N.

DJEGHALI

Département Automatique
Faculté de Génie Electrique et de l’Informatique
Master 1 (AII et AS)

Année 2021/2022

Optimisation: Le corrigé de la série de TD n°1

Ex.#1 Choix des variables de décision. Soient:

x 1 : la quantité de produit P1
x 2 : la quantité de produit P2

Alors le problème de fabrication des deux produits est modélisé comme suit :

Max 5x 1 + 6x 2
s.c :
2x 1 + x 2 ≤ 800
4x 1 + 2 x 2 ≤ 700
x 2 ≤ 300
x 1 ≥ 0, x 2 ≥ 0

Avec f ( x 1 , x 2 ) = 5x 1 + 6x 2 est la fonction objectif.

Ex.#2 Choix des variables de décision. Soient :

x 1 : la quantité du café de type 1
x 2 : la quantité du café de type 2

Alors le problème de fabrication des deux types du café est modélisé comme suit :

Max 140x 1 + 170x 2

s.c :
0.6x 1 + 0.4x 2 ≤ 2000
0.3x 1 + 0.4x 2 ≤ 3000
0.1x 1 + 0.2x 2 ≤ 500
x 1 ≥ 0, x 2 ≥ 0

Ex.#3 Etudier la convexité ou la concavité des fonctions suivantes:

Rappel de cours : Soit f : R n → R , de classe C2. ∇ 2 f ( x ) est le hessien de f, alors:

• Si ∀ x ∈ R n , ∇ 2 f ( x ) est semi-définie positive (resp. définie positive) alors f est

convexe (resp. strictement convexe).

1
 N.DJEGHALI

• Si ∀ x ∈ R n , ∇ 2 f ( x ) est semi-définie négative (resp. définie négative) alors f est

concave (resp. strictement concave)

Dans le cas d’une fonction d’une seule variable, c'est-à-dire f : R → R , on a:

• Si ∀ x ∈ R , f ′′( x ) ≥ 0 (resp. f ′′( x ) > 0 ) alors f est convexe (resp. strictement
convexe).
• Si ∀ x ∈ R , f ′′( x ) ≤ 0 (resp. f ′′( x ) < 0 ) alors f est concave (resp. strictement concave)

1) f1 ( x ) = x 2
f1′( x ) = 2x ; f1′′( x ) = 2 > 0 ∀x ∈ R ⇒ f1 est strictement convexe.
1 1
2) f 2 ( x 1 , x 2 ) = − x 1 − 2 x 2 − 2 x 1 x 2 + x 12 + x 22
2 2
Pour calculer la matrice hessienne de f2, on commence par le calcul du gradient puis à partir
du gradient on calcule facilement la matrice hessienne
• Calcul du gradient de f2
 ∂f 2 
 ∂x   − 1 − 2 x 2 + x 1 
∇f 2 ( x 1 , x 2 ) =  1  =  
 ∂f 2  − 2 − 2 x 1 + x 2 
 ∂x 2 
• Calcul de la matrice hessienne
1 −2
∇ 2 f 2 (x1 , x 2 ) = 
− 2 1

• Calcul des mineurs principaux de ∇ 2 f 2 ( x 1 , x 2 )

∆1 = 1 > 0
∆ 2 = det(∇ 2 f 2 ( x 1 , x 2 )) = −3 < 0

On a n=2 (‘n’ est pair) et ∆ 2 < 0 ⇒ ∇ 2 f 2 ( x 1 , x 2 ) est indéfinie ⇒ f 2 n’est ni convexe ni

concave.

3) f 3 ( x 1 , x 2 ) = − x 12 − 5x 22 + 3x 1 x 2 − x 1 + 2 x 2 + 10

 ∂f 3 
 ∂x   − 2 x 1 + 3x 2 − 1 
∇f 3 ( x 1 , x 2 ) =  1  =  
 ∂f 3  − 10 x 2 + 3x 1 + 2
 ∂x 2 
• Calcul de la matrice hessienne
− 2 3 
∇ 2 f 3 (x 1 , x 2 ) =  
 3 − 10

2
 N.DJEGHALI

• Calcul des mineurs principaux de ∇ 2 f 3 ( x 1 , x 2 )

∆ 1 = −2 < 0
∆ 2 = 11 > 0

⇒ ∇ 2 f 3 ( x 1 , x 2 ) < 0 (définie négative) ∀x ∈ R 2 ⇒ f 3 est strictement concave.

