Académique Documents
Professionnel Documents
Culture Documents
Chapitre II Optimisation
Chapitre II Optimisation
Chapitre II
I .1 Problèmes d’optimisation en génie des procédés
On peut citer quelques problèmes d’optimisation disponible par exemple pour un seul
variable Diamètre de la pipe, Rapport de reflux et Réacteur / préchauffeur. Par contre pour
une optimisation multi-variable on note par exemple: batch reactor/preheater, absorber et
Staged compressors.
D'un point de vue pratique, On définit la tâche d'optimisation par l’opération de trouver la
meilleure solution à ce procédé dans les limites des contraintes. Cette tâche nécessite les
éléments suivants:
Fonction objective
Une fonction objective fournit une mesure de performance quantitative qui doit être
minimisée ou maximisée. Cela peut être le coût, le rendement, le profit, etc. du système.
Maximiser
Dans certains problèmes d'optimisation, vous essayez de rendre l'objectif aussi grand que
possible. Ces problèmes sont des problèmes de maximisation.
Modèle prédictif
Minimiser
Dans certains problèmes d'optimisation, vous essayez de rendre l'objectif aussi petit que
possible. Ces problèmes sont des problèmes de minimisation.
Contrainte explicite
Les contraintes explicites décrivent les éléments qui vous ont été clairement définis comme
objectifs lors de votre processus d'optimisation. Par exemple, les limitations de ressources
(matériaux, main-d'œuvre) et de demande sont souvent explicitement mentionnées.
Contrainte implicite
Les contraintes implicites font référence aux quantités que vous devez reconnaître sont
également des contraintes pour votre processus d'optimisation. Par exemple, pour optimiser
les bénéfices d'une entreprise en produisant différentes quantités de biens différents, le
nombre d'unités de chaque produit à produire peut être un entier. La quantité produite doit
également être non négative.
f(x)
min ou max;
x
R
f ( x0 ) f ( x ), x R
Les maxima locaux et globaux sont définis de manière similaire. Il découle de cette
observation que tout problème de maximisation peut être réduit immédiatement a un
problème de minimisation en multipliant la fonction objectif par -1.
Si on trouve un point x=x0 tel que f(x0)=y0=Max f(x) sur l’intervalle [a,b], alors on peut dire
que x0 est un point stationnaire maximum.
Si on trouve un point x=x0 tel que f(x0)=y0=Min f(x) sur l’intervalle [a,b], alors on peut dire
que x0 est un point stationnaire minimum.
Soit une fonction f(x) pour laquelle le dérivé partiel de 1er ordre existe en tous points.
L’évolution de l’optimum s’effectuer comme suit :
Condition nécessaire : pour f(a) soit optimum de la fonction f(x) il faut que la dérivée 1er
de la fonction pour point stationnaire égale à 0
F’(x=a)=0
Nature des points stationnaires : la nature de l’optimum (max, min) est définit pour
l’évaluation de la dérivé second de f(x) au point stationnaire x=a
La procédure général de résolution pour les fonctions objectif à plusieurs variables sans
contraint est comme suivante :