Recherche opérationnelle

Enseignants

Mareschal Bertrand (supplée Meskens Nadine); Meskens Nadine; Tancrez Jean-Sébastien;

Langue
d'enseignement

Français

Préalables

• Programmation linéaire
• Bases en probabilité

Le(s) prérequis de cette Unité d’enseignement (UE) sont précisés à la fin de cette fiche, en regard des programmes/formations qui proposent cette UE.

Thèmes abordés

• Optimisation multiobjectif
• Méthodes d’aide à la décision multicritère
• Modélisation stochastique et gestion de l’incertitude
• Théorie des files d’attente

Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :
1	Contribution de l’unité d’enseignement au référentiel AA du programme Eu égard au référentiel de compétences de la LSM, cette unité d’enseignement contribue au développement et à l’acquisition des compétences suivantes : Maîtriser des savoirs Appliquer une démarche scientifique Travailler en équipe et en exercer le leadership Communiquer Les Acquis d’Apprentissage au terme de l’unité d’enseignement Au terme de cet enseignement, l’étudiant sera capable de : Prendre des décisions sur bases quantitatives dans un monde digital Analyser un problème d’optimisation comportant de multiples critères Trouver l’équilibre entre plusieurs objectifs discordants Appliquer les techniques appropriées pour aider à la décision en présence de multiples critères Comprendre l’impact de l’incertit ude sur des problèmes opérationnels Modéliser des systèmes simples influencés par des aléas Découvrir la politique optimale à choisir dans un environnement incertain

Contenu

La recherche opérationnelle vise à développer des modèles mathématiques de problèmes complexes en gestion et en ingénierie, et à les analyser pour mieux comprendre ces problèmes et leurs solutions. Son utilité grandit avec la disponibilité des données et la complexité des challenges allant avec la digitalisation des entreprises et de leur gestion. Ce cours poursuit la formation des étudiants dans ce domaine en explorant deux sujets importants : l'optimisation multi-critère et la modélisation stochastique. L'optimisation multi-critère analyse la possibilité de combiner plusieurs objectifs dans un modèle d'optimisation et de trouver un équilibre entre eux (par exemple entre le coût et la qualité). La modélisation stochastique intègre la notion d'aléatoire et propose des méthodologies pour modéliser des systèmes comportant une incertitude non-négligeable.

Méthodes d'enseignement

Cours magistraux et exercices associés.

Modes d'évaluation
des acquis des étudiants

Examen écrit en session (70% de la note totale du cours) et travaux de groupe (30% de la note). Les travaux ne peuvent être présentés qu'une seule fois (pas de seocnde session). L'examen peut être repassé en seconde session.

Bibliographie

• HILLIER F.S. and LIEBERMAN G.J. (2010), Introduction to Operations Research, 9th edition, McGraw-Hill.
• WINSTON W.L. (2004), Operations Research : Applications and Algorithms, Duxbury Press.
• POMEROL J.C., BARBA-ROMERO S. (1993), Choix multicritère dans l'entreprise, Hermes.

Faculté ou entité
en charge

CLSM