Vous êtes sur la page 1sur 18

Chapitre 1

Minimisation dune fonction numrique : e existence et unicit e

Introduction

De faon gnrale, loptimisation cherche ` trouver, a caractriser et ` calculer c e e a ` e a lextremum (un minimum ou un maximum) dune fonction objectif par rapport aux lments dun ensemble de points admissibles aussi appel ensemble des contraintes. ee e Pour lexistence, on cherche des conditions minimales pour assurer lexistence dun point ralisant lextrmum dans lensemble des contraintes. Ceci fait appel ` e e a lAnalyse mathmatique (notions de continuit, compacit, convexit, . . . ). e e e e Lorsque la fonction objectif est direntiable, on peut obtenir une caracte e risation du ou des points minimisants dans les cas sans ou avec contraintes. En prsence de contraintes spcies par un nombre ni de fonctions direntiables, il e e e e est possible dintroduire des multiplicateurs de Lagrange pour ramener le probl`me e dextrmisation avec contraintes ` un probl`me sans containtes. e a e Lorsque la fonction objectif et les fonctions de contraintes ne sont pas diffrentiables, il est encore posssible dobtenir des caractrisation du ou des points e e ralisant lextremum en faisant appel a la notion plus faible de semi-drive. En e ` e e particulier on peut compl`tement caractriser le cas dune fonction objectif continue e e convexe par rapport a un ensemble de contraintes convexe ` partir de la notion la ` a plus faible de semi-drive directionnelle. e e Lorsque lon ne peut pas rsoudre explicitement la ou les quations caractrisant e e e un point ralisant lextremum, on fait appel a des mthodes numriques. Cest un e ` e e domaine dactivit tr`s vaste et extr`mement actif fortement stimul par lacc`s ` e e e e e a des ordinateurs de plus en plus puissants. Ici aussi on retrouve des mthodes pour e les cas avec ou sans drives. Lorsque lon est pr`s dun point ralisant lextrmum, e e e e e les mthodes de type Newton faisant appel aux drives sont extr`mement ecaces. e e e e Ce chapitre traite de questions dexistence et dunicit. On peut se limiter ` e a des probl`mes de minimisation. Le cas de la maximisation se ram`ne ` celui de la e e a minimisation en mettant un signe moins devant la fonction objectif. On revoit le Thor`me de Weierstrass dont on aaiblit les hypoth`ses. On tudie la structure e e e e 1

Chapitre 1. Minimisation dune fonction numrique : existence et unicit e e

de lensemble des points minimisants. On discute de lunicit dans le contexte de e fonctions objectif convexes.

1.1

Quelques dnitions et notations e


Soit soit

lensemble des nombres rels et e


n

{+, }. Pour un entier n 1,

...
n fois

lespace Euclidien de dimension n avec les notations suivantes


1/2

un lment ee la norme

x = (x1 , . . . , xn )
n

n n

|x| =

x2 i
i=1

et le produit scalaire

xy =

x i yi .
i=1

Boule centre en x de rayon r e ouverte ferme e Boule unit centre en 0 e e ouverte ferme e Voisinage de x V voisinage de x si r > 0 tel que Br (x) V. Ensemble ouvert

Br (x) = {y B = {y

Br (x) = {y

n n

|x y| < r}

|x y| r}. |y| < 1}

n n

B = {y

|y| 1}.

A est une partie ouverte de

si x A,
n

V voisinage de x
n

tel que V A. .

Point dadhrence dune partie A de e

x est un point dadhrence dune partie A de e Ensemble ferm e F est ferm si e

si V voisinage de x, V A =

contient tous ses points dadhrence. e

L adhrence (ou fermeture) dune partie A de n cest lensemble de tous les points e dadhrence de A dans n . On utilisera la notation e A = adhrence (ou fermeture) de e

A.

Une application f : n > 0, (x) > 0 tel que y,

(n 1 et m 1, entiers) est continue en x si

|y x|

< (x),

|f (y) f (x)|

< .

