Vous êtes sur la page 1sur 8

4.

Quelques Applications
de l’Optimisation Mathématique

Dépt de Mathématiques , UMBB

1
Programmation Linéaire
𝑓, ℎ𝑖 et 𝑔𝑗 sont des fonctions linéaires : Principe de l’algorithme du SIMPLEXE :
min 𝑓 𝑥 = 𝑐1 𝑥1 + ⋯ + 𝑐𝑛 𝑥𝑛 • Commencer par un sommet réalisable
s-a
𝑔𝑗 𝑥 = 𝑎𝑗1 𝑥1 + ⋯ + 𝑎𝑗𝑛 𝑥𝑛 ≤ 𝑏𝑗 𝑥 (0) .

ℎ𝑖 𝑥 = 𝑎𝑖1 𝑥1 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛 = 𝑏𝑖 • Tant qu'il y a un autre sommet 𝑥 (𝑘+1) qui
𝑥𝑖 ≥ 0, 𝑖 = 1 ⋯ 𝑛
𝑦 améliore 𝑓, aller vers celui-ci, sinon
arrêter.
Applications: (très nombreuses)
𝐶 • raffinage

𝐵 𝐵 • traitement signal, traitement image


𝛀 • Approximation d’autres modèles
𝐴 𝐷 𝑥 complexes, Etc.
2
Projection sur un Convexe Fermé
Soit Ω un ensemble convexe fermé et Applications :
un point 𝑥 ∈ ℝ𝑛 . • Méthode du gradient projeté

𝒙 • Traitement signal :
𝒚∗

• Combiner plusieurs photos prises par une


Projeter 𝑥 sur Ω revient à trouver le caméra médiocre pour avoir une photo
point 𝑦 ∗ ∈ Ω telle que la distance plus nette.
𝑥 − 𝑦 ∗ soit minimale : • Réparer fichier JPG / MPEG
• Palier aux capteurs en pannes
∗ ∗
𝑦 = arg min 𝑥 − 𝑦
𝑦∈Ω
• Associer réseaux de neurones
3
Les Moindres Carrés
Soient 𝑛 points de coordonnées (𝑥𝑖 , 𝑦𝑖 ). L’idée des moindres carrés est de
𝑦 minimiser la somme des carrés des écarts
Δ𝑦𝑖 = 𝑦𝑖 − 𝑦𝑖 = 𝑦𝑖 − (𝑎𝑥𝑖 + 𝑏)

𝑦𝑖
Δ𝑦𝑖 Le modèle :
𝑦𝑖

𝑥 𝑛
𝑥1 𝑥𝑖 𝑥𝑛 min 𝑓 𝑥 = [𝑦𝑖 − 𝑎𝑥𝑖 + 𝑏 ]2
𝑎,𝑏∈ℝ
𝑖=1

Déterminer les paramètres 𝑎 et 𝑏 de la


droite 𝑦 = 𝑎𝑥 + 𝑏 qui représente le
mieux ce nuage de point.
4
Régression Multiple avec Contraintes
Soient 𝑘 individus. Trouver la pondération 𝑎1 ⋯ 𝑎𝑛 la plus
Pour chaque individu, on a observé 𝑛 adaptée à ce modèle :
caractéristiques 𝑋1 ⋯ 𝑋𝑛 et son trait 𝑘
2
min 𝑓 𝑎 = 𝑦𝑖 − 𝑎1 𝑥𝑖1 + ⋯ + 𝑎𝑛 𝑥𝑖𝑛
principal 𝑌 : 𝑎𝑖
𝑖=1

s-a 𝑎1 + ⋯ + 𝑎𝑛 = 1
𝑥11 ⋯ 𝑥1𝑛 𝑦1
⋮ ⋱ ⋮ et ⋮
𝑥𝑘1 ⋯ 𝑥𝑘𝑛 𝑦𝑘

Si la relation entre 𝑌 et les 𝑋1 ⋯ 𝑋𝑛 est


sous la formes
𝑦 = 𝑎1 𝑥1 + ⋯ + 𝑎𝑛 𝑥𝑛
5
Lissage de Données
• Etant donné un nuage de points Problème :
(𝑥𝑖 , 𝑦𝑖 ), 𝑖 = 1 ⋯ 𝑛 observés dans une Comment estimer la valeur de 𝜃 ?
expérience, avec 𝑥𝑖 , 𝑦𝑖 ∈ ℝ .
• On sait que la relation entre 𝑥 et 𝑦 Solution :
est de la forme 𝑦 = 𝑓𝜃 (𝑥) Résoudre le PM sans contraintes
• On connait la forme de 𝑓, par
exemple : 𝑓 = 𝜃 log(𝑥) + 2, ou 𝑛
2
𝑓 = 𝜃1 𝑥 2 + 𝜃2 𝑥 mais on ne connait min𝑛 𝑓𝜃 𝑥𝑖 − 𝑦𝑖
𝜃∈ℝ
𝑖=1
pas la valeur de 𝜃.
• En général 𝜃 ∈ ℝ𝑚

6
Problème de Localisation 𝑦
• Soient 𝑛 clients 𝐶1 ⋯ 𝐶𝑛 positionnés
𝐶2
sur un plans aux points connus
𝐷
𝑥1 , 𝑦1 ⋯ (𝑥𝑛 , 𝑦𝑛 ). 𝐶1

• On souhaite construire un dépôt 𝐷


qui minimise la distance totale par 𝐶3
𝑥
rapport à l’ensemble des clients.
• Les coordonnées du dépôt 𝐷 sont Le modèle :
𝑛
(𝑥, 𝑦), à déterminer.
𝑚𝑖𝑛 𝑥𝑖 − 𝑥 2 + 𝑦𝑖 − 𝑦 2

• La distance entre 𝐶𝑖 et 𝐷 est donnée 𝑖=1


s-a 𝑥 ≥ 0, 𝑦 ≥ 0
par :

𝑑 𝐶𝑖 , 𝐷 = 𝑥𝑖 − 𝑥 2 + 𝑦𝑖 − 𝑦 2
7
Gestion de Portefeuille Boursier
• Un investisseur veut composer un Le modèle :
portefeuille de 𝑛 actions ayant un min 𝑓 𝑥 = 𝑥 𝑇 𝑉𝑥
𝑥

rendement moyen supérieur à 𝜇. s-a 𝑟 𝑇 𝑥 ≥ 𝜇


𝑛
• La portion de l’action 𝑖 dans son 𝑖=1 𝑥𝑖 =1

𝑛 𝑥𝑖 ≥ 0, 𝑖 = 1 ⋯ 𝑛
portefeuille est 𝑥𝑖 tel que 𝑖=1 𝑥𝑖 =1
• Le retour sur investissement de
l’action 𝑖 est 𝑟𝑖 , 𝑖 = 1 ⋯ 𝑛
• La matrice des covariances entre
les différentes actions est 𝑉.
• Il doit minimiser son risque.