ESSTHS- Sousse 2023-2024

Département Maths LMI2

Corrigé du devoir à la maison

Exercice 1
Soit la fonction f dé…nie par
f : R2 ! R
2 3 2
(x1 ; x2 ) 7 ! x1 + 2 x2 x1 x2
1. Montrer qu’il exisite un unique x 2 R2 tel que f (x) = inf R2 f et le calculer.
2. Calculer le premier itéré donné par l’algorithme du gradient à pas …xe (GPF) et
(0) (0)
l’algorithme à pas optimal (GPO), en partant de x1 ; x2 = (1; 2) pour un pas de
= 0; 5 dans le cas GPF.
3. Commenter le résultat.

Exercice 1(co)
Soit la fonction f dé…nie par
f : R2 ! R
2 3 2
(x1 ; x2 ) 7 ! x1 + 2 x2 x1 x2
1. On a f est di¤érentiable et
2x1 x2
rf (x1 ; x2 ) =
3x2 x1
et
2 1
Hf = Hess (f ) =
1 3
2 1
Les valeurs propres de la matrice sont
1 3
1p 5 5 1p
5 + > 0; 5>0
2 2 2 2
donc Hf est dé…nie positive donc f est convexe et par suite f admet un unique
minimum. Le minimum est obtenu par
2x1 x2 0
rf (x1 ; x2 ) = 0 =) =
3x2 x1 0
=) x1 = x2 = 0
Ce minimum est
f (x) = inf2 f = f (0; 0) = 0
x2R

Autre méthode : On cherche l’unique point critique puis on le caractése par la formule
s2 rt et le signe de r:

1
 2. Notons que l’algorithme du gradient à pas …xe (GPF) est :
a) Initialisation : x(0) 2 Rn
b) Itération k : x(k) connus (k 0)
i) w(k) = rf x(k) :
ii) x(k+1) = x(k) + w(k) ; avec bien choisi.
(0) (0)
A la première itération, on a x1 ; x2 = (1; 2) et
rf (1; 2) = (0; 5)
et donc w0 = (0; 5) : on en déduit pour = 0; 5;
x(1) = x(0) + w(0) = (1; 2) + 0; 5 (0; 5) = (1; 0; 5)
et
1 3 3 1 15
f x(1) = f 1; = x21 + x22 x1 x2 = 1 + + = :
2 2 8 2 8
(1) (1)
D’autre part, à la deuxième itération, on a x1 ; x2 = (1; 0; 5) et
rf (1; 0; 5) = (1; 5; 2; 5)
et donc w1 = ( 1; 5; 2; 5) : on en déduit pour = 0; 5;
1
x(2) = x(1) + w(1) = (1; 0; 5) + 0; 5 ( 1; 5; 2; 5) = ; 1; 5
2
et
1 3 1 3 1
f x(1) = f ; 1; 5 = x21 + x22 x1 x2 = + 2; 25 1; 5
2 2 4 2 2
Par ailleurs, pour GPO
a) Initialisation : x(0) 2 Rn
b) Itération n : x(k) connus (k 0)
i) On calcule w(k) = rf x(k) :
ii) On choisit k > 0 tel que
f x(k) + kw
(k)
f x(k) + w(k) ; 8 0:
ii) On pose x(k+1) = x(k) + kw
(k)
:
Calculons le 0 optimal à l’itération 0:On a vu précedemment que w0 = (0; 5) : le 0
optimal minimise la fonction
7 ! ' ( ) = f x(0) + w0
= f ((1; 2 5 ))
3
= 1 + (2 5 )2 (2 5 )
2
3
= 1+ 4 20 + 25 2 (2 5 )
2
75 2
= 1 + 6 30 + (2 5 )
2
75 2
= 5 25 +
2

