Académique Documents
Professionnel Documents
Culture Documents
INTRODUCTION A L'OPTIMISATION
HADDACH ALI
Université HASSAN I
Faculté des Sciences et Techniques SETTAT
25 Octobre 2022
1 Introduction et Motivation
3 Conditions d'optimalités
4 Programmation convexe
5 Programmation quadratique
Introduction
Minimum et maximum
Considérons le problème d'optimisation sans contraintes
(
min f (x),
(P ) x∈K
K = Rn
Les notions de maximum local et global sont dénies de façon tout à fait
similaire. En fait, on peut facilement démontrer que les problèmes :
min f (x) et max −f (x)
x∈X x∈X
Applications coercives
Dénition :
Une application f : X ⊂ Rn → R continue est coercive si X est fermé non
borné et si :
lim f (x) = +∞
∥x∥→+∞
Exemple
Exemple
Exemple
Exemple
Vecteur gradient
Le vecteur gradient de f en x0 .
On a alors le développement de Taylor-Young de f à l'ordre 1 au voisinage
de x0 :
f (x) = f (x0 )+ < ∇f (x0 ), x − x0 > +o(∥x − x0 ∥).
Équation d'Euler
Soit f : D ⊂ Rn → R, diérentiable en x0 ∈ Int(D)
x0 extremum local de f =⇒ ∇f (x0 ) = 0
Dénition :
Un point x0 interne à dom(f ) tel que ∇f (x0 ) = 0 sera dit point critique
ou point stationnaire de f .
L'équation d'Euler est une condition nécessaire et non susante.
Matrice Hessienne
f (x) = f (x0 )+ < ∇f (x0 ), x−x0 > + 21 (x−x0 )T ∇2 f (x0 )(x−x0 )o(∥x−x0 ∥2 ).
Dénitions :
• Une matrice A ∈ Mn (R) est semi-dénie positive si ∀x ∈ Rn , xT Ax ≥ 0.
• Une matrice A ∈ Mn (R) est dénie positive si ∀x ∈ Rn \ {0}, xT Ax > 0.
• Et de façon analogue (semi)-dénie négative.
Dénitions :
• Une matrice A ∈ Mn (R) est semi-dénie positive si ∀x ∈ Rn , xT Ax ≥ 0.
• Une matrice A ∈ Mn (R) est dénie positive si ∀x ∈ Rn \ {0}, xT Ax > 0.
• Et de façon analogue (semi)-dénie négative.
Proposition :
Si A ∈ Mn (R) est diagonalisable, alors :
- A est semi-dénie positive ssi toutes ses valeurs propres sont positives ≥ 0.
- A est dénie positive ssi toutes ses valeurs propres sont strictement
positives > 0.
Théorème :
Soit f : D ⊂ Rn → R, 2 fois diérentiables en x0 ∈ Int(D)
1 (Condition nécessaire du 2eme ordre)
Si x0 est un minimum local de f , alors ∇f (x0 ) = 0 et Hessf (x0 ) est
semi-dénie positive. (∀x ∈ Rn , < ∇2 f (x0 )x, x >≥ 0)
Théorème :
Soit f : D ⊂ Rn → R, 2 fois diérentiables en x0 ∈ Int(D)
1 (Condition nécessaire du 2eme ordre)
Si x0 est un minimum local de f , alors ∇f (x0 ) = 0 et Hessf (x0 ) est
semi-dénie positive. (∀x ∈ Rn , < ∇2 f (x0 )x, x >≥ 0)
2 (Condition susante du 2eme ordre)
Si ∇f (x0 ) = 0 et Hessf (x0 ) est dénie positive, alors x0 est un
minimum local strict de f .
Théorème :
Soit f : D ⊂ Rn → R, 2 fois diérentiables en x0 ∈ Int(D)
1 (Condition nécessaire du 2eme ordre)
Si x0 est un minimum local de f , alors ∇f (x0 ) = 0 et Hessf (x0 ) est
semi-dénie positive. (∀x ∈ Rn , < ∇2 f (x0 )x, x >≥ 0)
2 (Condition susante du 2eme ordre)
Si ∇f (x0 ) = 0 et Hessf (x0 ) est dénie positive, alors x0 est un
minimum local strict de f .
• La condition susante du 2eme ordre s'utilise pour montrer qu'un point
critique est un extremum local.
Théorème :
Soit f : D ⊂ Rn → R, 2 fois diérentiables en x0 ∈ Int(D)
1 (Condition nécessaire du 2eme ordre)
Si x0 est un minimum local de f , alors ∇f (x0 ) = 0 et Hessf (x0 ) est
semi-dénie positive. (∀x ∈ Rn , < ∇2 f (x0 )x, x >≥ 0)
2 (Condition susante du 2eme ordre)
Si ∇f (x0 ) = 0 et Hessf (x0 ) est dénie positive, alors x0 est un
minimum local strict de f .
