Académique Documents
Professionnel Documents
Culture Documents
Projet
Devoir de Maison
Sous la supervision du :
Prof Guy DEGLA
gdegla@imsp-uac.org
Présenté par :
NOM
NOM
NOM
1
Exercice I
Exercice I
Déterminons parmi les problèmes d’optimisation donnés, ceux qui admettent de solutions puis justifions nos
réponses sans chercher à résoudre entièrement ces problèmes.
1. inf 2 (x2 + y 2 + e−y )
(x,y)∈R
∀(x, y) ∈ R2 , (x2 + y 2 + e−y ) ≥ 0.
Donc le problème admet de solution
2. inf (xy 2 )
(x,y)∈R2
Posons f (x, y) = xy 2
Supposons que f est minorée.
f est minorée, alors il existe un réel m tel que f (x, y) ≥ m∀x, y ∈ R
∀(x, y) ∈ R2 , f (x, y) ≥ m donc lim f (x, y) = −∞ ≥ m (Absurde). Donc f n’est pas minorée.
(x,y)→−∞
Donc le problème n’admet donc pas de solution.
3. inf (x2 − 3x + y)
x≥0,y≥0
x+y≤100
Posons D = {(x, y) ∈ R2 / x ≥ 0, y ≥ 0, x + y ≤ 100}
D est un ensemble compact. De plus, la fonction (x, y) 7→ x2 − 3x + y est continue sur R2 en particulier
sur D
Donc le problème admet de solution
4. sup (esin(x−y) )
(x,y)∈R2
Posons f (x, y) = esin(x−y)
∀x, y ∈ R − 1 ≤ sin(x − y) ≤ 1 donc e−1 ≤ f (x, y) ≤ e
Donc le problème admet de solution.
5. inf (x2 + y 2 − cos(x + y))
(x,y)∈R2
∀ (x, y) ∈ R2 −1 ≤ cos(x+y) ≤ 1 ; donc x2 +y 2 −1 ≤ x2 +y 2 −cos(x+y) ≤ x2 +y 2 +1 or x2 +y 2 −1 ≥ −1
donc x2 + y 2 − cos(x + y) ≥ −1.
Donc le problème admet de solution.
6. inf (cos2 x − y 2 )
x4 +y 4 ≤1
D = {(x, y) ∈ R2 , x4 + y 4 ≤ 1} est un compact. De plus la fonction (x; y) 7→ cos2 −y 2 est continue sur R,
en particulier sur D. D’où le problème admet de solution.
7. inf (x2 cos y)
(x,y)∈R2
Posons f (x, y) = x2 cos y
Supposons que f est minorée.
f est minorée alors il existe un réel m tel que f (x, y) ≥ m ∀x, y ∈ R. Donc ∀x ∈ R, f (x, π) = −x2 ≥ m,
donc lim f (x, π) = −∞ ≥ m (Absurde).
x→−∞
Donc le problème n’admet pas de solution
sin e(x−y)
8. sup 2+cos y
(x,y)∈R2
∀ (x, y) ∈ R2 − 1 ≤ sin e(x−y) ≤ 1 donc
−1 sin e(x−y) 1
2+cos y ≤ 2+cos y ≤ 2+cos y
De plus, −1 ≤ cos y ≤ 1 =⇒ 1 ≤ 2 + cos y ≤ 3 =⇒ 1
3 ≤ 1
2+cos y ≤1
(x−y)
Ainsi, sin e
≤1
2+cos y
Donc le problème admet de solution
R1
9. inf −1
[u(t)]2 dt
u∈C([0,1])
u(0)=1
u ∈ C([0, 1]), on a : [u(t)]2 ≥ 0
R1
alors −1 [u(t)]2 dt ≥ 0
donc le problème admet de solution.
2
Exercice II
1. i) Représentons graphiquement, dans différents repères, les épigraphes de chacune des fonctions définies
sur R par :
⋆ f (x) = x − 1
−2 −1 0 1 2 3 4
−1
−2
−3
⋆ g(x) = |x|
−3 −2 −1 0 1 2 3
−1
⋆ h(x) = −|x|
3
2
−2 −1 0 1 2 3
−1
−2
−3
ii) Parmi ces trois fonctions, celles qui sont convexes sont : f et g car leurs épigraphes sont des parties
convexe
2. Représentons graphiquement l’enveloppe convexe K des trois points suivants de R2 : A(0, 0), B = (0, 2)
et C = (1, 0).