2
On doit avoir '0 ( 0) = 0:Donc 0 = 13 : On obtient alors

x(1) = x(0) + w0
(0) (0)
= x 1 ; x2 = (1; 2)
1
= (1; 2) + (0; 5)
3
1 3
= 1; x21 + x22 x1 x2
3 2
et
2
(1) 1 3 1 1
f (x ) = f 1; =1+
3 2 3 3
5
=
6
Ainsi de suite
Exercice 2
Décomposer le nombre 8 en deux parties positives p1 ; p2 de sorte que le produit de leur
produit par leur di¤érence soit maximal.
Exercice 2 (co)
Le problème se formule comme suit
8
< max [p1 p2 (p2 p1 )] = max p1 p22 p21 p2
p1 + p2 = 8
:
p 1 ; p2 0

p1
Alors pour u = ; on a
p2

p22 2p1 p2 1 1 0
rf (u) = ; rg (u) = ; rh1 (u) = ; rh2 (u) =
2p1 p2 p21 1 0 1
Les contraintes étant a¢ nes on peut appliquer KKT
p22 2p1 p2 + = 0
2p1 p2 p21 + = 0
En formant L1 L2 on obtient

p22 2p1 p2 2p1 p2 p21 = p21 + p22 6p1 p2 = 0:

32
Puisque p1 + p2 = 8 on a p1 p2 = 3
: Donc p1 ; p2 sont les racines du polynôme
32
X2 8X + :
3
82
dont = 3
et par suite
4 4
p1 = 4 p ; p1 = 4 + p
3 3

3
Exercice 3
Une ville est B est à 10 km à l’est d’une ville Aet une ville C est à 3 km au nord de
la ville B. On veut réaliser un projet d’autorouteentre les villes A et C. Le coûtde 1km
d’autoroute lelong de la route existente entre A et B est 400000 DT. Alors que le coût de
1 km d’autoroute ailleurs est de 500000 DT. On désire déterminer où doit se situer le point
pivot P ( c’est-à-dire, à quelle distance de A l’autoroute doit bifurquer pour être construite
en plein champ) pour minimiser le coût de réalisation de l’autoroute. En…n, on impose que
la bifurcation ait lieu à au moins 3km de l’entrée de la ville B; pour des raisons écologiques

C
j3 x
A | {z } P | {z } B
10 y y

1. Montrer que le problème en question peut s’écrire

8
< minx;y C(x; y)
(Paut ) h (x; y) = 0
:
g(x; y) 0

où la fonction coût

C(x; y) = 4 105 (10 y) + 5 105 x;

et les contraintes
0 1 0 1
x g(x; y)
h(x; y) = x2 y2 9 et g(x; y) = @ 3 y A = @ g(x; y) A
y 10 g(x; y)

2. Montrer que le problème (Paut ) admet une unique solution.

3. Résoudre (Paut ) :

4
Exercice 3 (co)
1. Le coût entre A et P est 4 105 (10 y) en DT alors que le coût entre P et C est
5 105 DT: Par conséquent la fonction coût à optimiser est

C(x; y) = 4 105 (10 y) + 5 105 x;

Par ailleurs, les contraintes s’écrivent x2 = y 2 + 32 (théorème de pythagore dans le

triangle PBC). Clairement
x 0
aussi et en tenant compte de la contrainte de la pollution de B

3 y 10:

D0 où le problème s0 écrit
8
< minx;y C(x; y)
(Paut ) h (x; y) = 0
:
g(x; y) 0

où la fonction coût

C(x; y) = 4 105 (10 y) + 5 105 x;

et les contraintes
01 0 1
x g(x; y)
h(x; y) = x2 y2 9 et g(x; y) = @ 3 y A = @ g(x; y) A
y 10 g(x; y)

2. Le problème (Paut ) admet une unique solution car la fonction

(x; y) 7 ! C(x; y) = 4 105 (10 y) + 5 105 x

est continue et l’ensemble des contraintes

8 0 1 9
< x =
K = (x; y) 2 R2 ; tel que x2 y 2 = 9 et @ 3 y A 0
: ;
y 10

est un compact.