2. Rappel du thor`me de Weierstrass e e

Rappel du thor`me de Weierstrass e e


e Soit E = n . Etant donne une partie non vide U de E, on appelera fonction numrique une application f : U . e Dnition 2.1. e Soit U une partie non vide de E et f une fonction numrique dnie dans U . e e (i) Linmum de f dans U est dni comme e
xU

inf f (x)

et le supremum de f dans U comme sup f (x).


xU

Linmum et le supremum sont appels des extrema de f dans U . e (ii) Lorsquil existe a U tel que f (a) = inf f (x),
xU

on dira que f atteint son minimum en un point de U et lon crira e min f (x);
xU

lorsquil existe b U tel que f (b) = sup f (x),


xU

on dira que f atteint son maximum en un point de U et lon crira e max f (x)
xU

Le point de dpart de ltude de lexistence de points minimisants ou maximisants e e de f dans U est le Thor`me de Weierstrass. e e Thor`me 2.1 (Weierstrass). 1 Soit f une fonction numrique continue dnie e e e e sur une partie compacte de U de E. Alors (i) a U tel que f (a) = sup f (x)
xU

(ii) b U tel que f (b) = inf f (x).


xU
1 Karl Weierstrass, mathmaticien allemand (Ostenfelde, Westphalie, 1815 - Berlin 1897). Il fut e le chef de le dune brillante cole danalystes, qui entreprirent la rvision systmatique des divers e e e secteurs de lanalyse mathmatique, notamment ltude des fonctions dune variable complexe. e e Son nom est attach ` la thorie des fonctions elliptiques quil renouvela. ea e

Chapitre 1. Minimisation dune fonction numrique : existence et unicit e e

Cet important thor`me est ` la base de la thorie de loptimisation. Il donne e e a e simultanment lexistence de points minimisants et maximisants. En fait, on na e pas besoin dtudier les deux questions simultanment. En eet, tout supremum e e peut se ramener ` un inmum a
xU

sup f (x) = inf f (x)


xU

et vice versa. Il sut donc, par exemple, de chercher des conditions dexistence dun point minimisant de f dans U . Ce faisant on pourra aaiblir les conditions du Thor`me de Weierstrass souvent trop restrictives pour le probl`me de minimisation. e e e En eet les fonctions numriques dans U = [0, 1] reprsentes ` la Figure 1.1 ne e e e a sont pas continues, mais atteignent leur minimum en un point de [0, 1].

Figure 1.1. Fonctions discontinues ayant un point minimisant dans [0, 1].

Semi-continuit e

Pour aaiblir les hypoth`ses on aaiblit la notion de continuit en introduisant les e e notions de semi-continuit infrieure et suprieure. e e e est dite semi-continue Dnition 3.1. (i) La fonction numrique f : E e e infrieurement (resp. semi-continue suprieurement) en a E si e e h < f (a) (resp. k > f (a)),

(3.1)

il existe un voisinage V de a tel que x V, h < f (x) (resp. k > f (x)). (3.2)

(ii) f est dite semi-continue infrieurement (resp. suprieurement) si elle est e e semi-continue infrieurement (resp. suprieurement) en tout point de E. e e Remarque 3.1. 1. On utilisera les abbrviations sci et scs e

3. Semi-continuit e 2. f sci = f scs 3. f sci dans E = f sci dans tout sous espace de E.

4. On peut tendre la notion de fonction sci aux fonctions ` valeurs dans {+} e a et celle de fonction scs aux fonctions ` valeurs dans {}. En particulier a la fonction identiquement gale ` + est sci et celle identiquement gale ` e a e a est scs.

On rapelle quune fonction f : E

est continue en un point a E si |f (x) f (a)| < .

> 0, > 0 tel que x B (a),

Ici le voisinage V (a) = B (a) est la boule ouverte de rayon en a. La condition sur f contient deux conditions x B (a), x B (a), < f (x) f (a) f (x) f (a) < f (x) < f (a) + . f (a) < f (x)

Dans le premier cas on reconnait la sci en a en posant h = f (a) ; dans le second cas on reconnait la scs en a en posant k = f (a) + . On donne maintenant un certain nombre de caractrisations de la semi-continuit e e en prparation du Thor`me 4.1. e e e Lemme 3.1. Une condition ncessaire et susante pour que f soit sci en a est e que pour tout h < f (a), Gh = {x : f (x) > h} soit un voisinage de a. Dmonstration. Par dnition. e e Lemme 3.2. Les conditions suivantes sont quivalentes : e (i) f sci dans E.