• La condition susante du 2eme ordre s'utilise pour montrer qu'un point
critique est un extremum local.
• La condition nécessaire du 2eme ordre s'utilise pour montrer qu'un point
critique n'est pas un extremum local.
Exemple
Exemple
et sa matrice Hessienne :
2 6x −9
∇ f (x, y) =
−9 6y
Ensemble convexe
Dénition :
Un sous-ensemble C de Rn est convexe si
∀x, y ∈ C, ∀t ∈ [0, 1], tx + (1 − t)y ∈ C
Propriétés :
− Toute application ane, dénie sur un convexe, est convexe et non
strictement convexe,
− La somme d'application (resp. strictement) convexes est (resp.
strictement) convexe.
− Si f est (resp. strictement) convexe et λ ∈ R+ (resp. λ ∈ R⋆− ) alors λf est
(resp. strictement) convexe.
− Si f est (resp. strictement) convexe et a, b ∈ R, a ̸= 0, alors l'application
x → f (ax + b) est (resp. strictement) convexe .
− Une application convexe sur C est continue en tout point de Int(C
Caractérisation de la convexité
Applications quadratiques
Dénition :
Une application f : Rn → R est quadratique lorsque c'est un polynôme de
degré 2. Une applicattion quadratique est de la forme
n n
1X X X
f (x1 , . . . , xn ) = aii x2i + aij xi xj − bi xi + c
2 i=1 i<j i=1
|{z}
| {z } constante
| {z }
f orme quadratique f orme linaire
Applications quadratiques
Dénition :
Une application f : Rn → R est quadratique lorsque c'est un polynôme de
degré 2. Une applicattion quadratique est de la forme
n n
1X X X
f (x1 , . . . , xn ) = aii x2i + aij xi xj − bi xi + c
2 i=1 i<j i=1
|{z}
| {z } constante
| {z }
f orme quadratique f orme linaire
Théorème :
Soit f (x) = 12 < Ax, x > − < b, x > +c une application quadratique. Alors
f est inniment diérentiable et
∇f (x) = Ax − b,
∇2 f (x) = A.
Théorème :
Soit l'application quadratique f (x) = 1
2
< Ax, x > − < b, x > +c. Alors :
• f est convexe ⇐⇒ A est semi-dénie positive,
• f est strictement convexe ⇐⇒ A est dénie positive,
Programmation quadratique
Théorème :
Soit f (x) = 21 < Ax, x > − < b, x > +c. Si A est semi-dénie positive
(resp.négative), alors les propositions suivantes sont équivalentes :
• u est minimum (resp. maximum) local de f ,
• u est minimum (resp. maximum) global de f ,
• Au = b, i.e, u est solution du système d'équations linéaires Ax = b.
Programmation quadratique
Théorème :
Soit f (x) = 21 < Ax, x > − < b, x > +c. Si A est semi-dénie positive
(resp.négative), alors les propositions suivantes sont équivalentes :
• u est minimum (resp. maximum) local de f ,
• u est minimum (resp. maximum) global de f ,
• Au = b, i.e, u est solution du système d'équations linéaires Ax = b.
• Si A est dénie positive, f admet un unique minimum (resp.
maximum) global.
• Si A n'est pas semi-dénie positive (resp. négative), f n'admet
aucun minimum (resp. maximum) local ou global.
Exemple
2 −1 0
Soit f (x) = 1 T
2
x Ax − b x avec A = −1
T
2 −1 et b = (−3, 1, −2)
0 −1 2
Exemple
2 −1 0
Soit f (x) =1 T
2
x Ax− b x avec A = −1
T
2 −1 et b = (−3, 1, −2)
0 −1 2
Le polynôme caractéristique de A est pA (λ) = 8 − 12λ + 6λ2 − λ3
Exemple
2 −1 0
Soit f (x) =1 T
2
x Ax − b x avec A = −1
T
2 −1 et b = (−3, 1, −2)
0 −1 2
Le polynôme caractéristique de A est pA (λ) = 8 − 12λ + 6λ2 − λ3
=⇒ A est dénie positive =⇒ f a un unique minimum global qui est
l'unique solution de Ax = b.
Exemple
2 −1 0
Soit f (x) =1 T
2
x Ax − b x avec A = −1
T
2 −1 et b = (−3, 1, −2)
0 −1 2
Le polynôme caractéristique de A est pA (λ) = 8 − 12λ + 6λ2 − λ3
=⇒ A est dénie positive =⇒ f a un unique minimum global qui est
l'unique solution de Ax = b.
2x − y = −3 −9/4
Ax = b ⇐⇒ −x + 2y − z = 1 =⇒ xmin = −3/2
−y + 2z = −2 −7/4