Vous êtes sur la page 1sur 15

Non connecté Discussion Contributions Créer un compte Se connecter

Article Discussion Lire Modifier le code Afficher l’historique Rechercher dans Wikipédia

Multiplicateur de Lagrange
Pour les articles homonymes, voir Théorème de Lagrange.

Accueil En mathématiques, et plus particulièrement en analyse, la méthode des multiplicateurs de Lagrange permet de
Portails thématiques trouver les points stationnaires (maximum, minimum…) d'une fonction dérivable d'une ou plusieurs variables, sous
Article au hasard contraintes 1.
Contact
Sommaire
Contribuer
1 Dimension finie
Débuter sur Wikipédia 1.1 Exemple introductif
Aide
1.2 Deuxième exemple : l'isopérimétrie du triangle
Communauté
1.3 Notations et interprétation géométrique
Modifications récentes
Faire un don 1.4 Une approche intuitive du théorème
1.5 Théorèmes
Outils 1.6 Écriture du problème
Pages liées 1.7 Application : inégalité arithmético-géométrique
Suivi des pages liées 2 Espace fonctionnel
Importer un fichier 2.1 Exemple introductif : la chaînette
Pages spéciales 2.2 Everett : cas des fonctions non continues, non dérivables
Lien permanent 2.3 Espace de Sobolev
Informations sur la
page 2.4 Équation d'Euler-Lagrange
Élément Wikidata 2.5 Théorèmes
Citer cette page 2.6 Application : Théorème isopérimétrique
3 Notes et références
Imprimer / exporter 4 Voir aussi
Créer un livre 4.1 Articles connexes
Télécharger comme 4.2 Liens externes
PDF
Version imprimable 4.3 Bibliographie

Dans d’autres projets


Wikimédia Dimension finie [modifier le code]
Commons
On cherche à trouver l'extremum, un minimum ou un maximum, d'une fonction φ
Dans d’autres langues de n variables à valeurs dans les nombres réels, ou encore d'un espace
Català euclidien de dimension n, parmi les points respectant une contrainte, de type
Deutsch ψ(x) = 0 où ψ est une fonction du même ensemble de départ que φ. La fonction
English ψ est à valeurs dans un espace euclidien de dimension m. Elle peut encore
Español être vue comme m fonctions à valeurs réelles, décrivant m contraintes.
Euskara
‫ﻓﺎرﺳﯽ‬ Si l'espace euclidien est de dimension 2 et si la fonction ψ est à valeurs dans ,
Suomi correspondant à une contrainte mono-dimensionnelle, la situation s'illustre par La méthode des multiplicateurs de
Lagrange permet de trouver un
‫עברית‬ une figure analogue à celle de droite. La question revient à rechercher le point optimum, sur la figure le point le plus
िह दी situé le plus haut, c'est-à-dire le maximum de φ, dans l'ensemble des points élevé possible, tout en satisfaisant une
Bahasa Indonesia contrainte, sur la figure un point de la
rouges, c'est-à-dire ceux qui vérifient la contrainte. Le point recherché est celui
Íslenska ligne rouge.
Italiano où la courbe rouge ne monte ni ne descend. En termes techniques, cela
日本語 correspond à un point où la différentielle de ψ possède un noyau orthogonal
한국어 au gradient de φ en ce point. La méthode du multiplicateur de Lagrange offre une condition nécessaire. Les fonctions
Nederlands φ et ψ sont différentiables et leurs différentielles continues ; on parle de fonction de classe C1. On considère λ un
Norsk vecteur pris dans l'ensemble d'arrivée de ψ et la fonction L définie par :
Polski
Português
Română L'opérateur représenté par un point est ici le produit scalaire. Si x0 est une solution recherchée, on montre qu'il existe
Русский
un vecteur λ0 tel que la fonction L admet une différentielle nulle au point (x0, λ0). Les coordonnées du vecteur λ0 sont
Svenska
Tagalog appelées multiplicateurs de Lagrange. Cette technique permet de passer d'une question d'optimisation sous contrainte
Türkçe à une optimisation sans contrainte, celle de la fonction L, dans un espace de dimension n + m.
Українська
‫اردو‬ Exemple introductif [modifier le code]

converted by W eb2PDFConvert.com
Tiếng Việt Soit v0 un nombre strictement positif. L'objectif est de trouver la portion de
中文 cylindre de rayon r et de hauteur h de surface minimale (couvercles compris) et
Modifier les liens
de volume v0. Pour cela on définit deux fonctions, v et s qui à (r, h) associent
respectivement le volume et la surface de la portion de cylindre. On dispose
des égalités

La figure de droite représente la fonction s, qui à r et h associe la surface. La


ligne bleue correspond aux points de volume égal à 1. L'objectif est de trouver
le point bleu, de plus petite surface pour un volume égal à 1. La fonction s n'est
autre que la fonction φ du préambule. La fonction ψ et la fonction L sont La nappe correspond à la surface
définies par : du cylindre, la courbe bleue aux points
de volume égal à v0, choisi dans la
représentation égal à 1.
La méthode de Lagrange consiste à rechercher un point tel que la différentielle
de L soit nulle. Sur un tel point, la dérivée partielle par rapport à λ est nulle, ce qui signifie que la fonction ψ est nulle,
ou encore que la contrainte est respectée. Si l'on identifie s avec son approximation linéaire tangente, son
comportement sur la contrainte, aussi identifiée à son approximation linéaire tangente, est aussi nécessairement nulle
à partir de l'ordre 1. Ce comportement est illustré par la droite en vert sur la figure. Le long de cette droite, la fonction
ψ est nulle, et le terme d'ordre 1 de la fonction s l'est alors nécessairement.
Il suffit, en conséquence, de calculer la différentielle de L, et plus précisément ses trois dérivées partielles, pour
l'exemple choisi :

On trouve les valeurs suivantes :

Autrement dit :
et .
Cet exemple possède l'avantage d'une représentation graphique simple, guidant l'intuition. En revanche, la méthode
du multiplicateur de Lagrange n'est pas nécessaire dans ce cas : on peut simplement exprimer la valeur de h pour que
le volume du cylindre respecte la contrainte imposée au volume v0. On trouve :

En injectant cette contrainte dans l'équation décrivant l'aire, il vient :

et il suffit de trouver la valeur de r minimisant cette fonction pour trouver la solution. De même qu'avec le multiplicateur
de Lagrange, on trouve :

Deuxième exemple : l'isopérimétrie du triangle [modifier le code]


