Académique Documents
Professionnel Documents
Culture Documents
Optimisation - Chapitre 1
Optimisation - Chapitre 1
DJEGHALI
Département Automatique
UMMTO, 2021/2022
Min f ( x ), x ∈ R n
Sous les contraintes :
Pc1 :
g i ( x ) = 0, i = 1,..., m (Contraintes d’égalité)
h j ( x ) ≥ 0 , j = 1,..., p (Contraintes d’inégalité)
Avec : Min f(x) signifie le minimum de f(x). On dit que l’on cherche à minimiser la fonction
f.
Exemple 1.1
Min x1x 2
Sous les contraintes :
x1 + x 2 + 1 = 0
x 1 + 2x 2 ≥ 0
Max f ( x ), x ∈ R n
Sous les contraintes :
Pc2 :
g i ( x ) = 0, i = 1,..., m
h j ( x ) ≥ 0 , j = 1,..., p
Avec : Max f(x) signifie le maximum de f(x). On dit que l’on cherche à maximiser la fonction
f.
Dans les problèmes d’optimisation Pc1 et Pc2, la fonction f(x) définie de D dans R (i.e.,
f : D → R ) porte divers noms : fonction de coût, fonction objectif ou critère
d’optimisation.
djeghalinadial2csp@gmail.com
Chapitre 1. Rappels mathématiques N. DJEGHALI
Remarque 1.1 : Les problèmes Pc1 et Pc2 peuvent être écrits sous les formes simplifiées P’c1 et
P’c2 suivantes :
Remarque 1.3 : Max f(x)= - Min (-f(x)) et Min f(x)= - Max (-f(x))
Ainsi la recherche d’un maximum peut se ramener à la recherche d’un minimum et vice versa.
f(x)
Min f(x)
Max -f(x) x
-f(x)
2
Chapitre 1. Rappels mathématiques N. DJEGHALI
1.2 Convexité
a) Ensemble convexe : un ensemble D ⊂ R n est dit convexe si pour tout couple
( x 1 , x 2 ) ∈ D et ∀ α ∈ [0 1] , on a :
x = αx 1 + (1 − α) x 2 ∈ D
Cette définition peut être interprétée en disant que le segment reliant x 1 et x 2 doit être dans
D.
Exemples d’ensembles convexes :
D
x x2 D
x1
x
x1 x2
D
f (x 2 )
αf ( x 1 ) + (1 − α)f ( x 2 )
f (x 1 )
f (αx 1 + (1 − α) x 2 )
x1 αx1 + (1 − α) x 2 x2 x
Fonction convexe
3
Chapitre 1. Rappels mathématiques N. DJEGHALI
f (αx 1 + (1 − α) x 2 )
f (x 2 )
αf ( x 1 ) + (1 − α)f ( x 2 )
f (x 1 )
x1 αx 1 + (1 − α) x 2 x2 x
Fonction non convexe
c) Fonction concave : Une fonction est concave si –f est convexe. La définition d’une
fonction et ensemble concave se fait en inversant les inégalités dans les définitions
précédentes.
f(x)
x
Fonction concave
4
Chapitre 1. Rappels mathématiques N. DJEGHALI
1.3 Définitions
Soit le problème d’optimisation suivant:
Max ou Min f ( x ), x ∈ R n
s.c :
g i ( x ) = 0, i = 1,..., m
h j ( x ) ≥ 0, j = 1,..., p
Définition 1.1 : Tout vecteur x vérifiant l’ensemble des contraintes (i.e., x ∈ D ) est appelé
solution admissible ou réalisable du problème d’optimisation.
Définition 1.2 : Un optimum ou extremum d’une fonction f est soit un maximum soit un
minimum, c'est-à-dire la valeur la plus haute ou la plus faible que prend la fonction sur son
ensemble de définition D. Cet optimum est donné par f(x*).
f(x*)=Min f(x) dans le cas d’un problème de minimisation ⇒ f(x*) : Minimum.
f(x*)=Max f(x) dans le cas d’un problème de maximisation ⇒ f(x*) : Maximum.
Définition 1.3 : Le point x* où la fonction f possède un minimum (resp. maximum) est dit un
point de minimum ou minimiseur (resp. un point de maximum ou maximiseur). x* est aussi
appelé solution optimale du problème d’optimisation.
f(x)
max imum ← f ( x *1 )
min imum ← f ( x * 2 )
x *1 x *2 x
5
Chapitre 1. Rappels mathématiques N. DJEGHALI
b) Minimum ou maximum local strict : f admet un minimum (resp. maximum) local au sens
strict en x* ∈ D si et seulement s’il existe un voisinage Vε ( x*) de x*, tel que :
c) Minimum ou maximum global: f admet un minimum (resp. maximum) global (ou absolu)
en x* ∈ D si :
∀x ∈ D, f ( x*) ≤ f ( x ) (resp. f ( x*) ≥ f ( x ) )
Si les inégalités sont strictes, on obtient la définition d’un minimum (resp. maximum) global
strict.