B
2
A C
−2 −1 0 1 2
−1
−2
Écrire K comme l’ensemble des solutions d’un système de trois inéquations linéaires.
4
Exercice III
1. i) Représentation des parties dans les figures différentes
−2 −1 0 1 2 3 4 5 6 7
−1
Figure 4 – K1 = {(x, y) ∈ R2 , x ⩾ 0 et y ⩾ 0}
−1 0 1 2 3 4 5
−1
5
5
−6 −5 −4 −3 −2 −1 0 1 2 3 4 5 6
−1
−2
−3
−4
−5
Figure 6 – K3 = {(x, y) ∈ R2 , xy ⩾ 0}
−4 −3 −2 −1 0 1 2 3 4
−1
−2
−3
−4
Figure 7 – K4 = {(x, y) ∈ R2 , x + y ̸= 0}
6
4
2
(D)
−2 −1 0 1 2
−1
−2 0 2 4
Figure 9 – K6 = {(x, y) ∈ R2 , |x| = 1}
−2
Figure 8 – K5 = {(x, y) ∈ R2 , x − y = 1}
3 2
2
1
1
−3 −2 −1 0 1 2 3 −2 −1 0 1 2
−1
−1
−2
−3 −2
7
2
1
−2 −1 0 1 2
−2 −1 0 1 2
−1
−1
−2
Figure 12 – K9 = {(x, y) ∈ R2 , x2 + y 2 ⩽ 1} −2
* Montrons
que K12 est convexe :
K1 = (x; y) ∈ R /′ x ≥ 0 et y ≥ 0
x x
soit A et B ′ ∈ K1 et t ∈ [0; 1]
y y
Notons par C=tA+(1 − t)B.
Etmontrons queC ∈K1
tx + (1 − t)x′
C
ty + (1 − t)y ′
A ∈ K1 et B ∈ K1 =⇒ x ≥ 0 ; x′ ≥ 0 y ≥ 0 et y ′ ≥ 0
Donc :
c’est mieux de mettre Donc au lieu de en suite ∀t ∈ [0; 1], tx + (1 − t)x′ ≥ 0 et
ty + (1 − t)y ′ ≥ 0 car t≥ 0 et (1 − t) ≥ 0 ; il s’ en suit que C ∈ K1
On conclu que K1 est convexe
** Montrons
que K52 est convexe :
K5 = (x; y) ∈ R /x − y = 1
x x′
soit A et B ′ ∈ K5 et t ∈ [0; 1]
y y
Notons par C=tA+(1 − t)B.
Etmontrons queC ∈ K5
tx + (1 − t)x′
C
ty + (1 − t)y ′
A; B ∈ K5 =⇒ x − y = 1 et x′ − y ′ = 1.
On a : ∀ t ∈ [0; 1]
8
tx + (1 − t)x′ − [ty − (1 − t)y ′ ] = tx + (1 − t)x′ − ty − (1 − t)y ′
= t(x − y) + (1 − t)(x′ − y ′ )
= t+1−t
= 1
Par suite, C ∈ K5 .
On conclut que K5 est convexe.
b) Montrons
que K6 n’est pas convexe.
K6 = (x; y) ∈ R2 /|x| = 1
1 −1 1
soit A ,B et t= .
1 2 2
On a bien A ; B ∈ K6 et t ∈ [0; 1] Mais. |t(1) + (1 − t)(1)| = |− 12 + 1 − 12 | = 0 ̸= 1
Donc tA+(1 − t)B ∈/ K6 .
On conclut que K6 n’ est pas convexe.
2. Considérons les ensembles :
{P ∈ R [X] ; P (0) = −1}
E1 = n o
R1
E2 = f ∈ C([0, 1]) : 0 |f (x)|dx ≤ 1
A = {f ∈ C([0, 1]) : |f (0)dx = 1}
≤ t+1−t
≤ 1
Donc tf+(1-t)g ∈E2 .
