Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Introduction

Zakia ANKHILI
Université Cadi Ayyad
ENSA, Marrakech

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 1/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Introduction

En partant de situations concrètes, nous construirons des

modèles mathématiques représentant les propriétés
fondamentales des systèmes considérés. La modélisation
mathématique consiste en trois étapes :
1 Identification des variables de décisions. Ce sont les
paramètres sur lesquels l’agent de décision peut agir pour
faire évoluer le système considéré.
2 Détermination de l’objectif visé exprimé sous forme d’une
fonction mathématique (appelée fonction objectif).
3 Description des contraintes définissant la nature du
système à étudier.

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 2/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Le problème d’optimisation consiste alors à déterminer les

variables de décision conduisant aux meilleures conditions de
fonctionnement du système (ce qui revient à minimiser ou
maximiser la fonction objectif), tout en respectant les
contraintes d’utilisation définies à l’étape 3.
Exemple 1 (Problème d’entreposage)
Considérons le problème d’entreposer une commodité pour
vente futur. Le problème s’échelonne sur 3 périodes
successives. A chaque période nous pouvons acheter et/ou
vendre et le prix de vente est égale au prix unitaire d’achat tel
que spécifié dans le tableau ci dessous. De plus, le coût
d’entreposage est de 1 Euro par unité et la capacité de
Période (t) Prix unitaire
1 4
l’entrepôt est de 60 unités.
2 9
3 6
Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 3/14
Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Le problème d’optimisation consiste alors à déterminer les

variables de décision conduisant aux meilleures conditions de
fonctionnement du système (ce qui revient à minimiser ou
maximiser la fonction objectif), tout en respectant les
contraintes d’utilisation définies à l’étape 3.
Exemple 1 (Problème d’entreposage)
Considérons le problème d’entreposer une commodité pour
vente futur. Le problème s’échelonne sur 3 périodes
successives. A chaque période nous pouvons acheter et/ou
vendre et le prix de vente est égale au prix unitaire d’achat tel
que spécifié dans le tableau ci dessous. De plus, le coût
d’entreposage est de 1 Euro par unité et la capacité de
Période (t) Prix unitaire
1 4
l’entrepôt est de 60 unités.
2 9
3 6
Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 3/14
Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Exemple 1 (Problème d’entreposage)

Le problème consiste à déterminer les quantités à acheter,
entreposer et vendre pour maximiser les profits au cours des 3
périodes. On suppose que 30 unités sont disponibles au
départ.
Les variables :
xi quantité achetée à la période i
yi quantité vendue à la période i
Fonction objectif
−4x1 + 4y1 − 1(30 + x1 − y1 )
−9x2 + 9y2 − 1(30 + x1 − y1 + x2 − y2 )
−6x3 + 6y3 − 1(30 + x1 − y1 + x2 − y2 + x3 − y3 )
= −7x1 + 7y1 − 11x2 + 11y2 − 7x3 + 7y3 − 90

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 4/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Exemple 1 (Problème d’entreposage)

Le problème consiste à déterminer les quantités à acheter,
entreposer et vendre pour maximiser les profits au cours des 3
périodes. On suppose que 30 unités sont disponibles au
départ.
Les variables :
xi quantité achetée à la période i
yi quantité vendue à la période i
Fonction objectif
−4x1 + 4y1 − 1(30 + x1 − y1 )
−9x2 + 9y2 − 1(30 + x1 − y1 + x2 − y2 )
−6x3 + 6y3 − 1(30 + x1 − y1 + x2 − y2 + x3 − y3 )
= −7x1 + 7y1 − 11x2 + 11y2 − 7x3 + 7y3 − 90

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 4/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Exemple 1 (Problème d’entreposage)

Le problème consiste à déterminer les quantités à acheter,
entreposer et vendre pour maximiser les profits au cours des 3
périodes. On suppose que 30 unités sont disponibles au
départ.
Les variables :
xi quantité achetée à la période i
yi quantité vendue à la période i
Fonction objectif
−4x1 + 4y1 − 1(30 + x1 − y1 )
−9x2 + 9y2 − 1(30 + x1 − y1 + x2 − y2 )
−6x3 + 6y3 − 1(30 + x1 − y1 + x2 − y2 + x3 − y3 )
= −7x1 + 7y1 − 11x2 + 11y2 − 7x3 + 7y3 − 90

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 4/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Exemple 1 (Problème d’entreposage)