4) f 4 ( x 1 , x 2 , x 3 ) = 2( x 12 + x 22 + x 32 − x 1 x 2 − x 2 x 3 )
• Calcul du gradient de f4
 ∂f 4 
 
 ∂x 1   4 x 1 − 2 x 2 
∂f
∇f 4 ( x 1 , x 2 , x 3 ) =  4  =  4 x 2 − 2 x 1 − 2 x 3 
 ∂x   
 ∂f 2  4 x 3 − 2 x 2 
 4
 ∂x 3 
• Calcul de la matrice hessienne
 4 −2 0
∇ f 4 ( x1 , x 2 , x 3 ) = − 2 4 − 2
2 
 0 − 2 4 

• Calcul des mineurs principaux de ∇ 2 f 4 ( x 1 , x 2 , x 3 )

∆1 = 4 > 0
∆ 2 = 12 > 0
∆ 3 = 32 > 0

⇒ ∇ 2f 4 ( x1 , x 2 , x 3 ) > 0 (définie positive) ∀x ∈ R 3 ⇒ f 4 est strictement convexe.

Ex.#4 Trouver analytiquement les minima et les maxima des fonctions suivantes:
Rappel de cours : Soit f : R n → R et soit x* le point critique de f ( ∇ 2 f ( x*) =0), alors:

• Si ∇ 2 f ( x*) est définie positive (resp. négative) alors x* est un point de minimum
(resp. point de maximum) local.
• Si ∇ 2 f ( x*) est indéfinie alors x* est un point selle ou point col (x* n’est pas un point
d’extremum).
• Si ∇ 2 f ( x*) est semi-définie positive (resp. négative) alors on ne peut pas conclure.
Dans le cas d’une fonction d’une seule variable c'est-à-dire f : R → R . Soit x* le point
critique de f ( f ′( x*) = 0 ), alors :

• si f ′′( x*) > 0 alors est x* est un point de minimum local

• si f ′′( x*) < 0 alors est x* est un point de maximum local

3
 N.DJEGHALI

• si f ′′( x*) = 0 alors x* peut être est un point d’inflexion

1) f1 ( x ) = x 3
1.1) Calcul des points critiques
f1′( x ) = 3x 2 = 0 ⇒ x = 0
1.2) Nature du point critique
f1′′( x ) = 6x, f1′′(0) = 0 ⇒ f1 ( x ) possède un point d’inflexion en x=0.
1
2) f 2 ( x 1 , x 2 ) = x 12 − x 1 x 2 + x 32
6
2.1) Calcul des points critiques :
 ∂f 2 
 ∂x   2 x 1 − x 2  0
∇f 2 ( x 1 , x 2 ) =  1  =  1 2 =  
 ∂f 2  − x 1 + 2 x 2  0
 ∂x 2   

1
⇒ On trouve deux points critiques ( x 1 , x 2 ) = (0,0) et ( x 1 , x 2 ) = ( ,1)
2
2.2) La nature des points critiques
• Calcul de la matrice hessienne

 2 −1 
Hf 2 ( x 1 , x 2 ) = ∇ 2 f 2 ( x 1 , x 2 ) = 
− 1 x 2 

2 −1
• Hf 2 (0,0) = 
− 1 0

Les mineurs principaux de Hf 2 (0,0) sont :

∆1 = 2 > 0
∆ 2 = −1 < 0

On a n=2 (‘n’ est pair) et ∆ 2 <0 ⇒ Hf 2 (0,0) est indéfinie ⇒ (0,0) est un point selle.

1 2 − 1
• Hf 2 ( ,1) = 
2 − 1 1

1
Les mineurs principaux de Hf 2 ( ,1) , sont :
2
∆1 = 2 > 0 1 1
⇒ Hf 2 ( ,1) est définie positive ⇒ ( ,1) est un point de minimum local. Le
∆2 = 1 > 0 2 2

1 1
minimum local de f2 est : Min f 2 = f 2 ( ,1) = − .
2 12

4
 N.DJEGHALI

3) f 3 ( x 1 , x 2 ) = − x 12 − 5x 22 + 3x 1 x 2 − x 1 + 2 x 2 + 10

3.1) Calcul des points critiques :

 ∂f 3 
 ∂x   − 2 x + 3x − 1  0
∇f 3 ( x 1 , x 2 ) =  1  =  1 2
= 
∂
 3  − 10 x 2 + 3x 1 + 2 0
f
 ∂x 2 