3. Pour la résolution de (Paut ), écrivons les conditions de kkt : il existe un réel et un

triplet ( 1 ; 2 ; 3 ) 2 R3+
8
>
> 5 105 2 x 1
< + + = 0
4 105 2 y 2 + 3
>
> x2 y 2 = 9 et x 0 et y 2 [3; 10]
:
1 x = 0 2 (3 y) = 0 3 (y 10) = 0

5
 Si x = 0 alors l’équation x2 y 2 = 9 devient 0 y 2 = 9: Absurde! Donc x 6= 0 et par
suite 1 = 0:
p
Si y = 3 alors l’équation x2 y 2 = 9 donne x = 3 2 , 3 = 0 puis le sytème

5 105 6 x
+ + = 0
4 105 6 2

nous fournit
105 5 5 105
p= et 2 = 4 105 + 3 p < 0:
6 2 6 2
Absurde! D’où y =
6 3 et par suite 2 = 0:
p
Si y = 10 alors l’équation x2 y 2 = 9 donne x = 109 , 3 (y 10) = 0 puis le sytème

5 105 6 x 1
+ + = 0
4 105 6 2

nous fournit
5 105 5 105
= p et 3 = 4 105 + 2 10 p < 0:
109 2 109
Absurde! D’où y < 3 et par suite 3 = 0:

Finalement, 6= 0 nécéssairement, puis

5 105 4 105
x= et y =
2 2
En vertu de la relation x2 y 2 = 9 on obtient

2 2 1010 105 105

1010 (25 16) = 36 =) = =) + =0
4 2 2
105
On a deux possibilités pour (Bonjour Shaima et Rawend!). Ici, on prend = 2
a…n d’avoir x > 0: En résumé
x = 5 et y = 4:

Exercice 4 (Héritiers de Alyssa)

Déterminer l’aire maximale d’un rectangle de périmètre égale à 2.
Exercice 4(co) .)
Le problème se formule comme suit
8 8
< max (xy) < min xy
2x + 2y = 2 () 2x + 2y = 2
: :
x; y 0 x; y 0

6
Alors
y 1
rf (x; y) = ; rg (x; y) = 6= 0 :
x 1
Appliquons KKT. Les conditions nécessaires de KKT
rf (X) + rg (X) = 0
ou encore
y + = 0
x + = 0
Puis on somme
1
x y+2 = 0 =) =
2
2
=) yz =
3x
donc Finalement,
1 1
x = ;y = ;
2 2
D’où laire recherchée est
1
Amax =
4
Exercice 5
Une montagne a la forme de la surface
z(x; y) = 2xy 2x2 y2 8x + 6y + 4
(l’unité de mesure est de 100 mètres). Si le niveau de la mer correspond à z = 0, quelle est
la hauteur de la montagne ?
Exercice 5(co)
Il s’agit d’évaluer z(x; y) dans le point de maximum. Cherchons d’abord les points critiques
:
2x 4y 8 0
rz (x; y) = 0 () = () x = 1; y = 2
2x 2y + 6 0
On établit la nature du point critique en étudiant le déterminant de la matrice hessienne :
!
@2z @2z
@x2
(x; y) @x@y (x; y) 4 2
Hessz (x; y) = @2z @2z =
@y@x
z(x; y) @y2 (x; y) 2 2

et
2
@2z @2z @2z
( 1; 2) ( 1; 2) ( 1; 2) =4>0
@x2 @y 2 @x@y
donc ( 1; 2) est un maximum. Comme z( 1; 2) = 14, la montagne est haute de 1400 mètres.
Exercice 6
Déterminer et établir la nature des points critiques des fonctions
f : R2 ! R
dé…nies respectivement par :

7
 1. f (x; y) = x2 + xy + y 2 + y
2. f (x; y) = y 3 + 3x2 y 6x2 6y 2 + 2
3. f (x; y) = ex cos y

Exercice 6(co)
1. f (x; y) = x2 + xy + y 2 + y: On a f est de classe C 2 dans son domaine de dé…nition,
l’ouvert R2 :
Recherche des points critiques :
0 2x + y = 0
rf (x; y) = ()
0 x + 2y + 1 = 0
1 2
() (x; y) = ;
3 3

