Académique Documents
Professionnel Documents
Culture Documents
l’approximation di¤use
1 Introduction
Dans ce travail, nous recherchons une méthode d’optimisation robuste, perme-
ttant d’aborder l’optimisation globale, basée sur une évaluation de la fonction
coût en un nombre limité de points disposés selon un plan d’expérience.
Nous nous situons dans le cadre de problèmes d’optimisation de forme, de
poids, d’épaisseur des structures, d’analyse de sensibilité et d’identi…cation. La
démarche consiste à minimiser un critère, appelé aussi fonction coût ou fonc-
tion objectif f (x) correspondant à une grandeur à minimiser sous un certain
nombre de contraintes g (x) = 0 ou g (x) · 0 dites limitations. Les vari-
ables d’optimisation x sont également appelées “variables de conception”. La
fonction coût est rarement connue explicitement : on fait appel à un calcul
numérique, par exemple par éléments …nis. On ne sait pas à priori si la fonction
est convexe : des minima locaux peuvent être présents.
Le calcul de la fonction et des limitations nécessite la résolution d’un prob-
lème complet par éléments …nis, donc coûte (très) cher. Pour cette raison, les
méthodes discrètes d’optimisation génétique ou du recuit simulé faisant appel
à un grand nombre d’évaluations du critère, sont inutilisables dans la pratique.
D’autre part, dans les problèmes en variables continues le calcul des gradients
utilisés dans les méthodes de descente peut poser des problèmes, en particulier
quand on utilise un code de calcul fermé.
1
de problème.
© L’exploration
ª des extrema locaux est alors possible donnant une
collection min x0 de points minimaux ©de fe0 . ªDans la deuxième étape, on
0
évalue la “vraie”
© 0 ª fonction pour l’ensemble min x . On peut ensuite enrichir la
collection x avec les points du voisinage V min x0 donnant un nouvel ensemble
© 1ª © 0ª © ª © ª
x = x [ V min x0 , ou plus généralement xk+1 = xk [ Vmin xk à l’étape
k + 1 de l’algorithme.
© k+1 ª A l’itération k + 1 on construit l’approximation f k+1 à
partir de x . Ceci mène à un échantillonnage adaptatif de la fonction coût.
² grandes perturbations pour traiter des surfaces non convexes et pour réu-
tiliser les points déjà calculés et ainsi limiter le nombre d’évaluations de
la fonction coût,
² sans gradients, sauf quand ils sont disponibles: dans ce cas on utilisera
une approximation de type Hermite,
Le schéma habituel des di¤érences …nies n’est pas e¢cace. D’abord pour
des raisons de coût et aussi à cause de manque de stabilité de la dérivée lorsque
la fonction est polluée par un bruit de haute fréquence ce qui est le cas par
exemple en dynamique explicite. Cette nouvelle méthode, spéci…que à la surface
de réponse dévient une méthode d’optimisation classique lorsque:
² continuité
² localité
2
Figure 1: Surface de réponse obtenue sur l’échantillonnage …n 51X51.
5 Résultats numériques
5.1 faisabilité d’une pièce emboutie
Il s’agit ici d’identi…er un matériau permettant de réaliser une pièce emboutie
compte tenu des contraintes de faisabilité: risque de plissement et de rupture.
Le point initial correspond à un matériau connu (Al Numisheet) pour lequel
la simulation prédit un risque de plissement élevé. Le point de convergence
correspond à un matériau admissible, le plus proche du matériau de départ et
pour lequel les contraintes de faisabilité sont satisfaites. Les détails du problème
d’identi…cation correspondant à la surface de réponse présentée sont expliqués
dans [1]. Les Figures 1 et 2 illustrent la trajectoire du point courant en partant
du point initial, jusqu’au point de convergence avec 7 points intermédiaires xi.
Compte tenu de voisinage TCR9 de 9 nœuds pris en compte en chaque point
courant, on pourrait s’attendre à 7*9 = 63 évaluations de la fonction objectif.
Toutefois, le plan d’expérience à grille carrée 12*12, impose ici des positions
…xes des points d’évaluation. Le chevauchement des voisinages successifs de xi
implique alors seulement 25 points d’évaluation. La précision du minimum est
bien évidemment limitée par la grille adoptée. On pourrait toutefois continuer le
calcul en rajoutant des points autour du point de convergence tout en réutilisant
les points déjà évalués.
3
Figure 2: Trajectoire de convergence de la méthode avec surface de réponse
approchée sur une grille grossière 12*12 (zoom de la Fig. 1)
6 Conclusions
Les intérêts de la surface de réponse sont multiples: une solution approchée peut
être obtenue avec un faible nombre d’évaluations du critère, plusieurs points de
départ peuvent être utilisés sans surcroît de coût pour explorer plusieurs minima
locaux. La méthode permet de dissocier la campagne de tests numériques de la
mise au point du critère de la phase d’optimisation.
Nous avons proposé une nouvelle famille d’algorithmes de minimisation rapide
qui ne nécessite pas de gradients. Ces algorithmes s’adaptent facilement à
l’optimisation par surface de réponse. Les tests numériques sur des exemples an-
alytiques et sur un problème d’identi…cation de matériaux démontrent l’intérêt
de notre approche. Un travail important est nécessaire d’une part pour prendre
en compte des limitations nonlinéaires, rendre la méthode robuste, envisager un
grand nombre de variables de conception et d’autre part pour valider la méthode
sur des cas test d’intérêt industriel.
7 Références
[1] A. Delamézière, N. Hakim, P. Breitkopf, C. Knopf-Lenoir, J-L. Batoz et
P. Villon “Utilisation de la méthode de surface de réponse pour améliorer la
faisabilité d’une pièce emboutie en optimisant les paramètres du matériau“,
colloque Primeca, La Plagne, 2001