PRÉLIMINAIRES

I. Épistémologie et Enjeux Scientifiques du Domaine

Née des contraintes logistiques de la Seconde Guerre mondiale, la recherche opérationnelle a muté d’une science de l’art militaire à la colonne vertébrale de l’intelligence décisionnelle dans le civil. Son ontologie repose sur la traduction de problèmes complexes en systèmes d’équations et d’inégalités, visant une optimisation quantifiable. L’enjeu scientifique actuel, particulièrement en Afrique, est de dépasser les modèles idéaux pour intégrer l’incertitude stochastique et la non-linéarité des systèmes socio-économiques réels. Ce cours arme le statisticien pour qu’il devienne l’architecte de la rationalité économique dans un environnement de ressources rares.

II. Cartographie des Compétences et Transversalité

Cette unité d’enseignement forge un triptyque de compétences indissociables : la formulation, la résolution et l’application stratégique. La formulation mathématique (Compétence 1) est la pierre angulaire, transcendant la simple description pour imposer une structure logique au réel. La résolution algorithmique (Compétence 2), via la programmation linéaire et quadratique, fournit le moteur calculatoire pour explorer l’espace des solutions. Enfin, l’application de la programmation dynamique (Compétence 3) confère une vision séquentielle, essentielle en finance et en gestion de projet, faisant le pont avec l’économétrie et l’informatique décisionnelle.

III. Alignement Stratégique avec les Réalités Opérationnelles

La maîtrise de l’optimisation sous contraintes constitue une compétence à très haute valeur ajoutée sur le marché du travail congolais et africain. Pour l’ingénieur en optimisation, cela signifie concevoir des chaînes logistiques minières ou agricoles à coût minimal. Pour l’analyste quantitatif, il s’agit de construire des portefeuilles financiers à risque contrôlé. Pour le consultant, c’est la capacité d’auditer les processus d’une entreprise de télécommunication ou d’une banque et de proposer des réallocations de ressources générant des gains de productivité mesurables et immédiats, prouvant un retour sur investissement tangible.

Chapitre I. Fondations de la Modélisation et Formulation Mathématique

I.1 Formalisation du Problème d’Optimisation

Au cœur de toute décision rationnelle se trouve un arbitrage. La recherche opérationnelle systématise cet arbitrage en un langage mathématique rigoureux, composé d’une fonction-objectif à maximiser ou minimiser, et d’un ensemble de contraintes délimitant l’espace des solutions admissibles. Cette section dissèque la grammaire de la modélisation : identification des variables de décision, quantification des relations et traduction des limites opérationnelles (budget, temps, capacité) en inégalités. La maîtrise de cette syntaxe est le prérequis absolu à toute résolution algorithmique ultérieure.

I.2 Géométrie de l’Optimisation et Espaces de Solutions

Sous l’angle de l’analyse convexe, un programme linéaire se visualise comme la recherche du sommet optimal d’un polyèdre dans un espace à n dimensions. Cette interprétation géométrique est fondamentale car elle garantit l’existence de solutions et justifie la mécanique des algorithmes de parcours de sommets. Ce module explore la topologie des ensembles convexes, la nature des points extrêmes et la caractérisation graphique des solutions uniques, multiples ou inexistantes. L’étudiant apprendra à “voir” le problème, une intuition cruciale avant de le confier à la machine.

I.3 Analyse Critique des Hypothèses de Modélisation

La puissance de la modélisation repose sur des simplifications drastiques : la linéarité, la certitude des paramètres et la divisibilité des variables. Cette section attaque frontalement ces hypothèses en exposant leurs limites intrinsèques. La critique porte sur le risque d’une solution mathématiquement optimale mais opérationnellement absurde, car ignorant les frictions du réel, les chocs exogènes ou les comportements non-linéaires. L’objectif est de cultiver un scepticisme méthodologique, forçant l’analyste à toujours questionner la robustesse et la pertinence de son propre modèle.

I.4 Application à la Planification Agricole au Kivu

Face à la volatilité des prix et aux contraintes logistiques du Kivu, la planification des cultures est un problème d’optimisation de premier ordre. Ce cas pratique guide l’étudiant dans la formulation d’un modèle d’allocation des terres agricoles. L’objectif est de maximiser le revenu des coopératives en arbitrant entre différentes cultures (café, manioc, haricots) sous contraintes de main-d’œuvre, de disponibilité en intrants et de capacité de stockage. Le modèle intègre des données réelles pour produire un plan de culture directement exploitable.

