Académique Documents
Professionnel Documents
Culture Documents
Un point x* tel que h(x*)=0 est appelé un point régulier des contraintes
si
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.1 Multiplicateurs de Lagrange (2)
V.111 Points réguliers (suite)
Les contraintes d’égalité h(x)=0 décrivent une surface dans
Propriété
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.1 Multiplicateurs de Lagrange (3)
V.113 Espace tangent
L’espace tangent T(x*) en un point x* sur la surface S est définit
comme l’ensemble
Si x* est régulier alors T(x*) est de dimension (n-m)
Soit une courbe C sur la surface S passant par x* alors la tangente
à la courbe
Démonstration
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.1 Multiplicateurs de Lagrange (6)
Exemple
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.1 Multiplicateurs de Lagrange (7)
Exemple (suite)
f(x)=1
•
1
• •
-1
•
h(x)=0
f(x)=1/2
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.1 Multiplicateurs de Lagrange (8)
•
h(x)=0
Minimum
•
•
h(x)=0
Pas un extremum
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.1 Multiplicateurs de Lagrange (9)
V.13 Conditions nécessaires et suffisantes
Fonction de Lagrange
le Hessien de l(x,λ)
si ∃x * ∃λ∗ 1° ∇f (x ∗ ) + ∇h T (x ∗ ) λ∗ = 0 et h(x ∗ ) = 0
2° y T L(x ∗ , λ∗ )y > 0 ∀y ≠ 0 y T ∇h T (x ∗ ) = 0 ⇔ y ∈ T(x * )
<0
€
est un minimum local au sens strict de f(x) avec h(x)=0
maximum
Exemple
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.1 Multiplicateurs de Lagrange (12)
Exemple (suite)
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.2 Conditions de Karush-Kuhn-Tucker (1)
Problèmes avec contraintes d’inégalité
Contrainte actives-inactives
Une contrainte d’inégalité est active en x si
Elle est inactive si
Point régulier
Un point x* satisfaisant les contraintes h(x*)=0 et
l’ensemble des indices des contraintes actives est
appelé un point régulier si les vecteurs
sont linéairement indépendants
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.2 Conditions de Karush-Kuhn-Tucker (2)
contrainte inactive
€
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.2 Conditions de Karush-Kuhn-Tucker (3)
c2(x)=0
•
ensemble
admissible
c3(x)=0
c1(x)=0
minimum admissible
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.2 Conditions de Karush-Kuhn-Tucker (4)
V.22 Conditions nécessaires et suffisantes Hessien de
Soit
Hessien de f(x) Hessien de
Condition nécessaire du second ordre
Soit x* qui minimise f(x) sous les contraintes h(x) = 0 et
Si x* est un point régulier, alors (c(x) ≥ 0)
∃ λ∗ , µ∗
1° µ∗ ≥ 0 (µ* ≤ 0)
2° ∇f (x ∗ ) + ∇h T (x ∗ ) λ∗ + ∇c T (x ∗ ) µ∗ = 0 et h(x ∗ ) = 0 et c(x * ) ≤ 0
∗T ∗ (c(x*) ≥ 0)
3° µ c(x ) = 0
⎧ y T ∇h T (x ∗ ) = 0
4° y T L(x ∗ , λ∗ , µ∗ )y ≥ 0 ∀y ≠ 0 ⎨ T ∗ ⇔ y ∈ T (x*)
⎩ y ∇c j (x ) = 0 ∀j ∈ I(x*)
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.2 Conditions de Karush-Kuhn-Tucker (5)
Condition suffisante (minimum)
si ∃ x * , λ∗ , µ∗
1° µ∗ ≥ 0 (µ* ≤ 0)
2° ∇f (x ∗ ) + ∇h T (x ∗ ) λ∗ + ∇c T (x ∗ ) µ∗ = 0 et h(x ∗ ) = 0 c(x ∗ ) ≤ 0
3° µ∗T c(x ∗ ) = 0 (c(x) ≥ 0)
⎧ y T ∇h T (x ∗ ) = 0
4° y T L(x ∗ , λ∗ , µ∗ )y > 0 ∀y ≠ 0 ⎨ T ∗ ⇔ y ∈ T(x * )
⎩ y ∇c j (x ) = 0 ∀j ∈ I(x*)
contraintes actives
contraintes actives
est un maximum local au sens strict de f(x)
avec h(x) = 0 et c(x) ≤ 0
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.2 Conditions de Karush-Kuhn-Tucker (7)
Exemple
KKT
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.2 Conditions de Karush-Kuhn-Tucker (8)
Exemple (suite)
A. Contrainte active:
=> impossible
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.2 Conditions de Karush-Kuhn-Tucker (9)
Exemple (suite)
B. Contrainte inactive:
Minimum local
au sens strict
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.3 Méthode des pénalités (1)
Soit le problème d’optimisation
•
• f(x)=2x
•
•
ensemble admissible
c(x)=0
1
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.3 Méthode des pénalités (4)
Par exemple:
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.3 Méthode des pénalités (5)
V.32 Méthode des pénalités extérieures (suite)
Exemple
f(x)=2x
• •
•
• ensemble admissible
c(x)=0
1
V. OPTIMISATION AVEC CONTRAINTES NON LINEAIRES
V.4 Programmation quadratique séquentielle (SQP)
Fonction de Lagrange :