Maximum
global
strict
Maximum Maximum
f(x) local local
Minimum
local strict
Minimum
global
strict
x
6
Chapitre 1. Rappels mathématiques N. DJEGHALI
∂f
∂x
1
∂f
∇f ( x ) = ∂x 2
.
.
∂f
∂x
n
1.6.2 Hessien ou matrice hessienne : Le hessien de f est défini comme suit :
∂ 2f ∂ 2f ∂ 2f
2 . . .
∂ 2x 1 ∂x 1 ∂x 2 ∂x 1 ∂x n
∂ f ∂ 2f ∂ 2f
∂x ∂x . . .
∂2x2 ∂x 2 ∂x n
H( x ) = ∇ 2 f ( x ) = 2 1
.
.
2
∂ f ∂ 2f ∂ f
2
. . .
∂x n ∂x 1 ∂x n ∂x 2 ∂ 2 x n
Remarque 1.4 : La matrice hessienne est la jacobienne du gradient, elle est symétrique.
7
Chapitre 1. Rappels mathématiques N. DJEGHALI
Remarque 1.5 : Dans le cas d’une fonction d’une seule variable, c'est-à-dire
f : D ⊂ R → R , alors si f(x) est deux fois continûment dérivable sur D, on a:
• Si ∀ x ∈ D, f ′′( x ) ≥ 0 (resp. f ′′( x ) > 0 ) alors f est convexe (resp. strictement convexe).
• Si ∀ x ∈ D, f ′′( x ) ≤ 0 (resp. f ′′( x ) < 0 ) alors f est concave (resp. strictement concave).
1.6.4 Point stationnaire ou critique : un point x* vérifiant ∇f ( x*) = 0 est appelé point
stationnaire ou point critique de f.
2
Avec t >0 et ε( th ) est une fonction qui tend vers 0 quand t tend vers 0, c’est-à-dire
lim ε( th ) = 0 .
t →0
On conclue que :
a-x* est un point de minimum local si :
∇f ( x*) = 0
8
Chapitre 1. Rappels mathématiques N. DJEGHALI
Remarque 1.6
• si ∇f ( x*) = 0 et si f(x) est convexe (resp. strictement convexe) alors x* est un point de
minimum global (resp. global et unique).
• si ∇f ( x*) = 0 et si f(x) est concave (resp. strictement concave) alors x* est un point de
maximum global (resp. global et unique).
• si ∇f ( x*) = 0 et ∇ 2 f ( x*) est semi-définie positive ou semi-définie négative alors on
peut rien conclure.
• si ∇f ( x*) = 0 et ∇ 2 f ( x*) est indéfinie alors x* est un point selle ou point col.
Remarque 1.7: Dans le cas d’une fonction d’une seule variable, les conditions ci-dessus
deviennent :
• si f ′( x*) = 0 et f ′′( x*) > 0 alors est x* est un point de minimum local.
• si f ′( x*) = 0 et f ′′( x*) < 0 alors est x* est un point de maximum local.
• On dit que A est définie positive (resp. définie négative) et on note A > 0 (resp.
A < 0 ), ssi:
x T Ax > 0 (resp. x T Ax < 0) , ∀x ∈ R n , avec x ≠ 0.
• On dit que A est indéfinie, ssi :
∃ x , y ∈ R n tel que x T Ax > 0 et y T Ay < 0
I.8.2 Critères pour reconnaitre une matrice définie, semi-définie positive ou négative
a) Les valeurs propres
-A est semi-définie positive (resp. négative) ssi toutes ses valeurs propres sont ≥ 0 (resp. ≤ 0 ).
-A est définie positive (resp. négative) ssi toutes ses valeurs propres sont > 0 (resp. < 0 ).
-A est indéfinie ssi elle admet une valeur propre >0 et une valeur propre <0.
9
Chapitre 1. Rappels mathématiques N. DJEGHALI
b) Les mineurs principaux : Soit A une matrice symétrique qui s’écrit comme suit :
a 11 a 12 . . . a 1n
a a 22 . . . a 2 n
12
A= . .
. . . .
a 1n a 2n . . . a nn
a11 a12
Alors : ∆1 = a11 , ∆ 2 = ,......, ∆ n = det(A) sont les mineurs principaux de A. On a :
a12 a12
10
Chapitre 1. Rappels mathématiques N. DJEGHALI
5
50
4
3 40
2 30
1
20
0
10
-1
-2 0
5
-3 5
-4
0
0
-5 -5
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5
(a) (b)
11
Chapitre 1. Rappels mathématiques N. DJEGHALI
Dans le chapitre suivant, nous nous intéressons aux méthodes locales de résolution d’un
problème d’optimisation sans contraintes.
A. JUTARD
M. BETEMPS
12