Pour se convaincre de la pertinence de la méthode, on peut rechercher le triangle d'aire maximale et de périmètre p,
choisi strictement positif. D'après la formule de Héron, si (x, y, z) est le triplet des longueurs des côtés du triangle, son
aire A est égale à

Il est plus simple de maximiser la fonction φ qui associe à (x,y,z) quatre fois le carré de A. La contrainte est donnée par
la fonction ψ qui associe au triangle la différence du périmètre et de p :

Un triangle n'est défini, pour un triplet (x, y, z), que si les trois coordonnées sont positives et si la somme de deux
coordonnées est supérieure à la troisième. Soit D cet ensemble de points. Sur la frontière de D, la fonction φ est nulle.
On cherche un point de l'intérieur de D tel que φ soit maximal dans l'ensemble des points d'image par ψ nulle. Comme
l'intersection de l'image réciproque de 0 par ψ et de D est un compact, il existe au moins un maximum. On définit
comme dans l'exemple précédent la fonction L par :

On cherche x, y, z strictement positifs et λ tel que la différentielle de L soit nulle. Un calcul de dérivée partielle montre
que ce quadruplet est solution du système d'équations :

converted by W eb2PDFConvert.com
On vérifie alors que la seule solution est , correspondant au triangle équilatéral.
Remarque
L'objectif est ici d'illustrer la méthode du multiplicateur de Lagrange. On a trouvé le maximum d'une fonction φ dans
l'intérieur de D, sous la contrainte définie par ψ. Si l'objectif est uniquement de résoudre le problème
isopérimétrique pour le triangle, une solution plus simple est donnée dans l'article sur l'isopérimétrie.

Notations et interprétation géométrique [modifier le code]


Soient E et F deux espaces vectoriels réels de dimensions respectives n et m avec n plus grand que m. Soit φ une
fonction de E dans , que l'on cherche à minimiser : on cherche un point a tel que φ(a) soit le plus petit possible. Soit ψ
une fonction de E dans F, définissant la contrainte. L'ensemble sur lequel on travaille est G, correspondant aux points
x tels que ψ(x) = 0.
Si (e1, … , en) est une base de E, chaque point x de E s'exprime comme une combinaison linéaire des éléments de la
base :

Cette remarque permet de voir les fonctions φ et ψ de deux manières. Elles peuvent être vues comme des fonctions
d'une unique variable x de E, ce qui rend l'écriture plus concise et favorise une compréhension plus simple, mais plus
abstraite des mécanismes en jeu. Les applications peuvent aussi être vues comme fonctions de n variables x1, … , xn,
ce qui présente une rédaction plus lourde mais plus aisée pour les calculs effectifs. L'espace F est de dimension m. Si
(f1, … , fm) est une base de F, la fonction ψ peut aussi être vue comme m fonctions de n variables :

ou encore

L'ensemble G peut être vu comme une unique contrainte exprimée par une fonction à valeurs dans F ou encore
comme m contraintes exprimées par les égalités ψj(x) = 0, à valeurs réelles.
Les fonctions φ et ψ sont de classe C1,
ce qui signifie qu'elles sont
différentiables, autrement dit elles
admettent chacune une application
linéaire tangente en chaque point. Le
terme C1 signifie aussi que les
Un corollaire du théorème de Rolle applications qui, à un point associent
indique que l'optimum est atteint en un les différentielles, soit de φ soit de ψ,
point de différentielle nulle. sont continues. Le fondement théorique de la
méthode du multiplicateur de Lagrange
L'optimum recherché vérifie une peut être vu comme analogue au
propriété analogue à celle du théorème de Rolle. Un corollaire de ce théorème, théorème de Rolle.
illustré à gauche, indique que l'optimum, un maximum ou un minimum, s'il se
situe dans l'intervalle ouvert ]a, b[, possède une tangente horizontale, ce qui signifie encore que sa différentielle est
nulle. C'est un résultat de cette nature qui est recherché. On peut le visualiser sur la figure de droite, si n et m sont
respectivement égaux à 2 et à 1. On représente φ (noté f sur la figure de droite) en bleu par ses courbes de niveau,
comme les géographes. Les flèches représentent le gradient de la fonction φ. La différentielle de φ en un point est une
application linéaire de E dans , c'est-à-dire une forme duale. Il est d'usage de considérer E comme un espace
euclidien, de choisir la base de E orthonormale et d'identifier la différentielle avec le vecteur de E qui représente la
forme duale. Dans ce cas, l'approximation linéaire tangente s'écrit :

La lettre o désigne un petit o selon la notation de Landau et le point entre le gradient de φ et h symbolise le produit
scalaire. Le vecteur gradient est orthogonal à la courbe de niveau, dans le sens des valeurs croissantes de φ et de
norme proportionnelle à la vitesse d'accroissement de φ dans cette direction. La contrainte vérifie une propriété
analogue puisqu'elle est aussi différentiable. L'ensemble étudié est celui des valeurs x telles que ψ(x) est nul. Si x0 est
élément de G, les points voisins de x0 dans G ont aussi une image nulle par ψ, autrement dit, l'espace tangent à G au
point x0 est formé par les accroissements h de x0 qui ont une image nulle par la différentielle de ψ. La direction de
l'espace tangent est le noyau de l'application différentielle de ψ. Une analyse par les fonctions coordonnées ψi exprime

converted by W eb2PDFConvert.com
ce résultat en indiquant que l'espace tangent est l'intersection des hyperplans orthogonaux des gradients des ψi.
Une analyse au point optimal x0 recherché indique, en approximation du premier ordre, qu'un déplacement h dans la
direction de l'espace tangent à G ne peut pas accroître la valeur de φ. Ceci signifie que le déplacement h est
nécessairement orthogonal au gradient de φ en x0. C'est ainsi que se traduit le théorème de Rolle, dans ce contexte.
Géométriquement, cela signifie que la courbe de niveau bleue et la ligne rouge sont tangentes au point recherché.
Analytiquement cela se traduit par le fait que le noyau de la différentielle de ψ en x0 est orthogonal au gradient de φ en
ce point.