D’où E2 est convexe.
9
Exercice IV
On considère la programmation linéaire :
1. Dessinons le Polygone K.
Soit (D1 ), (D2 ), (D3 ), (D4 ), et (D5 ) les droites d’équation respective :
(D1 ) : x = 0
(D2 ) : y = 0
(D3 ) : 2x − y = 12
(D4 ) : x + 2y = 16
(D5 ) : x − 2y + 12 = 0
Les points A(6 ;0) et B(4 ;-4) sont deux points de (D3 )
Les points C(6 ;5) et D(4 ;6) sont deux points de (D4 )
Les points E(0 ;6) et F(-4 ;4) sont deux points de (D5 )
On a :
10
13
12
11
10
(D4 ) 9
(D5 )
8
A2
7
A1
6 (D3 )
A3
4
(∆6 )
2
A4
A0
−6 −5 −4 −3 −2 −1 0 1 2 3 4 5 6 7 8 9 10
−1
(∆1 )
−2
−3
Conclusion
La représentation du polygone K est la partie non colorée.
Les points Ai A0 A1 A2 A3 A4
f (Ai ) 0 24 30 24 6
D’après le tableau précédent, la solution du problème (Lp 1) est atteint au point A2 (2; 7) et
vaut f (A2 ) = 30
11
Exercice V
On considère la programmation linéaire :
1. Graphiquement.
Soit (D1 ), (D2 ), (D3 ), (D4 ), et (D5 ) les droites d’équation respective :
(D1 ) : x = 0
(D2 ) : y = 0
(D3 ) : 3x + 2y = 12
(D4 ) : −x + 2y = 4
Les points A(4 ;0) et B(2 ;3) sont deux points de (D3 )
Les points C(0 ;2) et D(-4 ;0) sont deux points de (D4 )
La représentation graphique de G est donné par :
5 (D3 )
4 (D4 )
(∆4 ) A2
3
A1
2
A0 A3
−4 −3 −2 −1 0 1 2 3 4 5 6 7
−1
(∆2 )
−2
2<4 et d’après la représentation graphique de G, la ligne de niveau (∆2 ) est en dessous de la ligne de
niveau (∆4 ) donc le problème (Lp1 ) admet de solution. Cette solution est atteinte au point A2 (2; 3)
et vaut f (2; 3) = 8
2. Résolvons le problème (Lp1 ) en utilisant les variables d’écart
Posons : t = −3x − 2y + 12 et s = x − 2y + 4
12
t−s+8 −s − 3t + 24
On a donc s ≥ 0 ; t ≥ 0 ; x = et y =
4 8
Soit h la fonction de IR vers IR tel que : f (x; y) = h(s; t). On a donc :
f (x; y) = h(s; t)
t−s+8 −s − 3t + 24
= +2
4 8
−4s − 4t + 64
=
8
(s + t)
= − +8
2
(s + t)
s ≥ 0 et t ≥ 0 donc − ≤ 0. Ainsi les valeurs de s et t pour lesquelles f est maximale sont :
2
s = 0 et t = 0.
s = 0 et t = 0 ⇒ x = 2 et y = 3. Ainsi la solution du problème (Lp1 ) est obtenue au point de coordonné
(2 ;3) et vaut f (2; 3) = 8.
Exercice VI
1°) Vérifions :
vi°) f : R → R, f (x) = x3
f n’est pas convexe car ∀x ∈ R∗− , f ′′ (x) = 6x < 0.
vii°) f : R+ → R, f (x) = x3
f est convexe car ∀x ∈ R+ , f ′′ (x) = 6x ≥ 0.
viii°) f
: R → R, f (x) = max {1 − x, 0}
1−x si x<1
f (x) = .
0 sinon
Or les fonctions x → 1 − x et x → 0 sont convexes sur R.
Donc f est convexe.
ix°) f : R → R, f (x) = ex
f est convexe car f ′′ (x) = ex > 0, ∀x ∈ R.
