L’EXPERTISE TECHNIQUE 10 000 ARTICLES

& SCIENTIFIQUE DE RÉFÉRENCE 1 000 FICHES PRATIQUES

EXTRAIT
ISSU DE L’OFFRE

Qualité et sécurité au laboratoire

Méthodes directes d’optimisation - Méthodes à

une variable et Simplex

par Catherine PORTE

En savoir plus Techniques de l’Ingénieur

sur nos conditions 33 (0)1 53 35 20 20

d’abonnement ? infos.clients@teching.com

Document téléchargé le : 16/01/2024 | © Techniques de l'Ingénieur | Tous droits réservés

Méthodes directes d’optimisation
Méthodes à une variable et Simplex
par Catherine PORTE
Docteur ès sciences physiques
Maître de conférences
Laboratoire de Chimie Industrielle Génie des procédés au Conservatoire national des arts
et métiers

1. Méthodes directes à une variable ....................................................... P 228 - 3

1.1 Méthode dichotomique séquentielle ......................................................... — 3
1.2 Méthode du nombre d’or............................................................................ — 4
1.3 Méthode de Fibonacci ................................................................................. — 5
1.4 Remarques sur les méthodes univariables ............................................... — 7
2. Méthode directe à variables multiples : la méthode Simplex ..... — 7
2.1 Généralités et principe de la méthode....................................................... — 7
2.2 Construction du simplex initial................................................................... — 8
2.3 Exemple de calcul des coordonnées des points du simplex initial......... — 11
2.4 Évolution du simplex................................................................................... — 13
2.5 Évolution en présence de contraintes........................................................ — 14
3. Exemples d’application de la méthode Simplex ............................. — 15
3.1 Optimisation d’une séparation multicomposants
par chromatographie liquide ...................................................................... — 15
3.2 Optimisation d’une réponse chromatographique..................................... — 16
4. Principales caractéristiques de la méthode Simplex..................... — 18
Pour en savoir plus ........................................................................................... Doc. P 229

’optimisation est un ensemble de techniques permettant de trouver les

L valeurs des variables qui rendent optimale une fonction de réponse, appelée
aussi fonction objectif. Sur le plan mathématique, cela correspond à la recherche
des extrémums de fonctions à plusieurs variables. Dans le domaine des sciences
appliquées, il s’agit en général de trouver l’optimum de la réponse d’opérations
industrielles ou d’expériences de laboratoire.
L’objectif de l’optimisation est représenté sur les figures A a et b ; sur la
figure a, la réponse y est fonction d’une seule variable, x, et l’on recherche la
valeur, xmax, comprise entre les bornes xA et xB qui rend optimale la valeur de la
réponse y.
Sur la figure b, la fonction objectif dépend de deux variables x1 et x2 ; elle est
représentée sous la forme de courbes de niveaux ou courbes d’isoréponses. On
recherche alors les coordonnées, x1max et x2max, qui correspondent à la valeur
optimale de y.
Une fonction objectif peut être :
— le rendement d’une opération (maximum) ;
— la pureté d’un produit (maximum) ;
— la concentration en un produit (maximum ou minimum suivant qu’il s’agit
du produit attendu ou d’une impureté indésirable) ;
— le coût d’une opération (minimum) ;
— l’efficacité d’une séparation (maximum), en chromatographie par exemple ;
— les caractéristiques du produit (maximum, minimum ou valeur nominale),
etc.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation P 228 − 1
MÉTHODES DIRECTES D’OPTIMISATION ____________________________________________________________________________________________________

x2

Max
x2 max

xA xmax xB x x1 max x1

courbes isovaleurs de y
(valeurs croissantes de A vers Max)