Une approche intuitive du théorème [modifier le code]


Il est peut être utile, à ce stade, de fournir une approche intuitive du théorème, en se donnant un exemple ayant valeur
générale. Considérons donc comme précédemment une fonction différentiable φ(x, y, z) de 3 dans , dont on se
propose de trouver les extrema sous l'unique contrainte ψ(x,y,z) = 0, avec ψ: 3 → différentiable. On verra ensuite
comment s'y prendre pour deux contraintes.
Rappelons d'abord que la différentielle de φ en un point M de l'espace s'écrit
,

soit en notant φ' le vecteur

L'interprétation bien connue de ces relations est qu'un déplacement infinitésimal de vecteur dM au point M induit une
variation infinitésimale de la fonction φ, égale au produit scalaire de φ' (appelé vecteur gradient de φ) avec dM.
Considérons maintenant la contrainte ψ(x,y,z) = 0, qui définit une surface S dans l'espace, tout au moins localement 2. Il
est clair que le problème revient à trouver les points extremum de la restriction de φ à S. La différentielle de ψ en un
point M de l'espace s'écrit, comme précédemment,

Cette relation est en particulier vraie si le point M est sur S. Mais supposons de plus qu'on astreigne le déplacement
infinitésimal dM à s'effectuer sur S; alors puisque ψ est identiquement nulle sur S, il en est de même de sa variation
infinitésimale sur S, et dM devra donc vérifier la relation

Vu que dM est quelconque sur S, cela signifie que ψ'(M) est orthogonal à S au point M.
Maintenant, si la restriction de φ à S est extrémale au point M (ce que l'on cherche), alors pour tout déplacement
infinitésimal dM en M s'effectuant sur S, la variation infinitésimale correspondante de φ devra être nulle: on peut se
contenter de ressentir ce fait, ou bien de s'appuyer sur l'homologie avec les fonctions d'une seule variable réelle, ou
encore de le justifier formellement en considérant des courbes paramétrées sur S passant par M et de vecteur dérivé
en M proportionnel à dM 3.
Mathématiquement, cela signifie que

Ainsi, φ'(M) doit être orthogonal à dM, tout comme l'est ψ'(M) d'après ce qu'on a vu plus haut. Il revient au même de
dire que φ'(M) est colinéaire à ψ'(M) 4, ou bien

On peut écrire cette relation sous la forme

Cette équation, alliée avec l'équation de contrainte originale ψ(M) = 0, constitue la méthode des multiplicateurs de
Lagrange.
Dans le cas de deux contraintes ψ1(M) = 0 et ψ2(M) = 0, on a une intersection de deux surfaces de contraintes, c'est-à-
dire une courbe en général. Le problème revient cette fois à chercher les extrema de la restriction de φ à . Le
même raisonnement que précédemment s'applique, mais dM sera cette fois astreint à appartenir à , c'est-à-dire à
être orthogonal au sous-espace T engendré par les vecteurs ψ'1(M) et ψ'2(M). Donc les point extremum seront les
points M tels que φ'(M) ∈ T, ou bien

Comme précédemment, la méthode des multiplicateurs de Lagrange s'en suit immédiatement.


Le même raisonnement s'applique dans les espaces euclidiens de dimension n > 3, ou la fonction objectif est soumise
à au plus n-1 equations de contraintes à n variables: il suffit de remplacer la notion de "surface" par celle

converted by W eb2PDFConvert.com
d'"hyperplan".

Théorèmes [modifier le code]


Le problème à résoudre est de trouver le minimum suivant :

Les fonctions φ et ψ ne sont pas nécessairement définies sur tout E mais au moins sur des ouverts de E, où elles sont
supposées différentiables, avec Dψ ≠ 0. De plus, le domaine de définition de φ possède une intersection non vide avec
G.
La méthode des multiplicateurs de Lagrange se fonde sur un théorème.

Théorème du multiplicateur de Lagrange — Si le point x0 est un extremum local de φ dans


l'ensemble G, alors le noyau de la différentielle de ψ au point x0 est orthogonal au gradient de φ en ce
point 5.

Un corollaire met en évidence le multiplicateur. Pour cela, il est nécessaire d'équiper F du produit scalaire tel que sa
base soit orthonormale, le symbole t signifie la transposée d'une application linéaire ; elle définit une application du
dual de F, ici identifié à F dans le dual de E, encore identifié à E :

Corollaire 1 — Si le point x0 est un extremum local de φ dans l'ensemble G et si la différentielle de ψ au


point x0 est surjective, il existe un vecteur λ0 de F tel que la somme de l'image de λ0 par la transposée de
la différentielle de ψ au point x0 et du gradient de φ en ce point soit nulle :

Sous forme de coordonnées, on obtient :

Un deuxième corollaire est plus pragmatique, car il offre une méthode effective pour déterminer l'extremum. Il
correspond à la méthode utilisée dans l'exemple introductif.

Corollaire 2 — Si le point x0 est un extremum local de φ dans l'ensemble G et si la différentielle de ψ au


point x0 est surjective, alors il existe un vecteur λ0 de F tel que la fonction L de E×F dans admet un
gradient nul en (x0, λ0) 6 :

Ces théorèmes possèdent quelques faiblesses, de même nature que celle du théorème de Rolle. La condition est
nécessaire, mais pas suffisante. Un point de dérivée nulle pour Rolle ou vérifiant les hypothèses du théorème du
multiplicateur de Lagrange n'est pas nécessairement un maximum ou un minimum. Ensuite, même si ce point est un
extremum, il n'est que local. Si une solution x0 est trouvée, rien n'indique que cet extremum local est le meilleur.
L'approximation linéaire ne précise pas si cet optimum est un maximum ou un minimum. Enfin, comme pour le cas du
théorème de Rolle, si les domaines de définition ne sont pas ouverts, il est possible qu'un point frontière soit un
optimum qui ne vérifie pas le théorème. Ainsi, sur la figure de gauche, f(a) et f(b) sont des minima mais la dérivée n'est
nulle ni en a, ni en b.

