(S0) =∑ 𝐶
( 𝑝) 𝑐
( ) ( 𝑝)
b) N M : Dans ce cas, on recherche la fonction de séparation uniquement sur les
colonnes. Certains ouvriers ne seront pas affectés.
Choisir B(S0) =∑ 𝐶
( 𝑝) 𝑐
( ) ( 𝑝)
Exemple : Trouver une affectation au moindre coût des ouvriers aux tâches, la matrice
des coûts étant :
Cij T1 T2 T3 T4 T5 T6
1 30 25 41 14 28 24
2 7 28 18 3 32 27
3 20 13 21 32 6 0
4 21 16 25 13 18 18
Etape 1
Cij T1 T2 T3 T4 T5 T6 Ci
1 30 25 41 14 28 24 14
2 7 28 18 3 32 27 3
3 20 13 21 32 6 0 0
4 21 16 25 13 18 18 13
30
Etape 2
Cij T1 T2 T3 T4 T5 T6Ci
(on
réduit
de :)
1 16 11 27 0 14 10 14
2 4 25 15 0 29 24 3
3 20 13 21 32 6 0 0
4 8 3 12 0 5 5 13
Somme 30
On affecte 1 T4 par la couverture des 0
La matrice devient :
Cij T1 T2 T3 T5 T6 Ci (on
réduit de :)
2 4 25 15 29 24 4
3 20 13 21 6 0 0
4 8 3 12 5 5 3
Somme 7
Etape 3
Cij T1 T2 T3 T5 T6 Ci (on
réduit de :)
2 0 21 11 25 20 4
3 20 13 21 6 0 0
4 5 0 9 2 2 3
Somme 7
2 T1
Cij T2 T3 T5 Ci (on réduit de :)
4 0 9 2 0
3 T6
Cij T2 T3 T5 Ci (on réduit de :)
4 0 9 2 0
4 T2
Solution d’affectation
1 T4 = 14
2 T1 = 7
3 T6 = 0
4 T2 = 16
Total coût = 37

Chapitre 6 : LES PROBLEMES DU VOYAGEUR DE COMMERCE

6.1. Notions
Le problème du voyageur de commerce est un problème célèbre en Informatique
théorique, qui a de nombreuses applications dans des domaines variés. Il consiste à trouver,
pour un certain nombre de villes données, la boucle la plus courte passant par toutes les
villes.
6.2. Définition
En informatique, le problème du voyageur de commerce, ou problème du commis
voyageur, est un problème d’optimisation qui consiste à déterminer, étant donné un
ensemble de villes, le plus court-circuit passant par chaque ville une seule fois. C’est un
problème algorithmique célèbre, qui a donné lieu à de nombreuses recherches et qui est
souvent utilisé comme introduction à l’algorithmique ou à la théorie de la complexité. Il
présente de nombreuses applications que ce soit en planification, en logistique ou dans des
domaines éloignés, comme la génétique, les gènes étant les villes et la similarité la
distance.
6.3. Description
Etant donné n villes et leurs distances par paire, il s’agit de déterminer le chemin le plus
petit qui passe exactement une fois par chaque ville et revienne à la ville de départ. On
modélise le problème du voyageur de commerce comme un problème sur un graphe non
orienté pondéré. Les villes sont des sommets du graphe. Le voyageur emprunte les arrêtes
sur le graphe. Le coût d’une arrête entre deux (2) sommets est la distance entre deux (2)
villes correspondantes. Souvent, on considère un graphe complet c-à-d il y a une arrête
entre toutes paires de sommets : G = (V, E, ) avec V un ensemble de sommets, E = V X V
un ensemble d’arrêtes , et :E une fonction de coût sur les arrêtes. Le problème
est de trouver le plus court cycle hamiltonien dans le graphe G.
6.4. Formalisation du problème
Formellement, le problème du voyageur de commerce peut s’écrire comme un programme
linéaire. Ci -dessous, V est l’ensemble des n sommes du graphe, xij désigne l’arc (i,j) et vaut
1 s’il fait partie de la solution, 0 sinon, Cij représente le poids de l’arc (i,j).

