1

CHAPITRE I

Introduction générale
 2
Plan

I. Introduction
II. Définitions
III. Historique
IV. Formulation d’un problème d’optimisation
V. Classification des problèmes d’optimisation
VI. Classification des techniques d’optimisation
VII. Notation et rappels mathématiques
VIII. Synthèse
IX. Exemples d’applications de l’optimisation en Mécanique
X. Avertissement : Les verrous actuels à l'optimisation des systèmes
mécaniques
  Durant le cycle de vie d’un produit, une
grande partie du métier de l’ingénieur
consiste à trouver des solutions à des 3
problèmes, qui peuvent être d’ordre
technique (ce qui constitue le cœur du
métier), financier ou organisationnel.
 Pour être admissible, cette solution doit
atteindre un objectif et elle doit satisfaire
I. Introduction à un certain nombre de contraintes.
 Il existe toujours plusieurs solutions
possibles et le concepteur est tenté de
rechercher la meilleure (au sens qu’ il
devra définir) : il est donc tenté d’
optimiser.
 4
I. Introduction

Un grand nombre d’acteurs interviennent durant le cycle de vie:

• les responsables du marketing qui définissent le cahier des charges,
• l'ingénieur d'étude qui va définir une solution technique,
• l'ingénieur de calcul qui va dimensionner les éléments assurant un certain
comportement en service,
• le bureau des méthodes qui va choisir le procédé d'obtention et étudier les
gammes de fabrication,
• les ouvriers de l'atelier qui vont réaliser le prototype,
• l'équipe des essais qui homologuera ou refusera le produit et enfin l'équipe
de maintenance qui suivra le produit en service.
 5
I. Introduction

Dans ce contexte et en raison de l’ampleur des enjeux décisionnels,

l’ingénieur ne peut plus prendre de décisions hâtives et justifier ses choix
sur la base:
• d’un raisonnement instinctif,
• de calculs naïfs
• ou d’expériences antérieures.

la résolution des différents problèmes qui peuvent surgir lors des

différentes étapes du processus de développement ou d’exploitation d’un
produit donné doit s’appuyer sur des techniques approuvées et des
outils de simulation développés à cet effet parmi lesquels figurent :
• les techniques de simulation
• et les méthodes d’optimisation mathématique.
 6

Approches de conception modernes

 7

II. Définitions

 En mathématique, Minimiser f (X)

l'optimisation est
l’étude des Sous les contraintes [PO]
problèmes qui sont Gi(X) = 0 i =1,…me
de la forme : Gi(X) ≤ 0 i = me+1,…m

• Une telle formulation est parfois appelée programme mathématique

• Plusieurs problèmes d’ingénierie peuvent être étudiés dans ce cadre général.
• Ce cours traite de la théorie et de l’application des techniques de programmation
mathématique (Optimisation) qui peuvent servir à la résolution de ce genre de
problèmes [PO] ou de formes particulières (exemple: PO sans contraintes)
• Les exemples qui seront traités relèvent en particulier du domaine de la
mécanique
 II. Définitions
Techniques de recherche
opérationnelle

Techniques de Méthodes statistiques

Processus stochastiques
Programmation Mathématique

Programmation nonlinéaire Processus de Markov Analyse des régressions

Programmation géométrique Théorie de décision statistique Reconnaissance des formes
Programmation quadratique Méthodes de simulation Mise en œuvre des expériences
Programmation linéaire Théorie de fiabilité …
Programmation dynamique …
Programmation stochastique
Optimisation multi-objectifs
Théorie des jeux
Calcul de variation
…
 9
III. historique
Méthodes déterministes

 La méthode de Newton (1669, publiée en 1711), Newton-Raphson

(1690), la décente la plus forte (Cauchy 1847), moindre-carrés
(Gauss 1795).