Démonstrations
Il existe deux méthodes célèbres pour démontrer les résultats de Lagrange. La première est souvent
appelée méthode des pénalités 7, elle consiste à considérer une suite (χk) définie de la manière
suivante :

La suite des minima de ces fonctions tend vers x0. L'autre méthode 8 utilise le théorème des fonctions
implicites. C'est un dérivé de cette méthode qui est utilisé ici. Le théorème n'est pas utilisé, mais les
inégalités à la base de la démonstration sont présentes dans la preuve.
Cas où ψ est une fonction affine :
La démonstration de ce cas particulier n'est pas nécessaire pour le cas général, en revanche, elle
permet de comprendre la logique utilisée et fixe les notations. Soit x1 un point de E tel que la différentielle
de ψ possède un noyau qui n'est pas dans l'orthogonal du gradient de φ. On montre que x1 n'est pas un

converted by W eb2PDFConvert.com
extremum. La contraposée de ce résultat permet de conclure.
Par hypothèse, il existe un vecteur k 1 élément du noyau de la différentielle de ψ au point x1 (qui est
d'ailleurs la même en chaque point car ψ est une application affine) et qui n'est pas orthogonal au
gradient. On choisit k 1 de norme 1 et de sens tel que le produit scalaire de ce vecteur avec le gradient
soit strictement positif. On note α ce produit scalaire. Si s est un réel positif, l'égalité définissant le
gradient, appliquée au vecteur sk 1 est

Si s est choisi suffisamment petit, alors o(s) peut être choisi plus petit, en valeur absolue, que n'importe
quelle constante strictement positive que multiplie s, par exemple : sα/2. De manière formelle :

Le fait que l'image par ψ de x1 + sk 1 soit un élément de G, ainsi que la majoration précédente, montrent
que x1 ne peut être un maximum local. En choisissant s négatif, on montre que x1 ne peut pas non plus
être un minimum local.
Cas général :
Dans le cas général, on ne peut supposer que x1 + sk 1 soit élément
de G. La situation est illustrée sur la figure de droite. L'ensemble G
est représenté en bleu, le gradient de φ en rouge et la droite dirigée
p a r k 1 en vert. Pour une valeur de s suffisamment petite, on
construit un vecteur k, égal à sk 1 et proche de G. Une technique
analogue à celle du théorème des fonctions implicites permet de
trouver un point x2, suffisamment proche de x1 + k pour que le
raisonnement précédent puisse s'appliquer avec peu de
modifications. La technique consiste à établir quatre inégalités qui
montrent le résultat recherché.
Première inégalité :
Elle consiste à utiliser la définition du gradient au point x1 mais, cette fois-ci, valable pour tout vecteur
de norme suffisamment petite :

Par rapport au cas particulier affine, la constante est choisie un peu différemment, elle est maintenant
égale à α/8. La zone sur laquelle la majoration est vérifiée est un peu modifiée, elle correspond
maintenant aux vecteurs de normes plus petites que 2μ1. Les raisons techniques qui poussent à ces
modifications apparaissent à la conclusion de cette démonstration.
Deuxième inégalité :
La deuxième inégalité permet de borner la norme du vecteur, illustré en bleu ciel et qu'il faut ajouter à
x1 + sk 1 pour retrouver le point de G qui montre que x1 n'est pas un maximum local. L'objectif est de
montrer qu'il existe un réel strictement positif m tel que

Ici, le symbole Bx1 désigne la boule de centre x1 et de rayon 1. Pour établir ce résultat, on utilise deux
propriétés des compacts. Une fonction continue l'est uniformément sur un compact, ensuite elle
atteint sa borne inférieure. La différentielle de ψ en un point quelconque est continue, comme
d'ailleurs toute application linéaire en dimension finie. Composée avec la norme, aussi continue, elle
atteint sa borne inférieure sur l'intersection de l'orthogonal de son noyau et de la sphère unité. Cette
intersection est en effet compacte. On appelle f la fonction qui à une application linéaire de E dans F
associe cette borne inférieure. Par construction elle ne peut prendre de valeur nulle. On considère
ensuite la fonction g, qui à x élément de E associe l'image par f de la différentielle de ψ au point x.
Une fois sa continuité sur la boule fermée de centre x1 et de rayon 1 démontrée, on sait que cette
fonction atteint son minimum m. La majoration (2) définit ce minimum.
Pour établir l'inégalité (2), il suffit donc démontrer la continuité de g. L'application qui à x associe la
différentielle de ψ au point x est continue par hypothèse. Elle est donc uniformément continue sur la
boule de centre x1 et de rayon 1 :

Soit v1 (resp. v2) un vecteur unitaire tel que

converted by W eb2PDFConvert.com
L'espace des applications linéaires de E dans F est muni de la norme qui associe à une application la
borne supérieure des normes de son image de la boule unité. Comme les points y1 et y2 sont choisis
à une distance inférieure à l'un de l'autre, on dispose de la majoration

Cette majoration, ainsi que la même appliquée à y2, démontre la continuité recherchée pour conclure
la preuve de la majoration (2) :

Troisième inégalité :
On dispose d'une majoration comparable à (1), mais cette fois appliquée à ψ et utilisant la continuité
uniforme. Il existe un réel strictement positif μ2 tel que, si θ désigne l'angle entre le gradient de φ au
point x1 et k :

Quatrième inégalité :
La fonction Dψ, qui au point x associe la différentielle de ψ au point x est continue, en particulier au
point x1, ce qui montre que

Une fois les quatre inégalités établies, il devient possible de définir les vecteurs h et k et de conclure. Soit
s un réel strictement strictement positif et plus petit que μ1, μ2, μ3 et que 1/2, on définit le vecteur k de la
figure comme étant égal à sk 1. Soit x2 le vecteur le plus proche de x + k et élément de G et h le vecteur
x2 – x1. Enfin, l1 désigne le vecteur unitaire colinéaire à h – k et de même sens ; c'est le vecteur illustré
en bleu ciel sur la figure. Le réel positif t est tel que tl1 soit égal à h – k. Le choix du vecteur k est tel que
t est suffisamment petit pour conclure.
Conclusion :
Le point tl1 est le plus petit vecteur de E tel que x1 + sk 1 + tl1 est un élément de G. Autrement dit :

La majoration (3), appliquée au point x2, se traduit par :

De plus, par définition de k 1, la différentielle en x1 de ψ est nulle sur k 1. On en déduit, d'après la


majoration (4) :

Le point tl1 est le plus petit vecteur de E tel que x1 + sk 1 + tl1 est un élément de G. On remarque que
x1 est un élément de G. En conséquence, x1 + sk 1 est aussi un élément de G et tl1 est de norme plus
petite que sk 1, ce qui revient à dire que t est plus petit que s, donc :

Le vecteur l1 est orthogonal au noyau de Dψ au point x2. En effet, le point x2 est le plus proche de x2
– tl1 dans G. Si p est un vecteur du noyau, x2 + up est plus loin de x2 – tl1 que ne l'est x2 ; ici, u
désigne un nombre réel :

ce qui montre que

Le produit scalaire de l1 et p est nul, ce qui montre bien que l1 est orthogonal au noyau de Dψ au
point x2. Le point x2 est élément de la boule de rayon 1 et centre x1. La majoration (2) montre que

On peut maintenant appliquer la majoration (1) :

et

Le point x2 est un élément de G ayant une image par φ strictement plus grande que x1, ce qui montre
que x1 n'est pas un maximum local. On montre de même que x1 n'est pas non plus un minimum local, ce
qui termine la démonstration.