Cette matrice est parfois symétrique, les frais de déplacement de xi à xj et de xj à xi étant

identiques, mais il n'en est pas nécessairement ainsi. Si les coûts de transport au km sont
égaux, le circuit le moins coûteux est alors le plus court.
6.5. Résolution d’un PVC

L’algorithme, conçu par J.D.C. Little, K.G. Murty, D.W. Sweeney et C. Karel, met en outre
une méthode par séparation et évaluation basée (la Procédure de Séparation et d'Evaluation
Progressive, la P.S.E.P. ) sur l’heuristique du regret.
Il s’agit maintenant de résoudre le TSP dans un cadre plus général : sa version asymétrique.
Le regret est la façon d’évaluer coût, que l’on pourrait qualifier d’inopportunité, de la
non-incorporation d’un arc à la solution ; pour calculer, les distances doivent au préalable
subir une opération appelée réduction. On commence par retirer à chaque arc ⃗ ( , ) le
plus petit coût pour partir de i, soit formellement : ∀ =1,. . . .n, on note 𝐷
{ ( )} et l’on pose, pour tout j ’, d’ (vi,vj) = d (vi,vj)- D’. C’est en suite le
plus petit coût pour arriver en i et relativement à d’ que l’on retire :∀ = 1,. . ., n, on note D’j
= { ( )} et l’on pose d’’(vi,vj)= d’(vi,vj)- D’j pour tout i j. il est aisé de
constater que la fonction d’’ ne transforme pas l’ordre relatif des tours réalisables ; en
effet, si l’on note D’ =
∑ 𝐷 𝐷 𝐷 𝐷 𝐷
𝑐 𝑢 ∀ ( ) ( )
𝐷 ( ) 𝐷.

Exemple illustratif
Soit le problème ci-après :
Cij V1 V2 V3 V4 V5 V6
V1 8 12 14 14 26
V2 13 56 35 54 20
V3 23 23 33 21 26
V4 2 7 37 15 22
V5 25 30 1 16 7
V6 20 24 10 37 21
Le problème consiste de traversér qu’une seule fois chaque ville.
Etape1 (On détermine le coût minimal par ligne) :

Cij V1 V2 V3 V4 V5 V6 Ci (réduit
de) :
V1 8 12 14 14 26 8
V2 13 56 35 54 20 13
V3 23 23 33 21 26 21
V4 2 7 37 15 22 2
V5 25 30 1 16 7 1
V6 20 24 10 37 21 10
55
Etape 2 :
Cij V1 V2 V3 V4 V5 V6 Ci
V1 0 4 6 6 18 0
V2 0 43 22 41 7 0
V3 2 2 12 0 5 0
V4 0 5 35 13 20 0
V5 24 29 0 15 6 0
V6 10 14 0 27 11 0
Réduit 0 0 0 6 0 5 11
de :
Cij V1 V2 V3 V4 V5 V6 Ci
V1 0 4 0 6 13 0
V2 0 43 16 41 2 0
V3 2 2 6 0 0 0
V4 0 5 35 13 15 0
V5 24 29 0 9 1 0
V6 10 14 0 21 11 0
Pour éviter le cyclage, passer par C36 = , il faut aller de la ville 6 vers ville 3 (V6
V3).

Cij V1 V2 V4 V5 V6 Ci
V1 0 0 6 13 0
V2 0 16 41 2 0
V3 2 2 6 0 0 0
V4 0 5 13 15 0
V5 24 29 9 1 1
1
Réitère l’algorithme et on a :
Cij V1 V2 V4 V5 V6 Ci
V1 0 0 6 13 0
V2 0 16 41 2 0
V3 2 2 6 0 0 0
V4 0 5 13 15 0
V5 23 28 8 0 1
V2 V1
Cij V2 V4 V5 V6 Ci
V1 0 0 6 13 0
V3 2 6 0 0 0
V4 5 13 15 5
V5 28 8 0 0
Cij V2 V4 V5 V6 Ci
V1 0 0 6 13 0
V3 2 6 0 0 0
V4 0 8 10 5
V5 28 8 0 0
V1 V4
Cij V2 V5 V6 Ci
V3 2 0 0 0
V4 0 8 10 0
V5 28 0 0
V5 V6
Cij V2 V5 Ci
V3 2 0 0
V4 0 8 0
NB : En fin de trouver un circuit hamiltonien et éviter le cyclage dans ce problème
du voyageur du commerce, on doit partir de la V3 vers la ville V2 (V3 V2 ) et de
la ville V4 à la ville V5 ( V4 V5) parce que on ne peut plus affecter V3 V5 car