(ii) k

, Gk = {x : f (x) > k} est ouvert dans E. , Fk = {x : f (x) k} est ferm dans E. e

(iii) k

Dmonstration. (i) = (ii). e Si Gk = , pour tout a Gk on a f (a) > k et par dnition il existe un voisinage V de a tel que e x V, f (x) > k. Donc V Gk et Gk est ouvert. (ii) = (i). On note que E =

Comme Gk est ouvert et non vide alors il existe un voisinage V de a tel que V Gk et pour tout x V , on a f (x) > k. Par dnition f est sci en a. e (ii) (iii) est vident. e

Gk . Pour tout a E, k tel que a Gk .

(3.3)

Chapitre 1. Minimisation dune fonction numrique : existence et unicit e e

f (x)

f (a) h x a

Gh Figure 1.2. Exemple de fonction semi-continue infrieurement. e Il est facile de vrier les proprits suivantes des fonctions sci (voir lse exere ee cices 6.1 ` 6.4 : a

(i) Pour tous f : E

et g : E
df e

sci en a E on a (f + g) sci en a o` u x E;

(f + g)(x) = f (x) + g(x),

(ii) pour tout 0 et f : E

sci en a E, on a f sci en a o` u
df e

(f )(x) = f (x),

x E.

(iii) Pour toute famille {fi }iI (I possiblement inni) de fonctions numriques e fi : E sci en a E lenveloppe suprieure e

f (x) = sup fi (x),


iI

df e

dom f = {x E : f (x) < +}

df e

est sci en a E. Ici il faut tendre la classe des fonctions numriques aux e e fonctions qui peuvent aussi prendre la valeur +. Dans ce cas la dnition e de fonction sci et les lemmes prcdents demeurent vrais. e e (iv) Pour tous f : E et g : E sci en a E la fonction inf (f, g)
df e

[inf (f, g)](x) = inf {f (x), g(x)} est sci en a E.

4. Existence dun point minimisant

La semi-continuit infrieure (resp. suprieure) peut aussi tre caractrise e e e e e e par la limite infrieure (resp. suprieure). On se souviendra que pour une fonction e e numrique f : E e lim inf f (x) = sup
xa >0 df e

x=a |xa|<

inf

f (x), resp. lim sup f (x) = inf


xa

df e

>0

sup
x=a |xa|<

f (x) .

lim inf f (x) f (a)


xa

resp. lim sup f (x) f (a) .


xa

Dmonstration. Si f est sci en a, alors pour tout > 0 il existe un voisinage V de e a tel que pour tout x V , f (x) > f (a) (ici h = f (a) < f (a)). Comme V est un voisinage de a il existe > 0 tel que B (a) = {x E : |x a| < } V

tel que x B (a),

f (x) > f (a) .

On peut alors prendre linmum par rapport a x B (a) `


xB (a) x=a

inf

f (x) f (a)

et ensuite le supremum par rapport a > 0. Donc pour tout > 0 ` lim inf f (x) f (a) = lim inf f (x) f (a).
xa xa

Rciproquement pour tout h < f (a) on dnit = e e existe > 0 tel que inf
xa

xB (a) x=a

f (x) lim inf f (x) f (a) = x B (a), f (x) > h.

Comme B (a) est un voisinage de a, f est sci en a. Remarque 3.2. On pourra vrier le rsultat suivant (cf. Exercice 6.2) e e f continue en a f sci et scs en a.

Existence dun point minimisant

On peut maintenant aaiblir les hypoth`ses du Thor`me 2.1 de Weierstrass. e e e

Thor`me 3.1. La fonction numrique f : E e e e et seulement si

est sci en a (resp. scs en a) si

f (a)h 2

> 0. Pour ce > 0, il

h + f (a) >h 2

Chapitre 1. Minimisation dune fonction numrique : existence et unicit e e

Thor`me 4.1. Soit f une fonction numrique sci (resp. scs) dans une partie e e e compacte U de E. Alors il existe au moins un point a U tel que f (a) = inf f (x)
xU

(resp. sup f (x)).


