Académique Documents
Professionnel Documents
Culture Documents
Coordonnées
Clients x y Nombre d’expéditions
1 5 10 200
2 10 5 150
3 0 12 200
4 12 0 300
Modéliser ce problème sous forme d’un programme non linéaire puis le résoudre par
LINGO.
1.8.2 Exercice 2
Parmi les fonctions suivantes, les-quelles sont convexes ou concaves ou non ?
– f (x) = 2x − 3 sur R
– f (x) = ex sur R
– f (x1 , x2 ) = x1 e−(x1 +x2 ) sur sur R2
– f (x) = x2 − 6x + 5 sur R
√
– f (x) = x sur [0, + inf[
– f (x1 , x2 ) = x31 + 3x1 x2 + x22 ; sur R2
– f (x1 , x2 ) = −x21 + x1 x2 − x22 ; sur R2
– f (x1 , x2 , x3 ) = x21 + 3x22 + 9x23 − 2x1 x2 + 6x2 x3 + 2x1 x3 ; sur R2
– f (x1 , x2 , x3 ) = −x21 − x22 − 2x23 + 0.5x1 x2 sur R3
– f (x1 , x2 , x3 , x4 ) = x21 + x22 + 2x23 + x3 − x1 x2 − x3 x4 sur R4
1.8.3 Exercice 3
Discuter la convexité selon les paramètre indiqués des fonctions suivantes :
– f (x) = αx2 sur R
– f (x1 , x2 ) = αx21 + 8x1 x2 + αx22 sur R2
– f (x1 , x2 ) = αx21 − βx1 x2 + γx22 sur R2
– f (x1 , x2 , x3 ) = 12 α(x21 + x22 + x23 ) + x1 x2 + x2 x3 sur R3
– f (x1 , x2 , x3 , x4 ) = αx21 + βx22 + γx23 + x3 x4 sur R4
1.8.4 Exercice 4
Résoudre
graphiquement les PNLs suivants :
2 2
min f = (x1 − 2)2 + (x2 − 3)2
max f = x 1 + x 2
x +x ≥4
3x1 + 2x2 ≤ 18
min f = x1
3
1 2
(P 1) (P 2) x1 ≤ 4 (P 3) x1 + x2 ≥ 4
x1 ≤ 4
x2 ≥ x
x2 ≤ 6 2
2 x ≤ 4
1
x 1 , x
2 ≥ 0
max f = 3x + 5x min f = x21 + x22 + 2x2
1 2
x ≤4 x + x − 0.5 ≥ 0 max f = x1 + x2
1 1 2
(P 4) 2 2
(P 5) 2 2
(P 6) x21 + x22 ≥ 9
9x 1 + 5x 2 ≤ 216
x 1 + x 2 − 1 = 0
x2 ≤ 4
1
x 1 , x2 ≥ 0 x 1 , x2 ≥ 0
min f = x1
min f = x1
2 2
(P 7) x1 + x2 ≤ 4 (P 8) (x1 − 1)2 + x22 = 1
x2 ≥ 1
(x + 1)2 + x2 = 1
1 1 2
L’objectif de cette entreprise est de trouver un emplacement idéal pour implémenter cet
entrepôt afin de minimiser la distance totale parcourue par ses camions. Cette situation
peut être modélisée sous la forme suivante :
L’équation
p(1) devient p
minpf = 200 (x − 5)2 + (yp− 10)2 + 150 (x − 10)2 + (y − 5)2 +
200 (x2 + (y − 12)2 + 300 (x − 12)2 + y 2
Ce modèle mathématique appartient à la classe d’optimisation non linéaire sans contraintes,
i Il s’agit d’optimiser une fonction à deux variables sans contraintes.
Corrigé exercice 2
Parmi les fonctions suivantes, les-quelles sont convexes ou concaves ou non ?
– f (x) = 2x − 3 sur R : En utilisant la définition
– f (x) = ex sur R : f ′ (x) = ex , f ”(x) = ex ∀x ∈ R ex > 0 alors f est strictement
convexe.
– f (x) = x2 − 6x + 5 sur R on f ”(x) = 2 > 0 donc f est strictement convexe.
√
– f (x) = x sur [0, + inf[ f ′ (x) = 1/2x−1/2 et f ”(x) = −1/4x−3/2 , on a x−3/2 est
toujours ≥ 0 ∀x ∈ [0, + inf[ d’où f ”(x) ≤ 0 en déduit que f est concave.