converted by W eb2PDFConvert.com
Il existe un vecteur λ0 de F tel que la somme de l'image de λ0 par la transposée de la
différentielle de ψ au point x0 et du gradient de φ en ce point soit nulle :

C'est une conséquence directe du résultat précédent et des propriétés de la transposition. Remarquons
tout d'abord que l'image de la transposée d'une application linéaire est un sous-espace vectoriel inclus
dans l'orthogonal du noyau. Pour s'en convaincre, montrons qu'un élément v de l'image de la transposée
de la différentielle de ψ au point x0, d'antécédent λ, est orthogonal à tout élément w du noyau de la
différentielle :

Montrons maintenant que l'orthogonal du noyau de la différentielle possède la même dimension que
l'image de la transposée. L'application différentielle est surjective, son image est de dimension m, la
transposée ne modifie pas le rang d'une application linéaire, l'image de sa transposée est donc aussi de
dimension m. La somme des dimensions de l'image et du noyau est égale à celle de l'espace vectoriel de
départ, ici E de dimension n. Comme l'image est de dimension m, le noyau est de dimension n - m.
L'orthogonal du noyau est donc de dimension m. Pour résumer, l'orthogonal du noyau de la différentielle
contient l'image de sa transposée et est de même dimension, ce qui montre l'égalité des deux sous-
espaces vectoriels. Le gradient de φ au point x0 est dans l'orthogonal au noyau de la différentielle, il est
donc dans l'image de sa transposée, ce qui montre l'existence du vecteur λ0.
Il existe un vecteur λ0 de F tel que la fonction L de E×F dans admet un gradient nul en
(x0, λ0) :

Pour cela, calculons l'image de (u, μ), un point de E×F par la différentielle de L au point (x0, λ0), λ0 étant
le vecteur de F défini lors de la démonstration précédente.

La définition de λ0 montre que

Le gradient recherché est bien nul au point étudié.

Écriture du problème [modifier le code]


Si l'écriture condensée permet de mieux comprendre la structure du théorème, les notations développées sont plus
utiles pour une résolution effective. Dans la pratique, on considère souvent une fonction φ de n dans et m fonctions
ψj, avec j variant de 1 à m, aussi de n dans . L'entier m est nécessairement plus petit que n pour pouvoir appliquer les
théorèmes du paragraphe précédent. On cherche à trouver un n-uplet (a1, … , an) tel que

Pour cela, on définit la fonction L de n+m dans par :

Le deuxième corollaire indique que résoudre les équations suivantes offrent sur condition nécessaire pour élucider le
problème d'optimisation (1). Le n-uplet (a1, … , an) est une solution de (1) seulement s'il existe un m-uplet (α1, … , αm)
tel que le (n + m)-uplet (a1, … , an, α1, … , αm) soit solution des n + m équations :

Cette méthode peut être généralisée aux problèmes d'optimisation incluant des contraintes d'inégalités (ou non
linéaires) en utilisant les conditions de Kuhn-Tucker. Mais également sur des fonctions discrètes à maximiser ou
minimiser sous contraintes, moyennant un changement d'interprétation, en utilisant la méthode des multiplicateurs
d'Everett (ou de Lagrange généralisés), plus volontiers appelée méthode des pénalités.

Application : inégalité arithmético-géométrique [modifier le code]


Article détaillé : Inégalité arithmético-géométrique.

La méthode du multiplicateur de Lagrange permet de démontrer l'inégalité arithmético-géométrique 9. On définit les


applications φ et ψ de +n dans par :

converted by W eb2PDFConvert.com
On remarque que l'ensemble G, composé des n-uplets de coordonnées positives et de somme égale à s est un
compact de n. Sur ce compact la fonction φ est continue, et donc elle admet nécessairement un maximum. Les deux
fonctions φ et ψ sont bien de classe C1, il est donc possible d'utiliser le multiplicateur de Lagrange pour trouver ce
maximum. Pour cela, on considère la fonction L :

Une solution vérifie les équations :

On en déduit l'existence d'une unique solution, obtenue pour tous les xi égaux à s/n = x et λ égal à –(s/n)n–1, ce qui
s'exprime, en remplaçant s par sa valeur :

La moyenne géométrique est inférieure à la moyenne arithmétique, l'égalité n'ayant lieu que si les xi sont tous égaux.
Le multiplicateur de Lagrange offre une démonstration alternative de l'inégalité arithmético-géométrique.

Espace fonctionnel [modifier le code]


La méthode se généralise aux espaces fonctionnels. Un exemple est donné par la question de la chaînette, qui revient
à rechercher la position que prend au repos, une chaînette attachée à ses deux extrémités. L'optimisation correspond
à la position offrant un potentiel minimal, la contrainte est donnée par la position des extrémités et la longueur de la
chaînette, supposée fixe. Cette méthode permet de trouver des plus courts chemins sous contrainte, ou encore des
géodésiques. Le principe de Fermat ou celui de moindre action permet de résoudre de nombreuses questions à l'aide
de cette méthode.

Exemple introductif : la chaînette [modifier le code]


Article détaillé : Chaînette.

Considérons donc une chaînette soumis à la gravité et recherchons son


équilibre statique. La chaînette est de longueur a et l'on suppose qu'elle est
accrochée à deux points d'abscisses –t0 et t0 et d'ordonnée nulle en ces deux
points. Si son ordonnée est notée x, elle suit une courbe y = x(t) sur l'intervalle
[–t0, t0], dont on se propose de calculer l'équation.
Dire qu'elle est à l'équilibre revient à dire que son potentiel Φ est minimal, où :

Ici, α désigne une constante physique, en l'occurrence le produit de la Le viaduc de Garabit possède une
arche dont la géométrie est celle d'une
gravitation terrestre g par la masse linéique de la chaînette, supposée chaînette.
constante. La formule donnant la longueur d'un arc en fonction d'un
paramétrage est donnée dans l'article Longueur d'un arc.
La chaînette n'est pas supposée être élastique, elle vérifie donc la contrainte Ψ, indiquant que sa longueur l0 n'est pas
modifiée :

Si C1K(I) désigne l'ensemble des fonctions de [–t0, t0] dans , dérivables et de dérivées continues, nulles en –t0 et t0,
le problème revient à rechercher la fonction x0 telle que

La similitude avec la situation précédente est flagrante. Pour pouvoir appliquer des multiplicateurs de Lagrange, il faut
donner un sens aux gradients de Φ et Ψ. Dans le cas où il existe deux fonctions de classe C2 de 3 dans , notées φ et
ψ, telles que

L'équation d'Euler-Lagrange affirme que

Dans le cas particulier où les fonctions φ et ψ sont des fonctions de deux variables et ne dépendent pas de t, on
obtient la formulation de Beltrami (cf. l'article « Équation d'Euler-Lagrange ») :

converted by W eb2PDFConvert.com
Dire que les deux gradients sont colinéaires revient à dire qu'il existe un réel λ, le multiplicateur de Lagrange, tel que

La résolution de cette équation différentielle est une chaînette. La méthode du multiplicateur de Lagrange permet bien
10
de résoudre la question posée .