Nature du point critique : On a

2 1
Hf (x; y) =
1 2
Ainsi
1 2 @2f 1 2
det Hf ; = 3 > 0 et ; >0
3 3 @x2 3 3
donc
1 2
; est un minimum.
3 3
2. f (x; y) = y 3 + 3x2 y 6x2 6y 2 + 2: On a f est de classe C 2 dans son domaine de
dé…nition, l’ouvert R2 :
Recherche des points critiques :
0 6xy 12x = 0
rf (x; y) = ()
0 3y 2 + 3x2 12y = 0
() (x; y) = f(0; 0) ; (0; 4) ; (2; 2) ; ( 2; 2)g
On a alors 4 points critiques.
Nature du point critique : On a
6y 12 6x
Hf (x; y) =
6x 6y 12
Ainsi
@2f
det (Hf (0; 0)) > 0 et (0; 0) < 0 donc (0; 0) est un maximum.
@x2
@2f
det (Hf (0; 4)) > 0 et (0; 4) > 0 donc (0; 4) est un maximum.
@x2
det (Hf (2; 2)) < 0 donc (2; 2) est un point-selle;
det (Hf ( 2; 2)) < 0 donc ( 2; 2) est un point-selle;

8
 3. f (x; y) = ex cos y: On a f est de classe C 2 dans son domaine de dé…nition, l’ouvert R2 :
Recherche des points critiques :

0 ex cos y = 0
rf (x; y) = ()
0 ex sin y = 0

Pas de points critiques.

Exercice 7
Etudier l’existence d’extrema de la fonction
f : R ! R
(x; y) 7 ! xy

sous la contrainte
g(x; y) = x + y 6 = 0:
Exercice 7(co)
Première méthode Introduisons le lagrangien

L : R2 R ! R
(x; y; ) 7 ! L(x; y; ) = f (x; y) g(x; y) = xy (6 x y)

En appliquant la condition nécessaire des multiplicateurs de LAGRANGE, on doit calculer

les triplets (x; y; ) solutions du système
0 1 8 8
0 < y+ = 0 < y = 3
rL(x; y; ) = @ 0 A =) x+ = 0 =) x = 3
: :
0 x+y = 0 = 3

L’unique candidat extrémum de f sous la contrainte g est le point (3; 3) et f (3; 3) = 9.

Comme (3; 3; 3) = 1 < 0, on ne peut
pas établir directement la nature du point critique. Étudions alors le signe de la di¤érence

d(h; k) = f (3 + h; 3 + k)-f (3; 3) = hk + 3(h + k);

, h et k étant liés par la relation

0 = g(3 + h; 3 + k) = h + k;

soit encore k = h. On a
d(h; h) = h2 < 0
pour tout h 2 R : le point (3; 3) est alors un maximum local de f sous la contrainte g .
Seconde méthode Dans ce cas on peut écrire directement la restriction de f à la contrainte
et on obtient

fe(x) = f (x; 6 x) = x(6 x):

Pour maximiser cette restriction on calcule sa dérivée première :

9
 fe0 (x) = 6 2x
Ainsi
fe0 (x) = 0 () x = 3
Le point (3; 3) est bien un maximum.
Exercice 8
Soit le problème suivant :
(P) : min x1 + x2
h(x1 ;x2 ) 0
g(x1 ;x2 ) 0
avec
h (x1 ; x2 ) = x2 x1
g (x1 ; x2 ) = x1 + x22 1
2

1. Dessiner l’ensemble des contraintes.

2. Résoudre le problème (P) :

Exercice 8(co)
@h
Il faut tout d’abord véri…er que les contraintes sont bien quali…ées. Pour cela, calculons
@x
@g
et : On a :
@x
@h 1 @g 2x1
= ; =
@x 1 @x 2x2
@h @g 1 1
La famille ; est donc libre si et seulement si on a x1 6= et x2 6= : Ce couple
@x @x 2 2
particulier n’appartient pas au domaine souhaité pour le problème.
Les contraintes sont donc quali…ées. Ecrivons le Lagrangien et ses dérivées partielles. Soient
+
1 et 2 dans R

