Académique Documents
Professionnel Documents
Culture Documents
13 novembre 2019
Résultats d’existence
1 3 3 3 f (x) = x 6
f (x) = x 5 − x 4 − x 3 +
2 40 5 10
Optimisation
Min J(u)
u∈K
I J fonction différentiable
I K ⊂ V avec V espace de Hilbert.
I Dimension
I dimV < +∞ : Optimisation en dimension finie
(Rn , polynômes de degré inférieur à n, espaces d’éléments
finis, série de Fourier tronquée...)
I dimV = +∞ : Optimisation en dimension infinie
(C 1 ,L2 , H 1 , H01 ...)
I Contraintes
I K = V : Optimisation sans contraintes
I K ( V : Optimisation sous contraintes (1, 2 infinité)
I Égalité : F (v ) = 0, F : V → W ,
I Inégalité : F (v ) ≤ 0.
Plan du chapitre
Quelques références
J(v ) −→ +∞
kv k→+∞
Moindres carrés :
inf kb − Axk
x∈Rn
Un autre exemple important en dimension finie, pour TD
mardi
1
<latexit sha1_base64="f02k6prfv2orF2Z7CWi9MeJF+zs=">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</latexit>
n
0
<latexit sha1_base64="Bsse/9U+BIwFEDCr5v4B1bR8xtY=">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</latexit>
k k+1 1
<latexit sha1_base64="7sCe8t6nfPb+zCWUCxiga05M4r4=">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</latexit>
<latexit sha1_base64="8rROFT3UGu6iIUG+z5fiIBUUBhY=">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</latexit>
n n
<latexit sha1_base64="G1scll+aMv//C3ktG0456RyRNWk=">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</latexit>
1
Z Z
J(v ) = (αk∇v k2 + βv 2 ) − fv
2 Ω Ω
Dv J(u) = J 0 (u) · v .
I Fonction quadratique
1
J(x) = (Ax, x) − (b, x)
2
I Moindres carrés u 7→ kAu − bk2 .
I Extension à la dimension infinie (u dans L2 ou H 1 )
1
Z Z
2 2
J(u) = (αk∇uk + βu ) − fu
2 Ω Ω
(3) =⇒ (2)
Convexité et différentiabilité
(3) =⇒ (4)
1
J(v ) = J(u) + J 0 (u) · (v − u) + J 00 (u + θ(v − u)) · (v − u) · (v − u)
2
Cas sans contrainte. Condition nécessaire de minimum
V espace de Hilbert. J : V → R.
Théorème : (Equation d’Euler) Si u ∈ V est un point de minimum
de J différentiable, alors J 0 (u) = 0.
Théorème : (Condition nécessaire ordre 2) Si u ∈ V est un point
de minimum de J deux fois différentiable, alors on a de plus
∀v ∈ V (J 00 (u)v , v ) ≥ 0
Cas sans contrainte. Condition suffisante de minimum
Théorème : Soit J une fonction différentiable dans V et u un
point de V tel que J 0 (u) = 0.
1. Si J est deux fois différentiable dans un voisinage de u et s’il
existe un voisinage Ω de u tel que
∀v ∈ Ω, ∀w ∈ V , J 00 (v )w .w ≥ 0, alors u est minimum local de
J.
2. Si J est deux fois différentiable,et s’il existe α > 0 tel que
∀w ∈ V , J 00 (u)w .w ≥ αkw k2 ,
u ∈ K , ∀v ∈ E (J 0 (u), v ) = 0
Ou encore J 0 (u) ∈ E ⊥ .
Exemple : contraintes égalité,
E = {v ∈ V , (ai , v ) = 0, 1 6 i 6 m}, alors l’orthogonal de E est
l’espace vectoriel engendré par les ai , et donc
u ∈ K
m
Inéquation d’Euler ⇐⇒ 0
X
∃p 1 , .., p m ∈ R J (u) + pi ai = 0.
i=1
K = {v , Bv = c} = {v , (ai , v ) = ci , 1 6 i 6 m}.
K 6= ∅ ⇐⇒ c ∈ Im B
B matrice m × n. K = u0 + E , E = Ker B, Bu0 = c. On définit
par ai les vecteurs ligne de B, alors
E = {v ∈ V , (ai , v ) = 0, 1 6 i 6 m}
Xm
∃p1 , .., pm ∈ R J 0 (u)+ pi ai = 0 ⇐⇒ ∃p ∈ Rm J 0 (u)+B T p = 0.
i=1
Fi (v ) = (ai , v ) − ci , Fi0 (v ) = ai ,
Xm Xm
J 0 (u)+ pi ai = 0 ⇐⇒ J 0 (u)+ pi Fi0 (u) = 0 ⇐⇒ J 0 (u)+B T p = 0
i=1 i=1
Optimisation quadratique sous contrainte : K sous espace
affine de Rn
1
J(v ) = (Av , v ) − (b, v ), K = {v , Bv = c}
2
A matrice n × n, c ∈ Rm , B matrice m × n.
1. Existence et unicité th 1.1 et 1.2 ou corollaire 1.1
2. Caractérisation
Xm
∃p1 , .., pm ∈ R J 0 (u)+ pi ai = 0 ⇐⇒ ∃p ∈ Rm Au−b+B T p = 0.
i=1
(
Bu = c,
u solution optimale ⇐⇒
∃p ∈ Rm , Au − b + B T p = 0.
c ∈ Im u, Bu = c, Au − b + B T p = 0.