ça créera un retour vers l’origine sans passer par d’autres villes.
Solution
V6 V3 = 10

V5 V6 =7
V3 V2=23
V4 V5=15
V1 V4 =14
V2 V1 =13
Le coût total minimal est de 82.
Le circuit est ainsi formé par les villes ci-après:
V6 V3
V5 V2
V4 V1
6.6. Introduction à la Procédure de Séparation et d'Evaluation (P.S.E.P)
Il arrive souvent, dans des problèmes économiques ou autres, que le nombre de solutions soit
fini : nous pouvons, dans ce cas, dénombrer toutes les solutions et adopter celle qui optimise
un certain critère. Cependant, lorsque ces solutions sont très nombreuses, leur dénombrement
explicite peut s'avérer trop fastidieux. Par exemple, si x est un vecteur à 100 composantes,
chaque composante pouvant prendre la valeur 0 ou 1, le nombre de solutions est 2100, ce qui
est énorme. Le présent paragraphe est consacré aux procédures de séparation et d'évaluation
qui permettent de trouver la solution optimale en évitant le dénombrement explicite de toutes
les solutions. Ces méthodes peuvent être avantageusement employées dans des problèmes
d'affectation, du voyageur de commerce, de recherche de plus courts chemins dans un graphe,
de résolution de programmes linéaires en variables (0,1).
6.6.1. Exemple
Une procédure de séparation et d'évaluation nécessite un principe de séparation, une fonction

d'évaluation et des tests. A partir d'un exemple très simple et même trivial, nous allons
illustrer clairement ces trois notions.
Soit à trouver le plus petit nombre pair appartenant à l'ensemble S des nombres suivants : {14,
9, 12, 6, 16, 11, 10, 3}.

La procédure de séparation et d'évaluation est décrite par une arborescence dont la racine
contient toutes les solutions possibles (admissibles ou non) du problème. La première étape
consiste à séparer cet ensemble de solutions en plusieurs parties; nous séparons ensuite une de
ces parties, puis une de ces dernières, ...
Ces opérations sont contrôlées par le principe de séparation. A chaque sommet de

l'arborescence, nous associons une valeur qui minore la fonction économique du problème
pour les solutions associées à ce sommet : l'ensemble des valeurs ainsi définies détermine la
fonction d'évaluation. Plusieurs tests permettront de choisir le sommet auquel il faut appliquer
le principe de séparation, de déterminer si un sommet est susceptible ou non de contenir la
solution optimale, d'arrêter la procédure lorsque la solution optimale est trouvée. Dans notre
exemple, le principe de séparation consiste à séparer tout ensemble de solutions en deux
parties.
Nous supposons pouvoir déterminer le plus petit nombre de tout ensemble de solutions : ce
plus petit nombre est la valeur de la fonction d'évaluation au sommet considéré (remarquons
que la fonction économique du problème est ici f(x) = x, où xS  A , A étant l'ensemble de
nombres pairs). Nous séparons le sommet sans descendant de valeur minimum, à moins qu'il
ne contienne qu'un seul nombre, auquel cas nous testons la parité du nombre trouvé. Si ce
nombre n'est pas pair, nous travaillons avec les autres sommets sans descendant.
Le premier nombre pair trouvé est la solution optimale : en effet la meilleure solution de
chaque sommet de l'arborescence est nécessairement moins bonne que la solution trouvée en
vertu de la définition de la fonction d'évaluation et du choix du sommet que nous séparons.
La résolution de notre problème donne lieu à l'arborescence suivante :