 Programmation linéaire (Dantzig 1947),


III. Historique 10

 point intérieur (karmarkar, 1984),

 11
III. Historique

Algorithmes stochastiques:

 Genetic algorithms (1960s/1970s), evolutionary strategy (Rechenberg &

Swefel 1960s), evolutionary programming (Fogel et al. 1960s).
 Simulated annealing (Kirkpatrick et al. 1983), Tabu search (Glover, 1980s),
 ant colony optimization (Dorigo 1992), genetic programming (Koza 1992),
particle swarm optimization (Kennedy & Eberhart1995), differential
evolution (Storn & Price 1996/1997),
 Harmony search (Geem et al. 2001), honeybee algorithm (Nakrani &
Tovey 2004), artificial bee colony (Karaboga, 2005). Firefly algorithm (Yang
2008), cuckoo search (Yang & Deb 2009),
 Bat algorithm (Yang, 2010), ...
 12

IV. Formulation d’un problème d’optimisation

Eléments génériques d’un problème d’optimisation

Pour appréhender la problématique de l'optimisation en génie
mécanique, il est utile d’identifier les étapes génériques par lesquelles on
doit passer pour obtenir une formulation consistante et appliquer un
processus de résolution adéquat . L’ingénieur est en fait appelé à passer
par les étapes suivantes :

• Modélisation
• Formulation
• Stratégie de résolution
 13

IV. Formulation d’un problème d’optimisation

Étapes génériques pour obtenir une formulation consistante

• Modélisation : il s’agit de définir un modèle de simulation du système considéré. Le modèle peut

être établi sur une base physique, par exemple la résolution d'équations aux dérivées partielles
issues d’une modélisation par la méthode des éléments finis, la résolution des équations de
mouvement d’un système multicorps, ou à partir d'un jeu d'entrées-sorties qui sont numériquement
apprises. Cependant, un même système peut être souvent décrit par plusieurs modèles, ayant des
degrés de précision différents et des coûts calculatoires différents.
• Formulation : il y a lieu de définir les éléments du problème d'optimisation notamment le vecteur
des variables d’optimisation, le vecteur des fonctions coût et le vecteur des contraintes à respecter.
En spécifiant ces éléments, il est nécessaire de vérifier le flux de données à travers le modèle de
simulation afin de calculer efficacement toutes les composantes du problème d’optimisation.
• Stratégie de résolution : Une fois la formulation faite, la nature mathématique du problème
d'optimisation est précisée. Cela permet de définir la stratégie de résolution adéquate qui sera basée
sur un ou plusieurs algorithmes d’optimisation . Arrivé à ce stade, on dispose de tous les ingrédients
pour traiter le problème d’optimisation. La mise en œuvre de la stratégie ainsi choisie est tributaire
des outils informatiques disponibles et des possibilités d’interfaçage entre les différents outils de
simulation et de résolution impliqués dans le processus itératif de l’optimisation.
 14

IV. Formulation d’un problème d’optimisation

Minimiser (ou maximiser) f (X)

Sous les contraintes

Gi(X) = 0 i =1,…me contraintes de type égalité

Gi(X) ≤ 0 i = me+1,…m contraintes de type inégalité

• f (X) : fonction objectif, coût, fonction mérite

• G (X) : vecteur des contraintes
• X=(x1 , x2 , x3 …, xn ) vecteur des variables du problème
variables de décision ou de contrôle
 15

IV. Formulation d’un problème d’optimisation

Remarque 1: on appelle critère d’optimisation, ou indice de

performance, l’expression {min f(X)} et non pas
f(x). f(x) est la fonction objectif à minimiser

Remarque 2: on peut distinguer également

 Les contraintes de borne

l xu
 Les contraintes de signe
x 0

Remarque 3: L’ensemble A des points vérifiant toutes les

limitations est appelé le domaine admissible
 16

IV. Formulation d’un problème d’optimisation

Exemple 1
• vecteur des variables de conception

• Contraintes:
- T1 , T2 des entiers et doivent prendre des valeurs
spécifiques (normalisées)
- tenue mécanique des dents
- poids inférieur à une limite prescrite

Valeurs possibles Valeurs impossibles

Problème de conception d’un

train d’engrenage • Critère d’optimisation:
maximiser la vitesse de sortie N2
 17

IV. Formulation d’un problème d’optimisation

Exemple 2: production de pièces (A et B) en bois.

Pièce A : vendus 27DA et coûtant 10DA de matériel brut.

