Académique Documents
Professionnel Documents
Culture Documents
Stphane Canu
stephane.canu@litislab.eu
ASI 4 - Introduction loptimisation pour lingnieur
November 5, 2013
Plan
Formulation gnrale
Objectifs du cours
Intro
November 5, 2013
2 / 24
Naissance de Carthage
En mathmatique, un problme doptimisation (encore appel problme de programmation mathmatique) consiste trouver, parmi un ensemble donn, un lment (pour nous ici un vecteur de I Rp mais ce peut tre aussi un vecteur dentiers, une fonction...) minimisant ou maximisant une fonction donne de cet ensemble sur I R.
europeanfinancialreview.com/?p=4948
calcul de trajectoire
xij dij
i =1 j =1
xij = 1
i
xij = 1
j
xij dij
i =1 j =1
xij = 1
i
xij = 1
j
V I R(q) V I Rm
Composant lectronique V = la disposition des composants, C = la taille du composant, les couts, O = la consommation lectrique
optimiser un programme : V = le code..., C = toujours calculer le bon rsultat, O = rduire lutilisation de la mmoire, les temps de calculs, amliorer sa stabilit (robustesse) ...multi critre avec des critres contradictoires
minp 1 xI R 2
Ax b
Gnralisation : min
x
J (ri )
i =1
ri = ai x bi
J1 (r ) = |r |; J2 (r ) = |r |2 ; J3 (r ) = 2 log(1
r2 ) 2
Le cas de la nance...
V = la rpartition des sommes investir, C = le montant disponible, O = gagner plus ! Cest le problme du portefeuille de Markowitz
p xI R
minp
i =1
1 ri xi + x x; 2
x 0,
i =1
xi = 1
r rendement de la part investie (moyenne), un coecient daversion au risque la matrice de variance covariance des actifs des direntes lignes maximiser le rendement : Or (x) = minimiser le risque :
1 2 x p i =1 ri xi
Le cas de la nance...
V = la rpartition des sommes investir, C = le montant disponible, O = gagner plus ! Cest le problme du portefeuille de Markowitz
p xI R
minp
i =1
1 ri xi + x x; 2
x 0,
i =1
xi = 1
r rendement de la part investie (moyenne), un coecient daversion au risque la matrice de variance covariance des actifs des direntes lignes maximiser le rendement : Or (x) = minimiser le risque :
1 2 x p i =1 ri xi
x 0,
i =1
xi = 1
peut se rcrire x
p
avec
= xI R
x 0,
i =1
xi = 1
p1 + p2 + p3 = 1,
0 pi
Plan
Formulation gnrale
Objectifs du cours
Intro
November 5, 2013
13 / 24
Formulation abstraite
Les points qui vrient les contraintes appartiennent au domaine de faisabilit Soit I Rp min J (x)
x
J:I R
On appelle domaine de J lensemble dom(J ) = {x | J (x ) < +} Un fonction J est dite impropre si son domaine est vide. Le problme est donc li la gestion des fonctions de plusieurs variables
min f (x )
f(x)
x = arg min f (x ) f (x ) = 0
x I R
calcul de la solution :
solution exacte analytique de f (x ) = 0 solution approche : construction dune suite xk qui converge
x
le problme multidimensionel : lexemple des moindres carres Trouver le polynme qui approche au mieux la fonction ci-dessus
x I Rp
min f (x ) =
1 2
Ax b
x f (x ) = 0
J:I R
= {x I Rp | Hi (x) 0; i = 1, m}
Forme standard
xI Rp
min J (x)
J:I Rp I R
G (x) 0 et G (x) 0.
Formulation pratique
min J (x) J:I Rp I R
xI Rp
solution approche : xa V (x )
min J (x)
J:I Rp I R
avec H (x) 0 H : I Rp I Rm Denition Problme doptimisation convexe [Boyd and Vandenberghe, 2004] J fonction convexe = {x|H (x) 0} ensemble convexe Problme convexe peut tre rsolu ecacement superbe thorie (trs pratique)
x = x (toute solution locale est aussi globale)
xI Rp
xI Rp
min IE J (x, ) I P( )
Exceptions moindres carr (optimisation sans contrainte) programmation linaire problme convexes
solution unique (belles maths) dicile reconnaitre des astuces pour les transformer (rcrire) algorithmes ecaces
volutions algorithmiques
avant force brute = numration : O(p !) 1947 simplexe : numration cout dcroissant : O(p !) 1984 point intrieur : approximation : O(p 3 ) 2009 mthodes de gradient : approximation : O(p )
p xI R
min p
J (x) =
p i =1
ci xi j = 1, m
avec
i =1
aij xi = bj ; 0 xi ;
et
i = 1, m
trs petits problmes p < 10 petits problmes p < 100 problmes moyens p < 10 000 grands problmes
Big Data
Objectifs du cours
Modlisation reconnaitre et (re)formuler les problmes
classer les problmes doptimisation (LP, QP . . . ) [Nocedal and Wright, 2006]
Mise en uvre savoir aborder leur rsolution laide de matlab (pour les problmes de taille moyenne)
Bonnans, F. (2006). Optimisation continue. Dunod. Boyd, S. P. and Vandenberghe, L. (2004). Convex optimization. Cambridge university press. Minoux, M. (1983). Programmation mathmatique: thorie et algorithmes, volume 1. Dunod Paris. Nocedal, J. and Wright, S. J. (2006). Numerical Optimization. Springer, New York, 2nd edition.
Intro
November 5, 2013
24 / 24