L (x1 ; x2 ; 1; 2) = x1 + x2 + 1 (x2 x1 ) + 2 x21 + x22 1

= 2 x21 + 2 x22 + ( 1 + 1) x1 + ( 1 + 1) x2 2

On a donc 8
> @L
< (x1 ; x2 ; 1; 2) = 1 1 + 2 2 x1
@x1
> @L
: (x1 ; x2 ; 1; 2) = 1 1 + 2 2 x1
@x2
Par suite 8
> @L 8
>
> (x1 ; x2 ; 1 ; 2 ) = 0
> > 1 1 + 2 2 x1 = 0
< @x
>
@L
1 >
<
1 1 + 2 2 x1 = 0
(x1 ; x2 ; 1 ; 2 ) = 0 =)
>
> @x2 >
> 1 (x 2 x1 ) = 0
>
> :
1 (x2 x1 ) = 0 2 2
>
: 2 (x1 + x2 1) = 0
2 2
2 (x1 + x2 1) = 0
1er cas 1 = 2 =0

10
On a alors
1 1 + 2 2 x1 = 0 () 1 = 0 impossible!
2eme cas 1 = 0 et g saturée
On a alors
8
8 1 > 1
8 > >
> x1 =
>
> x1 = >
> 2
< 1 + 2 2 x1 = 0 < 2 2 < 1
2

1 + 2 2 x2 = 0 =) 1 =) x2 =
: 2 >
> x2 = >
> 2
p
x1 + x22 1 = 0 >
: 2 2 >
>
2

x21 + x22 = 1 >

: 2
2 =
2
3eme cas x2 = 0 et h saturée
On a alors 8
< 1 x1 = 0
1 + x2 = 0 =) Im possible
:
x2 x1 = 0
4eme cas g et h saturée
On a alors
x21 + x22 = 1
x2 x1 = 0
Donc p p !
2 2
(x1 ; x2 ) = ;
2 2
En soustrayant les deux premières équations issues de la dérivation du Lagrangien, on trouve
1
1 = 0 et 2 =
2x2
On cherche 2 , cela nous permet d’éliminer un des deux cas, on a au …nal : (x1 ; x2 ; 1 ; 2 ) =
p p p !
2 2 2
; ; 0; ;
2 2 2
On peut remarquer que 1 = 0, on a bien retrouvé le résultat du second cas, ce qui illustre
le fait que le minimum est trouvé pile sur la contrainte sans que
cette dernière ne participe à le tirer dans un sens ou un autre.
f est a¢ ne et les contraintes sont convexes, la condition d’optimalité du premier ordre su¢ t
donc à conclure que l’unique point trouvé est bien un minimum.

Exercice 9
Soit f la fonction dé…nie sur R par f (x; y) = x2 + y 2 et K = f(x; y) 2 R2 ; x + y 1g :
Justi…er l’existence et l’unicité de la solution du problème

f (u) = inf K f
u2K

et appliquer le théorème de Kuhn-Tucker pour la détermination de cette solution.

Ainsi de suite

11
Exercice 9 (co)
La fonction f est continue sur R strictement convexe et croissante à l’in…ni. D’autre part,
l’ensemble K peut aussi s’écrire

K = (x; y) 2 R2 ; g (x; y) 0

avec g (x; y) = 1 + x2 + y 2 est un borné et fermé. Il y a donc existence et unicité de la

solution du problème. Appliquons KKT pour la recherche de cette solution. On a :
0 2x
rf (x; y) = et rg (x; y) = :
1 2y
Il existe donc 2 R tel que 8
>
> 2 x = 0
<
1+2 y = 0
>
> (1 x2 y 2 ) = 0
:
2 R
Par la première et deuxième équations du système, on déduit que 6= 0 donc x = 0: D’où
y 2 = 1 et par suite y = 1.
Exercice 10
Déterminer les points les plus proches et les plus éloignés de l’origine ( s’ils existent) de la
courbe
x6 + y 6 = 1:
Un petit dessin est le bienvenu.
Exercice 10(co)
Notons
E = (x; y) 2 R2 ; h (x; y) = x6 + y 6 1=0

