Académique Documents
Professionnel Documents
Culture Documents
1
Vue d’ensemble
Plan de la présentation
1 Vue d’ensemble
2 Introduction à l’optimisation
2
Vue d’ensemble
risque en finance
météo
3
Vue d’ensemble
Réponse :
optimisation
(convexe)
risque en finance
météo
4
Vue d’ensemble
Optimisation... convexe
L’optimisation en 2 mots
“la science du mieux-faire” ou “la science de la décision”
Discipline mature des maths applis (théorie, algos, logiciels)
Explosion récente des applications dans les sciences et technologies
5
Vue d’ensemble
Optimisation... convexe
L’optimisation en 2 mots
“la science du mieux-faire” ou “la science de la décision”
Discipline mature des maths applis (théorie, algos, logiciels)
Explosion récente des applications dans les sciences et technologies
Et pourquoi convexe ?
Propriétés géométriques : globalité, garanties,...
Précieux outils: dualité, analyse de sensibilité...
Résoudre des problèmes non-convexes à l’aide de l’optimisation convexe
6
Vue d’ensemble
Optimisation... convexe
L’optimisation en 2 mots
“la science du mieux-faire” ou “la science de la décision”
Discipline mature des maths applis (théorie, algos, logiciels)
Explosion récente des applications dans les sciences et technologies
Et pourquoi convexe ?
Propriétés géométriques : globalité, garanties,...
Précieux outils: dualité, analyse de sensibilité...
Résoudre des problèmes non-convexes à l’aide de l’optimisation convexe
7
Vue d’ensemble
8
Vue d’ensemble
10
Vue d’ensemble
1 Vue d’ensemble
2 Introduction à l’optimisation
11
Introduction à l’optimisation
Plan de la présentation
1 Vue d’ensemble
2 Introduction à l’optimisation
12
Introduction à l’optimisation
13
Introduction à l’optimisation
14
Introduction à l’optimisation
15
Introduction à l’optimisation
16
Introduction à l’optimisation
17
Introduction à l’optimisation
18
Introduction à l’optimisation
19
Introduction à l’optimisation
20
Introduction à l’optimisation
21
Introduction à l’optimisation
22
Introduction à l’optimisation
23
Introduction à l’optimisation
Formulation :
( P
max ij aij (1 − xi xj )/2
x ∈ {−1, 1}n
24
Introduction à l’optimisation
Ce qu’on voudrait...
– Situation idéale : calculer x̄ et f¯ explicitement
– Bonne situation : avoir un algorithme qui génère une suite
xk → x̄ f (xk ) → f¯
26
Introduction à l’optimisation
Ce qu’on voudrait...
– Situation idéale : calculer x̄ et f¯ explicitement
– Bonne situation : avoir un algorithme qui génère une suite
xk → x̄ f (xk ) → f¯
Exemple : optimisation linéaire
min c> x
– théorie et algorithmes (2e guerre mondiale)
Ax = b – logiciels efficaces et disponibles (20 ans)
x>0
– outils pour modéliser sous forme linéaire
27
Introduction à l’optimisation
Ce qu’on voudrait...
– Situation idéale : calculer x̄ et f¯ explicitement
– Bonne situation : avoir un algorithme qui génère une suite
xk → x̄ f (xk ) → f¯
Exemple : optimisation linéaire
min c> x
– théorie et algorithmes (2e guerre mondiale)
Ax = b – logiciels efficaces et disponibles (20 ans)
x>0
– outils pour modéliser sous forme linéaire
Ce qu’on a souvent...
