Définition du type de problème :

Dans ce qui va suivre, nous nous s’apprêtons à établir une étude

d’optimisation dans le but de maximiser la rigidité longitudinale (E x)
en gardant la rigidité transversale (Ey) supérieure à une valeur limite
inférieure … ainsi que les autres paramètres du matériau en
question (module de cisaillement G, coefficient de poisson ν).
min ¿ ¿

Les contraintes du problème :

ξ 1−1 ≤ 0 ,ξ 1 +1 ≥0 , ξ 2−1 ≤ 0 ,ξ ²1−ξ2−1≤ 0

π m m m m
θ k − ≤ 0 , E y ≥ 0 , E y −β ≥ 0 ,G xy −γ ≥ 0 ,υ xy −υ ≤ 0
2

ξ1 et ξ 2 sont les paramètres de stratification précédemment cités.

E y: Rigidité suivant la direction ey de la matrice
m

G xy:
Module ce cisaillement de la matrice exprimé dans le repère
m

globale .
m
υ xy : Coefficient de poisson exprimé dans le plan global (ex, ey, ez).
θk : Orientation des fibres dans la couche k tel que k=1,2,…N

Donc, il s’agit bien d’une optimisation de type ‘’ mono-objectif ‘’.

Methodes proposées :
1. Méthodes stochastique :

Ces méthodes généralement d’ordre zéro sont utilisées pour trouver

une solution approchée de l’optimum global dans le cas fortement
multimodaux et à grand nombre de variables. Elles sont adaptées
aux problèmes combinatoires comme aux problèmes non linéaires
définis sur des espaces continus, discrets ou mixtes avec ou sans
contraintes.

1.1- Recuit simulé :

Cette methode très populaires ces dernières années a permis
de résoudre des problèmes très complexes comparé aux
méthodes déterministes qui sont rapidement piégées dans des
minima locaux, elle s’inspire de la thermodynamique.

2-Nelder Mead :

Cette méthode est un algorithme d’optimisation non linéaire,

c’est une méthode numérique qui cherche à minimiser une
fonction continue dans un espace à plusieurs dimensions.
L’algorithme exploite le concept de ‘’simplexe’’ qui est un
polytope de n+1 sommets dans un espace à n dimensions
partant initialement d’un tel simplexe celui-ci subit des
transformations simples au cours des itérations, il se déforme,
se déplace, se réduit progressivement. Jusqu’à ce que ses
sommets se rapprochent d’un point ou la fonction est
localement minimale.