Université Ibn Zohr Faculté des sciences d’Agadir

Agadir Filière- SMA5

Département de mathématiques

Support de cours de la Programmation

Mathématique

Chapitre I : Notions fondamentales

Année universitaire 2021-2022

1
Table des matières

1 Notions fondamentales 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Représentation d’un problème d’optimisation . . . . . . . . . . . . . . . . . . . 3
1.3 Ensembles convexes dans Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Définitions et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Projection sur un convexe de Rn . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Fonctions convexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2
Chapitre 1

Notions fondamentales

1.1 Introduction
L’optimisation est l’étude des problèmes qui s’expriment comme suit : On se donne une
fonction f : E → F . L’objectif est de trouver un élément x∗ de U tels que f (x∗ ) 6 f (x)
Pour tous les x dans U.
On dit que l’on cherche à minimiser la fonction f sur l’ensemble U.
La fonction f est appelée fonction coût, fonction objectif ou critère d’optimisation. L’ensemble
U est appelé l’ensemble admissible, et les points de U sont appelés, les points admissibles.
Le point x∗ est appelé la solution du problème d’optimisation.
On peut écrire ce problème de différentes manières :
minx∈U f (x) ou min {f (x); x ∈ U }. On note parfois arg min {f (x); x ∈ U }.
Le problème décrit ci-dessus est un problème de minimisation.
Comme on a : maxx∈U f (x) = − minx∈U −f (x) Le problème de maximisation peut être trans-
formé en un problème de minimisation dans le sens où les solutions sont les mêmes, et que
les valeurs optimales sont opposées. En particulier une méthode pour analyser un problème de
minimisation pourra être utilisée pour résoudre un problème de maximisation. Dans ce qui suit,
on se contente de traiter les problèmes d’optimisation dans le sens Minimisation.

1.2 Représentation d’un problème d’optimisation

Définition 1.1
Un problème d’optimisation linéaire est un problème dont lequel on est amené à maximiser
ou minimiser une application linéaire sur un ensemble d’équations et d’inéquations linéaires.

Exemples 1
Une usine fabrique deux produits (P1 ) et(P2 ) à l’aide des matières premières a1 , a2 eta3
Le fonctionnement de l’usine est comme suite :
- la production d’une unité de (P1 ) nécessite 2 unités de a1 et une unité de a2
- La production d’une unité de (P2 ) nécessite une unité de a1 , 2 unités de a2 et une unité

3
 de a3
Supposons que l’usine dispose des matières premières a1 , a2 et a3 en quantités respectives
8,7 et 3
Le profit de la fabrication d’une unité de (P1 ) est égale à 4 DH.
Le profit de la fabrication d’une unité de (P2 ) est égale à 5 DH.
L’objectif est d’écrire le modèle mathématique du problème de maximisation du profit tout
en respectant les contraintes sur la matière première.

Exemples 2
Considérons le cas d’un fabriquant d’automobiles qui propose deux modèles a la vente :
des grosses et petites voitures. Les voitures de ce fabriquant sont tellement à la mode
qu’il est certain de vendre tout ce qu’il produit, au moins au prix fixé actuellement à
160.000 DH pour les grosses voitures, et 100.000 DH pour les petites. son problème vient
de l’approvisionnement limité en deux matières, le caoutchouc et l’acier.
La construction d’une petite voiture nécessite l’emploi d’une unité de caoutchouc et d’une
unité d’acier, tandis que celle d’une grosse voiture nécessite une unité de caoutchouc et deux
unités d’acier.
Sachant que son stock de caoutchouc est de 400 unités et celui de l’acier est de 600 unités.
Combien doit-il produire de petites et grosses voitures afin de maximiser son chiffre d’affaire ?

1.3 Ensembles convexes dans Rn

1.3.1 Définitions et propriétés
Définition 1.2
Un ensmble C dans Rn est dit convexe si et seulement si :
∀x, y ∈ C, ∀λ ∈ [0 ; 1], λx + (1 − λ)y ∈ C
D’un point de vue géométrique, un convexe est donc un ensemble qui lorsqu’il contient deux
points, contient nécessairement le segment des reliant.

Exemples 3
1. l’ensemble Rn
2. Tout singleton {a} , a ∈ R
3. La partie de Rn définit par Rn+ = {x ∈ Rn , x ≥ 0}.
4. La partie de Rn définit par Rn− = {x ∈ Rn , x ≤ 0}.

