Académique Documents
Professionnel Documents
Culture Documents
Département de mathématiques
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.
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 ?
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 :
4
2. Si (Cj )j∈J est une famille de convexes de Rn alors Cj est un convexe de Rn .
T
j∈J
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
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.
Pk λj
Donc par hypothèse de recurrence, y = j=2 1−λ1 xj ∈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}
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
(
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
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
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 :
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 :
Démonstration :
8
D’où, f est convexe.
1
f (y) = f (x) + h∇f (x), y − xi + 2 ∇2 f (x + θ(y − x))(y − x), y − x
9
Université Ibn Zohr Année.Univ : 2020/2021
Faculté des Sciences Agadir, Filière SMA5
Département de mathématiques
Pr. Rachida Abounacer
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.
Exercice 3.
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.
11