Le problème consiste à déterminer les quantités à acheter,
entreposer et vendre pour maximiser les profits au cours des 3
périodes. On suppose que 30 unités sont disponibles au
départ.
Les variables :
xi quantité achetée à la période i
yi quantité vendue à la période i
Fonction objectif
−4x1 + 4y1 − 1(30 + x1 − y1 )
−9x2 + 9y2 − 1(30 + x1 − y1 + x2 − y2 )
−6x3 + 6y3 − 1(30 + x1 − y1 + x2 − y2 + x3 − y3 )
= −7x1 + 7y1 − 11x2 + 11y2 − 7x3 + 7y3 − 90

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 4/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Exemple 1 (Problème d’entreposage)

Le problème consiste à déterminer les quantités à acheter,
entreposer et vendre pour maximiser les profits au cours des 3
périodes. On suppose que 30 unités sont disponibles au
départ.
Les variables :
xi quantité achetée à la période i
yi quantité vendue à la période i
Fonction objectif
−4x1 + 4y1 − 1(30 + x1 − y1 )
−9x2 + 9y2 − 1(30 + x1 − y1 + x2 − y2 )
−6x3 + 6y3 − 1(30 + x1 − y1 + x2 − y2 + x3 − y3 )
= −7x1 + 7y1 − 11x2 + 11y2 − 7x3 + 7y3 − 90

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 4/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Exemple 1 (Problème d’entreposage)

Le problème consiste à déterminer les quantités à acheter,
entreposer et vendre pour maximiser les profits au cours des 3
périodes. On suppose que 30 unités sont disponibles au
départ.
Les variables :
xi quantité achetée à la période i
yi quantité vendue à la période i
Fonction objectif
−4x1 + 4y1 − 1(30 + x1 − y1 )
−9x2 + 9y2 − 1(30 + x1 − y1 + x2 − y2 )
−6x3 + 6y3 − 1(30 + x1 − y1 + x2 − y2 + x3 − y3 )
= −7x1 + 7y1 − 11x2 + 11y2 − 7x3 + 7y3 − 90

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 4/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Exemple 1 (Problème d’entreposage)

Les contraintes :
30 + x1 − y1 ≤ 60
30 + x1 − y1 + x2 − y2 ≤ 60
30 + x1 − y1 + x2 − y2 + x3 − y3 ≤ 60
xi , yi ≥ 0, (i = 1, 2, 3)
Le problème s’écrit alors,


 max −7x1 + 7y1 − 11x2 + 11y2 − 7x3 + 7y3 − 9



 sà

 30+x1 −y1 ≤60

 30+x1 −y1 +x2 −y2 ≤60

30+x 1 −y1 +x2 −y2 +x3 −y3 ≤60





xi , yi ≥0, (i=1,2,3)

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 5/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Exemple 2
Une firme produit des appareils dans deux usines différentes.
Les coûts de production respectifs pour les deux usines sont :

C1 = 200 + 6x1 + 0, 03x21

C2 = 150 + 10x2 + 0, 02x22

où x1 et x2 représentent le nombre d’appareils produits dans
chaque usine. La firme s’est engagée à livrer 100 appareils à
une entreprise. Les frais de transport par appareil sont de 4$
pour les livraisons à partir de la première usine et de 2$ pour
les livraisons à partir de la seconde usine. Les frais de
transport sont supportés par la firme productrice. Le problème
de la firme est de calculer le nombre d’appareils qu’elle doit
produire dans chaque usine afin de minimiser le coût total
(coût de transport y compris).
Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 6/14
Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Définition
Soient f : IRn → IR, gi : IRn → IR , i = 1, ..., m,
hj : IRn → IR j = 1, ..., p des fonctions.
Un problème d’optimisation ou problème de programmation
mathématique (P ) consiste à minimiser ou maximiser la
fonction f sous les contraintes :

gi (x) ≤ 0, i = 1, ..., m.

hj (x) = 0, j = 1, ..., p.
Le problème s’écrit :


 min f (x)

s.à
(P ) gi (x) ≤ 0, i = 1, ..., m.

 h (x) = 0,

j = 1, ..., p.
j

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 7/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

(
min f (x)
(P ) s.à
x∈D
avec

D = {x ∈ IRn / gi (x) ≤ 0, i = 1, ..., m., hj (x) = 0, j = 1, ..., p}

La fonction f est appelée fonction objectif.