13
x°) f : R → R, f (x) = e−x
f est convexe car f ′′ (x) = e−x > 0, ∀x ∈ R.
xi°) f : R → R, f (x) = x4 − x3 + x2 − 1
f est au moins deux fois dérivable sur R et on a :
f ′′ (x) = 12x2 − 6x + 2
Donc ∀ x ∈ R, f est convexe
∆ = −60 < 0
xii°)f : R → R, f (x) = x4 − x2
f est au moins deux fois dérivable sur R et on a f ′′ (x) = 12x − 2 et f ′′ (0) = −2 < 0. D’où f n’est pas convexe.
2°) Vérifions :
i°) g : R2 → R, g(x, y) = −x + y − 1
g est convexe car affine.
iii°) g : R2 → R, g(x, y) = −y 2
g n’est pas convexe car la fonction (x, y) → y 2 est convexe.
vi°)g : R2 → R, g(x, y) = xy
Soit Hg la matrice
hessienne de la fonction g.
0 1
Hg =
1 0
tr(Hg ) = 0 et det(Hg ) = −1 < 0, donc Hg n’est pas définie semie-définie positive. D’où g n’est pas convexe.
vii°) g : R2 → R, g(x, y) = x2 + xy + y 2
Soit Hg la matrice
hessienne de la fonction g.
2 1
Hg =
1 2
tr(Hg ) = 4 et det(Hg ) = 3, donc Hg est définie semie-positive. D’où g est convexe.
viii°) g : R2 → R, g(x, y) = x2 − y 2
Soit Hg la matrice
hessienne de la fonction g.
2 0
Hg =
0 −2
tr(Hg ) = 0 et det(Hg ) = −4, donc Hg n’est pas semie-positive. D’où g n’est convexe.
* Pour n = 1, ∀x ∈ R, f1 (x) = x.
La fonction x 7→ x est affine donc f1 est convexe.
14
* Pour n = 2, ∀x ∈ R, f2 (x) = x2 .
La fonction x 7→ x2 est convexe donc f2 est convexe.
Soit n > 2
La fonction x 7→ xn est au moins deux fois dérivable sur R et on a : fn′′ (x) = n(n − 1)xn−2 .
* Pour n − 2 pair
n − 2 pair ⇒ n pair et ∀x ∈ R, fn′′ (x) ≥ 0
donc fn est convexe.
* Pour n − 2 impair
n − 2 impair ⇒ n pair. On a :
∀x ∈ R∗− , fn′′ (x) < 0
∀x ∈ R+ , fn′′ (x) ≥ 0
donc fn est convexe.
En conclusion, fn est convexe si et seulement si n ∈ {1} ∪ {2k, k ∈ N∗ }.
15
Exercice VII
Soit Q le polynôme défini sur R2 par Q(x; y) = ax2 + by 2 + cx + dy + e ; où a, b, c, d et e sont des paramètres
réels.
1. Q est affine :
Q est affine si et seulement si a = 0, b = 0, c, d, et e ∈ R.
2. Q est quadratique :
Q est quadratique si et seulement si (a; b) ̸= (0; 0) et (c; d; e) = (0; 0; 0).
3. Q est convexe :
Soit H
la matrice hessienne de la fonction Q.
2a 0
H=
0 2b
Q est convexe ⇔ les valeurs propres soient positives
⇔ 2a ≥ 0 et 2b ≥ 0
⇔ a ≥ 0 et b ≥ 0
En conclusion Q est convexe si et seulement si a ≥ 0, b ≥ 0, c, d et e ∈ R
4. Q est coercif si et seulement si (a; b) ̸= (0; 0) et (c; d; e) ∈ R3 .
Exercice VIII
Soit K ⊂ Rn un ensemble non vide et fermé.
Justifions que pour tout élément x0 de Rn , il existe un unique élément y0 ∈ K tel que
inf ∥y − x0 ∥2 =∥y0 − x0 ∥2
Soit x0 un élément de Rn et f :K → R une fonction continue définie par f(y)= ∥y − x0 ∥2 .
EXISTENCE
UNICITE
Soit y1 , y2 deux éléments de K tel que :
16
Exercice IX
1. i) La condition suffisante pour que les sous-ensembles {f ≤ γ} et {f < γ} soient convexes est que la
fonction f soit convexe.
En effet, supposons que f est convexe.