Coûts généraux : 14DA par pièce A.
Qté. de travail : 1 h de menuiserie 2 h de finissage
Pièce B: vendus 21DA et coûtant 9DA de matériel brut.
Coûts généraux : 10DA par pièce B.
Qté. de travail : 1 h de menuiserie et 1 h de finissage
Au maximum, on dispose de
80 h de menuiserie et
100 h de finissage par semaine.
Demande : illimitée pour les pièces A,
maximum 40 pièce B par semaine.

Problème : Comment maximiser les bénéfices de cette production ?

 18

IV. Formulation d’un problème d’optimisation

Modélisation du problème de production,

1. Variables de décision :
x1 = nombre de pièces A produites par semaine
x2 = nombre de pièces B produites par semaine
2. Fonction objectif :
Bénéfice = revenu – coût du matériel – coûts généraux
Revenu = revenu pour les pièces A +
revenu pour les pièces B
= (DA/pièce A)(pièces A/semaine) +
(DA/pièce B)(pièces B/semaine)
= 27 x1 + 21 x2
Coût du matériel = 10 x1 + 9 x2
Coûts généraux = 14 x1 + 10 x2
 19

IV. Formulation d’un problème d’optimisation

Bénéfice = (27 x1 + 21 x2)-(10 x1 + 9 x2)-(14 x1 + 10 x2)= 3x1 + 2 x2

On notera Maximiser z = 3 x1 + 2 x2
3. Contraintes :
a) Pas plus de 100 h de finissage par semaine
b) Pas plus de 80 heures de menuiserie par semaine
c) Pas plus de 40 pièce A par semaine
d) Finissage/semaine = (finissage/pièce A)(pièces A/semaine) +
(finissage/pièce B)(pièce B/semaine)
= 2 x1 + x2

Contrainte a : 2 x1 + x2  100
Contrainte b : x1 + x2  80
Contrainte c : x1  40
x1  0, x2  0
Contrainte d : x1, x2 sont des entiers
 20

IV. Formulation d’un problème d’optimisation

Pressure Vessel Design Optimization
 21

IV. Formulation d’un problème d’optimisation

Spring design
 22

IV. Formulation d’un problème d’optimisation

Spring design
 23

IV. Formulation d’un problème d’optimisation

 Contraintes  surface des contraintes

 Fonction objectif  surface, courbes iso-valeur (de niveau)
x2

G2= 0
G1= 0 Domaine G4= 0
admissible

G3= 0

x1
 24
IV. Formulation d’un problème d’optimisation
Transformations

g(x)  0

-g(x)  0
 IV. Formulation d’un problème d’optimisation
Transformations

Exemple

sous contraintes sous contraintes

 26

V. Classification des problèmes d’optimisation

Caractéristique Propriété Classification
Une seule monovariable
Nombre de variables
>1 À plusieurs variables
Nombres réels continus continue
Type des valeurs
admissibles pour les Nombres réels continus + entiers mixte
variables de d’optimisation
Entiers en permutation Combinatoire (discrète)
F(X) linéaire/ X
Linéaire
G(x) linéaire/ X
F(X) Quadratique/X
quadratique
Nature des G(x) linéaire/ X
Fonctions F(X) Non linéaire/ X
du problème Non linéaire
G(x) Non linéaire/ X
F(x) Continue / x (ou pas) différentiable / non différentiable
G(x) Crée un ensemble convexe
Programmation convexe
 27

V. Classification des problèmes d’optimisation

Caractéristique Propriété Classification

Fonctionnelles (X(t),u(t)), Commande optimale, calcul de
Nature physique du problème à plusieurs phases variation,
problème
Autre
Nature des variables Variables stochastiques Programmation stochastique
d’optimisation Variables déterministes Programmation deterministe
1 Mono-objectif
Nombre des fonctions
objectifs >1 Multi-objectif

Formulation du problème Avec contraintes Sous contraintes (pb contraint)

Sans contraintes Sans contraintes (pb non contraint)
 28
Remarques
 29

VI. Classification des techniques d’optimisation

Méthodes déterministes Méthodes stochastiques

 30

VI. Classification des techniques d’optimisation

 31

VI. Classification des techniques d’optimisation

32
 33

VII. Notation et rappels mathématiques

Vecteurs et matrices
X: vecteur colonne de Rn , XT =(x1, x2, …, xn)
I : matrice identité (n, n)
H : matrice (n, n), HT sa transposée
H HT est symétrique car (H HT)T = (HT)T HT = H HT
det(H) = déterminant de H
Si det(H) = 0, H est une matrice singulière
 34