14, 9, 12, 6, 16, 11, 10, 3
La fonction d’évaluation
S0=3
14, 9, 12, 6, 16, 11, 10, 3
S1 S2
14, 9,
6 16,
12, 10 10, 3B2=3
B1 =9
S3 6, 16 S4
10, 3
B3=6 B8=16
S7 S8 S5 S6
6 16 3
B7=6 B8=16 B5=10 10B6=10
Où Bi est la valeur de la fonction d'évaluation au sommet Si (c'est le plus petit nombre

contenu dans Si).
A la première étape, nous séparons S0 en S1 et S2. Comme B2 < B1, nous séparons ensuite
S2 en S3 et S4. Comme B4 = min {B1, B3, B4}, nous séparons S4 en S5 et S6. Nous avons
B6 < B3 < B1 < B5; S6 ne peut plus être séparé et le nombre qu'il contient n'est pas pair; nous
séparons alors S3 en S7 et S8. Comme B7 = min {B1, B7, B8, B5} et comme le nombre
contenu dans S7 est pair, nous avons la solution optimale.
Remarques :
- La séparation d'un sommet ne définit pas nécessairement une partition des solutions
contenues dans ce sommet ; les descendants d'un sommet peuvent avoir des intersections
non vides. Par contre, leur réunion doit être égale au sommet considéré.
- La procédure décrite ici est la procédure de séparation et d'évaluation progressive

(P.S.E.P.) ; elle présente l'avantage de toujours séparer le meilleur sommet, de sorte que

la première solution admissible trouvée est la solution optimale. Par contre, elle exige la
mise en mémoire de nombreux résultats ; à chaque étape, il faut connaître l'ensemble des
sommets sans descendant et leur valeur. C'est la raison pour laquelle cette méthode est
très peu employée. La procédure de séparation et d'évaluation séquentielle (P.S.E.S.)
parcourt un chemin plus long pour parvenir à la solution optimale, mais ne conserve en
mémoire qu'un ensemble très réduit de résultats. Dans une P.S.E.S., nous appliquons le
principe de séparation de manière systématique dans une direction, par exemple vers la
droite, jusqu'à ce qu'un sous-ensemble sondable soit rencontré. Si celui-ci admet une
solution admissible, elle est considérée provisoirement comme solution optimale. Nous
remontons alors d'un échelon dans l'arborescence, nous effectuons un déplacement vers
la gauche et explorons systématiquement à droite jusqu'à ce qu'un nouvel ensemble
sondable soit rencontré. Nous conservons uniquement en mémoire la meilleure solution
trouvée et la valeur de la fonction économique pour cette solution.
L'arborescence finit par être parcourue entièrement et la solution conservée en mémoire à la

fin de la procédure est la solution optimale du problème. La figure ci-dessus schématise le
chemin parcouru dans l'arborescence à l'aide de cette procédure.

Chapitre 7 :APPLICATIONS
1) Soit le graphe représenté par la matrice d’incidence ci-dessous où les temps
opérations sont exprimés en semaines :
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12
X1 0 8 16 0 9 13 0 0 0 0 0 0
X2 0 0 12 14 0 0 12 0 0 0 0 0
X3 0 0 0 7 0 0 0 8 0 8 0 0
X4 0 0 0 0 0 0 0 10 0 0 0 0
X5 0 0 0 0 0 7 9 0 0 0 0 0
X6 0 0 0 0 0 0 10 0 14 13 0 0
X7 0 0 0 0 0 0 0 9 0 0 0 0
X8 0 0 0 0 0 0 0 0 0 0 10 0
X9 0 0 0 0 0 0 0 0 9 0 16 8
X10 0 0 0 0 0 0 0 0 0 0 9 10
X11 0 0 0 0 0 0 0 0 0 0 0 7
X12 0 0 0 0 0 0 0 0 0 0 0 0
a) Déterminer le chemin critique