xU

(4.1)

f (x) k} est ferm par sci de f et non vide par le Lemme 3.2. Puisque U est e compact les parties fermes Fk de U sont aussi compactes. On sait que (cf W. e Rudin [1, p. 33]) pour une famille {F : A} de parties compactes dun espace mtrique ayant la proprit que pour toute sous-famille nie {Fi i = 1, . . . m } e ee
m i=1

Dmonstration. Soit m = inf f (x). Alors k > m, lensemble Fk = {x U : e


xU

F i = on a On sait que
A

F =

m < k1 k2 = Fk1 Fk2 et donc toute famille nie densemble Fk a une intersection non-vide. On en conclut que ncessairement e Fk =
k>m

sinon on aboutirait a une contradiction. On choisit un lment ` ee a On a donc pour ce a U Fk U.

k>m

k > m, f (a) k = f (a) m = inf f (x) f (a)


xU

Par ce thor`me on peut maintenant dire que les fonctions de la Figure 1.1 e e poss`dent au moins un point minimisant dans le compact U = [0, 1] de . Cepene dant ce thor`me dans sa forme prsente est encore quelque peu restrictif car il ne e e e nous permet pas de traiter le cas simple suivant

Remarque 4.1. En analysant la dmonstration du thor`me prcdent, on saperoit que nous e e e e e c navons pas vraiment besoin de la compacit de U . En eet les ensembles Fk e forment une suite croissante Fk1 Fk2 U, k2 k1 > m

La dicult provient du fait que lensemble e

nest pas compact.

f (x) = |x|2 , x

infn f (x).

4. Existence dun point minimisant

et pour appliquer le thor`me sur les intersections nies de parties compactes, il e e e sut quil existe un k tel que la section infrieure soit non-vide et compacte au lieu de faire cette hypoth`se sur tout lensemble U . e Remarque 4.2. En fait comme nous aurons par hypoth`se de sci dans U que Fk est ferm dans n , e e il sut dutiliser lhypoth`se plus simple quil existe un ensemble Fk non-vide et e born e i.e. k , Fk = et born. e En dimension nie un ensemble est compact si et seulement si il est born et ferm. e e

Fk = {x U : f (x) k}

(4.2)

Dnition 4.1. e Soit U une partie de E et f : U une fonction numrique. On dit que f est ` e a section infrieure borne dans U (resp. section suprieure borne dans U ) sil existe e e e e k tel que Fk = {x U : f (x) k} soit non-vide et borne. e Thor`me 4.2. Soit U une partie non-vide et ferme de E. Soit f : U une e e e fonction numrique sci a section infrieure borne dans U (resp. section suprieure e ` e e e borne dans U ). Alors il existe au moins un point a dans U tel que e f (a) = inf f (x)
xU

(resp. {x U : f (x) k})

(4.3)

(resp. sup f (x)).


xU

(4.4)

Certaines proprits de croissance entra ee nent la proprit de section infrieure ee e borne. e Dnition 4.2. e Soit U une partie non-vide de E et f : U une fonction numrique. On dira e que f est coercive dans U si f (x) = + lim |x| |x|
xU

et que f est semi-coercive dans U si


|x| xU

lim

f (x) > 0. |x|

Toute fonction coercive est naturellement semi-coercive. Thor`me 4.3. Toute fonction semi-coercive f dnie sur un sous-ensemble U de e e e E est ` section infrieure borne dans U . a e e

10

Chapitre 1. Minimisation dune fonction numrique : existence et unicit e e

Dmonstration. Nous allons dmontrer que pour une fonction semi-coercive f , il e e existe un k tel que la section soit borne et non-vide. Par hypoth`se, il existe a > 0 tel que e e f (x) 2a. |x| |x| lim
xU

Fk = {x U : f (x) k}

Cela veut dire que, pour tout > 0, il existe R() tel que, pour tout x U avec |x| R() on ait f (x) 2a . |x| En prenant = a, on en dduit que e f (x) |x| a d`s que |x| R(a). On obtient donc lingalit e e e |x| max Par dnition U = e

1 R(a), f (x) . a

Par suite, si x Fk , f (x) k et |x| max R(a), k a .