Soient x, y ∈ {f ≤ γ} et λ ∈ [0, 1]. Cela signifie que f (x) ≤ γ, f (y) ≤ γ. Nous voulons montrer que
λx + (1 − λ)y ∈ {f ≤ γ}. Comme f est convexe, nous avons f (λx + (1 − λ)y) ≤ λf (x) + (1 − λ)f (y) ≤
λγ + (1 − λ)γ = γ, donc λx + (1 − λ)y ∈ {f ≤ γ}.
De même, nous pouvons montrer que si f est convexe, alors {f < γ} est également convexe.
Soient w, z ∈ {f < γ} et λ ∈ [0, 1]. Cela signifie que f (w) < γ, f (z) < γ. Nous voulons montrer que
λw + (1 − λ)z ∈ {f < γ}. Comme f est convexe, nous avons f (λw + (1 − λ)z) < λf (w) + (1 − λ)f (z) <
λγ + (1 − λ)γ = γ, donc λw + (1 − λ)z ∈ {f < γ}.Alors {f < γ} est également convexe.
3
f (x) ≤ 1
x ≤1
f (y) ≤ 1 y 3 ≤ 1
=⇒
0<λ<1
0<λ<1
0<1−λ<1 0<1−λ<1
x≤1
y ≤ 1
=⇒
0<λ<1
0<1−λ<1
(
λx ≤ x
=⇒
(1 − λ)y ≤ 1 − λ
n
=⇒ λ + (1 − λ)y ≤ 1
n
=⇒ (λ + (1 − λ)y)3 ≤ 13
n
=⇒ f (λ + (1 − λ)y) ≤ 1
n
=⇒ λ + (1 − λ)y ∈ {f ≤ 1}
17
3
f (x) < 1
x <1
f (y) < 1 y 3 < 1
=⇒
0<λ<1
0<λ<1
0<1−λ<1 0<1−λ<1
x<1
y < 1
=⇒
0<λ<1
0<1−λ<1
(
λx < x
=⇒
(1 − λ)y < 1 − λ
n
=⇒ λ + (1 − λ)y < 1
n
=⇒ (λ + (1 − λ)y)3 < 13
n
=⇒ f (λ + (1 − λ)y) < 1
n
=⇒ λ + (1 − λ)y ∈ {f < 1}
La leçon à en tirer :la convexité de f est une condition suffisante mais pas nécessaire pour la convexité
de l’ensemble {f = γ}
3. {f ≥ γ} ={−f ≤ −γ}
{f > γ}={−f < −γ}
{f ≥ γ} et {f > γ} sont convexes si (-f) est convexe donc f est concave d’après la réponse à la question
1-i)
Exercice X
On veut implanter la station d’une télévision numérique dans une région plane rapportée à un repère ortho-
normé en un point P (x, y) tel que la somme f (x, y) des carrés des distances de P aux villes A(0, 0), B(1, 3) et
C(5, 0) soit minimum.
1. Justifions que f (x, y) = x2 + (x − 1)2 + (x − 5)2 + 2y 2 + (y − 3)2
18
4
B
3
P
1
A C
−1 0 1 2 3 4 5 6
−1
Soit P (x, y)
f (x, y) = AP 2 + BP 2 + CP 2
= x2 + y 2 + (x − 1)2 + (y − 3)2 + (x − 5)2 + y 2
= x2 + (x − 1)2 + (x − 5)2 + 2y 2 + (y − 3)2
Soit P (s, y)
D’oùP (2, 1)
.
