Vous êtes sur la page 1sur 18

Optimisation numrique

Introduction et exemples

Daniele Di Pietro

A.A. 2012-2013

Outline

Dnitions et notations

Applications
Exemples en recherche oprationnelle
Exemples en algbre linaire
Exemples en commande optimale et en contrle optimal

Programme du cours

Dnition et notations I

V l'espace dans lequel est pos le problme


si V est de dimension nie, on supposera qu'il est un espace vectoriel
norm (EVN)
si V est de dimension innie, on supposera qu'il est un espace de
Hilbert rel (EHR) (voir rappels)

On notera

La solution appartient en gnral un sous-ensemble

KV

ensemble des lments admissibles

Dnition et notations II

Le critre ou fonction cot ou objectif est une fonction

J :KR
Le problme tudier sera donc not

inf J(v)

vK

dit

Dnition et notations III

Parfois on veut souligner que le minimum est atteint, savoir

u K,

J(u) = inf J(v)


vK

On note alors de prfrence

min J(v)

vK

Attention, il ne s'agit pas d'une rgle systmatique !

Dnition et notations IV

Dnition (Minimum local de


On dit que

sur

K)

est un minimum local de

> 0,

v K,

sur

ssi

uK

et

kv ukV < = J(v) J(u)

Dnition et notations V

Dnition (Inmum de

sur

K)

J sur K la borne suprieure dans R des


constantes qui minorent J sur K . Si J n'est pas minore sur K , alors
l'inmum vaut . Si K est vide, par convention l'inmum est +.
On appelle inmum de

Outline

Dnitions et notations

Applications
Exemples en recherche oprationnelle
Exemples en algbre linaire
Exemples en commande optimale et en contrle optimal

Programme du cours

Problme de transport I

On dispose de

entrepts indics par

1iM

Chaque entrept dispose d'un niveau de stocks


Il faut livrer

clients indics par

1jN

Chaque client a command la quantit

rj

avec

Le cot de transport unitaire entre l'entrept


Les variables de dcision sont les quantits
partant de l'entrept

si

vers le client

vij

j rj

et le client

i si

de marchandise

L'objectif est de minimiser le cot tout en satisfaisant les


commandes des clients

Problme de transport II

On introduit la matrice

vij

V := (vij ) RN,M

= quantit partant de l'entrept

avec

vers le client

Mathmatiquement cela revient rsoudre

inf

V RN,M

J(V ) :=

M X
N
X
i=1 j=1

est

cij vij

cij

Problme de transport III

On ne dplace pas les merchandises d'un entrept un autre et les


stockes sont limits,

vij 0,

N
X

vij si

j=1
Une deuxime contrainte vient de la satisfaction des clients,

M
X

vij = rj

1 j N

i=1

Problme de transport IV

Cet exemple est reprsentatif d'une classe importante de problmes


en RO, les programmes linaires
Une mthode de rsolution ecace pour ces problmes a t invent
par G. Dantzig en 1948
Une application clbre est la planication du point arien sur Berlin
Nous allons tudier cette mthode dans la dernire partie du cours !

Problme d'aectation I

N femmes
1jN
Soit

indices par

1iN

et

hommes indics par

On introduit les variables d'accord

(
1
aij =
0

si

et

veulent se marier,

sinon

Nous allons supposer par simplicit que seuls les mariages


htrosexuels sont autoriss
Le but du jeu consiste maximiser le nombre total de mariages

Problme d'aectation II

Soit

SN

l'ensemble des permutations de

{1, . . . , N }

Mathmatiquement cela revient chercher

max

SN

N
X

ai(i)

i=1

Une dirence majeure par rapport au cas prcdent est qu'ici on


aaire un problme variables entires
Une variante consiste autoriser des prfrences nuances,

aij (0, 1)

1 i, j N

Problme d'aectation III


On introduit la matrice des variables de dcision

(
1
vij =
0

s'il y a mariage entre

V = (vij )
et

avec

j,

sinon

Il s'agit dans ce cas de rsoudre

sup
V

J(V ) :=

N X
N
X
i=1 j=1

aij vij

soumis aux contraintes

vij {0, 1},

N
X

vik 1,

k=1

N
X

vkj 1 1 i, j N

k=1

Pour les clibataires : nous n'allons pas traiter ce problme en cours

Tourne du voyageur de commerce I

Il s'agit d'un autre exemple clbre en optimisation combinatoire


Un reprsentant doit visiter

villes successivement et revenir son

point de dpart
Soit

tij

le temps pour rejoindre la ville

ventuellement

de la ville

j,

avec

tij 6= tji

L'objectif consiste minimiser le temps de parcours en passant une


et une seul fois par chaque ville
On peut reformuler ce problme en termes de thorie des graphes

Tourne du voyageur de commerce II


3
4

2
1

9
6
7
Soit

l'ensemble des cycles du graphe qui passent une et une seule

fois par toutes les villes


Il s'agit de rsoudre

(
min J(C) :=
CC

)
X

tc1 ,c2

cC

Optimisation quadratique contraintes linaires

Soit

A Rn,n

Soit

B Rm,n , m n,

symtrique dnie positive et

b Rn

de rang plein

On souhaite rsoudre le problme


inf

xker B

1
J(x) := Axx bx
2

Ce problme est central en mcanique des uides numrique


lorsqu'on a aaire un uide incompressible
Cet exemple sera dvelopp en cours

Calcul de la premire valeur propre

Soit

A Rn,n

symtrique

On veut caractriser et calculer les solution de

inf

xRn , kxk2 =1

Axx

On verra en cours qu'il s'agit des vecteurs propres de

associs sa

plus petite valeur propre

Rgression au sens des moindres carrs I

Soit

{(xi , yi )}1iN

un nuage de

N 3

points de

R2

Le problme consiste dterminer la droite qui s'en approche le plus


au sens des moindres carrs
Mathmatiquement cela revient chercher

J(a, b) :=

N
X
i=1

a, b R
2

[yi (axi + b)]

qui minimisent

Rgression au sens des moindres carrs II


Plus gnralement, soit
Si

A RM,N , M < N

n'est pas de rang plein, il existe des vecteurs

y RN

t.q. le

systme linaire

Av = y,
n'admet pas de solution
On peut alors le rsoudre au sens des moindres carrs en cherchant
un vecteur

y RM

minimisant la quantit

J(v) := kAv yk22


La rgression au sens des moindres carr n'est que le cas particulier

A=

x1
.
.
.