Donc Fk est born et a fortiori relativement compact et non vide. e Considrons quelques exemples importants de fonctions ` section infrieure e a e compacte. Exemple 4.1. La fonction f (x) = x2 est coercive dans

f (x) x2 = = |x| + lorsque |x| +. |x| |x| Exemple 4.2. La fonction f (x) = x b nest pas semi-coercive dans f (x) x b = . |x| |x| |x|

Le second terme tend vers 0 lorsque |x| tend vers +. Cependant pour le premier terme la limite nexiste pas : en fait 1 = lim inf f (x) < lim sup f (x) = +1.
|x| |x|

Fk et comme U =

, k

tel que Fk =

. En eet

4. Existence dun point minimisant Exemple 4.3. La fonction f (x) = |x| est semi-coercive mais pas coercive dans f (x) = 1 > 0. |x| Exemple 4.4. La fonction f (x) = sin x + (1 + x)2 est coercive dans sin x (1 + x)2 f (x) = + |x| |x| |x| Exemple 4.5. Soit la fonction f (x1 , x2 ) = (x1 + x2 )2 .

11

f (x) (1 + x)2 = lim = +. |x| |x| |x| |x| lim

Alors f nest pas semi-coercive dans

puisque f (xn ) 0 lorsque n + |xn | f (xn ) + lorsque n +. |xn | }

xn = (n, n), n 1 = et xn = (n, n), n 1 = Cependant f est coercive dans

U = {(x1 , 0) : x1 car

et lorsque |x1 | tend vers +

f (x) x2 = 1 = |x1 | |x| |x1 | lim f (x) = +. |x|

xU |x|+

Thor`me 4.4. Les fonctions x f (x) = |x u|p sont coercives si p > 1 et e e semi-coercive quand p = 1 (u E est x). e Dmonstration. En eet, on peut crire e e f (x) u x = |x|p1 |x| |x| |x| x u |x| |x|
p

Lorsque |x| le terme

converge vers 1 et donc sa puissance p converge aussi vers 1. Pour p = 1, |x|p1 = 1 et pour p > 1, |x|p1 tend vers lorsque |x| . En faisant le produit des deux limites on obtient le rsultat. e

12

Chapitre 1. Minimisation dune fonction numrique : existence et unicit e e

Pour lexemple suivant, on rappelle une dnition et un lemme. On utilisera la e notation A pour la matrice transpose dune matrice2 A. On dira quune matrice e n n est symtrique si A = A. e Dnition 4.3. e Une matrice symtrique A est dnie positive (resp. semi-dnie positive) si e e e

, x = 0,

(Ax) x > 0

(resp. x

(Ax) x 0).

On crira A > 0 (resp. A 0). e Lemme 4.1. Une matrice symtrique A est dnie positive si et seulement si e e

> 0, x

, (Ax) x |x|2 .
n

En particulier linverse A1 existe lorsque A > 0. Dmonstration. Sil existe > 0 tel que pour tout x e (Ax) x |x|2 , alors et A > 0. Dans lautre sens si A > 0, alors x, Sil existe pas > 0 tel que

, x = 0,

(Ax) x |x|2 > 0

(Ax) x 0.

x alors
|y|=1

(Ax) x |x|2 , (Ax) x = 0 |x|2

inf (Ay) y = inf

x=0

et on peut construire une suite {xn } telle que |xn | = 1 et


n

lim (Axn ) xn = 0.
n

Comme le cercle C = {x n : |x| = 1} est compact dans suite {xnk } de {xn } qui converge vers un point x de C :

, il existe une sous

x , |x | = 1 tel que 0 = lim (Axnk ) xnk = (Ax ) x .


k

Donc
2 On

A:

utilisera la mme notation A pour une matrice mn que pour lapplication linaire associe e e e m.

x = 0 tel que

Ax x = 0 = A

0.

5. Ensemble des points minimisants

13

Ceci contredit lhypoth`se que A > 0. Do` le rsultat. Pour montrer que A est e u e inversible, il sut de vrier que sous lhypoth`se A > 0, lapplication linaire e e e A : n n est injective. Ceci revient ` montrer que Ax = 0 entra x = 0. a ne En utilisant le rsultat que nous venons de dmontrer, on vrie facilement les e e e implications suivantes

Ax = 0

0 = Ax x |x|2

x = 0.

