Académique Documents
Professionnel Documents
Culture Documents
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
II. Définitions
III. Historique 10
Algorithmes stochastiques:
• Modélisation
• Formulation
• Stratégie de résolution
13
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
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
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
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
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
Des vecteurs X1, X2, …, Xp sont dits orthogonaux si XiT Xj = 0 pour tout i ≠ j
Soit:
Différentiabilité
LeGradient : Soit f une fonction dérivable, f : Rn R ;
on appelle gradient de f en X° le vecteur :
Le
Hessien : Si f admet aussi des dérivées secondes, on
peut définir le Hessien de f en X° :
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 :
où O(sr) 0 quand s 0
où O(s) 0 quand s 0
39
Formule de Taylor
Exemple :
Faites le Développement de Taylor jusqu’à l’ordre 2 de la fonction
Autour de
40
Directions de descente
sRn 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, ]
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 :
xRn, yRn , 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
Convexité
Théorème
43
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
l’optimisation en Mécanique
…
49
X. Avertissement :
Les verrous actuels à l'optimisation des systèmes
mécaniques