Corrigé exercice 4
max f = x21 + x22
x +x ≥4
1 2
(P 1)
x1 ≤ 4
x2 ≤ 4
Le domaine réalisable X du PNL (P 1) est un polyèdre borné convexe, f = x21 + x22 est
√
l’équation d’un cercle de rayon f et du centre (0, 0. Maximiser f revient à maximiser
le rayon de ce cercle. La figure (1.13)) montre la résolution graphique de ce PNL avec la
solution optimale x∗ = (4, 4) et f ∗ = 32
min f = (x1 − 2)2 + (x2 − 3)2
3x1 + 2x2 ≤ 18
(P 2) x1 ≤ 4
x2 ≤ 6
x 1 , x2 ≥ 0
(P 3) x1 + x2 ≥ 4
x2 ≥ x
1 2
Comme il est montré dans la figure (1.15)) le domaine X n’est pas borné et non convexe.
La fonction objectif f = x31 est toujours positif puisque dépends uniquement de x1 qui est
toujours positif. On ne peut pas représenter f . Le point réalisable qui minimise x31 est le
point x∗ = 1.56, 2.43 et f ∗ = 3.8081
max f = 3x1 + 5x2
x ≤4
1
(P 4)
9x21 + 5x22 ≤ 216
x 1 , x2 ≥ 0
x21 x22
Après simplification, l’équation 9x21 + 5x22 = 216 devient 216 + 216 =1
9 5
x1 x2
et( 4.8990 )2 + ( 6.5727 )2
= 1 qui est l’équation d’une ellipse de centre (0, 0) et de deux rayons
4.8990 et 4.6.5727. La figure (1.16)) montre que le domaine X est borné et convexe. La
fonction objectif est linéaire traçons alors sa droite pour f = 0 puis on la glisse dans le
sens indiqué jusqu’à atteindre le dernier point réalisable car f est à maximiser ce qui nous
donne la solution optimale en point x∗ = (2, 6) qui est un optimum global.
2 2
min f = x1 + x2 + 2x2
x + x − 0.5 ≥ 0
1 2
(P 5) 2 2
x1 + x2 − 1 = 0
x 1 , x2 ≥ 0
Exercice 2
Trouver algébriquement les optimums locaux des fonctions suivantes :
– f (x) = x3
– g(x) = x4
– h(x) = x4 − 32x
2
– k(x) = x2 − ex
Exercice 3
Déterminer les optimums locaux de la fonction suivantes
Exercice 4
Un industriel produit simultanément 2 produits A et B dont il a le monopole de la
production et de la vente dans un pays. Soit x1 la quantité produit A et x2 la quantité
produit B.Les prix de vente des deux produits sont des fonctions PA = f (x1 ) et PB = g(x2 )
en dinar qui sont en fonction des quantités écoulées.
Le coût de production total des quantités x1 et x2 est une fonction c(x1 , x1 ) en dinar.
Le Bénéfice de l’entreprise si elle vend les quantités x1 et x2 est donc la fonction
Dans chacun des cas suivants, trouvez les quantités qui maximisent le bénéfice de l’entre-
prise et la valeur du bénéfice π :
PA = 1 − x 1
(a) PB = 1 − x2
c(x , x ) = x x
1 2 1 2
PA = 28 − 3x1
(b) PB = 22 − 2x2
c(x , x ) = x2 + 3x2 + 4x x
1 2 1 2 1 2
PA = 33 − 4x1
(c) PB = 27 − x2
c(x , x ) = x2 + 3x2 + x x
1 2 1 2 1 2
Exercice 5
On considère la fonction f suivante :
Exercice 6
Trouver les optimums locaux des fonctions suivantes
1. f (x1 , x2 ) = x1 x2 − x21
2. f (x1 , x2 ) = 10 − x21 − 5x22 + 3x1 x2 − x1 + 2x2
3. f (x1 , x2 ) = 8x21 + 3x1 x2 + 7x22 − 25x1 + 31x2 − 29.
