Séance 1

Présentation du Module M4
Module M4 - Licence SMA

Programmation Mathématique
Séance de Cours 1
Hassan Riahi
Mathématiques
FSSM
Module M4 - Licence SMA Programmation Mathématique Séa

Hassan Riahi Mathématiques
Présentation du Module M4
Plan
‫ب س م ا ل ل ه ا ل رح ما ن ا ل رح ي م‬
1 Présentation du Cours
2 Introduction et Notions Fondamentales
3 Convexité et séparation

Présentation du Cours
Introduction et Notions Fondamentales
Convexité et séparation
Module de Programmation Mathématique

Séance 1a : Introduction et Notions Fondamentales

1 Introduction : Présentation d’un problème de Programmation
mathématique (linéaire, convexe et non linéaire).

2 Notions fondamentales : Analyse de Rn vue en S3 et S4, et
calcul matriciel.
Séance 1b : Convexité et Projection

1 Ensembles convexes dans Rn : Définitions et propriétés,
Operations sur les ensembles convexes.

Séance 2 : Convexité et Projection

1 Ensembles convexes dans Rn : Operations sur les ensembles
convexes (suite).
2 Projection sur un ensemble convexe et Théorèmes de
séparation de convexes.

Séance 3 : Convexité et Séparations

1 Séparation large.
2 Séparation stricte.

Séance 4 : Méthode du simplexe d’un programme linéaire

1 Formes canonique et standard d ?un programme linéaire.
2 Algorithme du simplex.
3 Résolution par la méthode des tableaux.

Séance 5 : Méthode de dualité d’un programme linéaire

1 Présentation d’un programme dual.
2 Théorèmes de dualité et de complémentarité
3 Méthode des tableaux primale-duale.

Séance 6 : Programme non-linéaire sans contraintes 1

1 Conditions nécessaires d’optimalité.
2 Conditions suffisantes d’optimalité.
3 Quelques exemples.

Séance 7 : Programme non-linéaire avec contraintes 1

1 Conditions nécessaires d’optimalité.
2 Conditions suffisantes d’optimalité.


1 Méthodes de descentes.


1 Méthode de Newton.
2 Méthode de Quasi-Newton.

Séance 10 : Programme non-linéaire avec contraintes 2

1 Méthodes de pénalisation.
2 Méthode d’Uzawa.


Présentation de la programmation
Definition (Problème de Programmation Mathématique : PPM)
Un problème de programmation mathématique est :
Minimiser (Maximiser)
f (x)
fi (x) = 0 , i = 1, . . . , m ,
sous-contraintes :
gj (x) ≤ 0 , j = 1, . . . , p .
f , fi ∈ C(Rn ), i = 1, . . . , m,
gj ∈ C(Rn ), j = 1, . . . , p.
Cas Particuliers
f (x), fi (x), gj linéaires → Programmation Linéaire
f (x), fi (x), gj convexes → Programmation Convexe
f (x), fi (x), gj non linéaires → Programmation Non Linéaire
Présentation de la programmation
Definition (Problème de Programmation Mathématique : PPM)
Un problème de programmation mathématique est :
Minimiser (Maximiser)
f (x)
fi (x) = 0 , i = 1, . . . , m ,
sous-contraintes :
gj (x) ≤ 0 , j = 1, . . . , p .
f , fi ∈ C(Rn ), i = 1, . . . , m,
gj ∈ C(Rn ), j = 1, . . . , p.
Cas Particuliers
f (x), fi (x), gj linéaires → Programmation Linéaire
f (x), fi (x), gj convexes → Programmation Convexe
f (x), fi (x), gj non linéaires → Programmation Non Linéaire
Historique
Programmation Linéaire
- LAPLACE (1749-1827) (Essai de traitement)
- KANTOROVITCH (1939) avec multiplicateurs de LAGRANGE
résoud des Problèmes de Transport.
- DANTZIG (1947) algorithme du SIMPLEXE, avec Armée US 2ed
Guère Mondiale.
- KARMARKAR (les années 80) méthode de points intérieure.
Programmation Non Linéaire

