Académique Documents
Professionnel Documents
Culture Documents
2 / 23
Ensembles convexes
Propriétés (à démontrer à titre d’exercice pour manipuler la définition d’un ensemble convexe)
βX = {βx ; x ∈ X }
est convexe.
3 / 23
Quelques ensembles remarquables
4 / 23
Quelques ensembles remarquables
Illustrations
5 / 23
Cône convexe et cône dual
On verra plus tard dans ce cours des applications à l’optimisation conique i.e. à des
problèmes d’optimisation de la forme:
minhc, xi sous Ax = b
x∈K
où K est un cône de Rn .
Definition (Cône)
L’ensemble K ⊆ Rn est un cône si:
∀x ∈ K , ∀λ ≥ 0, λx ∈ K .
De plus:
1 K est appelé cône convexe si K est un cône et si K est convexe.
2 K est appelé cône pointé si K est un cône et si K ne contient pas de droite
vectorielle i.e. K ∩ (−K ) ⊂ {0}.
3 K est appelé cône solide si K est un cône et si K est d’intérieur non vide.
4 K est appelé cône propre si K est un cône convexe fermé solide et pointé.
6 / 23
Cône convexe
Illustrations
7 / 23
Inégalités généralisées - Inégalités sur un cône convexe
Soit K un cône propre. K induit un ordre partiel sur Rn :
a K b ⇔ a − b ∈ K .
Quelques exemples.
K = Rn+
Cône SDP: S+
n = {M ∈ R
n×n
| M > = M, v > Mv ≥ 0, ∀v ∈ Rn }.
8 / 23
Cône SDP
Illustrations
Montrer que le cône SDP en dimension 2 peut être défini à l’aide d’inégalités
fonctionnelles "classiques".
9 / 23
Cône dual
X ∗ = {y ∈ Rn | hx, y i ≥ 0, ∀x ∈ X }
10 / 23
Cône dual
Application
2 Calculer (Ln )∗ .
11 / 23
Propriétés du cône dual (1/2)
1 Soit X ⊂ Rn quelconque. Alors X ∗ est un cône convexe.
2 Soit K un cône.
∗
1 K est un cône convexe fermé. .
12 / 23
Propriétés du cône dual (2/2)
K2∗ ⊂ K1∗ .
13 / 23
Inégalités généralisées duales
Definition
Soit K ⊆ Rn un cône propre. Alors:
x K y ⇔ ∀λ K ∗ 0, hλ, xi ≤ hλ, y i.
Cas où K = Rn+ .
14 / 23
Fonctions convexes (rappels)
15 / 23
Fonctions convexes
Definition (Fonction convexe)
• f : Rn → R ∪ {+∞} est dite convexe si :
16 / 23
Caractérisation différentielle de la convexité (1/2)
17 / 23
Caractérisation différentielle de la convexité (2/2)
∀x ∈ Rn , H[f ](x) 0
18 / 23
Eléments d’analyse pour l’algorithmie
Les algorithmes que nous allons étudier dans ce cours vont générer des suites de points
(xk )k∈N qui vont converger suivant les propriétés géométriques de f vers un point
stationnaire/un point de minimum de f .
19 / 23
Eléments d’analyse pour l’algorithmie
Propriété clé des fonctions à gradient Lipschitz
Lemma
Soit f : Rn → R une fonction différentiable à gradient L-Lipschitz. Alors:
L
f (y ) ≤ f (x) + h∇f (x), y − xi + ky − xk2
| {z } 2
Approximation linéaire
20 / 23
Eléments d’analyse pour l’algorithmie
Propriété clé des fonctions à gradient Lipschitz
Démonstration:
21 / 23
Eléments d’analyse pour l’algorithmie
Caractérisation par la hessienne
1 Montrer que f (x) = 12 kAx − bk2 est convexe à gradient Lipschitz et calculer sa
constante L.
2 Montrer que f (x) = − log(x) est convexe sur R∗+ , mais que son gradient n’est pas
Lipschitz.
3 Montrer que f (x) = exp(x) est convexe sur R, mais que son gradient n’est pas
Lipschitz.
De même : f : Rn → R est une fonction C 2 µ-fortement convexe si et seulement si :
22 / 23
Eléments d’analyse pour l’algorithmie
23 / 23