– Pas de globalité : on a une sous-suite xk0 → x̄ minimum local
f (xk0 ) → f (x̄) = f¯ 6 f (x) pour tout x ∈ C ∩ B(x̄, r)
– Sous-optimalité : on a un minorant de la valeur optimale
mk → m̄ < f¯ 6 f (x) pour tout x ∈ C
28
Introduction à l’optimisation
f : Rn → R convexe
min f (x)
x∈C C = x ∈ Rn : ai> x = bi , gj (x) 6 0 convexe
29
Introduction à l’optimisation
f : Rn → R convexe
min f (x)
x∈C C = x ∈ Rn : ai> x = bi , gj (x) 6 0 convexe
30
Introduction à l’optimisation
f : Rn → R convexe
min f (x)
x∈C C = x ∈ Rn : ai> x = bi , gj (x) 6 0 convexe
31
Introduction à l’optimisation
32
Introduction à l’optimisation
Nomenclature en optimisation:
33
Introduction à l’optimisation
Nomenclature en optimisation:
34
Introduction à l’analyse convexe
Plan de la présentation
1 Vue d’ensemble
2 Introduction à l’optimisation
35
Introduction à l’analyse convexe
Ensemble convexe
C ⊂ Rn est convexe si
x1 , x2 ∈ C, 06α61 x2
x1
=⇒ α x1 + (1 − α)x2 ∈ C
Exemples :
Un espace affine {x ∈ Rn : Ax = b} est convexe
Un demi-espace {x ∈ Rn : a> x 6 β} est convexe
L’intersection (quelconque) d’ensembles convexes est convexe
36
Introduction à l’analyse convexe
Ensemble convexe
C ⊂ Rn est convexe si
x1 , x2 ∈ C, 06α61 x2
x1
=⇒ α x1 + (1 − α)x2 ∈ C
Exemples :
Un espace affine {x ∈ Rn : Ax = b} est convexe
Un demi-espace {x ∈ Rn : a> x 6 β} est convexe
L’intersection (quelconque) d’ensembles convexes est convexe
Propriété de base :
Soit C convexe fermé; alors tout point x ∈ Rn a une unique
projection sur C ! (caractéristique des ensembles convexes fermés)
37
Introduction à l’analyse convexe
Cône convexe
C est convexe x1
x ∈ C, 0 < α =⇒ α x ∈ C
38
Introduction à l’analyse convexe
Cône convexe
C est convexe x1
x ∈ C, 0 < α =⇒ α x ∈ C
Exemples : 0
39
Introduction à l’analyse convexe
Cône convexe
C est convexe x1
x ∈ C, 0 < α =⇒ α x ∈ C
Exemples : 0
40
Introduction à l’analyse convexe
Cône convexe
C est convexe x1
x ∈ C, 0 < α =⇒ α x ∈ C
Exemples : 0
Optimisation conique
On garde presque les mêmes propriétés théoriques
Travail pour adapter/développer des algorithmes
Formalisme pour de nouvelles applications...
42
Introduction à l’analyse convexe
Optimisation conique
On garde presque les mêmes propriétés théoriques
Travail pour adapter/développer des algorithmes
Formalisme pour de nouvelles applications...
En particulier : optimisation semidéfinie ! (SDP)
Optimisation semidéfinie
min hC, Xi
AX = b
X ∈ Sn+
43
Introduction à l’analyse convexe
0
0 1 2 3 4 5 6 7 8 9 10
n = 100, m = 9, R=2
44
Introduction à l’analyse convexe
8
D matrice “distance euclidienne”
7
∃ p1 , . . . , p n ∈ R r
6
5
Dij = kpi − pj k2
4
3
Problème : retrouver les pi
2
connaissant certains Dij ...
1
0
0 1 2 3 4 5 6 7 8 9 10
n = 100, m = 9, R=2
45
Introduction à l’analyse convexe
8
D matrice “distance euclidienne”
7
∃ p1 , . . . , p n ∈ R r
6
5
Dij = kpi − pj k2
4
3
Problème : retrouver les pi
2
connaissant certains Dij ...