- SLATER (1950) Lagrange Multipliers Revisited : A Contribution
to Nonlinear Programming.
- KUHN et TUCKER (1951) Non linear Programming.
- Développement intense à partir des années 70 du 20ème siecle
(Conditions d’optimalité et Méthodes numériques).
Historique
Programmation Linéaire
- LAPLACE (1749-1827) (Essai de traitement)
- KANTOROVITCH (1939) avec multiplicateurs de LAGRANGE
résoud des Problèmes de Transport.
- DANTZIG (1947) algorithme du SIMPLEXE, avec Armée US 2ed
Guère Mondiale.
- KARMARKAR (les années 80) méthode de points intérieure.
Programmation Non Linéaire

- SLATER (1950) Lagrange Multipliers Revisited : A Contribution
to Nonlinear Programming.
- KUHN et TUCKER (1951) Non linear Programming.
- Développement intense à partir des années 70 du 20ème siecle
(Conditions d’optimalité et Méthodes numériques).
Résolution de PPM
Question
Comment résoudre un PPM en générall ?
Existence
On justifie l’existence d’une solution de PPM : Conditions
d’optimalité.
Algorithmes
On essaye d’atteindre une solution de PPM : Convergences
d’algorithmes.

Résolution de PPM
Question
Existence
d’optimalité.
Algorithmes
d’algorithmes.

Résolution de PPM
Question
Existence
d’optimalité.
Algorithmes
d’algorithmes.

Notions Fondamentales
Normes et Fonctions de Rn dans Rp

- Normes dans Rn et M(n, p).
- Continuité et Différentiabilité de fonctions de plusieurs variables.
Matrices dans M(n, p)

- Transformations linéaires de Rn dans Rp .
- Déterminants de matrices.
- Ecriture matricielle d’un système d ?équations linéaires.
- Règle de Cramer pour le résoudre.






Ceci est nécessaire pour suivre le cours.


Definition (Ensembles Convexes)
C ⊂ E (un R-e.v.) est convex si ∀x1 , x2 ∈ C , [x1 , x2 ] ⊂ C , càd
∀θ ∈ [0, 1], θx1 + (1 − θ)x2 ∈ C .

Definition (Ensembles Convexes)
C ⊂ E (un R-e.v.) est convex si ∀x1 , x2 ∈ C , [x1 , x2 ] ⊂ C , càd
∀θ ∈ [0, 1], θx1 + (1 − θ)x2 ∈ C .
Figure – Example Ensemble Convexe Module(à gauche) et Non-convexe (à

M4 - Licence SMA Programmation Mathématique Séa
droite). Hassan Riahi Mathématiques
Exemples d’ensembles convexes
L’ensemble vide : ∅
L’ensemble singleton : {x0 }
L’espace entier : Rn
Les lignes {aT x = b}, a ∈ Rn , b ∈ R
Les hyperplans {AT x = b} et demi-espaces {AT x ≤ b},
A ∈ M(n, m), b ∈ Rm
Boule ouverte B(x0 , ) = {x | kx − x0 k2 < r }
Boule fermé B(x0 , ) = {x | kx − x0 k2 ≤ r }

A ∈ M(n, m), b ∈ Rm

A ∈ M(n, m), b ∈ Rm

A ∈ M(n, m), b ∈ Rm

A ∈ M(n, m), b ∈ Rm

A ∈ M(n, m), b ∈ Rm

A ∈ M(n, m), b ∈ Rm

Enveloppe Convexe
Définition
L’enveloppe convexe de A est l’ensemble conv(A) de toutes les
combinaisons convexes de points dans A :
( k k
)
X X
conv(A) = θi xi |xi ∈ A, θi ≥ 0, i = 1, ...k, θi = 1
i=1 i=1