Chapitre II. Programmation Linéaire et Algorithme du Simplexe

II.1 Théorie de la Dualité et Interprétation Économique

À chaque problème d’optimisation (le primal) correspond un problème miroir (le dual), dont les variables mesurent la valeur marginale des contraintes. Le théorème de la dualité, pierre angulaire de la programmation linéaire, établit une relation profonde entre les solutions de ces deux problèmes. Cette section expose la construction du dual et son interprétation économique implacable : les variables duales (prix fictifs ou “shadow prices”) quantifient le gain exact obtenu en relâchant une contrainte d’une unité. Une compétence décisive pour tout audit de rentabilité.

II.2 Mécanique de l’Algorithme du Simplexe

Conçu par George Dantzig en 1947, l’algorithme du simplexe est une procédure itérative qui explore intelligemment les sommets du polyèdre des solutions admissibles pour converger vers l’optimum. Ce sous-chapitre détaille la mécanique interne de l’algorithme : mise en forme canonique, construction du tableau initial, choix de la variable entrante et sortante (règle de Bland), et test d’optimalité. L’étudiant implémentera manuellement l’algorithme sur des exemples de petite taille pour en assimiler la logique profonde, au-delà de l’utilisation d’un solveur.

II.3 Pathologies du Simplexe et Complexité Algorithmique

Malgré son efficacité pratique redoutable, l’algorithme du simplexe présente des vulnérabilités théoriques. Ce segment analyse les cas de dégénérescence, où l’algorithme peut stagner, et le phénomène de cyclage, où il peut boucler indéfiniment sans converger (bien que rare en pratique). La discussion s’étend à sa complexité algorithmique qui, dans le pire des cas, est exponentielle, le distinguant des algorithmes polynomiaux comme ceux des points intérieurs. Comprendre ces limites est vital pour choisir le bon outil face à des problèmes de très grande taille.

II.4 Optimisation des Tournées de Collecte à Kinshasa

La gestion des déchets à Kinshasa est un défi logistique majeur. Ce module applique la programmation linéaire pour optimiser les itinéraires des camions de collecte. Le problème est modélisé pour minimiser la distance totale parcourue (et donc le carburant consommé) tout en assurant la couverture de tous les points de collecte définis, sous contraintes de capacité des véhicules et de temps de service. La solution fournit un plan de tournées quotidien, démontrant un impact direct sur l’efficacité opérationnelle et la salubrité publique.

Chapitre III. Programmation Non-Linéaire et Optimisation Quadratique

III.1 Fondements de l’Optimisation Non-Linéaire

Lorsque la réalité économique impose des rendements non constants ou des relations de coûts non proportionnelles, le cadre linéaire s’effondre. Ce segment introduit l’univers de la programmation non-linéaire (PNL), où la fonction-objectif ou les contraintes adoptent des formes courbes. L’analyse se concentre sur les conditions d’optimalité de Karush-Kuhn-Tucker (KKT), qui généralisent la notion de dérivée nulle aux problèmes sous contraintes. Elles constituent le socle théorique indispensable pour valider et interpréter les solutions des modèles non-linéaires.

III.2 Algorithmes de Résolution pour la Programmation Quadratique

La programmation quadratique (QP), cas particulier de la PNL où l’objectif est quadratique et les contraintes linéaires, possède une structure exploitable. Ce module présente les algorithmes dédiés, notamment les méthodes de l’ensemble actif et les méthodes de points intérieurs, qui sont particulièrement efficaces pour ce type de problème. L’accent est mis sur la compréhension de leur convergence et de leur domaine d’application privilégié, comme la finance de marché avec la théorie du portefeuille de Markowitz, archétype du problème QP.

III.3 Limites : Non-Convexité et Optima Locaux

Le piège mortel de l’optimisation non-linéaire est la distinction entre optimum local et optimum global. Contrairement à la programmation linéaire convexe qui garantit un unique bassin d’attraction, un problème non-convexe peut présenter de multiples “vallées”, où un algorithme peut rester piégé dans une solution localement bonne mais globalement médiocre. Cette section analyse les outils de diagnostic de la convexité et expose la difficulté computationnelle (NP-difficulté) de la recherche de l’optimum global, une frontière active de la recherche.

I.4 Application à l’Optimisation de Portefeuille sur les Bourses Africaines

Pour un analyste quantitatif opérant sur des marchés émergents comme la BRVM ou la JSE, la construction d’un portefeuille optimal est cruciale. Ce cas d’étude applique la programmation quadratique pour implémenter le modèle de Markowitz. L’objectif est de déterminer l’allocation d’actifs qui minimise la variance (le risque) du portefeuille pour un niveau de rendement espéré donné. L’étudiant utilisera des données de séries temporelles de cours pour calculer la matrice de variance-covariance et résoudre le problème d’optimisation résultant.