Exercice XI
Soit n ⩾ 1 un entier naturel, A une matrice réelle symétrique d’ordre n, Q une matrice réelle carrée et
d’ordre n, b ∈ Rn un vecteur et c ∈ R une constante scalaire. On pose pour tout x ∈ Rn ,
1
f (x) = < Ax, x > + < b, x > +c
2
1
g(x) = < Qx, x >
2
φ(x) = ∥x − b∥2
19
f est différentiable sur Rn . Soit h ∈ Rn
1
f (x + h) = < A(x + h), x + h > + < b, x + h > +c
2
1 1 1 1
= < Ax, x > + < Ax, h > + < Ah, x > + < Ah, h > + < b, x > + < b, h > +c
2 2 2 2
1 1 1
= f (x) + < Ax, h > + < h, Ax > + < Ah, h > + < b, h >
2 2 2
1 1 T 1
= f (x) + < Ax, h > + < A x, h > + < Ah, h > + < b, h >
2 2 2
1
= f (x)+ < Ax, h > + < b, h > + < Ah, h >
2
car A = AT
1
f (x + h) = f (x)+ < Ax + b, h > + < Ah, h >
2
On a :
< Ah, h >
⩽ ∥Ah∥
∥h∥
Or ∥Ah∥ → 0 quand ∥h∥ → 0, donc ∥ < Ah, h > ∥ → 0 quand ∥h∥ → 0
Par conséquent,
∇f (x) = Ax + b
ii- Le gradient de g
φ(x) = ∥x − b∥2
φ(x + h) = ∥x + h − b∥2
=< x + h − b, x + h − b >
= φ(x) + 2 < x − b, h > +∥h∥2
∇φ(x) = 2(x − b)
2. i- Matrice hessienne de f
f est de classe C 2 sur Rn .
On a :
1
f (x + h) = f (x) + ∇f (x)hT + Hess(f )h + o(∥h∥2 )
2
Or
1
f (x + h) = f (x)+ < Ax + b, h > + < Ah, h >
2
Donc
Hess(f ) = A
20
ii- Condition suffisante et nécessaire
f est convexe ⇐⇒ Hess(f ) est définie semi-positive
Donc,
f est convexe ⇐⇒ A est définie semi-positive, b ∈ Rn , c ∈ R
Exercice XII
1. Nous cherchons à minimiser la fonction f (x, y, z) = x2 + y 2 + z 2 sous la contrainte g(x, y, z) = x + y +
z − 1 = 0. Nous pouvons appliquer la méthode des multiplicateurs de Lagrange en considérant la fonction
Lagrangienne L(x, y, z, λ) = f (x, y, z) + λg(x, y, z) = x2 + y 2 + z 2 + λ(x + y + z − 1).
En résolvant les équations du système suivant :
∂L
= 2x + λ = 0
∂x
∂L
= 2y + λ = 0
∂y
∂L
= 2z + λ = 0
∂z
∂L
=x+y+z−1=0
∂λ
Nous obtenons λ = −2x = −2y = −2z et x+y +z = 1. En utilisant la contrainte, nous avons z = 1−x−y,
ce qui donne λ = 2x + 2y − 2.
En éliminant λ entre les deux premières équations, nous obtenons x = y. En éliminant λ entre la première
équation et la contrainte, nous avons x = 13 . Ainsi, y = 13 et z = 13 . Par conséquent, le minimum est atteint
pour x = 31 , y = 13 et z = 13 , avec une valeur de f (x, y, z) = 13 .
21
3. On introduit le multiplicateur de Lagrange λ ∈ R et on considère la fonction :
On cherche les points stationnaires de cette fonction en cherchant les points où les dérivées partielles sont
nulles : ∂L
∂x = 2y + λ = 0
∂L = 2x + 2y + λ = 0
∂y
∂L
∂z = 2z = 0
∂L
∂λ = x + y − 1 = 0
La troisième équation donne z = 0, et la quatrième donne y = 1 − x. En substituant cela dans les deux
premières équations, on obtient :
1
x = − 2
(
2(1 − x) + λ = 0
=⇒ y = 32
2x + 2(1 − x) + λ = 0
λ=2
On vérifie facilement que ce point est un minimum global de la fonction en utilisant la méthode de la
dérivée seconde : la matrice hessienne de L est donnée par :
0 2 0 1
2 2 0 1
HL = 0 0 2 0
1 1 0 0
Le déterminant de cette matrice est non nul, donc elle est inversible, et les sous-matrices principales sont
également non nulles, donc cette matrice est définie positive. Par conséquent, le point trouvé est bien un
minimum global de la fonction sur le domaine de contrainte. Le minimum est atteint en (x, y, z) = ( 12 , 21 , 0)
avec une valeur de 1/2.