a optimisation à une variable b optimisation à deux variables

Figure A – Optimisation d’une fonction objectif

La fonction objectif peut aussi être la somme, pondérée ou non, de plusieurs

réponses. Ce sera le résultat observé, ou mesuré, de l’opération effectuée, que
ce soit une analyse, une synthèse chimique, une extraction, une formulation, etc.
Dans tous les cas, la valeur de la réponse est subie par l’expérimentateur.
La fonction objectif dépend d’un certain nombre de facteurs. On peut définir
trois types de facteurs :
— les facteurs aléatoires ;
— les facteurs qui seront maintenus à un niveau donné tout au long des
expérimentations ;
— les facteurs dont on désire faire varier la valeur au cours des différentes
expérimentations ; elles seront nommées variables.
Les variables peuvent être par exemple :
— le pH ou la température du milieu réactionnel ;
— la concentration, la masse ou le volume de réactifs ;
— le débit d’introduction de solvants, etc.
Il est évidemment nécessaire que les valeurs des variables évoluent indépen-
damment les unes des autres.
Dans tous les cas, la valeur de la variable est imposée par l’expérimentateur.
Pour pouvoir mettre en œuvre toute technique d’optimisation, il faut être capa-
ble de maintenir les variables et les facteurs constants aux niveaux désirés. Il est
donc souhaitable que les méthodes d’optimisation soient mises en œuvre
conjointement avec des techniques d’automatisation, de régulation et de
contrôle.
Il existe de très nombreuses méthodes d’optimisation [1] à [13]. La plupart
d’entre elles ont été créées pour traiter le problème mathématique consistant à
trouver l’extrémum de fonctions multivariables, non linéaires et soumises, ou
non, à des contraintes. Certaines techniques ont été étudiées dans le but de don-
ner aux expérimentateurs une possibilité rationnelle de déterminer les opti-
mums de fonctionnement de leurs systèmes physiques.
Les méthodes d’optimisation peuvent être classées en fonction du type
d’étude que l’on souhaite mener.
● Premier cas : le phénomène physique est suffisamment connu pour qu’il soit
possible de créer un modèle représentatif du phénomène. On recherchera alors
les extrémums de ce modèle de connaissance par les voies classiques
(dérivation, méthode de Lagrange).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 228 − 2 © Techniques de l’Ingénieur, traité Analyse et Caractérisation
___________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

● Deuxième cas : le phénomène étudié est trop complexe pour en déterminer

un modèle physiquement significatif. On désire alors seulement obtenir une
relation entre les variables et la réponse, qui soit représentative du phénomène
étudié. On postulera alors une représentation mathématique empirique sous
forme d’une corrélation dont les paramètres seront ensuite déterminés afin de
déduire les variables vraiment influentes et de calculer a priori les valeurs de la
fonction objectif ; on utilisera ensuite des méthodes d’optimisation pour déte-
rminer l’optimum de fonctionnement. Dans ce cas, on dit qu’il s’agit d’une
méthode indirecte d’optimisation puisqu’il faut au préalable avoir un modèle
mathématique.
● Troisième cas : on désire connaître uniquement les conditions de fonction-
nement optimal sans rechercher une représentation mathématique du phéno-
mène. Dans ce cas, il s’agit d’une méthode directe d’optimisation puisqu’elle ne
nécessite aucun modèle mathématique.
Dans cet article, nous décrivons uniquement le troisième cas. Le traitement du
premier cas dépend directement du processus étudié et du modèle physique
correspondant. On rattache à ce type l’optimisation en chromatographie, par les
diagrammes à fenêtres qui impliquent l’utilisation d’une relation linéaire connue
entre la réponse et les variables [14] [15]. Le deuxième cas, quant à lui, a été
décrit dans les Techniques de l’Ingénieur [16] [17].
Nous exposerons d’abord les méthodes à une variable et ensuite les méthodes
à plusieurs variables.
L’article se compose de deux parties :
— la première, [P 228], est consacrée aux méthodes à une variable et à la méthode Simplex ;
— dans la deuxième, [P 229], sont traitées les méthodes dérivées de la méthode Simplex.
Les références bibliographiques sont regroupées dans [Doc. P 229].