b) Déterminer les dates attendues et les limites des toutes les opérations.
c) Déterminer les marges libres de toutes les opérations.
2) Vous travaillez actuellement sur un projet de construction d’un atelier jouxtant votre
entrepôt. Le début des travaux est prévu pour le jeudi 1er septembre. Le d´détail et la
durée des travaux de chaque corps de métiers vous sont donnes ci-dessous. Afin de
déterminer la date d’achèvement de l’atelier et d’éviter les retards qui seraient dus à
l’imprévision, vous êtes chargées de visualiser le projet.
TD :
a) Construire le réseau PERT et mettre en ´évidence le(s) chemin(s) critique(s).
b) D´déterminer les marges totales et libres de chacune des tâches composant le projet.
c) D´déterminer la date prévisible d’achèvement de l’atelier.
3) Affecter tous les ouvriers A,B, C, D, E, F, G et H aux tâches T1, T2, T3 et T4 au coût
minimum et calculer le coût :
T1 T2 T3 T4
A 80 25 33 46
B 65 35 32 51
C 70 30 48 62
D 49 51 60 45
E 58 85 51 39
F 96 78 85 72
G 58 46 57 60
H 66 29 66 48
4) Le problème du voyageur de commerce est représenté par la matrice ci-après :
V1 V2 V3 V4 V5 V6 V7
V1 10 8 13 32 0 33
V2 0 30 61 37 42 10
V3 26 28 75 90 33 0
V4 10 30 1 30 43 0
V5 27 31 0 12 10 1
V6 52 24 28 0 9 29
V7 46 22 21 0 9 31
Déterminer le voyage le moins couteux.
5) Le service de marketing de la Société des Huileries de RDC a projeté entretenir les
différents appareils utilisés dans la production d’huile de coton. Cet entretien consiste
à exécuter un certain nombre d’activités qu’il faut planifier. A cet effet, le tableau
suivant a été dressé :
Opérations Antériorités Durée

(mois)
A J 2
B I, G, J 4
C H 1
D C, H, E 2
E A, F 5
F H 3
G J 1
H - 2
I A, F, H 4
J - 2
a) Tracer une esquisse du réseau MPM de la planification du projet

d’entretien (matrice desantériorités et niveaux d’exécution des tâches).
b) Identifier le chemin critique et la durée du projet.
c) Dresser le tableau du programme du projet en y indiquant les marges

totale, libre et liée dechaque tâche.
6) Reprendre les questions de l’exercice d’application pour les contraintes suivantes :
Opérations durée Opérations

(mois) pré-requises
A 4 -
B 6 A
C 4 -
D 12 -
E 10 B,C,D
F 24 B,C
G 7 A
H 10 E,G
I 3 F,H
7) On donne le tableau des tâches et antériorités suivant.
Tâches Activité Antériorités durée (jours)

A acceptation des plans - 4
B préparation terrain - 2
C commande matériaux A 1
D creusage fondations A,B 1
E commande portes, fenêtres A 2
F livraisons matériaux C 2
G coulage fondations D,F 2
H livraison portes, fenêtres E 10
I pose des murs, du toit G 4
J mise en place portes, fenêtre H,I 1
a) Calculer le temps minimum de réalisation du projet.

b) Finaliser le tracé du réseau MPM et PERT,.
c) Dresser le tableau des marges des tâches ou le programme du projet.

8) Un programme de construction comporte les opérations suivantes :
Tâches Tâches antérieures Durée (en jours)

A J,K 14
B - 4
C G,M 7
D - 10
E - 12
F C,L 18
G E 5
H J 11
I A,B,H 13
J B 9
K B 3
L B,K 15
M D,E 6
En utilisant la méthode MPM, déterminez la durée totale du projet, ainsi que, pour chaque
tâche, la date de début au plus tôt, la date de début au plus tard, la marge libre, la marge
totale. Quelles sont les tâches critiques pour la réalisation du projet ? La tâche D est retardée
de 3 jours. Cela implique-t-il un retard sur le délai d’exécution du programme ?
9) Lors d’un stage, votre responsable en entreprise vous demande d’exécuter un travail.
Après avoir recensé les différentes tâches que vous aurez à réaliser, vous estimez
leur duréed’exécution et disposez du tableau suivant :
Tâches Tâches antérieures durée (en jours)
A H 4
B A,G,J 8
C E 14
D - 12
E - 8
F E 6
G D,K,J 6
H - 8
I J,K 10
J H 6
K E,D,F 8
A partir de la représentation MPM ou PERT, définir le calendrier au plus tôt, au plus

