Chapitre 2.

Introduction à l’optimisation numérique

(Rappels)

Optimiser: rendre optimal, donner à quelque chose les meilleures conditions

d’utilisation, de fonctionnement ou de rendement au regard de certaines
circonstances.
Qu’est-ce qu’un problème d’optimisation ?

Soit X est un sous-ensemble non vide de Rn .

min f (x) s.c. x ∈ X, (1)

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

• x0 ∈ Rn est un point de minimum local de f sur X ⊂ Rn ssi x0 ∈ X et :

∃Vx0 ∈ V(x0 ), ∀x ∈ Vx0 ∩ X , f (x) ≥ f (x0 )

• x0 ∈ Rn est un point de minimum global de f sur X ssi x0 ∈ X et :

∀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

min f (x) et max −f (x)

x x

sont équivalents dans le sens où ils ont même ensemble de solutions et:

min f (x) = − max −f (x) ou encore max f (x) = − min −f (x).

x x x x

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

min f (x) sous la contrainte: x ∈ X .

x∈Rn

Deux théorèmes à connaître:

Cas où l’ensemble X des contraintes est borné.

Theorem (Théorème de Weierstrass)

Soit X ⊂ Rn fermé borné non vide et f : X ⊂ Rn −→ R une application continue sur X .
Alors f est bornée et atteint ses bornes.

Cas où l’ensemble X des contraintes est non borné.

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

est dit (strictement) convexe ssi:

f est (strictement) convexe.
X est convexe.

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

Cas où X est défini par des égalités et des inégalités:

X = {x ∈ Rn : h(x) = 0, g (x) ≤ 0}

où h : Rn → Rp et g : Rn → Rq . On rappelle que si g : Rn → Rq et h : Rn → Rp sont

deux fonctions continues alors:
• X = {x ∈ Rn : h(x) = 0, g (x) ≤ 0} est un ensemble fermé de Rn .
• X = {x ∈ Rn : g (x) < 0} est un ouvert de Rn .

Si de plus les fonctions hi , i = 1, . . . , p, sont affines et les gj , j = 1, . . . , q, convexes,

alors X est convexe.

8/9
Convexité et optimisation
Un rappel TRES utile de 3ème année

Exemple: X = {(x, y ) ∈ R2 ; x 2 + y 2 6 1}.

9/9