et
J(x; y) = d ((x; y) ; (0; 0)) = x2 + y 2 :
Ainsi les points de E les plus proches et les plus éloignés de l’origine sont respectivement
solutions de
max J(x; y) min J(x; y)
Optmax et Optmin
(x; y) 2 E (x; y) 2 E
Il est clair que la fonction J est continue ( polynômiale) et E est un compact. ( demander
à Oumayma ou bien Google). Ainsi les deux problèmes ci-dessus admettent des solutions.
0 1 8
0 < 2x + 6 x5 = 0
rL(x; y; ) = @ 0 A () 2x + 6 x5 = 0 ()
:
0 x6 + y 6 = 1
8 8
< x (1 + 3 x4 ) = 0 >
< (x; y) = (0; 1) et = 31
() y (1 + 3 y 4 ) = 0 () ou (x; y) = ( 1; 0) ; = 13
: >
: (x; y) = 1 1 2
x6 + y 6 = 1 26; 26 = 233

Maintenant
J (0; 1) = J ( 1; 0) = 1

12
alors que
1 1 1
J 2 6 ; 2 6 =2 2 3 ' 1; 59

Exercice 11
Une entreprise fabrique deux types de petites voitures, les modèles X et Y: Le modèle X se
vend à 1 unité monétaire. Quant au modèle Y se vend à 3 unités monétaires. Le coup de
fabrication est donné par la fonction suivante
C(x; y) = 5x2 + 5y 2 2xy 2x 1000
où x est le nombre de petites voitures du modèle X et y est le nombre de petites voitures
du modèle Y: On suppose que les jouets fabriqués sont tous écoulés sur le marché.
1. La fonction C est-elle linéaire?
2. Véri…er que le pro…t P (x; y) réalisé par l’entreprise lorsqu’elle a vendu x jouets du
modèle X et y du modèle Y est
P (x; y) = 5x2 5y 2 + 2xy + 3x + 3y + 1000
2
3. Etudier la convexité de la fonction (x; y) 7 ! P (x; y) sur R+ :
4. La capacité de production de l’entreprise est 20 jouets par jour, en supposant que
l’entreprise tourne à plein régime, trouver la répartition optimale entre les modèles de
type X et les modèles de type Y permettant de maximiser le pro…t
5. Le conseil d’administration s’interroge sur la pertinence de vouloir produire à pleine
capacité. Il se demande s’il ne peut pas augmenter le pro…t en produisant autrement.
Pouvez vous aider le conseil d’administration?
Exercice 11(co)
1. La fonction C n’est pas linéaire car en particulier
C(0; 0) = 1000 6= 0

2. Le pro…t P (x; y) réalisé par l’entreprise est la di¤érence entre le gain et le coût de
production donc
P (x; y) = x + 3y C(x; y)
ou encore
P (x; y) = 5x2 5y 2 + 2xy + 3x + 3y + 1000
2
3. La fonction (x; y) 7 ! P (x; y) est polynômiale et donc de classe C 1 sur R+ :En
outre la matrice hessienne de P est
!
@ 2 P (x;y) @ 2 P (x;y)
@x2 @x@y 10 2
H = HessP (x; y) = @ 2 P (x;y) @ 2 P (x;y) =
2
2 10
@y@x @y

On a tr (H) = 1 + 2 = 20 et det (H) = 1 2 = 96: Ainsi les valeurs propres de

H sont : 8; 12: Comme les valeurs propres sont négatives alors la fonction P est
concave.