4. f (x1 , x2 ) = x31 + x22 − 3x1 − 12x2 + 10
5. f (x1 , x2 ) = 31 x31 + 12 x21 + 2x1 x2 + 21 x22 − x2 + 9
6. f (x1 , x2 , x3 ) = −x21 − x22 − 2x23 + 0.5x1 x2
7. f (x1 , x2 ) = x21 + x1 x2 + 1.5x22 − 2 log x1 − log x2
Exercice 7
1. Soit la fonction suivante : f (x1 , x2 ) = βx21 + x22 − 2x1 x2 − 2x2 et β ∈ R
Trouver l’optimum de f selon les valeurs de β
2. Trouver α tel que x = (1, 0) est min ou max de la fonction suivante
Exercice 8
Soit la fonction f : R2 → R définie par
Exercice 9
On considère la fonction suivante de R2 dans R :
Exercice 10
Soit la fonction suivante de R2 dans R : Considérons la fonction f : R2 → R définie
par
f (x1 ; x2 ) = x21 + 2βx1 x2 + x22 − 2x1
avec β un nombre réel quelconque.
1. Étudier la convexité de f selon les valeurs de β.
2. Écrire le gradient de f
3. Déterminer les points stationnaires de f en fonction de β.
4. Pour quelles valeurs de β, les points stationnaires de f sont des optimums locaux
5. Que peut-on dire des optimums de f pour les trois cas : β = 0 ; β = 1 ; β = −1
Exercice 11
Soit la fonction suivante de R2 dans R : Considérons la fonction f : R2 → R définie
par
f (x1 ; x2 ) = (x21 − x22 )(x1 − x2 )
1. Écrire le gradient de f
2. Montrer que les points suivants :
Exercice 12
Soit la fonction suivante :
Exercice 13
2 2 2
min f (x) = x1 + x2 + x3 + x1 − x2
(P N L) x1 − x3 = 0
−x + 2x = 2
2 3
1. Transformer ce PNL vers un PNL à une seul variables sans contraintes et trouver
x∗ .
2. Écrire les conditions d’optimalité K.K.T.
3. Montrer que x∗ trouvé dans la 1ère question est optimale.
Exercice 14
Soient le PNL suivant
min / max f (x) = (x1 − 3)2 + (x2 − 2)2
x2 + x2 ≤ 5
1 2
(P )
x1 + 2x2 = 4
x 1 , x2 ≥ 0
1. Trouver graphiquement le minimum x∗ et le maximum x∗
2. Vérifier ces solutions en utilisant les conditions d’optimalité K.K.T
Exercice 15
Soit le PNL suivant
(
min f (x) = (x1 − 1)2 + x22
(P )
−x1 + αx22 = 0
1. Montrer que x = (0, 0)t vérifier les conditions d’optimalité du 1ère ordre.
2. Discuter par deux méthodes différentes selon les valeurs de α l’optimalité de ce
point.
Exercice 16
Soit le problème non linaire suivant
(
min f (x) = x21 + αx22 + x1 x2 + x1
(P )
x1 + x2 ≤ 1
2. Selon les valeurs de α, montrer que f est convexe si et seulement si H est définie
positif.
3. Écrire les conditions d’optimalité de ce problème selon α et trouver sa solution
optimale.
Exercice 17
Résoudre selon les valeurs de α le PNL suivant
(
min f (x) = (x1 − 1)2 + x2
(P )
2αx1 − x22 ≤ 0
Exercice 18
Écrire les conditions K.K.T et vérifier que le point x∗ = (1, 2, 5) est optimale pour le
PNL suivant
min f (x) = 2x21 + x22 + 2x23 + x1 x3 − x1 x2 + x1 + 2x3
2 2
x1 + x2 − x3 = 0
(P ) x1 + x2 + 2x3 = 13
x1 + x2 ≥ 3
x1 , x2 , x3 ≥ 0.
Exercice 19
Écrire les conditions K.K.T et vérifier que le point x∗ = (3, 3) est optimale pour le
PNL suivant
4 4 2 2
min f (x) = x1 + x2 + 12x1 + 6x2 − x1 x2 − x1 − x3
x +x ≥6
1 2
(P )
2x 1 − x 2 ≥ 3
x1 , x2 ≥ 0.
Exercice 20
Soit le PNL suivant :
min f (x) = (x1 − 49 )2 + (x2 − 2)2
x − x2 ≥ 0
2 1
(P )
x 1 + x 2 ≤ 6
x1 , x2 ≥ 0.
1. Résoudre graphiquement ce problème.
2. Montrer que f et le contraintes sont convexes.
3. Écrire les conditions d’optimalité.