Exemple 4.6. Soit A une matrice n n telle que (A + A ) > 0. On associe ` A et ` un vecteur a a arbitraire b de n la fonction numrique suivante e

Il vient f (x) = 1 1 (Ax) x + b x = f (x) |x|2 |b| |x| 2 2 1 f (x) |x| |b| + si |x| + = |x| 2
n

et la fonction f est donc coercive dans

Ensemble des points minimisants


= U E. On pose

Revenons au probl`me de minimisation de f par rapport a e ` m = inf f (x).


xU df e

Cette quantit est ou nie. Pour chaque k > m, on construit comme dans la e dmonstration du Thor`me 4.1 les sections infrieures e e e e Fk = {x U : f (x) k}. Alors lensemble des points minimisants est donn par e M (f, U ) =
df e k>m

Ax x =

Alors la fonction f est coercive dans (A + A )/2, il existe > 0 tel que

. Par le Lemme 4.1 appliqu ` la matrice ea

1 (A + A )x x |x|2 . 2

Fk .

f (x) =

1 (Ax) x + b x, x 2

14

Chapitre 1. Minimisation dune fonction numrique : existence et unicit e e

5.1

Proprits : fermeture, compacit et convexit e e e e

En utilisant le fait que pour U ferm les sections infrieures dune fonction sci sont e e fermes, on peut noncer le rsultat suivant. e e e Thor`me 5.1. Soit U une partie non-vide ferme de E et f une fonction numrique e e e e sci sur U . Alors lensemble des points minimisants M (f, U ) est ferm (possiblement e vide). Si, en plus, f est ` section infrieure borne dans U alors M (f, U ) est coma e e pact et non-vide. Les direntes notions de convexit permettent de discuter de la convexit de e e e M (f, U ) et daborder la question de lunicit de la solution dun probl`me de mine e imisation. Pour un probl`me de maximisation la notion duale est celle de concavit. e e On rapelle les dnitions suivantes. e

f (x)

f (x)

x fonction convexe fonction concave Figure 1.3. Fonction convexe et fonction concave. Dnition 5.1. (i) Une partie U de E est dite convexe si e [0, 1], x, y U, x + (1 )y U.

(ii) Soit f une fonction numrique dnie dans une partie convexe U de E. La e e fonction f est dite convexe si [0, 1], x, y U, f (x + (1 )y) f (x) + (1 )f (y). la fonction f est dite concave si f est convexe. Lorsque U est convexe et f est convexe sur U , il est facile de constater que tous les ensembles Fk sont convexes. De plus si lon peut montrer que lintersection dune famille arbitraire densembles convexes est convexe, on pourra en dduire que e M (f, U ) est convexe. Lemme 5.1. Soit {Ui }iI une famille de parties convexes de E. Alors U= est convexe ou vide.
iI

Ui

5. Ensemble des points minimisants

15

Dmonstration. Si U est vide on peut toujours considrer lensemble vide comme e e convexe. Si U nest pas vide, on prend x et y U = Ui =
iI

i I,

x Ui , y Ui .

Pour tout [0, 1] et par convexit de Ui e i I, x + (1 )y Ui = x + (1 )y Ui = U.


iI

Thor`me 5.2. Lorsque U est une partie convexe de E et que f est une fonction e e convexe dans U , lensemble M (f, U ) est convexe. Si lon examine de plus pr`s ce que lon a fait plus haut on saperoit que la e c notion de convexit utilise est peut tre trop forte. En eet tout ce dont on a e e e besoin cest que pour tout k lensemble soit convexe. Or il sut que x, y U tel que f (x) k et f (y) k on ait [0, 1], f (x + (1 )y) k. Ceci nous am`ne ` la notion moins restrictive de quasi-convexit. e a e Dnition 5.2. e La fonction numrique f dnie dans un convexe U de E est quasi-convexe si e e [0, 1], x, y U, f (x + (1 )y) max {f (x), f (y)}. On peut vrier que les fonctions sci de la forme prsente en Figure 1.4 sont bien e e e quasi-convexes mais pas convexes. Le Thor`me 5.2 admet donc la gnralisation suivante. e e e e Thor`me 5.3. Lorsque U est une partie convexe de E et que f est une fonction e e quasi-convexe dans U , lensemble des points minimisants M (f, U ) est convexe. Remarque 5.1. Une fonction convexe dans un convexe est quasi-convexe, mais la rciproque nest e pas vraie comme le montre lexemple suivant illustr en Figure 1.5 e f (x) = |x| + 1, 0, si x = 0 si x = 0