tard, lesmarges totales et libres, ainsi que les tâches critiques.
En fait vous ne disposez que de 30 jours effectifs de stage. Vous informez votre
responsable que letravail ne pourra être achevé pendant le stage.
Il examine votre planning et estime que la durée de certaines tâches peut être réduite
(vos estimations étaient trop larges et on vous aidera dans la réalisation de certaines
opérations).
Voici les réductions possibles :
Tâches A B C D E F G H I J K
Réduction 0 2 0 0 4 0 2 0 1 2 0
Quelles sont les tâches que vous réduirez pour que le projet ne dure que 30 jours ?
Dressez la liste des tâches critiques. (On s’attachera à réduire les tâches critiques en
commençant par les tâches finales.
10) La rénovation du séjour d’un appartement se décompose en plusieurs tâches décrites dans
le tableau ci-dessous. Ce denier donne également les précédences à respecter lors de la
planification des travaux ainsi qu’une estimation de la durée de chacune des tâches.
Taches Libellé Précédences Durée Précédences Durée
(durée) (durée)
A Enlèvement des portes - ½
B Ponçage et peinture des portes A 3

C Pose des portes B,J ½
D Arrachage des papiers peints - 1
E Tirage de fils électriques D 1
F Pose des prises E,H,I ½
G Ragréage des murs E,A 2
H Peinture du plafond G 2
I Pose des papiers peints G 3
J Peinture des cadres H, I 1
K Arrachage de la moquette H, I, J 1/2
L Ponçage du parquet K 1
M Imprégnation et séchage du L, F 4
parquet
N Peinture du balcon - 2
O Changement des protections N 1
solaires
TD :
1) Représenter le graphe des précédences de ces travaux de rénovation.
2) Déterminer une durée totale minimale de rénovation en exhibant un chemin critique.
3) Déterminer les marges

11) Une entreprise de construction vient d’ouvrir quatre nouveaux chantiers situés en A, B,
C, D. Ces choix nécessitent l’emploi de grues actuellement stationnées sur des chantiers
qui viennent d’être terminés et qui sont situés en V, W, X, Y et Z. Le tableau suivant

donne le nombre d’heures que prennent les transports de chacune des grues de l’endroit
où elle est située vers chacun des chantiers nouveaux.
L’entreprise désire démarrer le plus vite possible ses nouveaux chantiers. A quel chantier
doit-elle affecter ses grues disponibles ?
12) Trois centrales électriques avec une capacité respectivement de 25, 40 et 30 millions de
kWh fournissent l’électricité de trois villes. La demande maximale de chacune des trois
villes est respectivement estimée `a 30, 35 et 25 millions de kWh. Le prix du million de
kWh dans les trois villes est donné dans la table ci-dessous.
Ville V1 V2 V3
Usine
U1 600 700 400
U2 320 300 350
U3 500 480 450
TD : Déterminer par la méthode de Balas Hammer le coût de transport.
13) Résoudre le problème du voyageur de commerce relatif à la matrice suivante. Le circuit

doit passer par six villes.

14) Une fabrique M a 6 machines et 6 tâches à compléter. Chaque machine doit lui voir
assigner une tâche. Le temps de mise en œuvre est donné par la table suivante :
T1 T2 T3 T4 T5 T6
Machine 1 14 5 8 7 15 7
Machine 2 2 12 6 5 4 2
Machine 3 7 8 3 9 3 1
Machine 4 2 7 6 10 5 8
Machine 5 5 6 3 11 13 9
Machine 6 10 12 9 6 9 14
TD : La fabrique veut minimiser le temps total de mise en œuvre. Formuler et résoudre.