1
0
0 1 2 3 4 5 6 7 8 9 10
n = 100, m = 9, R=2
Fonction convexe
ce qui équivaut à :
epi f
epi f = (x, t) ∈ Rn+1 : f (x) 6 t
47
Introduction à l’analyse convexe
Fonction convexe
ce qui équivaut à :
epi f
epi f = (x, t) ∈ Rn+1 : f (x) 6 t
48
Introduction à l’analyse convexe
Fonction convexe
ce qui équivaut à :
epi f
epi f = (x, t) ∈ Rn+1 : f (x) 6 t
50
Introduction à l’analyse convexe
51
Introduction à l’analyse convexe
52
Introduction à l’analyse convexe
53
Introduction à l’analyse convexe
54
Introduction à l’analyse convexe
55
Introduction à l’analyse convexe
x̄
56
Introduction à l’analyse convexe
x̄
57
Introduction à l’analyse convexe
VaR5%
Soit r(ω) rendement (variable aléatoire)
VaR5% (ω) = max α : P r(ω) < α < 5%
58
Introduction à l’analyse convexe
VaR5%
Soit r(ω) rendement (variable aléatoire)
VaR5% (ω) = max α : P r(ω) < α < 5%
59
Introduction à l’analyse convexe
Propriété recherchée...
“Convexification” de problèmes : relaxation
61
Exemples de problèmes d’optimisation convexe
Plan de la présentation
1 Vue d’ensemble
2 Introduction à l’optimisation
62
Exemples de problèmes d’optimisation convexe
Plan de la présentation
1 Vue d’ensemble
2 Introduction à l’optimisation
63
Exemples de problèmes d’optimisation convexe
64
Exemples de problèmes d’optimisation convexe
65
Exemples de problèmes d’optimisation convexe
67
Exemples de problèmes d’optimisation convexe
68
model was clearly established;
Exemples deeven the relevant
problèmes operati
d’optimisation convexe
software existed, but the solution approach • to u
needed improvement. The mathematics at stake
“Décomposition par les prix” turned out to perfectly fit with Inria competences.
sophist
• to as
thereby
Implementation of the initiative • to ex
On “dualise” les contraintes couplantes... plus mercredi !
Collaborative work therefore started immediately. theory
No difficulty appeared with administrative issues conside
such as intellectual property or industrial as such
Variables primales : plannings de production p ∈ P = P × · · · × P
confidentiality. It was a long-term 1 research, so n
deadlines posed no problem either. Lesso
Variables duales : les “prix” λ = (λ1 , . . . , λT ) ∈ RT Beyond
The problem “succe
The solution approach is by decomposition: each collabo
Problème frère (“dual”) : minimiser “la perte” θ
power plant (EdF software) optimizes its own mutual
−→ problème convexe non-différentiable
production non-explicite
on the basis of !``shadow prices''
remunerating it; these prices are iteratively
updated (Inria software) so as to satisfy the Sandrin
sandrine
Calcul de la fonction duale à λ fixé = n problèmes indépendants !
balance equation. The working horse to compute
the prices is a nonsmooth optimization algorithm. Grace D
grace.do
Algorithme efficace Nonsmooth optimization algorithm Claude
d’optimisation convexe claude.l
shadow decentralized
(type “faisceaux”, cf jeudi) prices productions Jérôme
jerome.
recherche en cours...
Illustration numérique
55e3
53e3
Exemple de 51e3
49e3
45e3
41e3
39e3
37e3
0 10 20 30 40 50 60 70 80 90 100
P
Écart apriori à la demande i pi − d
(Ex: de -15 MW à 30MW)
à corriger...
70
Exemples de problèmes d’optimisation convexe
Plan de la présentation
1 Vue d’ensemble
2 Introduction à l’optimisation
71
Exemples de problèmes d’optimisation convexe
72
Exemples de problèmes d’optimisation convexe
73
Exemples de problèmes d’optimisation convexe
74
Exemples de problèmes d’optimisation convexe
75
Exemples de problèmes d’optimisation convexe
76
Exemples de problèmes d’optimisation convexe
77
Exemples de problèmes d’optimisation convexe
78
Exemples de problèmes d’optimisation convexe
79
Exemples de problèmes d’optimisation convexe
80
Exemples de problèmes d’optimisation convexe
81
Exemples de problèmes d’optimisation convexe
82
Exemples de problèmes d’optimisation convexe
83
Exemples de problèmes d’optimisation convexe
84
Exemples de problèmes d’optimisation convexe
1 Vue d’ensemble
2 Introduction à l’optimisation
85