{x U : f (x) k}

16

Chapitre 1. Minimisation dune fonction numrique : existence et unicit e e

f (x)

|
0 1

Figure 1.4. Exemple de fonction quasi-covexe, mais pas convexe.

f (x)

1 x 0 Figure 1.5. Exemple de la Remarque 5.1.

5.2

Stricte convexit et unicit e e

Dnition 5.3. e Soit f une fonction numrique dnie dans une partie convexe U de E e e (i) La fonction f est dite strictement convexe si ] 0, 1 [ , x, y U, x = y, f (x + (1 )y) < f (x) + (1 )f (y).

5. Ensemble des points minimisants (ii) La fonction f est dite fortement convexe si elle est convexe et > 0 tel que x, y U, f x+y 2 1 1 1 f (x) + f (y) |x y|2 . 2 2 4

17

On peut montrer les implications suivantes f convexe = f strictement convexe = f fortement convexe.

Exemple 5.1. La fonction f (x) = x est convexe, mais pas strictement convexe dans

Exemple 5.2. La fonction f (x) = ex est strictement convexe, mais pas fortement convexe dans + . On forme lexpression 1 f (x) + 1 f (y) f ( x+y ) 2 2 F (x, y) = 2 . 1 |x y|2 4

Par dnition, la fonction f sera fortement convexe sil existe > 0 tel que e

x, y

F (x, y) . on choisit

Pour montrer que f (x) = ex nest pas fortement convexe dans (x, y) = (a, a + 1), Il vient F (a, a + 1) =
1 a 2 [e

a > 0.

+ e(a+1) ] e(
1 4
1

2a+1 2 )

= 2{ea + e(a+1) 2e(a+ 2 ) }


1

= 2ea {1 + e1 2e 2 } = 2ea (1 e 2 )2 . Ceci mne ` la proprit suivante : pour tout > 0 e a ee a > 0, tel que F (a, a + 1) = 2ea (1 e 2 )2 < . Ceci montre que lon ne peut trouver de > 0 pour lequel on ait la convexit forte e dans tout + . On peut maintenant donner le rsultat suivant. e Thor`me 5.4. Si f poss`de un point minimisant dans une partie convexe U de e e e E et si f est strictement convexe dans U , alors ce point minimisant est unique. Dmonstration. Soient a1 et a2 dans U deux points minimisants distincts de f dans e U . Alors par convexit de U e a= 1 (a1 + a2 ) U 2 f (a) < 1 1 f (a1 ) + f (a2 ) = inf f (x). xU 2 2

Ceci est en contradiction avec la dnition du inf. e

18

Chapitre 1. Minimisation dune fonction numrique : existence et unicit e e

Exercices sur le Chapitre 1


Exercice 6.1. Soient deux fonctions numriques f : n e et g : n qui sont sci en un n point a . Montrer que les fonctions suivantes sont sci en a : (i)

(f + g)(x) = f (x) + g(x)

df e

et

(ii)

0,

(f )(x) = f (x).

df e

f est continue en a f est sci et scs en a.

[inf (f, g)] (x) = inf {f (x), g(x)} en sci en a. Exercice 6.4. Soit une famille {fi }iI de fonction numriques fi : e dindices possiblement inni. On dnit e

df e

iI

Pour a dom f et les fi sci en a pour tout i I, montrer que f est sci en a.

f (x) = sup fi (x), x

df e

dom f = {x

: f (x) < }.

Exercice 6.3. Soient deux fonctions numriques f : e la fonction inf (f, g) dnie par e

Exercice 6.2. Soit une fonction numrique f : e

. Montrer que

et g :

sci en a. Montrer que

o` I est un ensemble u

Vous aimerez peut-être aussi