Centrale Casablanca - Optimisation

Examen - 9 novembre 2021 - 1h30

Tout document est interdit. Calculatrices et téléphones sont interdits.

1 Minimisation sous contraintes inégalités dans R2

On donne les points du plan A : (1, −1), B : (−2, −1) et C : (0, 5). On note T le triangle ABC. On
donne les fonctions
J1 (x, y) = 4x − 2y − 5 ; J2 (x, y) = x2 + 3y 2 − 2xy − 4x + 5y + 9 ; J3 (x, y) = 1 + sin x cos y
On demande d’étudier la convexité des fonctions Jk , l’existence et l’unicité des points de minimum
des fonctions Jk sur R2 et sur T , puis de calculer les coordonnées de ces points de minimum.

Correction :

• On commence par décrire le triangle à l’aide de trois inégalités. On trouve aisément que
T = {(x, y) ∈ R2 , F1 (x, y) ≤ 0, F2 (x, y) ≤ 0, F3 (x, y) ≤ 0}
avec
F1 (x, y) = y − 3x − 5, F2 (x, y) = y + 6x − 5, F3 (x, y) = −y − 1
On calcule les d’erivées puisqu’on en aura besoin dans la suite (constantes, ici, puisque les trois
fonctions sont linéaires)
F10 (x, y) = (−3, 1)T , F20 (x, y) = (6, 1)T , F30 (x, y) = (0, −1)T

• Etude de la fonction J1 . On établit que

J1 (0, n) −→ −∞
n→+∞

Cela prouve que la fonction J1 n’admet pas de point de minimum sur R2 . Par contre, en
utilisant le fait que le triangle T est fermé, borné et non vide et que la fonction J1 est continue,
un théorème du cours permet d’établir que la fonction J1 admet au moins un point de minimum
sur T . Comme J1 est linéaire et que toutes les fonctions Fj le sont aussi, il s’agit ici d’un
problème de programmation linéaire et un autre théroème du cours nous dit que le minimum
de. J1 sur T est forcément atteint sur un des trois sommets du triangle. On calcule donc
J1 (A) = 1, J1 (B) = −11, J1 (C) = −15
Le minimum de J1 sur T est donc atteint au point C et ce point de minimum est unique.
• Etude de la fonction J2 . On établit que
 
2 −2
J20 (x, y) = (2x − 2y − 4, 6y − 2x + 5) , T
J200 (x, y) =
−2 6

1
 On montre alors facilement que la matrice J200 est constante et que ses deux valeurs propres
sont strictement positives (puisque sa trace et son déterminant le sont). On en déduit par un
théorème du cours que la fonction J2 est fortement convexe sur R2 . Un autre théorème du
cours permet alors de conclure que la fonction J2 possède un unique point de minimum sur R2 .
Comme le triangle T est convexe (comme tout triangle !), on peut aussi en conclure que J2
possède également un unique point de minimum sur T . Reste à calculer les coordonnées de ces
points de minimum.
On commence par le point de minimum de J2 sur R2 . Un théorème du cours nous dit qu’il est
caractérisé par
J20 (x, y) = 0
On trouve aisément que la solution de ce système linéaire est (x∗, y∗) = (7/4, −1/4).
On s’intéresse maintenant au point de mininmum sur T . On vérifie facilement que le point
précédent n’appartient pas au triangle T car F2 (x∗, y∗) > 0. Pour calculer les coordonées de
ce point de minimum, on utilise donc la théorie des multiplicateurs de Lagrange. Comme J2
est convexe, un point (x, y) ∈ R2 est un point de minimum de J2 sur T si et seulement si
F1 (x, y) ≤ 0, F2 (x, y) ≤ 0, F3 (x, y) ≤ 0 et il existe trois réels λ1 , λ2 et λ3 , tous positifs, tels
que
3
X
J20 (x, y) + λj Fj0 (x, y) = 0 (1)
j=1
∀j = 1, 2, 3 λj Fj (x, y) = 0 (2)

Il faut maintenant résoudre le système (1)-(2) et vérifier a posteriori que les conditions de
positivité sont respectées. Comme on sait que le point de minimum est unique, si on trouve une
solution qui vérifie toutes les contraintes, on n’a pas besoin d’étudier les autres. On étudie donc
le cas λ1 = λ3 = F2 (x, y) = 0. Le système à résoudre est alors
2x − 2y − 4 + 6λ2 = 0
−2x + 6y + 5 + λ2 = 0
6x + y − 5 = 0
On trouve la solution (x∗T , y∗T ) = (112/121, −67/121). On vérifie λ2 = 21/121 ≥ 0 et
F1 (x∗T , y∗T ) ≤ 0 et F3 (x∗T , y∗T ) ≤ 0. Le point (x∗T , y∗T ) est donc bien l’unique point de
minimum de J2 sur T .
• Etude de la fonction J3 . On établit que
J30 (x, y) = (cosx cosy, −sinx siny)T
Aucun théorème du cours ne permet de conclure a priori sur l’existence d’un point de minimum
de J3 sur R2 . Par contre, puisque J3 est continue et que T est fermé, borné et non vide, il existe
au moins un point de minimum de J3 sur T . Pour identifier les possibles points de minimum de
J3 sur R2 , on peut résoudre le système J30 (x, y) = 0. Mais attention, ces solutions continennent
aussi d’éventuels point de maximum, ou des points selles. Ici, il y a plus simple. On montre en
effet facilement que J3 est toujours positive sur R2 . Tout point vérifiant J3 (x, y) = 0 est alors