−4 1
Le point critique de f3 est : ( x 1 , x 2 ) = ( , )
11 11
3.2) La nature du point critique
• Calcul de la matrice hessienne
− 2 3
Hf 3 ( x 1 , x 2 ) = ∇ 2 f 3 ( x 1 , x 2 ) = 
3 − 10

−4 1 − 2 3
• Hf 3 ( , )=
11 11  3 − 10 

−4 1
Les mineurs principaux de Hf 3 ( , ) , sont :
11 11
∆ 1 = −2 < 0 −4 1 −4 1
⇒ Hf 3 ( , ) est définie négative ⇒ ( , ) est un point de maximum local.
∆ 2 = 11 > 0 11 11 11 11

−4 1
Le maximum local de f3 est : Max f 3 = f 3 ( , ) = 10.2727.
11 11
Ex.#5 Calculer les extrema de la fonction suivante. Montrer qu’ils sont globaux et uniques

f ( x 1 , x 2 ) = x 12 + x 22
a) Calcul des points critiques :
 ∂f 
 ∂x   2 x  0
∇f ( x 1 , x 2 ) =  1  =  1  =  
 ∂f  2 x 2  0
 ∂x 2 

Le point critique de f est : ( x 1 , x 2 ) = (0,0)

b) La nature du point critique
b.1) Calcul de la matrice hessienne
2 0
H( x 1 , x 2 ) = ∇ 2 f (x 1 , x 2 ) = 
0 2

5
 N.DJEGHALI

2 0
H (0,0) = 
0 2
b.2) Les mineurs principaux de H (0,0) , sont :
∆1 = 2 > 0
⇒ H(0,0) est définie positive ⇒ (0,0) est un point de minimum local. Le
∆2 = 4 > 0
minimum local de f est : Min f = f (0,0) = 0.

c) Le point de minimum (0,0) est global et unique si la fonction f est strictement convexe
(voir chapitre 1, le point 1.5).

c.1) Etude de la convexité de f

On a H( x 1 , x 2 ) est définie positive ∀x ∈ R 2 ⇒ f est strictement convexe ⇒ (0,0) est un
point de minimum global et unique.

Ex.#6 On considère la fonction suivante

f ( x 1 , x 2 ) = 2 x 12 + x 22 − x 1x 2 − 3x 1 − x 2 + 4

1. Détermination analytique des extrema de cette fonction

1.1 Calcul des points critiques :
 ∂f 
 ∂x  4 x − x 2 − 3 0
∇f ( x 1 , x 2 ) =  1  =  1 = 
 ∂f   2 x 2 − x 1 − 1 0
 ∂x 2 

Le point critique de f est : ( x 1 , x 2 ) = (1,1) .

1.2 La nature du point critique
• Calcul de la matrice hessienne
4 − 1
H( x 1 , x 2 ) = ∇ 2 f (x 1 , x 2 ) = 
− 1 2

4 − 1
H (1,1) = 
− 1 2

• Les mineurs principaux de H (1,1) , sont :

∆1 = 4 > 0
⇒ H(1,1) est définie positive ⇒ (1,1) est un point de minimum local. Le minimum
∆2 = 7 > 0
local de f est : Min f = f (1,1) = 2.

2. Détermination du minimum de la fonction en utilisant la méthode de Newton.

Le point initial est x 0 = [ x 10 x 02 ]T = [2 3]T . Le critère d’arrêt est:

6
 N.DJEGHALI

∇f ( x k ) ≤ ε avec ε = 10 −3

Rappel : L’algorithme de la méthode de Newton est :

Partant d’un point x0
Pour k=0,1,2,….
x k +1 = x k − (H( x k )) −1 ∇f ( x k ) , avec x = [ x 1 x 2 ]T

Itération 1 : k=0
x 1 = x 0 − (H( x 0 )) −1 ∇f ( x 0 )
 2 4 − 1
On a ∇f ( x 0 ) = ∇f ( x 10 , x 02 ) =   , H( x 0 ) = H( x 10 , x 02 ) = 
 3 − 1 2
2 / 7 1 / 7
(H( x 0 )) −1 =  , alors :
1 / 7 4 / 7 

2  2 / 7 1 / 7  2 1

x1 =   −  =
3 1 / 7 4 / 7  3 1
0  1
∇f ( x 1 ) =   ⇒ ∇f ( x 1 ) = 0 < ε ⇒ x 1 =   est le point de minimum local de f .
0  1