1. Méthodes directes y

à une variable 1,6

Pour que ces méthodes puissent être employées avec effica- 1,2
cité, il est nécessaire que, dans l’intervalle étudié, la fonction de
réponse soit unimodale, c’est-à-dire qu’elle présente un seul
optimum. Cela est souvent le cas dans la mesure où l’expéri- 0,8
mentateur, compte tenu de son expérience du phénomène, se
place dans une zone relativement peu éloignée de l’optimum.
0,4

1.1 Méthode dic hotomique séq uentielle 0

xA x1 x2 x3 x4 xB x

C’est la méthode intuitive la plus simple et elle procède, pour la Figure 1 – Recherche de l’optimum par la méthode dichotomique
recherche d’un maximum, par exemple, de la façon suivante séquentielle
(figure 1) [1] et [11c] : (0)

Dans l’intervalle de recherche [xA ; xB], deux mesures sont effec- Tableau 1 – Évolution et efficacité de la recherche
tuées aux points d’abscisses x1 et x2 proches du milieu de l’inter- dichotomique séquentielle
valle et suffisamment éloignés l’un de l’autre pour que les réponses Nombre Nombre Intervalle
en ces points soient significativement différentes. On constate, Étape d’expériences total conservé
figure 1, que la réponse au point d’abscisse x1 est inférieure à la nouvelles d’expériences ∆
réponse au point d’abscisse x2 (y1 < y2). On élimine alors la zone
[xA ; x1] soit approximativement la moitié de l’intervalle d’étude. 1 2 2 xA xB × 1
---
On effectue ensuite à nouveau deux mesures de part et d’autre du 2
centre de l’intervalle restant, [x1 ; xB], c’est-à-dire aux points d’abs- 2
2 2 4 xA xB ×  1 
cisses x3 et x4. Ici, la réponse au point d’abscisse x3 étant la plus fai-  --2-
ble, on éliminera, la zone [x1 ; x3].
3
3 2 6 xA xB ×  1 
On procède de cette manière jusqu’à l’obtention de la précision  --2-
souhaitée.
... ... ... ...
Pour évaluer l’efficacité de cette méthode, on peut relier le nom- m
bre d’essais, N, à l’intervalle initial, [xA ; xB], et à l’intervalle restant, m 2 N = 2m xA xB ×  1 
∆ (tableau 1).  --2-

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation P 228 − 3
MÉTHODES DIRECTES D’OPTIMISATION ____________________________________________________________________________________________________

On a : 3
y
m
∆ = xA xB ×  1  N 2,5
et m = ---- ,
 --2- 2 1

2
m étant le nombre d’itérations.
On obtient ainsi : 1,5
d
ln ∆ – ln x A x B 1
N = – 2 --------------------------------------
ln 2
0,5
Pour obtenir une précision de 10−3, il est nécessaire de réaliser xA x1 x2 xB
20 mesures.
a 1re itération
Bien qu’intuitivement satisfaisante, cette méthode n’est pas très 3
efficace. En effet, il est nécessaire de réaliser à chaque itération deux y
nouvelles expériences ; une technique n’impliquant qu’une mesure
2,5
à chaque itération permettrait d’économiser des expériences. C’est
à cet objectif que répond la méthode du nombre d’or.
2

1,5
1.2 Méthode du nombre d’or
1

Le lecteur pourra également se reporter aux références [1] [4] [10]

[18] [19] [20]. 0,5
xA x3 x1 x2 xB
■ Principe de la méthode Zone éliminée
Le principe est identique à celui de la méthode précédente : la b 2e itération
zone optimale est cernée de plus en plus précisément par élimina-
tion successive d’une partie de l’intervalle. À la première itération, Figure 2 – Recherche de l’optimum par la méthode du nombre d’or
deux essais sont réalisés et ensuite, à chaque itération, un seul essai
est effectué et est comparé au point conservé de l’itération précé- (0)

dente. Cela est possible dans la mesure où x1 partage l’intervalle Tableau 2 – Évolution et efficacité de la méthode
[xA ; x2] de la même façon que x2 partage l’intervalle [xA ; xB] ; pour du nombre d’or
cela on doit avoir la relation :
Nombre Nombre Intervalle
Étape d’expériences total conservé
xA x1 xA x2 1–d nouvelles d’expériences ∆
d
------------- = ------------- ⇒ ------------- = --- ;
xA x2 xA xB d 1
1 2 2 x A x B × 0 ,618
ceci permet de déterminer la valeur de d. 2 1 3 x A x B × ( 0 ,618 ) 2
–1+ 5
On a : d 2 + d – 1 = 0 ⇒ d = --------------------- ce qui correspond au rap-
port d’or soit 0,618. 2 3 1 4 x A x B × ( 0 ,618 ) 3

xA x2 ... ... ... ...