4. Déterminer sa solution optimale local ? est elle unique ? est elle globale ?
g ′′ (x) = 3x2 − 4x − 1
On a g ′′ (−1) = 6 > 0 ,g ′′ (1) = −2 < 0 et g ′′ (2) = 3 > 0 ⇒ −1 et 2 sont des mins et
1 est un max
Corrigé de l’exercice 2
Trouvons les optimums locaux des fonctions suivantes :
– f (x) = x3 ⇒ f ′ (x) = 3x2 :f ′ (x) = 0 ⇒ x∗ = 0 et f ′′ (x) = 6x, f ′′ (0) = 0 de plus
f 3 (0) = 6 on en déduit que x∗ = 0 n’est pas ni min ni max, il s’agit d’un point
d’inflexion.
– f (x) = x4 −32x ⇒ f ′ (x) = 4x3 −32 = 4(x3 −8),f ′ (x) = 0 ⇒ x∗ = 2 et f ′′ (x) = 12x2 ,
f ′′ (2) = 24 > 0 ⇒ x∗ = 2 est un min local.
2 2 2
– f (x) = x2 − ex ⇒ f ′ (x) = 2x − 2xex = 2x(1 − ex ) si f ′ x) = 0 alors x∗ = 0 est un
point stationnaire.
2 2
On a f ′′ (x) = 2 − 2ex − 4x2 ex et f ′′ (0) = 0
2 2 2
f (3) (x) = −4ex − 8xex − 8x3 ex et f 3 (0) = 0
2 2 2 2 2 2
f (4) (x) = −4ex − 8x2 ex − 8ex − 16x2 ex − 24x2 ex − 16x4 ex et f (4) (0) = −12 <
0 ⇒ x∗ = 0 est un max local.
Corrigé de l’exercice 4
PA = 1 − x 1
♣ Cas (a) PB = 1 − x2 ⇒ π(x1 , x2 ) = x1 (1 − x1 ) + x2 (1 − x2 ) − x1 x2
c(x , x ) = x x
1 2 1 2
!
2 −2 −1
∇ π(x1 , x2 ) = Cette matrice est symetrique, d’après le critère de Sylvestre,
−1 −2
on peut définir sa nature (positif, négatif) en utilisant la notion de mineurs.
Les mineurs d’ordres 1 sont −2 et −2 ont le même signe que (−1)1 et le mineur d’ordre 2
−2 −1
est = 3 qui le même signe que (−1)2 alors ∇2 π(x1 , x2 ) est une matrice définie-
−1 −2
positif quelque soit (x1 ; x2 ) ∈ R2 .
x∗ = ( 13 ; 31 ) est le point qui maximise le profit total avec π( 31 ; 13 ) = 0.333
PA = 28 − 3x1
♣ Cas (b) PB = 22 − 2x2 ⇒ π(x1 , x2 ) = −4x21 −5x22 −4x1 x2 −28x1 +22x2
c(x , x ) = x2 + 3x2 + 4x x
1 2 1 2 1 2
Corrigé de l’exercice 5
On considère la fonction f suivante :
Corrigé de l’exercice 6
Cherchons les optimums locaux des fonctions suivantes
1. f (x1 , x2 ) = x1 x2 − x21
Le vecteur gradient de(f est ∇f (x1 , x2 ) = (−2x
( 1 + x2 ; x1 )
−2x1 + x2 = 0 x1 = 0
∇f (x1 , x2 ) = (0; 0) ⇒ ⇒
x1 = 0 x2 = 0
∗
Le point x = (0; 0) est stationnaire pour f! .
−2 1
Le Hessien de f est ∇2 f (x1 , x2 ) = Matrice symétrique, d’après Sylvestre
1 0
cette matrice n’est pas définie car les deux mineurs (-2) et (0) ont le même signe
−2 1
que (−1)1 et le mineur = −1 qui n’a pas le même signe que (−1)2 . Alors le
1 0
point (0 ;0) n’est pas ni minimum ni maximum, il s’agit d’un point selle.
2. f (x1 , x2 ) = 10 − x21 − 5x22 + 3x1 x2 − x1 + 2x2
Le vecteur gradient de(f est ∇f (x1 , x2 ) = (−2x1 + ( 3x2 − 1; 3x1 − 10x2 + 2)
−2x1 + 3x2 − 1 = 0 x1 = −4
11
∇f (x1 , x2 ) = (0; 0) ⇒ ⇒ 1
3x1 − 10x2 + 2 = 0 x2 = 11
3 2
= −1 < 0, alors le point x∗a = (1; −1) est point selle pour f .