L’ensemble D est appelé ensemble admissible ou
ensemble réalisable.
On peut remplacer min par max selon la nature du
problème considéré.

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 8/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

(
min f (x)
(P ) s.à
x∈D
avec

D = {x ∈ IRn / gi (x) ≤ 0, i = 1, ..., m., hj (x) = 0, j = 1, ..., p}

La fonction f est appelée fonction objectif.

L’ensemble D est appelé ensemble admissible ou
ensemble réalisable.
On peut remplacer min par max selon la nature du
problème considéré.

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 8/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

(
min f (x)
(P ) s.à
x∈D
avec

D = {x ∈ IRn / gi (x) ≤ 0, i = 1, ..., m., hj (x) = 0, j = 1, ..., p}

La fonction f est appelée fonction objectif.

L’ensemble D est appelé ensemble admissible ou
ensemble réalisable.
On peut remplacer min par max selon la nature du
problème considéré.

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 8/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

(
min f (x)
(P ) s.à
x∈D
avec

D = {x ∈ IRn / gi (x) ≤ 0, i = 1, ..., m., hj (x) = 0, j = 1, ..., p}

La fonction f est appelée fonction objectif.

L’ensemble D est appelé ensemble admissible ou
ensemble réalisable.
On peut remplacer min par max selon la nature du
problème considéré.

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 8/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

(
min f (x)
(P ) s.à
x∈D
avec

D = {x ∈ IRn / gi (x) ≤ 0, i = 1, ..., m., hj (x) = 0, j = 1, ..., p}

La fonction f est appelée fonction objectif.

L’ensemble D est appelé ensemble admissible ou
ensemble réalisable.
On peut remplacer min par max selon la nature du
problème considéré.

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 8/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Classification des problèmes d’optimisation

1 Suivant les propriétés de la fonction objectif :

fonction linéaire
fonction quadratique
fonction convexe
fonction non linéaire continûment dérivable.
fonction non linéaire non dérivable.
2 Suivant les propriétés des contraintes :
pas de contraintes.
simple bornes.
fonctions linéaires.
fonctions convexes.
fonctions non linéaires continûment dérivables.
fonctions non linéaires non dérivables.

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 9/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Classification des problèmes d’optimisation

1 Suivant les propriétés de la fonction objectif :

fonction linéaire
fonction quadratique
fonction convexe
fonction non linéaire continûment dérivable.
fonction non linéaire non dérivable.
2 Suivant les propriétés des contraintes :
pas de contraintes.
simple bornes.
fonctions linéaires.
fonctions convexes.
fonctions non linéaires continûment dérivables.
fonctions non linéaires non dérivables.

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 9/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Terminologie
Optimisation linéaire :

 min cT x
s.à
 x ∈ D = {x/ Ax ≤ b}

Optimisation quadratique :

1 T
 min x Dx − bT x
s.à 2
x ∈ D = {x/ Ax ≤ b}


Optimisation convexe : f est une fonction convexe et D

est un ensemble convexe.
Optimisation non linéaire: f , gi et hj sont des fonctions
non linéaires.
Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 10/14
Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

L’objectif de ce cours est de répondre aux questions suivantes:

1 Existe-t-il une solution du problème (P) ? si oui, a-t-on
unicité ?
2 Comment la caractériser ? ( conditions d’optimalité).
3 Comment la calculer ? (algorithmes de calcul)

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 11/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

L’objectif de ce cours est de répondre aux questions suivantes:

1 Existe-t-il une solution du problème (P) ? si oui, a-t-on
unicité ?
2 Comment la caractériser ? ( conditions d’optimalité).
3 Comment la calculer ? (algorithmes de calcul)

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 11/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

L’objectif de ce cours est de répondre aux questions suivantes:

1 Existe-t-il une solution du problème (P) ? si oui, a-t-on
unicité ?
2 Comment la caractériser ? ( conditions d’optimalité).
3 Comment la calculer ? (algorithmes de calcul)

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 11/14

Éléments d’analyse convexe Problèmes d’optimisation sans contraintes Problèmes d’optimisation avec contraintes Méthodes d’opti

Plan

1 Éléments d’analyse convexe

2 Problèmes d’optimisation sans contraintes

3 Problèmes d’optimisation avec contraintes

4 Méthodes d’optimisation

Zakia ANKHILI Chapitre 0 Cours d’optimisation ENSA (Marrakech) 2023/2024 12/14