Académique Documents
Professionnel Documents
Culture Documents
où:
f : Rn → R fonction coût / objectif / critère.
X ensemble ou domaine des contraintes.
x ∈ R n variables de l’optimisation.
Tout point x ∈ Rn vérifiant: x ∈ X , est appelé point admissible ou point réalisable du
problème (1).
2/9
Minimum local/Minimum global
∀x ∈ X , f (x) ≥ f (x0 ).
3.5
Maximum global
3.0
2.5
2.0
1.5
Maximum local
1.0
0.5
Minimum local
0.0
−5 0 5 10 3/9
Min / Max : même combat !
Les problèmes
sont équivalents dans le sens où ils ont même ensemble de solutions et:
4/9
Cette année...
Cours d’optimisation
numérique: X ⊂ Rn .
non linéaire
avec ou sans contraintes
différentiable (1ère partie du cours)
non différentiable (2nde partie du cours).
5/9
Résultats d’existence et d’unicité en optimisation
Theorem
Soit X ⊂ Rn fermé non vide et f : X → R une application continue infinie à l’infini sur
X . Alors f admet un point de minimum global sur X .
6/9
Convexité et optimisation
Le problème:
min f (x) sous la contrainte: x ∈ X .
x∈Rn
Theorem
Soit x ? un point de minimum local d’un problème de minimisation.
i. Si le problème est convexe, alors x ? est un point de minimum global.
ii. Si le problème est strictement convexe, alors x ? est l’unique point de minimum
global.
7/9
Convexité et optimisation
Un rappel TRES utile de 3ème année
X = {x ∈ Rn : h(x) = 0, g (x) ≤ 0}
8/9
Convexité et optimisation
Un rappel TRES utile de 3ème année
9/9