Université Hassiba Benbouali de Chlef

Faculté de Technologie / Département de Génie des Procédés

Optimisation sous Contraintes

 Optimisation non linéaire sous contraintes

Master M2 _S3

Dr Soumia. KOUADRI MOUSTEFAI

Méthode des multiplicateurs de Lagrange

• Joseph Louis Lagrange

• Né à Turin en 1736
• Mort à Paris 1813

Application pour des problèmes d’optimisation non linéaires et sous

contraintes

 Min f(x) x = (x1, x2, …., xn)T

 hj(x) = 0 j = 1, 2, ……, m

 gj(x) - sj2 = 0 j = m+1,……, p

2
Exemple 1 : fonction objectif non linéaire, contrainte égalité

Min f(x) = 4 x12  5 x22

s.c h(x) = 2x1 + 3x2 – 6 = 0

La contrainte h(x)
6  3 x2
x1 
2
f  x2   14 x22  36 x2  36
f
 28 x2  36  0 x2*  1,286
x2

6  3x *2
x 1*   1,071
2
3
Représentation graphique de la fonction objectif et de la contrainte

4
Méthode des multiplicateurs de Lagrange
Soit le Pb d’optimisation sous contrainte

 Min f(x1, x2)

 s.c. h1(x1, x2)=e e = cst

 h(x1,x2) = h1-e = 0

Condition nécessaire
f f
df  0  dx1  dx2 03
x1 x2

h h
dh  0  dx1  dx2 04
x1 x2 5
Si f(x) était une fonction sans contrainte, les deux dérivés partielles de
f(x) doivent être égales à zéro ( ) pour tout dx1 et dx2 au point optimal
(à l’optimum). Cependant les variable x1 et x2 sous contraintes (dx1 et
dx2 ne sont pas indépendantes et on ne peut pas arbitrairement mettre
les dérivées partielles de f(x) égales à zéro.
Cependant f(x) doit avoir un extremum à l’optimum pour que df(x) = 0.
La seconde condition , noté h(x) = 0, existe parce que la contrainte
h1(x) est supposée égale à une constante.
Pour les équations 3 et 4, on peut envisager que dx1 et dx2 sont
(perturbations différentielles) des variations (de l’optimum) par
rapport au point optimal x1* et x2*, et on peut réécrire les équations
sous la forme de 2 éqts à 2 variables inconnues. 6
Les équations 03 et 04

a11dx1  a12dx2  0 05 2 eqts avec 2 inconnues

a21dx1  a22dx2  0 06

Det  0  a11a22  a21a12  0

a11 a12 a a
 ou 11  21 07
a21 a22 a12 a22

donc, a11  a21 et a12  -a 22 08

 : est un paramètre qui relie les dérivées de f(x) et h(x)

 → multiplicateur de Lagrange
7
La fonction Lagrangienne

Lx,    f x   hx  hx  0

Les équations 8 peuvent être écrites sous la forme :

f h dL
  0 09
x1 x1 dx1
f h dL
   0 10
x2 x2 dx2
L x,  
 h x   0 11


La procédure d’optimisation utilisant le multiplicateur de Lagrange

nécessite l’addition de la variable  pour définir la nouvelle fonction.
8
Exemple 1 : fonction non linéaire, contrainte égalité linéaire
Min f(x) = 4 x1  5 x2
2 2

s.c. h(x) = 2x1 + 3x2 – 6 = 0

Fonction de Lagrange
Lx,    4 x12  5x22   2 x1  3x2  6
Condition nécessaire
L 
 8 x1  2  0  x1 
x1 4
L  3
 10 x2  3  0  x2 
x2 10
L     3 
 2 x1  3 x2  6  2   3 6  0
  4   10 

 30
 , x1*  1,071, x2*  1,286
7 9
La méthode du multiplicateur de Lagrange peut être utilisée pour des
problèmes à plusieurs variables (>2)

f(x) n variables

h(x) m contraintes égalités

Les contraintes doivent être indépendantes et m < n

10
Problème non linéaire
 Min f(x)

 hj(x) = 0 j = 1, 2, ……, m
 gj(x) - sj2 = 0 j = m+1,……, p
Fonction de Lagrange
Lx,    f x     j h j x     j g j x   s 2j 
m p

j 1 j  m 1

j= 1,………….., p multiplicateur de Lagrange

Condition nécessaire (solution stationnaire)

Lx *
 0 i  1,..........., n
x i j  0 pour un minimum
Lx * j  0 pour un maximum
 0 j  1,..........., m
 j

Lx *
 2 j s j  0 j  m  1,......, p
s j 11
Exemple 2 : Contraintes non linéaires et non égalités
Min f x   x1 x2
s.c g x   25  x12  x22  0
Fonction de Lagrange


Lx,    x1 x2   25  x12  x22  s 12 
Condition nécessaire (solution stationnaire)
L x *
 x2  2x1  0
x1
L x *
 x1  2x2  0
x2
L x *
 25  x12  x22  s 12  0

L x *
 2s 1 
s 1 12
Solutions de l’exemple 2 par la méthode des multiplicateurs de Lagrange

 x1 x2 pt s1 f(x) remarque
Saddle
0 0 0 A 5 0 Point col
Point selle

-0,5 +3,54 -3,54 B 0 -12,5 Min

-3,54 +3,54 C 0 -12,5 Min

0,5 +3,54 +3,54 D 0 +12,5 Max

-3,54 -3,54 E 0 +12,5 Max

13
 x2 25  x 2
1  x 22  0

C D

-2 2

A
-5 -4 -3 -2 -1 0 +1 +2 +3 +4 +5 x1
2 -2

E
B

14