Proposition 1.1
Nous citons quelques propriétés élémentaires des ensembles convexes :

1. Si C1 et C2 sont deux convexes de Rn et λ1 , λ2 deux réels, alors λ1 C1 + λ2 C2 est un

convexe de Rn .

4
 2. Si (Cj )j∈J est une famille de convexes de Rn alors Cj est un convexe de Rn .
T
j∈J

3. Si C est un convexe de Rn et f : Rn → Rm une application affine, c’est à dire

f (x) = Ax + b pour certains A ∈ Mn,m (R) et b ∈ Rm . Alors f (C) est un convexe de
Rm .

Définition 1.3
Soient x1 , x2 , ..., xk un nombre fini de points de Rn et λ1 , λ1 , ..., λk des réels vérifiant :
λj ≥ 0, ∀j = 1, ..., k et kj=1 λj = 1.
P

On dit que x = kj=1 λj xj est une combinaison convexe de points x1 , x2 , ..., xk .

P

Plus généralement, si est un sous-ensemble quelconque deRn , on dit que x ∈ Rn est une
combinaison convexe de points de S, si il existe un nombre fini de point de S dont x est une
combinaison convexe.

Proposition 1.2
Un sous ensemble C de Rn est convexe si et seulement si il contient toutes les combinaison
convexe de points de C.

Démonstration : =⇒ La condition suffisante est immédiate, puisque la condition intervenant

dans la défintion de la convexité ne fait intervenir autre chause qu’une combinaison convexe à
deux éléments.
⇐= Pour la condition necessaire, on peut utiliser une récurrence sur le nombre d’éléments de
la combinaison convexe.
En effet, on suppose toute combinaison convexe d’au plus k éléments de C est dans C.
Soit x = kj=1 λj xj avec kj=1 λj = 1 alors on a :
P P
λ
x = λ1 x1 + (1 − λ1 ) kj=2 1−λj 1 xj
P

Pk λj
Donc par hypothèse de recurrence, y = j=2 1−λ1 xj ∈C

Puisque C est convexe, x = λ1 x1 + (1 − λ1 )y ∈ C.

Remarque 1
Lorsqu’un ensemble S de Rn n’est pas convexe, on peut considerer le plus petit ensemble
convexe le contenant. c’est la notion importante de l’enveloppe convexe.

Définition 1.4
Soit S une partie de Rn . L’intersection de convexes étant convexe. On peut donc parler du
plus petit convexe contenant S, qui est l’intersection de tous les convexes contenant S. C’est
ce qu’on appelle Enveloppe convexe de S. On la note Conv S.

Proposition 1.3
Soit S une partie de Rn , ConvS est l’ensemble de toutes les combinaisons convexes des
P P
éléments de S et donc ConvS ⊂ { λi xi , λi = 1}
Inversement, ConvS est un convexe, donc d’apres la proposition précédente, ConvS contient

5
 toutes les combinaisons convexes de ConvS donc de S. et par conséquent :
P P
ConvS ⊃ { λi xi , λi = 1}
P P
Finalement ; ConvS= { λi xi , λi = 1}

1.4 Projection sur un convexe de Rn

Soit E un sous espace vectoriel de Rn et x ∈ / E. La projection de x sur E est le point x̄ tel
que x − x̄ est orthogonal à tout vecteur de E.
C’est aussi le point x̄ ∈ E le plus proche de x.
Cette dernière caractérisation peut être utilisée pour définir la projection d’un point sur cer-
taines parties de Rn qui ne sont pas des sous espaces vectoriels.

Définition 1.5
Soit C une partie de Rn et x ∈
/ C. On appelle projection de x sur C. On appelle projection
de x sur C toute solution eventuelle du problème :
(
min 21 ky − xk2
(P )
y∈C

Remarque 2
Clairement, x est la projection de x si x ∈ C.