Everett : cas des fonctions non continues, non dérivables [modifier le code]
Hugh Everett généralise la méthode aux fonctions non dérivables, souvent choisies convexes. Pour une résolution
effective, il devient nécessaire de disposer d'un algorithme déterminant l'optimum (ou les optima) d'une fonction. Dans
le cas non dérivable, on peut utiliser une heuristique adéquate ou encore une méthode de Monte-Carlo.
Il faut ensuite réviser pour l'itération suivante les multiplicateurs (ou « pénalités ») de façon appropriée, et c'est là que
se situe l'apport essentiel d'Everett : il mémorise les jeux de multiplicateurs utilisées lors des deux dernières itérations,
et sépare en trois les résultats pour chaque contrainte. Selon que sur les deux dernières itérations il y a eu
rapprochement de l'objectif, ou encadrement, ou encore éloignement (à cause de l'effet des autres multiplicateurs),
chaque multiplicateur est ajusté pour l'itération suivante d'une façon qui garantit la convergence si une relation entre
les trois ajustements, qu'il fournit, est observée.

Espace de Sobolev [modifier le code]


Article détaillé : Espace de Sobolev.

L'exemple précédent montre que le contexte de l'équation d'Euler-Lagrange n'est pas loin de celui du multiplicateur de
Lagrange. Si l'ensemble de départ de la fonction x(t) recherchée est un intervalle réel I ouvert et borné et l'ensemble
d'arrivée E l'espace vectoriel euclidien, la généralisation est relativement aisée.
On suppose l'existence d'une fonction Φ à minimiser, son ensemble de départ est un espace fonctionnel, c'est-à-dire
un espace vectoriel de fonctions, de I dans E et son ensemble d'arrivée . La fonction Φ est construite de la manière
suivante :

Le point sur le x indique la fonction gradient, qui à t associe le gradient de x au point t.


La fonction φ est une fonction de ×E2 dans de classe C2. L'optimisation est sous contrainte, donnée sous une forme
analogue à la précédente. On suppose l'existence d'une fonction Ψ de ×E2 dans F, un espace euclidien. La fonction
Ψ est encore définie à l'aide d'une fonction ψ de classe C2 de I×E2, mais cette fois dans un espace euclidien F :

L'ensemble G est composé de fonctions deux fois dérivables de I dans E et dont l'image par Ψ est nulle. On suppose
de plus que les valeurs des fonctions de G aux bornes de I sont fixes et, quitte à opérer une translation, on peut
toujours supposer, sans perte de généralité, que ces fonctions sont nulles aux bornes de I.
La seule tâche un peu délicate est de définir l'espace vectoriel W 2,2(I, E) sur lequel opèrent Φ et Ψ. Pour définir un
équivalent de gradient, cet espace comporte nécessairement un produit scalaire. Si l'on souhaite établir des
théorèmes équivalents aux précédents, les fonctions dérivée et dérivée seconde sont définies et l'espace est complet.
Un espace muni d'un produit scalaire et complet est un Hilbert. Sa géométrie est, de fait, suffisamment riche pour
étendre les résultats précédents.
On note D l'espace des fonctions de I, à valeur dans E, de classe C∞ et à support compact et D* son dual topologique.
L'espace D est muni de la norme de la borne supérieure et l'espace D* est celui des distributions. Ce premier couple
n'est pas encore satisfaisant car D est « trop petit » et D* « trop gros » pour permettre de définir un bon produit
scalaire, à l'origine d'une géométrie aussi simple que celle d'un Hilbert.
L'espace D* contient l'espace de Hilbert L2(I, E) des fonctions de carré intégrable. En effet une fonction f de L2(I, E)
agit sur D par le produit scalaire 〈∙, ∙〉L défini par l'intégrale de Lebesgue :

C'est dans L2(I, E) que nous cherchons le bon espace. Dans cet espace, l'intégration par parties permet de définir la
dérivée de la fonction f de L2(I). Comme g est à support compact et que I est ouvert, aux bornes de I, la fonction g est
nulle. Si f est dérivable au sens classique du terme, on bénéficie des égalités :

Si la distribution dérivée de f est encore d'un élément de L2(I, E), on dit qu'elle est dérivable au sens de Sobolev. Si
cette dérivée est encore dérivable au sens précédent, on dit qu'elle est deux fois dérivable au sens de Sobolev. On
note W 2,2(I, E) le sous-espace de L2(I, E) équipé du produit scalaire 〈∙, ∙〉W suivant :

converted by W eb2PDFConvert.com
Les intégrales sont bien définies car elles correspondent au produit de deux éléments de L2(I, E). Il est ensuite simple
de vérifier que l'espace est bien complet 11. Enfin, si f est une fonction dérivable au sens des distributions, il existe un
12
représentant continu de f . Ainsi, tout élément de W 2,2(I, E) admet un représentant continu et dont la dérivée admet
aussi un représentant continu.

Équation d'Euler-Lagrange [modifier le code]


Article détaillé : Équation d'Euler-Lagrange.