Ainsi, lorsque le rapport ------------- est égal au rapport d’or, soit 0,618,
xA xB m 1 N=m+1 x A x B × ( 0 ,618 )m
à chaque itération, un des essais de l’itération précédente pourra
être utilisé. Le principe de la méthode est représenté dans les ■ Exemple d’application
figures 2 a et b. Purification de la glycine par cristallisation dans un mélange
L’efficacité de la méthode se déduit de la relation entre le nombre méthanol/eau : optimisation par la méthode du nombre d’or [20]
d’essais, N, l’intervalle initial, [xA ; xB], et l’intervalle final, ∆ La variable est le pourcentage de méthanol dans le mélange de cris-
(tableau 2). tallisation. Le domaine d’étude va de 50 à 100 % en méthanol. La
réponse est le rendement en produit pur. L’évolution de la méthode est
On a : représentée dans la figure 3 et le tableau 3.
∆ = x A x B × ( 0 ,618 ) m et m=N−1 À la première itération, deux essais sont effectués à 69,1 % (X1) et à
80,9 % (X2) de méthanol dans le solvant de cristallisation. Les rendements
en produit pur sont respectivement de 85,3 % et de 88,5 %. L’essai à
On obtient ainsi : 69,1 % étant le moins bon, la zone conservée est la zone 69,1 % - 100 %,
un nouvel essai est effectué à 88,2 % en méthanol (X3), le rendement en
ln ∆ – ln x A x B ce point est alors comparé au rendement obtenu pour l’essai fait à 80,9 %
N = 1 + -------------------------------------
-
ln 0 ,618 de méthanol et on procède de même à chaque itération.
Le processus a été arrêté après 5 expériences. Un rendement de
Pour obtenir la précision de 10−3, 16 expériences sont alors 89,4 % a été obtenu pour un pourcentage en méthanol de 83,7. L’intervalle
nécessaires. entre les deux derniers essais est proche de l’erreur expérimentale.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 228 − 4 © Techniques de l’Ingénieur, traité Analyse et Caractérisation
 L’EXPERTISE TECHNIQUE
& SCIENTIFIQUE DE RÉFÉRENCE

Besoin de consulter les articles de l’offre :

“Qualité et sécurité au laboratoire” Abonnez-vous !

AU SOMMAIRE

 Les outils méthodologiques et pratiques de la démarche qualité

pour les laboratoires d’étalonnages, d’essais, de recherche et
d’analyses.

 La mise en œuvre de la norme ISO 17025 dans ses différents

aspects : achats, sous-traitance, audit interne des systèmes de
management de la qualité.

 Les méthodes et outils assurant la maîtrise du risque : risques

électriques et incendie, risque laser, risque radiologique, risques
chimiques, toxicologiques et biologiques.

 Les fiches pratiques pour mettre en oeuvre les bonnes pratiques

de laboratoire et obtenir son accréditation.

DÉTAIL DE L’OFFRE ET SOMMAIRE COMPLET À RETROUVER SUR LE SITE

www.techniques-ingenieur.fr

De la conception au + de 10 000 articles

520 bases
prototypage, jusqu’à de référence
documentaires,
et 1 000 fiches
l’industrialisation, réparties
pratiques
Techniques de l’ingénieur dans 85 offres
opérationnelles
est l’outil de référence pour
sécuriser le développement 3 000 QUIZ
de vos projets industriels, 1280 auteurs 340 000
DANS + DE 1 000
contribuent utilisateurs
optimiser vos flux de ARTICLES
chaque année de techniques- INTERACTIFS
production et accélérer à enrichir ingenieur.fr
votre innovation produit. cette ressource chaque mois

NOS ÉQUIPES SONT Par téléphone Par email

À VOTRE DISPOSITION  33 (0)1 53 35 20 20  infos.clients@teching.com

www.techniques-ingenieur.fr