Proposition 1.4
( Caractérisation de la projection)
Soit C un convexe non vide de Rn . Un point x̄ ∈ C est une projection de x ∈ Rn sur C si
et seulement si l’une des conditions équivalentes suivantes est vérifiées :

(i)∀y ∈ C hy − x̄; x̄ − xi ≥ 0

(ii)∀y ∈ C hy − x̄; y − xi ≥ 0

Démonstration : =⇒ Soit y ∈ C, par convexité de C : zλ = x̄ + λ(y − x̄) ∈ C∀λ ∈ ]0, 1]

comme x̄ ∈ C est solution du problème de minimisation :

(
min 12 ky − xk2
(P )
y∈C

On a :
kx̄ − xk2 ≤ kzλ − xk2 = kx̄ + λ(y − x̄) − xk2 = kx̄ − xk2 + 2λ hx̄ − x, y − x̄i + λ2 ky − x̄k2
donc :

6
 2 hx̄ − x, y − x̄i ≥ −λky − x̄k2

Par conséquent :
2 hx̄ − x, y − x̄i ≥ 0

⇐= Inversement, en prenant λ ∈ ]0, 1[ et zλ = x + λ (y − x) ∈ C, on a d’après (ii) :

0 ≤ hzλ − x̄ , zλ − xi = λ hy − x̄, (x̄ − x) + λ (y − x̄)i

= λ hy − x̄, (x̄ − x)i + λ2 ky − x̄k2

En divisant par λ, puis en faisant tendre λ vers 0, on trouve : hy − x̄, x̄ − xi ≥ 0

Théoréme 1.1
(Existence et unicité de la projection)
Soit C une partie convexe fermée non vide de Rn et x un point de Rn tel que x ∈ / C. Alors
il existe un unique élément Pc (x) ∈ C qui minimise la distance de x à C .pc (x) est appellée
projection de x sur le convexe fermé C.

Proposition 1.5
L’application projection x 7→ pc (x) sur un convexe fermé non vide C possède les propriétés
suivantes :
(i) ∀x1 , x2 ∈ Rn hpc (x2 ) − pc (x1 ) , x2 − x1 i ≥ kpc (x2 ) − pc (x1 )k2
(ii) ∀x1 , x2 ∈ Rn hpc (x2 ) − pc (x1 ) , x2 − x1 i ≥ 0
(iii) ∀x1 , x2 ∈ Rn kpc (x2 ) − pc (x1 )k ≤ kx2 − x1 k

Preuve : Voir TD.

1.5 Fonctions convexes

Définition 1.6
Soit C un ensemble convexe de Rn et f : C → Rn est dite convexe sur C si pour tout
(x, y) ∈ C × C et tout λ ∈ ]0, 1[ on a :
f (λx + (1 − λ) y) ≤ λf (x) + (1 − λ) f (y)
f est dite strictement convexe sur C une fois que l’inégalité est stricte dès que x 6= y.

Une propriété encore plus forte est la forte convexité ou la α− convexité.

Définition 1.7
Soit C un ensemble convexe de Rn et f : C → Rn . f est dite fortement convexe sur C, de
module de forte convexité α  0 si pour tout (x, y) ∈ C × C et tout λ ∈ [0, 1] on a :

7
 f (λx + (1 − λ) y) ≤ λf (x) + (1 − λ) f (y) − α2 λ (1 − λ) kx − yk2

Une fonction fortement convexe est donc strictement convexe, et par consequent convexe.

Proposition 1.6
1)− Si C est un convexe de Rn et (fi )i∈I une famille quelconque de fonctions convexes, alors :

(i) Sup fi est convexe.

i∈I P
(ii) Si I est fini et si (λi )i∈I est une famille de réels positifs, alors λi fi est convexe.
i∈I

2)− Si C est un convexe de Rn et f est une fonction convexe de C sur R et si ϕ est

une fonction convexe croissante sur R, alors ϕ ◦ f est convexe.

Théoréme 1.2
(Caractérisation des fonctions convexes différentielles)
Soit U un ouvert convexe de Rn et f une fonction de U sur R
1)− Si f est différentiable sur U , alors f est convexe si et seulement si :

∀(x, y) ∈ U 2 ,f (x) − f (y) ≥ h∇f (x), y − xi

2)− Si f est de classe C 2 sur U, alors f est convexe si et seulement si ∀x ∈ U, la ma-

trice ∇2 f (x) est positive.