Chapitre IV. Programmation Dynamique et Décisions Séquentielles

IV.1 Principe d’Optimalité de Bellman

Formulé par Richard Bellman, le principe d’optimalité énonce une vérité contre-intuitive mais puissante : une politique optimale a la propriété que, quelle que soit la décision initiale, les décisions restantes doivent constituer une politique optimale par rapport à l’état résultant de la première décision. Ce concept permet de décomposer un problème temporel complexe en une séquence de sous-problèmes plus simples à résoudre. Ce module formalise l’équation de Bellman, l’outil central pour structurer et résoudre récursivement les problèmes de décision séquentielle.

IV.2 Méthodologies de Résolution : Rétro-Induction et Itération sur la Valeur

La programmation dynamique offre deux approches algorithmiques principales. La rétro-induction (ou “backward induction”) résout le problème en partant de la fin (l’horizon temporel final) et en remontant vers le présent, ce qui est idéal pour les problèmes à horizon fini. L’itération sur la valeur (“value iteration”) s’applique aux problèmes à horizon infini en calculant itérativement la fonction de valeur optimale jusqu’à convergence. Ce sous-chapitre implémente ces deux méthodes sur des exemples canoniques comme le problème du sac à dos.

IV.3 La “Malédiction de la Dimensionnalité”

La puissance de la programmation dynamique se heurte à un mur computationnel redoutable : la malédiction de la dimensionnalité (“curse of dimensionality”), également théorisée par Bellman. Lorsque le nombre de variables d’état ou de variables de décision augmente, la taille de l’espace d’états à explorer explose de manière exponentielle, rendant le calcul de la solution exacte infaisable. Cette section analyse l’origine de ce fléau et discute des approches pour le contourner, comme la programmation dynamique approchée (ADP).

IV.4 Gestion Optimale d’un Stock de Minerai en RDC

Une compagnie minière en RDC fait face à une décision stratégique : combien de tonnes de cobalt extraire et vendre chaque mois, face à un prix de marché fluctuant et un stock en terre limité ? Ce cas pratique modélise ce problème comme un processus de décision séquentiel à horizon fini. L’étudiant appliquera la programmation dynamique par rétro-induction pour déterminer la politique d’extraction optimale qui maximise le revenu total sur la durée de vie de la mine, intégrant les coûts d’extraction et les prévisions de prix.

ANNEXES

A. Guide Pratique du Solveur PuLP en Python

Cette annexe constitue un manuel de terrain pour l’analyste quantitatif. Elle détaille l’installation et l’utilisation de PuLP, une bibliothèque Python open-source permettant de formuler et de résoudre des programmes linéaires de manière intuitive et accessible, même avec des ressources informatiques limitées. Le guide montre, pas à pas, comment traduire un modèle mathématique formulé sur papier en un script Python fonctionnel, comment lancer le solveur (CBC par défaut) et comment interpréter les résultats pour générer des rapports décisionnels percutants pour un consultant.

B. Méthodologie d’Audit Opérationnel par la RO

Destinée au consultant en modélisation mathématique, cette annexe structure le déroulement d’une mission d’optimisation en entreprise, de la prise de contact à la livraison de la solution. Elle adapte le framework CRISP-DM au contexte de la recherche opérationnelle : compréhension du métier, identification des leviers d’optimisation, collecte et nettoyage des données, formulation du modèle, validation avec les experts métier, et déploiement. Ce protocole garantit une démarche rigoureuse et évite l’écueil du modèle techniquement parfait mais déconnecté des réalités opérationnelles du client.

C. Techniques d’Analyse de Sensibilité et Post-Optimalité

Une solution optimale n’est utile que si elle est robuste. Cette annexe technique fournit à l’ingénieur en optimisation les outils pour répondre à la question : “Que se passe-t-il si… ?”. Elle explique comment calculer les intervalles de variation des coefficients de la fonction-objectif et des seconds membres des contraintes pour lesquels la base optimale reste inchangée. La maîtrise de l’analyse de sensibilité permet de fournir des recommandations stratégiques éclairées, en quantifiant la flexibilité du système et en identifiant les paramètres les plus critiques à surveiller.

Lire aussi :

Cours de Technologie internet et web, master-1, TIW2121

Cours de Assimilation des données, master-2, ASD2231

Cours de Notions de Télédétection, SIG, Logiciels (ArcGIS, MaxExent, MatLab) et Cartographie Numérique, Cryptographie Codante, master-1, NTL2111

Cours de Techniques de base de données, licence-3, TBD1351

Cours de Introduction aux réseaux informatiques et de télécommunications, licence-1, IRI1121

Cours de Méthodes spéciales de Statistique, master-2, MSS2131