Enveloppe Convexe
Définition
( k k
)
X X
i=1 i=1
Figure – (a) A Ensemble non-convexe. (b) C = conv(A) l’enveloppe

convexe de A.
Enveloppe Convexe
Définition
( k k
)
X X
i=1 i=1
Proposition
(i) Pour toute partie C , conv(C ) est convexe.
(ii) Pour toute partie C , C ⊆ conv(C ).
(iii) C 0 convexe et C ⊆ C 0 =⇒ conv(C ) ⊆ C 0 .
(iv) C convexe =⇒ C = conv(C ).
Enveloppe Convexe
Définition
( k k
)
X X
i=1 i=1
Proposition
Enveloppe Convexe
Définition
( k k
)
X X
i=1 i=1
Proposition
Enveloppe Convexe
Définition
( k k
)
X X
i=1 i=1
Proposition
Enveloppe Convexe
Définition
( k k
)
X X
i=1 i=1
Proposition
Preuve
(i) Si u, v ∈ conv(C ), t ∈ [0, 1], alors
u = ki=1 θi xi et v = m
P P
j=1 µj yj
où xi , yj ∈ C , θi , µj ≥ 0, ki=1 θi = m
P P
µi = 1. Donc
Pk Pj=1
m
(1 − t)u + tv = i=1 (1 − t)θi xi + j=1 tµj yj ∈ conv(C )
car ki=1 (1 − t)θi + m
P P
j=1 tµj = (1 − t) + t = 1.
Ainsi conv(C ) est convexe.
(ii) Evidente.

Preuve
(iii) Si x ∈ conv(C ), x = ki=1 θi xi , xi ∈ C , θi ≥ 0, ki=1 θi = 1.
P P
Montrons par récurrence sur k ≥ 1 que x ∈ C 0 .
? Si k = 1 c’est évident ; supposons que c’est vrai jusqu’à l’ordre
k − 1. On va écrire
x = ki=1 θi xi = (1 − θk ) i=1
P Pk−1 θi
1−θk xi + θk xk .
On remarque que
Pk−1 θi 1 Pk−1 1
i=1 1−θk = 1−θk i=1 θi = 1−θk (1 − θk ) = 1 ;
Pk−1 θi
donc par convexité de C 0 , yk := i=1 0
1−θk xi ∈ C .
0
Encore, par convexité de C , on déduit que
x = ki=1 θi xi = (1 − θk )yk + θk xk ∈ C 0 .
P
(iv) Cette propriété se déduit directement de (ii) et (iii).

Preuve
Exercice de TD
Montrer que C ⊂ R n est convexe si, P∞et seulement si,
∀x
Pi∞ ∈ C , θi ≥ 0, i = 1, 2, . . ., avec i=1 θi = 1, on a
i=1 θi xi ∈ C si cette série converge.

Opérations préservant la convexité
Proposition
1 Si C , D sont des ensembles convexes, alors C ∩ D est
également convexe.
2 Si C ⊆ Rn est un ensemble convexe, A ∈ Rm×n , b ∈ Rm , alors
AC + b = {Ax + b|x ∈ C } ⊆ Rm
est convexe.
3 Si C ∈ Rn × R?+ est un ensemble convexe, alors sa
transformation de perspective P(C ) avec
P(x1 , x2 , ..., xn , λ) = λ1 (x1 , x2 , ..., xn ) ∈ Rn est aussi convexe.

Proposition
AC + b = {Ax + b|x ∈ C } ⊆ Rm
est convexe.

Proposition
AC + b = {Ax + b|x ∈ C } ⊆ Rm
est convexe.

Preuve
(1) Evidente.
(2) Si u, v ∈ AC + b, t ∈ [0, 1], alors il existe x, y ∈ C tel que
u = Ax + b et v = Ay + b.
Donc (1 − t)u + tv = (1 − t)(Ax + b) + t(Ay + b) =

A[(1 − t)x + ty ] + b =, et puisque C est convexe (1 − t)x + ty ∈ C .
Ainsi (1 − t)u + tv ∈ AC + b, donc AC + b convexe.

Preuve
(3) Si u, v ∈ P(C ), t ∈ [0, 1], alors il existe (x, λ), (y , µ) ∈ C tel

que
u = P(x, λ) = λ1 x et v = P(y , µ) = µ1 y .
Donc

(1 − t)u + tv = (1 − t) λ1 x + t µ1 y = (1 − t) λ1 + t µ1 z,
(1−t) λ1 t µ1
où z = (1−t) λ1 +t µ1
x + (1−t) λ1 +t µ1
y.
1
(1−t) λ1 t
Par convexité de C , on aura z ∈ C car (1−t) λ1 +t µ1
+ (1−t) µ1 +t 1 y = 1.
λ µ
Ainsi (1 − t)u + tv ∈ P(C ). On déduit donc que P(C ) est convexe.