xN

1
.
.
.
1

Minimisation d'une nergie mcanique I

f
a

On cherche la conguration d'quilibre d'une membrane soumise


un chargement correspondante l'nergie mcanique minimale
Soit

= (a, b)

la conguration de la membrane repos, et

plaons-nous sous l'hypothse de petites dformations


Soit

le chargement par unit de longueur

La membrane est suppose xe sur son contour

Minimisation d'une nergie mcanique II

Soit

l'espace des dformations correspondantes une quantit

d'nergie nie
Mathmatiquement il s'agit de rsoudre


inf

vV

1
J(v) :=
2

0 2

|v |

fv

Rd , d 2, en
Z
Z
1
2
J(v) :=
|v|
fv
2

Cet exemple se gnralise pour

posant

Minimisation d'une nergie mcanique III

Un exemple plus compliqu vient de la mcanique des uides


Soit

la rgion d'espace occup par un uide Newtonien

incompressible soumis la force volumique

L'coulement visqueux stationnaire satisfait minimise l'nergie

J(v) :=
2
o

|v|

f v,

est la viscosit dynamique du uide

incompressible, savoir,

v = 0

est un champs de vitesse

Minimisation d'une nergie mcanique IV

Figure: Exemple d'coulement visqueux stationnaire (cavit entrane)

Commande optimale I

On considre le problme de guider un robot an qu'il suive au plus


prs une trajectoire prdnie
L'tat du robot l'instant
valeurs dans

RN

est reprsent par une fonction

y(t)

(position, vitesse)

On agit sur le robot par l'intermdiaire d'une commande

v(t)

(puissance du moteur, direction des roues, etc.)


Les lois de la mcanique classique conduisent au systme d'ODEs

dy(t)
= Ay(t) + Bv(t) + f (t)
dt
y(0) = y0 ,
avec

A RN,N

et

B RN,M

pour

0tT

( )

Commande optimale II

Soit

z(t)

la trajectoire cible et

zT

la position nale cible

On introduit les matrices symtriques positives

R, Q

et

avec

dnie
On dnit le critre quadratique

Z
J(v) :=

Rv(t)v(t)dt

cot du contrle

Q(y z)(t)(y z)(t)dt

traj. cible

+ D(y(T ) zT )(y(T ) zT ),
o l'on remarquera que

y(t)

dpend de

v(t)

pos. nale cible


via le systme ()

Commande optimale III

Pour tenir compte des limitations physiques (puissance d'un moteur,


etc.) on introduit l'ensemble des commandes admissibles

K RM

Le problme consiste rsoudre

inf

J(v)

v(t)K, 0tT
Lorsque la fonction optimiser dpend de la solution d'une quation
direntielle ordinaire (EDO) on parle de commande optimale

Contrle d'une membrane I

On revient sur l'exemple d'une membrane lastique xe sur son

contour se dformant sous l'action du chargement


Soit

une force de contrle. Le problme est modlis par l'EDP

4u = f + v
u=0
o

dans
sur

reprsente le dplacement vertical

Le contrle, typiquement un actionneur pizo-lectrique, appartient

K := {v(x) | v(x)
avec

dans

et

v=0

dans

\ },

Contrle d'une membrane II


On cherche le contrle qui rend le dplacement

le plus proche

u0

possible d'un dplacement dsir

Mathmatiquement, cela revient rsoudre

inf J(v),

vK
avec

critre de distance donn, par exemple, par

1
J(v) :=
2
On remarquera que

|u u0 |2 + c|v|2

dpend de

via l'EDP crit prcdemment

Ce problme est dit de contrle optimal car, pour


minimiser dpend de la solution d'une EDP

d 2,

la fonction

Problme inverse I

L'coulement du ptrole dans le sous-sol est rgi par l'quation de


Darcy

(kp) = f
p=0
o

k>0

est la permabilit et

dans
sur

( )

la pression

En pratique, la permabilit est dtermine partir de mesures de la


pression
Supposons que l'on dispose d'une mesure
On souhaite trouver la valeur de
solution de () et

p0

du champs de pression

qui minimise l'cart entre la

p0

Problme inverse II

Soit

(k)

l'unique solution de () pour une valeur xe de

Il s'agit de rsoudre

n
o
2
inf+ J(v) := k(k) p0 kH 1 ()

kR

Ce problme est dit d'identication de paramtre ou inverse

Un exemple en simulation de rservoir

Figure: Optimisation de l'emplacement des puits dans un rservoir ptrolier

Outline

Dnitions et notations

Applications
Exemples en recherche oprationnelle
Exemples en algbre linaire
Exemples en commande optimale et en contrle optimal

Programme du cours

Programme du cours

Sance
1
2
3
4
5
6
7
8
9
10
11
12
13

Introduction et exemples
Rappels et complments
Conditions d'existence et unicit
Inquation d'Euler
Multiplicateurs de Lagrange
Point selle, condition KTT
Mthode du gradient
Variations sur la mthode du gradient
Gradient conjugu
Newton + Broyden
Uzawa + dualit
Programmation linaire + simplexe/1
Simplexe/2