Exercice XIII
Utilisons la méthode de Karush-Kuhn-Tucker pour résoudre les problèmes d’optimisation suivants :
2x − 2 + λ1 + µ = 0,
2y + λ1 = 0,
2z + λ2 = 0,
y + x − 1 = 0,
x − 2 ≥ 0,
µ ≥ 0,
λ1 ≥ 0,
λ2 ≥ 0,
λ1 (y + x − 1) = 0,
µ(x − 2) = 0.
22
Il y a trois cas à considérer :
*Cas 1 : µ > 0, λ1 = 0, λ2 = 0**
Dans ce cas, les équations de KKT deviennent :
2x − 2 + µ = 0,
2y = 0,
2z = 0,
y + x − 1 = 0,
x − 2 ≥ 0,
µ > 0.
En résolvant ces équations, on trouve x = 1/2, y = 1/2, z = 0 et µ = 3. Cette solution satisfait également la
contrainte x − 2 ≥ 0, donc elle est réalisable. Ainsi, nous avons une solution réalisable optimale avec x = 1/2,
y = 1/2 et z = 0, et une valeur de la fonction objectif de f (1/2, 1/2, 0) = 1/2.
*Cas 2 : µ = 0, λ1 > 0, λ2 = 0**
Dans ce cas, les équations de KKT deviennent :
2x − 2 + λ1 = 0,
2y + λ1 = 0,
2z = 0,
y + x − 1 = 0,
x − 2 ≥ 0,
λ1 > 0.
En résolvant ces équations, on trouve x = 3/2, y = −1/2 et λ1 = 2. Cette solution ne satisfait pas la
condition de faisabilité, donc elle n’est pas une solution optimale.
*Cas 3 : µ = 0, λ1 = 0, λ2 > 0**
Dans ce cas, les équations de KKT deviennent :
2x − 2 = 0,
2y = 0,
2z + λ2 = 0,
y + x − 1 = 0,
x − 2 ≥ 0,
λ2 > 0.
En résolvant ces équations, on trouve x = 1, y = 0 et λ2 = 1. Cette solution ne satisfait pas la condition de
faisabilité, donc elle n’est pas une solution optimale.
Ainsi, la solution optimale est x = 1/2, y = 1/2 et z = 0, avec une valeur de la fonction objectif de 1/2.
2x + λ1 = 0,
3y 2 + λ2 = 0,
λ1 ≥ 0,
λ2 ≥ 0,
λ1 (x − a) = 0,
λ2 (y − 1) = 0.
23
En combinant les deux premières équations, on a 2x = −3y 2 . En utilisant cette équation, on peut éliminer x
de la première équation et obtenir λ1 = 6y 2 . Ainsi, on a λ2 = −3y 2 . Puisque λ1 ≥ 0 et λ2 ≥ 0, cela implique
que y = 0, ce qui n’est pas satisfaisable.
Par conséquent, le problème n’a pas de solution optimale sur R avec y ≥ 1.
c) La fonction objectif est convexe et les contraintes sont des inégalités. Les conditions KKT sont les suivantes :
3x2 + λ1 = 0,
1 + λ2 = 0,
λ1 ≥ 0,
λ2 ≥ 0,
λ1 (x − a) = 0,
λ2 (y − 1) = 0.
Exercice XIV
f (x) = x + x2
Déterminons ∂f (x) = |x| + x2 .
On a f est convexe comme somme de deux fonctions convexes.
∂f (x0( ) = {∇f (x0 )}
−x si x ≤ 0,
|x| =
x si x > 0.
∂f (0) = [∂fg (0); ∂fd (0)]
= [−1; 1]
(
−x + x2 si x ≤ 0,
f (x) =
x + x2 si x > 0.
(
−1 + 2x si x ≤ 0,
f ′ (x) = .
1 + 2x si x > 0.
On a donc :
-Si x ≤ 0
fg (x) = fd (x) = 2x − 1
∂f (x) = {2x − 1}
-Si x > 0
fg (x) = fd (x) = 2x + 1
∂f (x) = {2x + 1}
24
En résumé, on a :
2x + 1
si x > 0,
∂f (x) = [−1, 1] si x = 0,
si x < 0.
2x − 1
25