15) Le SGAC de l’ISP-Uvira veut corriger les attributions de cours faites par la Section
en se basant sur les notes obtenues par les enseignants lors de la cotation de l’assurance
qualité. Le SCAD doit affecter 7 enseignants aux cours suivants : Info et Bureautique,
Algo1, RO, Gestion des Stocks, Théorie des Graphes, Algo2 et Théorie de SE. Le
SGAC souhaite affecter ces enseignants en optimisant leurs aptitudes à enseigner les
cours/unités souhaité(e)s. Ces aptitudes sont mesurées par les cotes obtenues dans ces
différentes branches. Les côtes sont cotées sur 20 et données dans le tableau ci-dessous.
Info et Algo RO GeStock Théorie des Algo2 Théorie de SE
Bureautique 1 Graphes
E1 15 09 07 08 04 9 17
E2 07 17 04 10 09 10 14
E3 06 06 08 07 16 11 13
E4 11 06 16 16 11 14 10
E5 18 15 09 12 09 19 11
E6 16 13 09 08 17 15 12
E7 15 07 11 16 10 16 10
TD : Trouvez l’affectation qui maximise les performances de chaque enseignant.
16) Trouvez une affectation au moindre coût des ouvriers aux tâches, la matrice des
coûts étant :
Cij T1 T2 T3 T4 T5 T6
1 20 26 41 14 28 24
2 8 24 4 3 5 22
3 25 2 5 1 6 3
4 4 5 25 14 18 17
5 25 4 17 14 11 9
17) Trouvez une affectation au moindre coût des ouvriers aux tâches, la matrice des coûts
étant :
A B C D F
E1 15 09 07 08 04
E2 07 17 04 10 09
E3 06 06 08 07 16
E4 11 06 16 16 11
E5 18 15 09 12 09
E6 16 13 09 08 17
E7 15 07 11 16 10
Merci pour votre aimable attention

TG Corrigee 2023-2024

Transféré par

Droits d'auteur :

Formats disponibles

TG Corrigee 2023-2024

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

TG Corrigee 2023-2024

Transféré par

Droits d'auteur :

Formats disponibles

Théorie des Graphes (2023-2024) Par Chef de Travaux AMANI MAISHA Page 1

République Démocratique du Congo

INSTITUT SUPERIEUR PEDAGOGIQUE D’UVIRA

B.P 2316 Bujumbura/Burundi

Cours de Théorie des Graphes destiné aux

Année académique 2023-2024

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

I) Intitulé du cours : Théories des Graphes (TG)

VI) Plan du Cours

Chapitre 1 : PREMIER CONTACT AVEC LES GRAPHES

Chapitre 2 : QUELQUES GRAPHES REMARQUABLES ET PRESENTATION NON

Chapitre 3 : PROBLEMES DU PLUS LONG, COURT CHEMIN ET DES FLOTS

Chapitre 4 : LES PROBLEMES D’ORDANNANCEMENT

Chapitre 5 : LES PROBLEMES TRANSPORT ET D’AFFECTION

Chapitre 6 : LES PROBLEMES DU VOYAGEUR DE COMMERCE

VII) Méthodologie d’enseignement

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

Chapitre 1 : PREMIER CONTACT AVEC LES GRAPHES

Les situations suivantes peuvent être traduites en graphe :

Graphes non orientés

1.2. Quelques Types des Graphes

1.2.2. Graphe Simple

1.2.3. Graphe Connexe

1.2.4. Graphe complet

1.2.5. Graphe Bipartie

1.2.6. Graphe Partiel et sous-graphe

1.2.7. Graphe Orienté valué

1.2.8. Graphe acyclique

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

1.2.9. Graphe isomorphe

1.3. Détermination des Degrés dans un graphe

Attention : Une boucle sur un sommet compte double.

1.3.2. Degré d’un Graphe

1.4. Chaines et Cycles

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

NB : Le sommet V5 est bouclé.

1.4.5. Graphe Orienté valué

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

1.4.6. Graphe acyclique

1.4.7. Graphe isomorphe

1.5. Détermination des Degrés dans un graphe

Attention : Une boucle sur un sommet compte double.

1.5.2. Degré d’un Graphe

1.6. Chaines et Cycles

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

NB : Le sommet V5 est bouclé.

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

Chapitre 2 : QUELQUES GRAPHES REMARQUABLES ET PRESENTATION

2.1. Graphes eulériens

2.2. Graphe Hamiltonien

Cours destiné aux étudiants de L1 Informatique de Gestion à l’ISP-Uvira.

2.3. Types particuliers des graphes

a) Graphe (d’une relation) antisymétrique

b) Graphe d’une relation non symétrique

c) Graphe d’une relation non antisymétrique