VII. Notation et rappels mathématiques

Vecteurs et matrices
 Si H est non singulière, il existe une matrice unique H-1 = matrice inverse de H
telle que : H H-1 = H-1 H = I

 Produit scalaire de 2 vecteurs : XT X noté aussi (X, X)

 Norme (euclidienne) d’un vecteur X de Rn : ||X|| = (XTX)1/2 = (Σ xi2 )1/2

 Des vecteurs X1, X2, …, Xp sont dits orthogonaux si XiT Xj = 0 pour tout i ≠ j

 Ils sont orthonormés si, en plus, XiT Xi = 1 pour tout i

 Une matrice carrée symétrique A est dite semi-définie positive si l’on a :

X  Rn , XT A X ≥ 0 pour tout X ≠ 0, (définie positive si on a inégalité stricte > )

 35

VII. Notation et rappels mathématiques

•Propriétés des matrices définies positives :

Soit:

A = LTL par factorisation de Cholesky avec L inversible et triangulaire

 36

VII. Notation et rappels mathématiques

Différentiabilité
 LeGradient : Soit f une fonction dérivable, f : Rn R ;
on appelle gradient de f en X° le vecteur :

Exemple: calculer le gradient de

 37

VII. Notation et rappels mathématiques

 Le
Hessien : Si f admet aussi des dérivées secondes, on
peut définir le Hessien de f en X° :

Exemple: calculer le Hessien de

 38

VII. Notation et rappels mathématiques

Formule de Taylor
Pour une fonction d’une seule variable r fois dérivable, la formule de Taylor donne
une approximation de f au voisinage d’un point x :

f(x+s) = f(x) + sf’(x) +s2f’’(x)/2 + … +sr-1f(r-1)(x)/(r-1)! + O(sr)

où O(sr) 0 quand s  0

Pour les fonctions de n variables, nous utiliserons seulement le développement

d’ordre 2 :

f(x+s) = f(x) + sT f(x) + ½ sT H(x) s + s2 ||O(s)||

où O(s)  0 quand s  0
 39

VII. Notation et rappels mathématiques

Formule de Taylor
Exemple :
Faites le Développement de Taylor jusqu’à l’ordre 2 de la fonction

Autour de
 40

VII. Notation et rappels mathématiques

Directions de descente
sRn est une direction de descente pour la fonction f au point x s’il existe
un intervalle [0,] R tel que l’on ait:
f(x+r s) < f(x) pour tout r [0, ]

s est une direction de descente si et seulement si : sT f(x) < 0

En effet :

f(x+rs) = f(x) + r sT f(x) + ½ r2 sT H(x) s + …

Pour r suffisamment petit, on aura : f(x+rs) < f(x)

si et seulement si sT f(x) < 0
 41

VII. Notation et rappels mathématiques

Convexité
C’est une propriété importante dans le contexte de l’optimisation continue, car une
bonne partie des résultats théoriques sur lesquels s’appuient les méthodes de
minimisation sont valables seulement pour des fonctions convexes, et des
domaines convexes.
Fonction convexe
On dit qu’une fonction f : Rn → R est convexe si :

 xRn,  yRn ,  r / 0 ≤ r ≤ 1,
on a : f(r x + (1 – r) y) ≤ r f(x) + (1 – r) f(y)

• f est dite strictement convexe si l’on a l’inégalité stricte pour x y et 0 < r < 1
• Si l’inégalité est en sens inverse, la fonction est dite concave () ou strictement
concave (>).
 42

VII. Notation et rappels mathématiques

Convexité

Théorème
 43

VII. Notation et rappels mathématiques

Convexité
• Ensemble convexe
On dit qu’un ensemble   Rn est convexe si le segment
joignant 2 points quelconques de  est contenu dans  :
 x, y , 0 ≤ r ≤ 1, on a : r x + (1 – r) y  

• Propriétés d’un ensemble convexe

 44
VIII. Synthèse

 La modélisation vient nécessairement en amont de tout

processus d’optimisation. Il faut savoir comment traduire
un problème concret en une formulation mathématique
qui va permettre son analyse et sa résolution.
 La modélisation= identifier les variables de décision +
définir la fonction objectif +préciser les contraintes à
respecter.
 Si le problème se présente sous une forme inadéquate
pour l’application des algorithmes de résolution, une
transformation s’impose (problème équivalent)
 45
VIII. Synthèse

• Il faut classer le problème

• problème d’optimisation (de programmation) linéaire

• problème d’optimisation non linéaire sans contraintes
• problème d’optimisation non linéaire avec contraintes
• ….