13
4. La capacité de production de l’entreprise est 20 jouets par jour implique

x + y = 20

et donc le problème à résoudre est

sup(x;y) P (x; y)
h(x; y) = 0

où x+y 20 = h(x; y). Le problème d’optimisation admet une solution car la contrainte
engendre un fermé et P est coersive et concave. D’après le théorème de KKT, il existe
un réel tel que
rP (x; y) + rh(x; y) = 0
ou encore 8 8
< 10x + 2y + 3 + = 0 < x = 10
10y + 2x + 3 + = 0 =) y = 10
: :
x + y = 0 = 77
Finalement le pro…t optimal est P (10; 10) = 260:

5. Les recommendations du conseil d’administration impliquent

sup(x;y) P (x; y)
h(x; y) 0

Le problème d’optimisation admet une solution car la contrainte engendre un fermé et

P est coersive et concave. D’après le théorème de KKT, il existe un réel 0 tel que

rP (x; y) + rh(x; y) = 0

ou encore
8
> 10x + 2y + 3 + 0= 8
>
< < x = y = 3+
10y + 2x + 3 + 0= 8
=) x + 3+ 10
>
> x + y 20 :
: (x + y 20) = 20
(x + y 20) = 20
8
< x = 38
x = y = 10
ou bien y = 38
= 77 :
= 0
Or
3 3 8009
P (10; 10) = 260 < P ( ; ) = = 1000; 125
8 8 8
En conclusion , et compte tenu des coûts de production il est préférable de produire
moins de voitures et les proportions optimales sont
3
x=y= :
8

14
Exercice 12
On cherche à résoudre le problème
8
>
> min 1
kx x 0 k2
>
< x2R2
2
x1 + x2 1
>
> x1 0
>
:
x1 0

où x0 = (1; 21 ).
Exercice 12(co)
Il s’agit d’un problème avec contraintes d’inégalité se mettant sous la forme g(x) 0 avec
0 1
g1 (x) = x1
g (x) = @ g2 (x) = x2 A
g3 (x) = x1 + x2 1

Sur le dessin, on peut s’assurer que très probablement seule la contrainte numéro 3 est active.
On peut s’en persuader par le calcul de la façon suivante : on peut tenter de résoudre le
système
rf (x) + 3 rg3 (x) = 0
g3 (x) = 0
soit ici 8 8
< 1 < x1 + 3 = 1
x x0 + 3 = 0
1 =) x2 + 3 = 21
: :
x1 + x2 = 1 x1 + x2 = 1
Finalement,
3 1 1
x 1 = ; x2 = ; 3 =
4 4 4
3
x=y= :
8
Exercice 13
Déterminer le rectangle de plus grande surface inscrit dans l’ellipse d’équation

x2 y 2
+ 2 =1
a2 b

Exercice 13(co)
Pour déterminer le rectangle de plus grande surface inscrit dans l’ellipse d’équation

x2 y 2
+ 2 =1
a2 b
il su¢ t de trouver les coordonnées de son coin supérieur droit M: Si x et y sont les coordon-
nées de M; la surface du rectangle est

S = (2x) (2y) = 4xy:

15
Le problème s’écrit alors 8
< max (4xy)
2
x2
+y = 1
: a2 b2
x; y 0
D’après le théorème de KKT, il existe 2 R tel que
8 2 x (
< 4y a2
= 0
x = pa
4x 2a2y = 0 =) 2
: x2 y 2 y = pa
+ b2 1 = 0 2
a2

et la surface cherchée est

S = 2ab:
Exercice 14
Résoudre avec la méthode du simplexe primal le problème suivant :
8
>
> min ' (x1 ; x2 ; x3 ) = 2x1 + x2 + 3x3
>
>
< x1 + 2x2 + x3 6
x1 + x2 24
>
>
>
> x 1 x 2 + x 3 = 9
:
x 1 ; x2 ; x 3 0

Exercice 14(co)
Notons tout d’abord que min z = max z

T1 x1 x2 x3 x4 = e1 x5 = e2 x6 = e3 b
x4 = e1 1 2 1 1 0 0 6 6
x5 = e2 1 1 0 0 1 0 24
x6 = e3 1 1 1 0 0 1 9 9
z 2 1 3 0 0 0 0
L1
x3 entre et e1 sort =) Li = L1 1
. Ensuite,

L2 L2 0 L1 ; L3 L3 1 L1 ; Lz Lz + 3 L1

T2 x1 x2 x3 x4 = e1 x5 = e2 x6 = e3 b
x3 1 2 1 1 0 0 6 6
e2 1 1 0 0 1 0 24
e3 2 3 0 1 0 1 3 23
z 5 5 0 3 0 0 18
L3
x1 entre et e3 sort =) Li = L3 2
. Ensuite,