2
 un point de minimum global de J3 sur R2 . On résout donc

sinx cosy = −1
Les solutions de ce système vérifient
sinx = −cosy = 1 ou − sinx = cosy = 1

On obtient donc les points (x, y) = (π/2+2kπ, −π +2lπ) et les points (x, y) = (−π/2+2kπ, 2lπ)
pour k et l parcourant Z. Parmi tous ces points, on remarque que seul le point (xT , yT ) =
(−π/2, 0) est dans le triangle T . C’est donc l’unique point de minimum de J3 sur T .

2 Solutions de systèmes linéaires rectangulaires

Soient A une matrice à m lignes et n colonnes et b un vecteur de Rm . On suppose que la matrice A
est de rang maximal. Dans le cas où m = n, le système linéaire Ax = b admet une unique solution
donnée par x = A−1 b. Dans cet exercice, on cherche à déterminer un vecteur x qui est une solution,
dans un sens à déterminer, de ce système linéaire dans le cas m 6= n.
1. On considère d’abord le cas m > n.
(a) Montrer que dans ce cas, on peut trouver un vecteur b ∈ Rm tel que le système linéaire
Ax = b n’a pas de solution au sens classique.
Correction : On a ici rgA = n < m. Il existe donc forcément un vecteur b ∈ Rm qui
n’appartient pas à l’image de A. Dans ce cas, le système Ax = b ne peut pas avoir de
solution.
(b) On choisit donc de définir la solution du problème comme le vecteur x qui minimise sur Rn
la quantité
J(x) = kAx − bk2
i. Montrer que la fonctionnelle J admet un unique point de minimum sur Rn .
Correction : On établit
J 0 (x) = 2AT (Ax − b), J 00 (x) = 2AT A

La matrice AT A est une matrice symétrique. Elle est positive puisque (AT Ax, x) =
kAxk2 . De plus, elle est de taille n et de rang n puisque A est de rang n. La dimension
de son noyau est donc nulle et ses valeurs propres sont donc strictement positives. On
en déduit que la fonction J est fortement convexe et qu’elle admet donc un unique point
de minimum sur Rn .
ii. Déterminer ce point de minimum en fonction des données (matrice A et vecteur b).
Correction : L’unique point de minimum est alors caractérisé par J 0 (x) = 0. On
obtient facilement x = (AT A)−1 AT b.
iii. Montrer que ce point de minimum peut être vu comme la projection du vecteur b sur
un sous espace vectoriel que vous préciserez.
Correction : On peut interpréter le point de minimum de J sur Rn comme la projection

3
 du point b sur l’ensemble Im A. En effet, par définition, la projection d’un point z sur
un ensemble convexe K non vide est l’unique solution du problème de minimisation
Min ky − zk2
y∈K

La projection de b sur l’image de A est donc solution du problème

Min ky − bk2
y∈ImA

Ce problème se réécrit facilement comme

Min kAx − bk2
x∈Rn

2. On considère maintenant le cas m < n.

(a) Montrer que dans ce cas, le système linéaire Ax = b a toujours une infinité de solutions.
Correction : On a ici rgA = m < n. On en déduit que ImA = Rm et que le système
Ax = b a donc toujours au moins une solution, notée x0 . On en déduit également que
dim KerA = n − m > 0 et qu’il existe donc une infinité de solutions de la forme x0 + y avec
y ∈ KerA.
(b) On choisit alors de définir la solution du problème comme le vecteur x qui, parmi toutes
ces solutions, est de norme (euclidienne) minimale.
i. Montrer que cette solution existe et est unique.
Correction : On cherche ici la solution du problème de minimisation
Min J(x)
x∈K

où K est l’espace affine des solutions du système Ax = b et J(x) = kxk2 . On a montré
que K était non vide. Il est convexe puisque c’est un espace affine. La fonctionnelle J
est évidemment fortement convexe puisqu’on a J 00 (x) = 2In où In est la matrice identité
de taille n. Le problème admet donc bien une unique solution.
ii. Déterminer cette solution en fonction des données (matrice A et vecteur b).
Correction : On cherche ici le minimum d’une fonction J sur le sous-espace affine
K = x0 + KerA. On a montré en cours que la. solution du problème doit alors vérifier
la relation J 0 (x) ∈ (KerA)⊥ = ImAT . Il existe donc p ∈ Rm tel que J 0 (x) = AT p soit
ici 2x = AT p ou encore x = AT q (avec p = 2q). Mais on sait aussi que x ∈ K et donc

−1
Ax = b. On en déduit que AAT q = b soit encore q = AAT b puisque la matrice
T
carrée AA , de taille m et de rang m, est
−1inversible. On obtient finalement que la
solution du problème s’écrit x = AT AAT b.
On a donc réussi à définir des matrices pseudo-inverses de la matrice A dans le cas où m 6= n.
Si m > n, cette matrice pseudo-inverse est la matrice (AT A)−1 AT et dans le cas m < n, on

−1
obtient la matrice AT AAT .