•Pour classer un problème, il faut identifier les propriétés

de la fonction objectif et des contraintes
 46
IV. Exemples d’ application de
l’optimisation en Mécanique

 Conception des avions et des

structures aérospatiales légères
 Recherche des trajectoires optimales
pour différents véhicules et
mécanismes
 47
IV. Exemples d’ application de
l’optimisation en Mécanique

 Conception optimale des structures

mécaniques en matériaux
composites, plastiques, …
 Optimisation des formes
aérodynamiques
IV. Exemples d’applications de 48

l’optimisation en Mécanique

 Analyse des données statistiques et construction de

modèles empiriques à partir de résultats
expérimentaux

 Organisation des sites industriels

 Planification des tâches de maintenance

…
 49
X. Avertissement :
Les verrous actuels à l'optimisation des systèmes
mécaniques

l’implémentation de la stratégie d’optimisation peut rencontrer de nombreux problèmes

inhérents à la nature complexe du cas traité où aux outils de résolution à déployer. Pour
autant, une analyse des verrous actuels à l'optimisation des systèmes mécaniques révèle
l’existence de problèmes récurrents, notamment :
 Le coût des simulations.
 La présence d'optima locaux.
 La présence de paramètres incertains
 50
X. Avertissement :
Les verrous actuels à l'optimisation des systèmes
mécaniques

 Le coût des simulations. Le temps de calcul du modèle de simulation (b) constitue

l'obstacle le plus communément rencontré en optimisation. Il affecte tous les éléments
du processus de la figure 2 et impose ainsi des restrictions dans le choix des algorithmes
d’optimisation afin de contrôler au mieux le coût numérique. En outre, le coût des
simulations peut mener à la création d'un autre modèle, numériquement plus efficace,
pour une optimisation à moindre coût. En effet, un trop grand coût de simulation peut
entrainer un changement de formulation, en particulier une décomposition du
problème initial. Il est clair que le coût numérique des simulations est, et restera, un
facteur limitant à l'optimisation. De nombreux travaux s'attaquent à ce verrou en
substituant aux simulateurs fins des modèles moins coûteux, parce qu'ils sont obtenus à
partir de physiques dégradées ou bien appris sur la base de données.
 51
X. Avertissement :
Les verrous actuels à l'optimisation des systèmes
mécaniques

 La présence d'optima locaux. Les problèmes d’optimisation posés en génie

mécanique sont généralement complexes dont la régularité n'est pas connue et
comportant des optima locaux. Les méthodes d'optimisation globales sont utilisées
dans les bureaux d'études dans l’espoir d’éviter le piégeage dans les optima
locaux. Or, l'optimisation globale est un problème mathématiquement difficile, qui
nécessite souvent l'ajout, aux approches d'optimisation classiques, de
connaissances spécifiques au problème traité ou l’hybridation de nombreuses
techniques.
 52
X. Avertissement :
Les verrous actuels à l'optimisation des systèmes
mécaniques

 La présence de paramètres incertains dans les modèles simulés et les fonctions à

optimiser. Pour en tenir compte, il faut généralement traiter deux problèmes imbriqués,
l'optimisation du système et l'évaluation de l'effet des incertitudes sur ce système. En fait,
les modèles de simulation utilisés dans le processus itératif de la figure 2 ne sont que des
représentations imparfaites de la réalité. Il existe donc des incertitudes, qui peuvent être
de nature déterministe, comme des paramètres expérimentaux inconnus, ou de nature
aléatoire, par exemple un effort aérodynamique. Ces incertitudes peuvent le plus
souvent être traduites dans les modèles sous la forme de paramètres incertains dont il faut
tenir compte lors de l'optimisation.