2 1
!
5 2
Pour le point x∗b = (2; −3) on a :∇2 f (2, −3) = qui est définie positif alors
2 1
x∗b = (2; −3) est un minimum local pour f ..
6. f (x1 , x2 , x3 ) = −x21 − x22 − 2x23 + 0.5x1 x2 .
∇f (x1 , x2 , x3 ) = (−2x1+ 0.5x2 ; −2x2 + 0.5x1 ; −6x3 )
−2x1 + 0.5x2 = 0
∇f (x1 , x2 ) = (0; 0) ⇒ −2x2 + 0.5x1 = 0 ⇒ x1 = x2 = x3 = 0
−6x3 = 0
∗
Le point x = (0; 0; 0) est un point stationnaire
pour f.
−2 0.5 0
Le Hessien de f est ∇2 f (x1 , x2 , x3 ) = 0.5 −2 0 les mineurs d’ordre 1 sont
0 0 −4
(-2), (-2) et (-4) sont négatifs ont le même signe que (−1)1 , les mineurs d’ordre 2
−2 0 −2 0 −2 0.5
sont =8, = 8 et = 15/4 sont positifs ont même signe
0 −4 0 −4 0.5 −2
−2 0.5 0
2
que (−1) et le mineur d’odre 3 est 0.5 −2 0 = −15 qui est négatif ayant le
0 0 −4
3 ∗
même signe que (−1) , alors le point x = (0; 0; 0) est un mximum global pour la
fonction f car cette fonction est strictement concave.
Corrigé de l’exercice 7
1. Soit la fonction suivante : f (x1 , x2 ) = βx21 + x22 − 2x1 x2 − 2x2 et β ∈ R La question
est de trouver l’optimum de f selon les valeurs de β Calculons le gradient de f en
fonction de β.
∇f (x1 , x2 ) = (2βx1 − 2x2 ; 2x2 − 2x1 − 2).
Cherchons le point stationnaire
( en fonction de β.
2βx1 − 2x2 = 0 · · · (1)
∇f (x1 , x2 ) = (0; 0) ⇒
2x2 − 2x1 − 2 = 0 · · · (2)
de l’équation (1) on obtient x2 = βx1 si on remplace dans (2), on aura x1 =
1 β
1−β
et x2 = 1−β avec β 6= 1.
1 β
Alors si β 6= 1 le point x∗ = ( 1−β ; 1−β ) est un point stationnaire pour f .
maintenant, vérifiant est ce que ce point s’agit ! d’un maximum, minimum :
2β −2
Le Hessien de f est ∇2 f (x1 , x2 ) = Matrice symétrique, on peut appli-
−2 2
quer le critère de Sylvestre.
Les mineurs d’ordre 1 sont (2β) et (2) qui sont positifs si β > 0, le mineur d’ordre 2
2β −2
est = 4β − 4 qui est positif si β > 1, On conclut que si β ∈]1, ∞[ le point
−2 2
1 β
x∗ = ( 1−β ; 1−β ) est un minimum local pour f .
2. Cherchons les valeurs de α pour que x = (1, 0) est min ou max de la fonction suivante
f (x1 , x2 ) = α3 x1 ex2 + 2α2 log(x1 + x2 ) − (α + 2)x1 + 8αx2 + 16x1 x2
Calculons le gradient de f en fonction de α.
1 1
∇f (x1 , x2 ) = (α3 ex2 + 2α2 x1 +x 2
− α − 2 + 16x2 ; α3 x1 ex2 + 2α2 x1 +x 2
+ 8α + 16x1 ).
Si x = (1, 0) est minimum ou maximum pour f alors ∇f (1, 0) = (0; 0).
∇f (1, 0) = (α3 + 2α( − α − 2; α3 + 2α + 8α + 16).
α3 + 2α2 − α − 2 = 0
∇f (1, 0) = (0; 0) ⇒ ⇒ α = −2
α3 + 2α2 + 8α + 16 = 0.
Si α = −2 le point x∗ = (1, 0) est stationnaire pour f .
Calculons la matrice Hessienne de f . !
−2α2 3 x2 2α2
(x1 +x2 ) 2 α e − (x1 +x2 ) 2 + 16
∇2 f (x1 , x2 ) = 2 2
α3 ex2 − (x12α
+x2 ) 2 + 16 α 3
x 1 e x2
− (x12α+x 2)
2
!