La difficulté est maintenant d'exprimer le gradient des fonctions Φ et Ψ. L'équation d'Euler-Lagrange cherche dans un
premier temps à trouver des fonctions de classe C2 qui minimisent Φ. L'espace vectoriel sous-jacent est celui des
fonctions d'un intervalle borné et de classe C2 et nulles aux bornes de l'intervalle. Sur cet espace, le calcul du gradient
de Φ n'est guère complexe, il donne aussi une idée de la solution ainsi que de la méthode pour y parvenir. En
revanche, ce calcul est insuffisant dans le cas présent. Avec le « bon » produit scalaire, l'espace des fonctions de
classe C2 n'est pas complet, ce qui empêche de disposer de la bonne géométrie permettant de démontrer la méthode
du multiplicateur de Lagrange.
L'objectif est de généraliser un peu la démonstration pour permettre de disposer de l'égalité du gradient dans l'espace
complet W 2,2(I, E). Dans un premier temps, exprimons l'égalité qui définit la différentielle de Φ en un point x, qui
représente une fonction de W 2,2(I, E) :

L'application DΦx est une application linéaire continue de W 2,2(I, E) dans , c'est-à-dire un élément du dual
topologique de W 2,2(I, E), que le produit scalaire permet d'identifier à W 2,2(I, E). L'égalité précédente devient :

Autrement dit, le gradient de Φ au point x est une fonction de L2(I, E) dans . De fait, ce gradient s'exprime à l'aide de
l'équation d'Euler-Lagrange :

Le gradient de Φ au point x est la fonction de I dans E, définie par

Si la fonction φ est en général choisie au sens usuel de la dérivation, la fonction x(t) est une fonction de W 2,2(I, E). Le
symbole d/dt doit être pris au sens de la dérivée d'une distribution, qui n'est ici nécessairement une fonction de carré
intégrable, définie presque partout.
Pour Ψ, la logique est absolument identique, mais cette fois-ci, la fonction est à valeurs dans F. En conséquence, la
dérivée partielle de ψ par rapport à sa deuxième ou troisième variable n'est plus une application linéaire de E dans
mais de E dans F. Ainsi, la différentielle de Ψ au point, une fonction x de I dans E, est une application de I dans
l'espace L(E, F) des applications linéaires de E dans F. La logique reste la même.

La différentielle de Ψ au point x est la fonction de I dans L(E, F) définie par

Démonstration
L'application Φ est différentiable au point x, si x est une fonction de W 2,2(I, E) nulle aux
bornes de I :
Cette proposition revient à montrer que

Soit ε un réel strictement positif. La fonction x et sa dérivée possède un représentant continu, dont les
valeurs aux bornes de l'intervalle I sont nulles. En conséquence l'image de I par x et par sa dérivée est
sont des compacts de E. Soit H le produit cartésien de I, x(I) et dx/dt(I). Le produit de trois compacts est
encore un compact. La fonction différentielle de φ sur ce compact est uniformément continue. On en
déduit que les dérivée partielles à l'ordre 1 sont bornées par une valeur, notée M1 ; on en déduit aussi,
si a et b désignent les bornes de I :

De plus, sur le compact H, la valeur absolue de φ et la norme de ses trois dérivées partielles sont
majorées par une constante M, car φ est continue. Si la norme de h dans W 2,2(I, E) est plus petite que

converted by W eb2PDFConvert.com
μ2, il existe un ensemble Iμ de I de mesure plus grande que b – a – εμ2/8M sur lequel h et sa dérivée ne
dépassent pas μ. La majoration (2) montre que

Sur le complémentaire de Iμ dans I, comme la fonction φ ne dépasse pas M en valeur absolue et comme
le complémentaire est de mesure inférieure à εμ2/8M, on obtient :

En sommant les deux dernières majorations, on trouve bien la majoration (1) qui montre la différentiabilité
de Φ.
Le gradient de Φ au point x est donné par l'équation de Lagrange :
Une fois la proposition précédente démontrée, le reste du calcul est le même que celui de l'article
Équation d'Euler-Lagrange. Le calcul consiste à exprimer différemment le gradient de Φ au point x :

Le fait que la fonction h soit nulle aux bornes de I et une intégration par parties montrent que

ce qui permet de déduire que

et démontre ainsi la proposition. Les calculs sont exactement les mêmes pour la fonction Ψ.

Théorèmes [modifier le code]


Ce paragraphe est très proche du précédent dans le cas de la dimension finie. Le problème à résoudre est de trouver
le minimum suivant :

Théorème du multiplicateur de Lagrange — Si le point x0 est un extremum local de Φ dans


l'ensemble G, alors le noyau de la différentielle de Ψ au point x0 est orthogonal au gradient de Φ en ce
point.

On obtient les mêmes corollaire, que l'on peut écrire :

Corollaire — Si le point x0 est un extremum local de Φ dans l'ensemble G et si la différentielle de Ψ au


point x0 est surjective, alors il existe un vecteur λ0 de F tel que la fonction L de W 2,2(I, E)×F dans admet
un gradient nul en (x0, λ0) :

Cette équation s'écrit encore :

Le signe d/dt doit être pris au sens de la dérivée des distributions. On obtient une solution faible, c'est-à-dire une
fonction x définie presque partout et dérivable dans un sens faible. En revanche, si une fonction x de classe C2 est
solution du problème de minimisation, comme ses dérivées premières et secondes sont des représentants de ses
dérivées au sens faible, l'équation précédente est encore vérifiée.

Démonstrations
La démonstration est proche de la précédente, néanmoins elle doit être adaptée au passage d'un
espace euclidien à un hilbertien :
Cas où Ψ est une fonction affine :
La démonstration précédente n'utilise pas la dimension finie. Elle s'applique donc encore de la même
manière.
Cas général :
Une partie peut être reprise intégralement.

converted by W eb2PDFConvert.com
Première inégalité :
Elle consiste à utiliser la définition du gradient au point x1 mais, cette fois-ci, valable pour tout vecteur
de norme suffisamment petite, qui n'utilise pas la dimension finie :

Deuxième inégalité :
La deuxième inégalité est démontrée, dans la démonstration précédente, à l'aide de la dimension
finie. Ici, on restreint nos ambitions pour uniquement montrer l'existence de deux nombres réels
strictement positifs m et r tels que

La démonstration reste néanmoins un peu analogue. Soit x un point de la boule de centre x1 et de rayon
1. L'image de la différentielle de Ψ au point x et un espace vectoriel de dimension finie, le noyau est de
codimension finie et son orthogonal de dimension finie. L'intersection de cet orthogonal avec la sphère
unité est un compact, ce qui permet de définir les fonctions f et g comme pour le cas de la dimension
finie. La continuité de g montre l'implication (2).
L'application qui à tout élément x de W 2,2(I, E) associe DΨx est continue par hypothèse, ce qui se traduit
par :

Soit v1 (resp. v) un point de l'intersection de la sphère unité et de l'orthogonal du noyau de DΨ au point


x1 (resp. x), tel que

La continuité de la différentielle montre :

Les mêmes majorations montrent que

Ce qui montre la continuité de g et par voie de conséquence la majoration (2) : il suffit de choisir m
comme l'inverse de la valeur g(x1).
Troisième et quatrième inégalités :
La troisième inégalité ne fait pas appel à la dimension finie. On la rappelle dans le nouveau contexte :

Il en est de même pour la quatrième inégalité :

Conclusion :
La conclusion est la même : il suffit maintenant de choisir μ non seulement plus petit que μ1, μ2 et μ3
mais aussi plus petit que r.