Démonstration :

1)− Si f est convexe, pour θ ∈ ]0, 1[, on a :

f ((1 − θ)x + θy) ≤ (1 − θ)f (x) + θf (y) d’où : f (x + θ(y − x)) − f (x) ≤ θ(f (y) − f (x))
Or ; f (x + θ(y − x)) = f (x) + θdx f (y − x) + θ ky − xk ε(θ(y − x)) En simplifiant par θ on
obtient :
dx f (y − x) + ky − xk ε(θ(y − x) ≤ f (y) − f (x)
Par consequent : dx f (y − x) ≤ f (y) − f (x)

Réciproquement ; si f (b) ≥ f (a) + da f (b − a); ∀(a, b) ∈ U2

Alors, avec b = yeta = x + θ(y − x) donc : f (y) ≥ f (x + θ(y − x)) + dx+θ(y−x) f (y − x)(1 − θ)
Par conséquent : f (y) ≥ f (x + θ(y − x)) + (1 − θ) h∇f (x + θ(y − x)), y − xi.
Puis avec les deux valeurs : b = xeta = x + θ(y − x)
f (x) ≥ f (x + θ(y − x)) + (−θ) h∇f (x + θ(y − x)), y − xi
En multiplie la première inégalité par θ et la deuxième par (1 − θ) et on fait la somme, on
obtient :
θf (y) + (1 − θ)f (x) ≥ f (x + θ(y − x))

8
D’où, f est convexe.

2)− On applique la formule de Taylor Mac Laurin à l’ordre 2 en x :

1
f (y) = f (x) + h∇f (x), y − xi + 2 ∇2 f (x + θ(y − x))(y − x), y − x

Or, ∇2 f (x + θ(y − x))(y − x), y − x ≥ 0 donc :

f (y) ≥ f (x) + h∇f (x), y − xi et par conséquent, f est convexe.

Réciproquement ; si f est convexe, alors : ∀h ∈ Rn et ∀t ∈ [0, 1] tel que x + th ∈ U

or, f (x + th) = f (x) + h∇f (x), thi + 12 t2 ∇2 f (x)h, h + t2 khk2 ε(th)
d’où ; ∇2 f (x)h, h + 2khk2 ε(th) ≥ 0
Finalement ; ∇2 f (x)h, h ≥ 0.

9
Université Ibn Zohr Année.Univ : 2020/2021
Faculté des Sciences Agadir, Filière SMA5
Département de mathématiques
Pr. Rachida Abounacer

Travaux dirigés - Série 1 -

Programmation mathématique

Exercice 1.

Montrer que l’application projection x → Pc (x) sur un convexe fermé non vide C possède les
propriétés suivantes :
1. ∀ x1 , x2 ∈ Rn , hPc (x2 ) − Pc (x1 ) , x2 − x1 i ≥ kPc (x2 ) − Pc (x1 )k2
2. ∀ x1 , x2 ∈ Rn , kPc (x2 ) − Pc (x1 )k ≤ kx2 − x1 k
3. ∀ x1 , x2 ∈ Rn , hPc (x2 ) − Pc (x1 ) , x2 − x1 i ≥ 0

Exercice 2.

1. Soit f : Rn → R une fonction continue, montrer que f est convexe si et seulement si

l’inégalité suivante est vérifiée :
1
f(x)+f(y)
∫ f (x + λ (y − x)) dλ ≤ 2
0
2. Soit f : R → R une fonction de classe C 1 et convexe.
Montrer que la fonction f : R+ → R définie comme suit est convexe :
x
F (x) = x1 ∫ f (t) dt
0

Exercice 3.

Soit U un ouvert convexe de Rn et une fonction f : U → R. Montrer les équivalences suivantes :

1. Si f est différentiable sur U, alors f est convexe si et seulement si :
∀ (x, y) ∈ U × U, f (y) − f (x) ≥ h∇f (x) , y − xi
2. Si f est de classe C 2 sur U, alors f est convexe si et seulement si :
∀ x ∈ U la matrice ∇2 f (x) est semi-définie positive.

Exercice 4.

1. Soit C une partie convexe non vide de Rn . f désigne une fonction de C à valeurs dans
R.
Montrer que f est α−convexe si et seulement si la fonction f − α2 k.k2 est convexe.

10
 2. Soit f : Rn → R avec f (x) = 12 hAx, xi − hb, xi + c
A étant une matrice réelle symétrique, b un vecteur de Rn et c une constante donnée.
Montrer que f est α−convexe.
Exercice 5.

Soit C une partie convexe de Rn et une fonction différentiable f : C → R. Montrer qu’on a les
équivalences suivantes :
1. f est α−convexe.

2. f (y) ≥ f (x) + ∇f (x) , y − x + α2 ky − xk2 ∀ (x, y) ∈ C × C

3. h∇f (y) − ∇f (x) , y − xi ≥ αky − xk2 ∀ (x, y) ∈ C × C.

11