−2α2 α3 − 2α2 + 16
∇2 f (1, 0) = .
α3 − 2α2 + 16 α3 − 2α2
!
2 −8 0
si on remplace α = −2, on obtient :∇ f (1, 0) = . qui est une matrice
0 −16
symetrique, alors on peut calculer le critère de sylvestre.
On voit facilement que cette matrice est définie négatif, alors pour α = −2 le point
est un maximum local pour f .
Corrigé de l’exercice 8
Soit la fonction f : R2 → R définie par
f (x; y) = (1 − x)(1 − y)(x + y − 1)
1. Déterminons les points stationnaires de f .
Le gradient de f est :
∇f (x, y) = ((1 − y)(2
(− 2x − y); (1 − x)(2 − 2y − x))
(
(1 − y)(2 − 2x − y) = 0 1 − y = 0 où 2 − 2x − y = 0
∇f (x, y) = (0; 0) ⇒ ⇒
(1 − x)(2 − 2y − x) = 0 1 − x = 0 où 2 − 2y − x = 0
⇒ la fonction admet les 4 points stationnaires suivants :
(1; 1); (0; 1); (1; 0)et(2/3; 2/3).
2. On donne l’expression de la matrice Hessienne de f (x; y).
!
−2(1 − y) −(2 − 2x − y) − (1 − y)
∇2 f (x, y) =
−(2 − 2x − y) − (1 − y) −2(1 − x)
3. Pour chaque point stationnaire de f , nous définissons s’il s’agit d’un maximum local,
d’un minimum local ou d’un point selle.
Corrigés de l’exercice 14
Soient le PNL suivant
min / max f (x) = (x1 − 3)2 + (x2 − 2)2
x2 + x2 ≤ 5
1 2
(P )
x 1 + 2x 2 = 4
x 1 , x2 ≥ 0
1. Résolution graphique Le graphe de c e PNL est donné dans la figure (2.4), Le
domaine de solutions réalisables X est le segment de droite [A, B] tel que A = (3, 1)
et B = (0, 2).
Comme f est le rayon du cercle de centre (3, 2) , ce point représente la borne
inférieure de f mais il n’est pas réalisable. Si on trace f pour une valeur quelconque
f = 1 puis on la glisse dans le sens du domaine réalisable on trouve le minimum
x∗ = (2, 1) avec f (x∗ ) = 2 et le maximum x∗ = (0, 2) et f (x∗ ) = 9.
2. Vérifier ces solutions en utilisant les conditions d’optimalité K.K.T.
On pose g(x) = x21 + x22 − 5 et h(x) = x1 + 2x2 − 4
La fonction de Lagrange
Lx (x, λ, µ) = f (x) + λg(x) + µh(x)
= (x1 − 3)2 + (x2 − 2)2 + λ(x21 + x22 − 5) + µ(x1 + 2x2 − 4)
Vérifiant que x∗ = (2, 1) est un minimum local Les conditions nécessaires deviennent
alors ∗
4λ + µ∗ − 2 = 0 · · · (1)
2λ∗ + 2µ∗ − 2 = 0 · · · (2)
∗
λ 0 = 0 · · · (3)
0 = 0 · · · (4)
λ∗ > 0 · · · (5)
∗ ∗
x1 , x2 ≥ 0 · · · (6)
On trouve facilement des l’équation (1) et (2) λ∗ = 13 et µ∗ = 32 . De ce fait, le point
x∗ = (2, 1) est un point stationnaire.
Soit ▽gx (x) = (2x1 ; 2x2 ) et ▽hx (x) = (1; 2)
Et ▽gx (x∗ ) = (4; 2) et ▽hx (x∗ ) = (1; 2)
La contrainte g(x) ≤ 0 est saturée au point x∗ = (2, 1), donc le cône tangent de x∗
devient
C(x∗ ) étant un ensemble vide, alors d’après le théorème de Fritz John 23 il faut
donc étudier la nature de ▽2 Lx (x∗ , λ∗ , µ∗ ) sur R2 .
!
5
0
▽ Lx (x , λ , µ ) ==
2 ∗ ∗ ∗ 3
5
0 3
D’après le critère de sylvestre, cette matrice est définie positif ce qui conclut que le
point x∗ = (2, 1) est un minimum local pour le (P N L) en question.