Proposition
(1) Translation : C + b est convexe si C est convexe et b ∈ Rn .
(2) Homothétie : αC est convexe si C est convexe et α ∈ R.
(3) Projection axiale : Pour tout x2 ∈ Rn2 ,
T = {x1 ∈ Rn1 |(x1 , x2 ) ∈ C } (eventuellement vide) est
convexe si C est convexe.
(4) Produit Cartésien : C × D := {(x, y )|x ∈ C , y ∈ D} est
convexe si C , D sont convexes.
(5) Somme : C + D := {x + y |x ∈ C , y ∈ D} est convexe si
C , D sont convexes.
Exercice
A faire en exercice de TD. On peur déduire (6) de (5)

Proposition
Exercice

Proposition
Exercice

Proposition
Exercice

Proposition
Exercice

Proposition
Exercice
Exemples :
1- Un exemple d’opération qui ne préserve pas toujours la

convexité est l’union d’ensembles :
Figure – Ici, un segment entre deux points de la réunion de deux

convexes n’est pas inclus dans cette réunion
2- Une autre opération ne préservant pas toujours la convexité

est le complémentaire : En fait, le complémentaire d’un
convexe est concave.
Exemples :
1- Un exemple d’opération qui ne préserve pas toujours la

convexité est l’union d’ensembles :
Figure – Ici, un segment entre deux points de la réunion de deux

convexes n’est pas inclus dans cette réunion
2- Une autre opération ne préservant pas toujours la convexité

est le complémentaire : En fait, le complémentaire d’un
convexe est concave.
Fin de Séance
‫وأﻋﺎﻧﻜﻢ ﷲ‬


Séance 1

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Séance 1

Transféré par

Droits d'auteur :

Formats disponibles

Présentation du Module M4

Module M4 - Licence SMA

Module M4 - Licence SMA Programmation Mathématique Séa

2 Introduction et Notions Fondamentales

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

2 Introduction et Notions Fondamentales

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

Séance 1a : Introduction et Notions Fondamentales

mathématique (linéaire, convexe et non linéaire).

Séance 1b : Convexité et Projection

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

Séance 2 : Convexité et Projection

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

Séance 3 : Convexité et Séparations

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

Séance 4 : Méthode du simplexe d’un programme linéaire

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

Séance 5 : Méthode de dualité d’un programme linéaire

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

Séance 6 : Programme non-linéaire sans contraintes 1

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

Séance 7 : Programme non-linéaire avec contraintes 1

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

Séance 8 : Programme non-linéaire sans contraintes 2

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

Séance 9 : Programme non-linéaire sans contraintes 3

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

Séance 10 : Programme non-linéaire avec contraintes 2

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

2 Introduction et Notions Fondamentales

Module M4 - Licence SMA Programmation Mathématique Séa

Programmation Non Linéaire

Programmation Non Linéaire

Module M4 - Licence SMA Programmation Mathématique Séa

Module M4 - Licence SMA Programmation Mathématique Séa

Module M4 - Licence SMA Programmation Mathématique Séa

Normes et Fonctions de Rn dans Rp

Matrices dans M(n, p)

Module M4 - Licence SMA Programmation Mathématique Séa

Normes et Fonctions de Rn dans Rp

Matrices dans M(n, p)

Module M4 - Licence SMA Programmation Mathématique Séa

Normes et Fonctions de Rn dans Rp

Matrices dans M(n, p)

Ceci est nécessaire pour suivre le cours.

Module M4 - Licence SMA Programmation Mathématique Séa

Module de Programmation Mathématique

2 Introduction et Notions Fondamentales

Module M4 - Licence SMA Programmation Mathématique Séa

∀θ ∈ [0, 1], θx1 + (1 − θ)x2 ∈ C .

Module M4 - Licence SMA Programmation Mathématique Séa

∀θ ∈ [0, 1], θx1 + (1 − θ)x2 ∈ C .