Application : Théorème isopérimétrique [modifier le code]


Article détaillé : Théorème isopérimétrique.

On recherche la surface de plus grande aire, ayant une frontière de longueur


égale à 2π. On remarque que la surface est nécessairement convexe,
d'intérieur non vide. On considère une droite coupant la surface en deux. Cette
droite est utilisée comme axe d'un repère orthonormal, dont les abscisses sont
notées par la lettre t et les ordonnées par x. La frontière supérieure est
paramétrable en une courbe x(t) et, si le repère est bien choisi, on peut
prendre comme abscisse minimale –a et maximale a. On recherche alors une
courbe x, définie entre –a et a tel que l'aire A soit maximale :

On sait de plus que la demi-longueur de la frontière est égale à π :

La recherche de la surface se traite aussi avec le multiplicateur de Lagrange.

converted by W eb2PDFConvert.com
La même astuce que celle utilisée dans l'exemple introductif montre, avec les En répartissant uniformément la
notations usuelles : courbure de la frontière on obtient
l'optimal isopérimétrique.

On en déduit l'existence de valeurs λ et k telles que

En notant u = x – k, on obtient :

13
On trouve l'équation d'un demi-cercle de rayon λ ; la valeur λ est égale à 1 et k à 0 .

Notes et références [modifier le code]


1. ↑ Joseph-Louis Lagrange, « Manière plus simple et plus générale de faire usage de la formule de l'équilibre donnée dans la
section deuxième », dans Mécanique analytique, t. 1 (lire en ligne ), p. 77-112.
2. ↑ Si l'on veut écrire ce raisonnement sous forme rigoureuse, c'est là qu'intervient le théorème des fonctions implicites et
l'hypothèse que la différentielle de ψ ne s'annule pas. Il suffit ensuite de remplacer les déplacements dM par des courbes
paramétrées s'appuyant sur la surface et passant par M.
3. ↑ Si f(t) est une telle fonction, avec f(t0) = M, on a dM = df(t0) = f'(t0)dt. Comme φ(f(t)) est extrémale en t0, sa dérivée s'annule en t0,
donc φ'(f(t0)).f'(t0) = 0, ou de façon équivalente, φ'(M).dM = 0 comme prévu.
4. ↑ En supposant toutefois ψ'(M) non nul, ce qui est le cas en général. Aux points M où ψ est singulière, il faudra recourir aux
infiniments petits d'ordres 2.
5. ↑ Ce résultat est énoncé sous une forme équivalente mais moins générale dans D. Hoareau, « Cauchy-Schwarz par le calcul
différentiel » , sur megamaths, 2003.
6. ↑ On trouve ce corollaire dans (en) D. Klein, Lagrange Multipliers without Permanent Scarring , UC Berkeley.
7. ↑ Voir par exemple M. Bierlaire, Introduction à l'optimisation différentiable, PPUR, 2006 [présentation en ligne ].
8. ↑ Elle est explicitée dans Hoareau 2003.
9. ↑ Cet exemple est extrait de X. Gourdon, Analyse, Les maths en tête : Mathématiques pour MP*, Ellipses, 2e éd., 2008
(ISBN 2729837590).
10. ↑ Cet exemple est traité dans C. Barreteau, Calcul des variations , ESPCI.
11. ↑ Pour plus de détails voir L. Andry, Les espaces de Sobolev , EPFL.
12. ↑ Haïm Brezis, Analyse fonctionnelle : théorie et applications [détail des éditions], p. 122, théorème VIII.2.
13. ↑ Ce calcul est présenté, par exemple sur S. Mehl, Didon, Carthage, calcul des variations et multiplicateur de Lagrange ,
ChronoMath.

Voir aussi [modifier le code]

Articles connexes [modifier le code]

converted by W eb2PDFConvert.com
Conditions de Kuhn-Tucker
Conditions d'optimalité (dimension finie)

Liens externes [modifier le code]


La méthode du Lagrangien , HEC Montréal, 1999
Extrema liés - Multiplicateurs de Lagrange sur bibmath.net
J. Ch. Gilbert, Éléments d'Optimisation Différentiable — Théorie et Algorithmes , syllabus de cours à l'ENSTA
ParisTech

Bibliographie [modifier le code]


(en) W. P. Ziemer, Weakly Differentiable Functions: Sobolev Spaces and Functions of Bounded Variation, Springer,
1989 (ISBN 0387970177)

v·m
Analyse fonctionnelle
Ascoli · Baire · Banach-Alaoglu · Banach-Mazur · Banach-Schauder · Banach-Steinhaus ·
Théorèmes
Fréchet-Kolmogorov · Graphe fermé · Hahn-Banach · Lax-Milgram
Fonctionnelle · Équation d'Euler-Lagrange · Multiplicateur de Lagrange · Calcul des variations ·
Dérivée fonctionnelle · Espace de Banach · Algèbre de Banach · C*-algèbre · Espace de Hilbert ·
Espace de Fréchet · Espace nucléaire · Espace de Schwartz · Espace disqué · Variété banachique ·
Articles liés
Espace fonctionnel · Noyau reproduisant · Série de Fourier · Transformée de Fourier ·
Transformée de Laplace · Distribution · Hyperfonction · Dual d'un espace vectoriel topologique ·
Application linéaire continue · Topologie faible · Analyse globale

Portail de l’analyse

Catégories : Calcul des variations Optimisation Joseph-Louis Lagrange

La dernière modification de cette page a été faite le 6 octobre 2017 à 12:46.


Droit d'auteur : les textes sont disponibles sous licence Creative Commons attribution, partage dans les mêmes conditions ; d’autres conditions peuvent
s’appliquer. Voyez les conditions d’utilisation pour plus de détails, ainsi que les crédits graphiques. En cas de réutilisation des textes de cette page, voyez
comment citer les auteurs et mentionner la licence.
Wikipedia® est une marque déposée de la Wikimedia Foundation, Inc., organisation de bienfaisance régie par le paragraphe 501(c)(3) du code fiscal des
États-Unis.

Politique de confidentialité À propos de Wikipédia Avertissements Développeurs Déclaration sur les témoins (cookies) Version mobile

converted by W eb2PDFConvert.com

Vous aimerez peut-être aussi