Académique Documents
Professionnel Documents
Culture Documents
Série N°3
Exercice 1:
Soit la fonction suivante : f 1 ( x ) = x 2 − 3x + 2
Exercice 2:
Soit la fonction suivante : f 2 ( x 1 , x 2 ) = x 1 − 4x 1 − x 1x 2 + x 2 − x 2 .
2 2
0
fixe) pour trouver le minimum de cette fonction.
3. Appliquer l’algorithme de descente du gradient (à pas variable) pour trouver le minimum de
la fonction f 2 .
Exercice 3:
Soit la fonction de l’excercice 2 : f 2 ( x 1 , x 2 ) = x 1 − 4x 1 − x 1x 2 + x 2 − x 2 .
2 2
0
Exercice 4:
(
Soit la fonction suivante : f ( x1 , x 2 ) = 50 x 2 − x1 ) + (1 − x )
2 2
1
2
−2
On prend x ( ) = et n = 3 , Appliquer l’algorithme de Newton pour trouver le minimum
0
-
3
de cette fonction.
1
Solutions
Exercice 1:
soit la fonction suivante : f ( x ) = x 2 − 3 x + 2
Pour trouver analytiquement le minimum de la fonction f , il faut trouver les racines de l'équation
f ′(x ) = 0 ⇒ 2 x − 3 = 0 ⇒ x * =
3
2
( )
⇒ f x * = −0.25
1. On va utiliser l’algorithme du gradient (à pas fixe ) pour trouver le minimum de cette fonction :
( ) ( )
On prend α = 0.3 et x (0 ) = x0 = 0 ⇒ f x (0 ) = 2 , g (k −1) = ∇f x (k −1) = 2 x − 3
Itération (k) Gradient g (k −1) Solution x (k ) ( )
Fonction f x (k )
1 -3 0.9 0.11
2 -1.2 1.26 -0.1924
3 -0.48 1.404 -0.2408
4 -0.192 1.4616 -0.2485
2. On va utiliser l’algorithme du gradient (à pas variable ) pour trouver le minimum de cette fonction :
Itération (k) pas α k Gradient g (k −1) Solution x (k ) Fonction f x (k ) ( )
1 1 -3 3 2
2 0.7071 3 0.8787 0.136
3 0.5774 -1.2426 1.5961 -0.2408
4 0.5 0.1922 1.5 -0.25
Exercice 2:
Soit la fonction suivante : f ( x1 , x 2 ) = x12 − 4 x1 − x1 x 2 + x 22 − x 2
le minimum est atteint quand :
(
∇f x )
( k −1) 2 x1 − 4 − x 2 0
=
− + −
=
0 ⇒
x1* 3
( )
* = ⇒ f x1 , x 2 = −7
* *
1 x 2 x 2 1 2
x 2
1. On va utiliser l’algorithme du gradient (à pas fixe ) pour trouver le minimum de cette fonction :
x 0 0
( ) 0
( )
2 x − 4 − x 2
On prend α = 0.3 et x (0 ) = 1 = ⇒ f x (0 ) = , g (k −1) = ∇f x (k −1) = 1
x 2 0 0 − x1 + 2 x 2 − 1
0
− 4 1.2
1 − 1 0.3 -3.93
− 1.9 1.77
2 0.78 -5.4993
− 1.6
− 1.24 2.142
3 − 1.21 1.143 -6.2647
− 0.859 2.3997
4 − 0.856 1.3998 -6.6397
2
2. On va utiliser l’algorithme du gradient (à pas variable ) pour trouver le minimum de cette fonction :
Itération (k) pas α k Gradient g (k −1) Solution x (k ) Fonction f x (k ) ( )
− 4 4
1 1 − 1 1 -4
3 1.8787
2 0.7071 − 3 3.1213 -3.2279
−
3.364 3.8209
3 0.5774 3.364 1.1791 -4.9785
2 . 4626 2.5896
4 0.5 − 2.4626 2.4104 -6.4946
Exercice 3:
On va utiliser l’algorithme du gradient conjugué pour trouver le minimum de cette fonction :
x 0 0 0
( ) 2x 1 − 4 − x 2
On prend α = 0.5 et x (0 ) = 1 = ⇒ f x (0 ) = , ∇f x ( k −1) =
( ) ( )
− 4
, ∇f x ( 0 ) = d 0 =
x 2 0 0 − x 1 + 2x 2 − 1 − 1
0
Itération (k) x (k ) ( ( ))
∇f x
k
βk dk ( )
Fonction f x (k )
2 − 0.5 − 1.5
1 0.5 −2 − 2.25
0.25 -5.25
2.75 − 0.125 − 0.2188
2 1.625 − 0.5 − 0.6406
0.0625 -6.8906
2.8594 − 0.2266 − 0.2696
3 1.9453 0.0313 − 0.0949
0.1969 -6.9849
2.9942 − 0.0044 − 0.0049
4 1.9928 − 0.0087 − 0.0088
0.0018 -7.0000
Exercice 4:
On va utiliser l’algorithme de Newton pour trouver le minimum de cette fonction :
(0 ) x10 − 2
( ) (k )( )
=
g1 x (k ) − 200 x1 (x 2 − x12 ) − 2(1 − x1 )
=
x = 0 = (k )
( ) g 2 x 100(x 2 − x1 )
g x
2
x 2 3 ,
La matrice hessienne est donnée comme suit :
( )
∂g1 x (k ) ( ) ∂g1 x
(k )
( )
H x =
(k )
∂x1(k ) (
=
)
∂x 2(k ) − 200 x 2 − 3 x1 + 2 − 200 x1
2
( ) ( )
∂g 2 x (k ) ∂g 2 x (k ) − 200 x1 100
(k )
∂x1 ∂x 2(k )
Itération
(k)
( ) gx
(k )
( ) H x
(k )
( )
H −1 x
(k )
x (k ) ( )
f x (k )
− 406 1802 400 0.005 −0.0198 −1.9703
1 − 100 400 100 −0.0198 0.0829 3.8812 8.8227
− 6.2883 1.555 0.3941 0.4595 −1.8106 0.7592
2 − 0.0882 0.3941 *103 −1.8106 7.1447 −6.8737 2.7752*103
0.1
1.1307 1.7226 −0.1518 0.0007 0.001 0.7595
3 −0.745 *103 −0.1518 *103 0.0578
0.1 0.001 0.0115
0.5769