Académique Documents
Professionnel Documents
Culture Documents
Optimisation
Maher Moakher
Ecole Polytechnique de Tunisie
Janvier, 2024
Introduction
Problèmes d’optimisation
Plan
1 Introduction
2 Existence de solution
Optimisation : Nomenclature
Le problème à résoudre : (
inf f (x)
(PX )
x∈X
où f : X → R ∪ {+∞} (critère) et X est une partie non vide d’un espace
euclidien E de dimension n.
X est appelé ensemble admissible du problème.
Un minimum global de (PX ) est un point x∗ ∈ X tel que,
f (x∗ ) ≤ f (x), ∀ x ∈ X.
Dans ce cas, on dit que x∗ est la solution optimale de (PX ).
On dit que x∗ ∈ X est un minimum local de (PX ) s’il existe un voisinage
V de x∗ tel que :
f (x∗ ) ≤ f (x), ∀ x ∈ V ∩ X.
Le minimum global ou local est strict si les deux inégalités précédentes
sont strictes pour x ̸= x∗ .
Introduction
Existence de solution
Définition
Soient X une partie de E et f : X → R ∪ {+∞} une fonction. On appelle
épigraphe de f , qu’on note epi(f ), l’ensemble :
Définition
Soient X une partie de E et f : X → R ∪ {+∞} une fonction. On dit que
f est fermée ou semi-continue inférieurement (s.c.i.) si epi(f ) est fermé.
Proposition
Soient X une partie non vide de E et f : X → R ∪ {+∞} une fonction.
Alors, f est s.c.i ssi pour toute suite (xk )k ⊂ X qui converge vers x̄ ∈ X,
on a
f (x̄) ≤ lim inf f (xk ).
k→∞
Introduction
Existence de solution
Théorème (Weierstrass)
Soient X une partie non vide et compacte de E et f : X → R ∪ {+∞}
une fonction fermée (s.c.i). Alors, (PX ) admet au moins une solution.
Preuve :
f s.c.i. ⇒ f (x̄) ≤ lim inf f (xk ) = inf f (x) ⇒ x̄ est solution de (PX ).
k→+∞ x∈X
Introduction
Existence de solution
Définition (Coercivité)
Soient X une partie non vide et fermée de E et f : X → R ∪ {+∞}. On
dit que f est coercive (ou ∞ à l’∞) si lim f (x) = +∞.
x∈X,∥x∥→+∞
Corollaire
Soient X une partie non vide et fermée de E et f : X → R ∪ {+∞} une
fonction fermée (s.c.i) et coercive. Alors, (PX ) admet au moins une
solution.
Preuve :
Soit x0 ∈ X ̸= ∅. On pose X0 = {x ∈ X | f (x) ≤ f (x0 )}.
Alors X0 est compact (fermé car f est s.c.i. et borné car f est coercive).
Donc le problème
min f (x)
x∈X0
admet une solution x∗ ∈ X0 ⊂ X qui est aussi solution de (PX ).
Introduction
Unicité de solution
Analyse convexe
Définition (Ensemble convexe)
Un ensemble C ⊂ E est convexe si
x, y ∈ C, ∀ λ ∈ [0, 1] ⇒ λx + (1 − λ)y ∈ C.
Exemples
Un espace affine {x ∈ Rn : Ax = b} est convexe.
Analyse convexe
Définition (Fonction convexe)
Soit C ⊂ E un ensemble convex. Une fonction f : C → R ∪ {+∞} est
convexe (resp. strictement convexe) si
Proposition
Soient X une partie non vide et convexe de E et f : X → R ∪ {+∞} une
fonction. Alors, f est convexe ssi epi(f ) est convexe.
Exemples
Les fonctions affines sont convexes (mais pas strict. convexes).
Analyse convexe
Définition (α-convexe)
Une fonction f est fortement convexe (de module α) s’il existe α > 0 tel
que ∀ x, y ∈ X, ∀ λ ∈ [0, 1], on a
α
f (λx + (1 − λ)y) ≤ λf (x) + (1 − λ)f (y) − λ(1 − λ)∥x − y∥2 .
2
On dit aussi que f est α-convexe (ou elliptique losqu’elle est C1 ).
Remarques :
f est fortement convexe si x 7→ f (x) − α2 ∥x∥22 est convexe.
C’est-à-dire que f est convexe au moins comme une fonction
quadratique.
fortement convexe ⇒ strictement convexe ⇒ convexe
fortement convexe (et différentiable) ⇒ coercive
Introduction
Unicité de solution
Théorème
Soient X une partie non vide et convexe de E et f : X → R ∪ {+∞} une
fonction strictement convexe. Alors, (PX ) admet au plus une solution.
Preuve :
Supposons que x1 et x2 sont deux solutions distinctes de (PX ), c-à-d :
f (x1 ) ≤ f (x), ∀ x ∈ X,
et
f (x2 ) ≤ f (x), ∀ x ∈ X.
Donc f (x1 ) = f (x2 ).
Puisque X est convexe et f est strictement convexe on a :
f ( 21 x1 + 12 x2 ) < 12 f (x1 ) + 12 f (x2 ) = f (x1 ) = f (x2 ),
ce qui est une contradiction.
Introduction
Différentiabilité
Définition
On dit que f est différentiable (au sens de Fréchet) en x0 ∈ Ω si, f admet
des dérivées partielles premières en x0 et
Autrement dit :
Définition
On dit que f : Ω → R admet des dérivées partielles secondes au point
x0 ∈ Ω si f admet des dérivées partielles premières dans un voisinage de
x0 et :
∂f ∂f
∂xi (x0 + tej ) − ∂xi (x0 )
∀ i, j = 1, . . . , n, lim
t→0 t
existe et est finie.
2f
Pour tout i, j = 1, . . . , n, on notera cette limite par ∂x∂j ∂xi
(x0 ) et on définit
la matrice Hessienne ∇2 f (x0 ) de f au point x0 par :
2
2 ∂ f
∇ f (x0 ) 1≤i,j≤n = (x0 ) .
∂xj ∂xi 1≤i,j≤n
Introduction
Remarque
Si f : Ω → R est deux fois différentiable en x0 ∈ Ω, alors :
La matrice Hessienne ∇2 f (x0 ) est une matrice symétrique.
La formule de Taylor à l’ordre 2 est : ∀ h ∈ Rn tel que x0 + h ∈ Ω
on a
Remarque
Si en plus, ∃ x∗ tel que ∇f (x∗ ) = 0 alors x∗ est un minimum global de f .
Introduction
Théorème
Soient Ω un ouvert convexe non vide de Rn et f : Ω → R une application
deux fois différentiable sur Ω. Alors, f est convexe sur Ω ssi pour tout
x, y ∈ Ω,
⟨∇2 f (x)(x − y), x − y⟩ ≥ 0.
Si pour tout x, y ∈ Ω avec x ̸= y, ⟨∇2 f (x)(x − y), x − y⟩ > 0 alors f est
strictement convexe sur Ω.
Remarque
Si Ω = Rn alors les deux inégalités du théorème sont équivalentes à
∇2 f (x) est semi-définie positive (respectivement définie positive).