BA−1 B T p = BA−1 b − c.
K = c + K0 .
u ∈ K
(
u∈K
⇐⇒ J 0 (u).(c − u) = 0
∀v ∈ K , J 0 (u).(v − u) ≥ 0
∀w ∈ K0 , J 0 (u).w ≥ 0.
Exemple de cône :
K0 = {v ∈ V , (ai , v ) ≤ 0, 1 6 i 6 m}
K = {v ∈ V , (ai , v ) ≤ ci , 1 6 i 6 m} = u0 + K0 .
Optimisation sous contrainte : K cône
Pour M cône convexe fermé de sommet O, on définit le cône dual
par
M ? = {c ∈ V , ∀v ∈ M, (c, v ) ≥ 0}. (7)
M = {v ∈ V , ∀i ∈ {1, .., m}, (v , ai ) 6 0}
m
X
J 0 (u).w ≥ 0 ⇐⇒ J 0 (u) ∈ K0? ⇐⇒ J 0 (u) = − p i ai
i=1
Optimisation sous contraintes affines : Résumé
Contraintes égalité
K = {Bv = c} = {(v , ai ) = ci , i = 1 · · · m}
(
Bu = c,
u solution optimale ⇐⇒
∃p ∈ Rm , J 0 (u) + B T p = 0.
Contraintes inégalité
K = {Bv ≤ c} = {(v , ai ) ≤ ci , i = 1 · · · m}
(
Bu ≤ c,
u solution optimale ⇐⇒
∃p ∈ Rm +, J 0 (u) + B T p = 0.
Contraintes égalité
K = {Bv = c} = {(v , ai ) = ci , i = 1 · · · m}
(
Bu = c,
u solution optimale ⇐⇒
∃p ∈ Rm , Au − b + B T p = 0.
Contraintes inégalité
K = {Bv ≤ c} = {(v , ai ) ≤ ci , i = 1 · · · m}
(
Bu ≤ c,
u solution optimale ⇐⇒
∃p ∈ Rm +, Au − b + B T p = 0.
Optimisation sous contrainte : Directions admissibles
F1 (v ) = 0, K (v ) = {w , w1 +
w2 ≥ 0}
v1 (3v12 +v22 −2)
F2 (v ) = 0, K (v ) = {w , w · 2v2 (v1 +2)
≤ 0}
K = {v , F1 (v ) ≤ 0, F2 (v ) ≤ 0}
Optimisation sous contrainte : Inéquation d’Euler générale
∀w ∈ K (u) (J 0 (u), w ) ≥ 0
∀w ∈ K (u) (J 0 (u), w ) ≥ 0
K = {w ∈ V , ∀j, 1 ≤ j ≤ m, Fj (w ) = 0} = {w ∈ V , F (w ) = 0}
K = {w ∈ V , ∀j, 1 ≤ j ≤ m, Fj (w ) = 0} = {w ∈ V , F (w ) = 0}
K = {w ∈ V , ∀j, 1 ≤ j ≤ m, Fj (w ) = 0} = {w ∈ V , F (w ) = 0}
K = {w ∈ V , ∀j, 1 ≤ j ≤ m, Fj (w ) = 0} = {w ∈ V , F (w ) = 0}
K = {w ∈ V , ∀j, 1 ≤ j ≤ m, Fj (w ) ≤ 0} = {w ∈ V , F (w ) ≤ 0}.
F1 (v ) = −v1 − v − 2,
F2 (v ) = v1 (v12 + v22 ) − 2(v12 − v22 )
K = {v , F1 (v ) ≤ 0, F2 (v ) ≤ 0}
Qualification ?
Optimisation sous contrainte : Contraintes inégalités
K = {v ∈ V , ∀j Fj (v ) = 0, ∀k Gk (v ) ≤ 0}.
Motivation :
X
C.E u ∈ K régulier minimum local =⇒ ∃p ∈ Rm , J 0 (u) + pj Fj0 (u) = 0
j
X
0
C.I u ∈ K qualifié minimum local =⇒ ∃p ∈ Rm
+ , J (u) + pj Fj0 (u) = 0.
j
Cas convexe
X
C.E u ∈ K régulier minimum local ⇐⇒ ∃p ∈ Rm , J 0 (u) + pj Fj0 (u) = 0
j
X
0
C.I u ∈ K qualifié minimum local =⇒ ∃p ∈ Rm
+, J (u) + pj Fj0 (u) = 0.
j
Optimisation sous contrainte : Lagrangien
Définition : Lagrangien associé au problème de minimisation
X
v ∈ V , q ∈ Rm , L(v , q) = J(v ) + qj Fj (v )
j
X
L0v (v , q) = J 0 (v ) + qj Fj0 (v ), L0q (v , q) = F (v ).
j
⇐⇒ ∀q ∈ Rm , L0q (u, q) = 0
contraintes égalité u ∈ K
(
∀q ∈ Rm , L0v (u, q) = 0
C.E u régulier minimum local =⇒ m 0
(∃p ∈ R , Lq (u, p) = 0
∀q ∈ Rm , L0v (u, q) = 0
C.I u qualifié minimum local =⇒ 0
∃p ∈ Rm
+ , Lq (u, p).p = 0
Cas convexe
C.E u régulier minimum local ⇐⇒
C.I u qualifié minimum local =⇒
Optimisation sous contrainte inégalité ; théorie de Kuhn et
Tucker
∀(u, p) ∈ U × P,
V = Rn , J(v ) = (b, v ), F (v ) = Bv − c.