L1 L1 + 1 L3 ; L2 L2 1 L3 ; Lz Lz + 5 L1

16
 T3 x1 x2 x3 x4 = e1 x5 = e2 x6 = e3 b
1 1 1 15
x3 0 2
1 2
0 2 2
15
5 1 1 45
e2 0 2
0 2
1 2 2
9
3 1 1 3 3
x1 1 2
0 2
0 2 2 2
5 1 5 51
z 0 2
0 2
0 2 2
2L5
x2 entre et e2 sort =) Li = L2 5
. Ensuite,
1 3 5
L1 L1 L2 ; L3 L3 + L2 ; Lz Lz + L2
2 2 2
T4 x1 x2 x3 x4 = e1 x5 = e2 x6 = e3 b
2 1 3
x3 0 0 1 5 5 5
3 15
1 2 1
x2 0 1 0 5 5 5
9 9
1 3 1 3
x1 1 1 0 5 5 5
15 2
z 0 0 0 1 1 1 48
Solution de Base Réalisable (SBR) optimale (ligne z 0)
0 1 0 1 0 1 0 1
x1 3 e1 0
xB = @ x2 A = @ 9 A ; xL = @ e2 A = @ 0 A et z = 48:
x3 15 e3 0

Remark 1 : les commentaires entre les tableaux sont facultatifs si l’étudiant peut garan-
tir un calcul sans fautes. Dans le cas contraire, un minimum de commentaires permet de
montrer une bonne compréhension de la méthode.

Remark 2 l’étudiant peut véri…er l’exactitude de son calcul en recalculant z en revenant à

son expression :
z = 2x1 + x2 + 3x3 = 2 15 + 9 + 3 3 = 48

Exercice15
Soit le programme linéaire
8
>
> min ' (x1 ; x2 ) = x1 3x3
>
>
< x1 + x2 2
2x1 + x2 8
>
>
>
> x1 + x2 5
:
x 1 ; x2 0

1. Représenter graphiquement le domaine des solutions admissibles du problème

2. Donner les points extrêmes du domaine admissible.

3. À l’aide des courbes de niveau de la fonction objectif ' , déterminer la solution optimale
du problème et justi…er.

4. Mettre le problème linéaire sous forme canonique, puis standard.

17
Exercice 15(co)
Soit le programme linéaire
8
>
> min ' (x1 ; x2 ) = x1 3x3
>
>
< x1 + x2 2
2x1 + x2 8
>
>
>
> x 1 + x 2 5
:
x 1 ; x2 0

1. Dans le graphe ci-dessous, la zone grisée représente le domaine des solutions admissi-
bles.

2. Les points extrêmes du domaine admissible sont : O = (0; 0) ; A = (0; 2) ; B =

(1:5; 3:5) ; C = (3; 2) ; D = (4; 0) ;

3. On a représenté deux lignes de niveau de la fonction objectif ' = 0 et ' = 9; . En

translatant la ligne de niveau de la fonction objectif correspondant à ' = 0 le plus loin
possible dans la direction opposée du gradient (on minimise) tout en restant admissible,
on constate que le point extrême que l’on atteint est c. Il correspond donc à l’optimum.
La valeur optimale du problème est

' =9

et la solution optimale correspondante est

x1 = 1:5 et x2 = 3:5

4. Le problème linéaire sous forme canonique est :

8
>
> min ' (x1 ; x2 ) = x1 3x3
>
>
< x1 + x2 2
2x1 + x2 8
>
>
>
> x 1 + x 2 5
:
x 1 ; x2 0

alors que Le problème linéaire sous forme standard est :

8
>
> min ' (x1 ; x2 ) = x1 3x3
>
>
< x1 + x2 + x3 = 2
2x1 + x2 + x4 = 8
>
>
>
> x1 + x2 + x5 = 5
:
x 1 ; x2 ; x 3 ; x4 ; x5 0

18