Université Cadi Ayyad

Facultd́es Sciences Semlalia

Département de Mathématiques
Programmation Mathématique SMA S5
Février 2018, Durée 2h

1. Soit λ un paramètre réel, on considère le programme linéaire :



 min w = 7x1 + 8x2 + 16x3 + 12x4
x1 + x2 + 2x3 + 2x4 ≥ λ



(Pλ ) 2x1 + 3x2 + x3 + 2x4 ≥ 4
2x1 + 2x2 + x3 + 3x4 ≥ 3




x1 ≥ 0, x2 ≥ 0, x3 ≥, x4 ≥ 0


a) Ecrire le dual (Dλ ) du programme (Pλ )

b) Résoudre (Dλ ) pour λ = 2.
c) Donner la solution (Pλ ) pour λ = 2.
d) En déduire la solution de (Dλ ) et la solution (Pλ ) pour λ = 3.
e) Calculer la solution de (Dλ ) puis donner la solution de (Pλ ) pour λ = 1.
2. On considère le programme non linéaire :
 minimiser (x − 2)2 + 2(y − 1)2


(P N L) x + 4y ≤ 3
x≥y


a) Déterminer les points qui vérifient les conditions nécessaires d’optimalité

de Karush-Kuhn-Tucker du premier ordre pour le programme (PNL).
b) Donner la solution optimale de (PNL).

3. f : Rn → R une fonction de classe C 2 sur Rn .

a) Montrer que si pour tout x̄ ∈ Rn on a :
f (x) − f (x̄) ≥ Of (x̄)T (x − x̄) ∀x ∈ Rn .
alors f est convexe sur Rn .
b) En déduire que si la matrice Hessienne O2 f (x) de f en tout x ∈ Rn est
semi définie positive alors f est convexe sur Rn .
c) Soit b et c deux nombres réels et K1 = {x ∈ R; x2 + bx + c ≤ 0}. Montrer
que K1 est un ensemble convexe.
d) Soit A une matrice n × n symétrique semi définie positive, b ∈ Rn et c un
nombre réel et soit K2 = {x ∈ Rn ; xT Ax + bT x + c ≤ 0}. Montrer que K2
est un ensemble convexe.
e) Soit a et b deux vecteurs de Rn , c un réel et f3 (x) = (aT x)2 + bT x + c.
Calculer le gradient et la Hessienne de f3 en un point x ∈ Rn .
Soit K3 = {x ∈ Rn ; (aT x)2 + bT x + c ≤ 0} est ce que K3 est convexe pour
tout a ∈ Rn ? (justifier)

1
 CORRIGE

1. a) 

 max z = λy1 + 4y2 + 3y3
y1 + 2y2 + 2y3 ≤ 7




y1 + 3y2 + 2y3 ≤ 8

(Dλ )

 2y1 + y2 + y3 ≤ 16
2y + 2y2 + 3y3 ≤ 12

 1



y1 ≥ 0, y2 ≥ 0, y3 ≥ 0
b) Résolution de (D2 ) par la méthode du simplexe :
y1 y2 y3 y4 y5 y6 y7 y1 y2 y3 y4 y5 y6 y7
y4 1 2 2 1 0 0 0 7 y4 0 1
1/2 1 0 0 -1/2 1
y5 1 3 2 0 1 0 0 8 y5 0 2 1/2 0 1 0 -1/2 2
y6 2 1 1 0 0 1 0 16 y6 0 -1 -2 0 0 1 -1 4
y7 2
2 3 0 0 0 1 12 y1 1 1 3/2 0 0 0 1/2 6
z 2 4 3 0 0 0 0 0 z 0 2 0 0 0 0 -1 -12

y1 y2 y3 y4 y5 y6 y7 y1 y2 y3 y4 y5 y6 y7
y2 0 1 1/2 1 0 0 -1/2 1 y1 1 0 1 -1 0 0 1 5
y5 0 0 -1/2 -2 1 0 1/2 0 y2 0 1 1/2 1 0 0 -1/2 1
y6 0 0 -3/2 1 0 1 -3/2 5 y5 0 0 -1/2 -2 1 0 1/2 0
y1 1 0 1 -1 0 0 1 5 y6 0 0 -3/2 1 0 1 -3/2 5
z 0 0 -1 -2 0 0 0 -14 z 0 0 -1 -2 0 0 0 -14

La solution de (D2 ) est : y1 = 5, y2 = 1, y3 = 0, zmax = 14

c) Une solution de (P2 ) se lit dans le dernier tableau dans la ligne −z sous
les variables d’écarts (y4 , y5 , y6 , y7 ), ici : x1 = 2, x2 = 0, x3 = 0, x4 = 0
wmin = 14.
la solution n’est pas unique : x1 = 1, x2 = 1, x3 = 0, x4 = 1/2 est aussi
solution.

d) Pour (D2 ), on a z = cT y = cTB B −1 b+(cTN −cTB B −1 N )yN avec (tableau

final question
  a)) :  
5 1 −1 1
 1 
 , B −1 N =  1/2 1 −1/2 
B −1 b = 

 −1/2 −2 1/2  et

 0 
5 −3/2 1 −3/2

cTB = (2, 4, 0, 0), cTN = (3, 0, 0), cTB B −1 b = 14, cTN − cTB B −1 N = (−1, −2, 0).

(D3 ) s’obtient à partir de (D2 ) en remplaçant cT = (2, 4, 3) par c̃T = cT +

2
(1, 0, 0) on a alors : c̃TB = cTB + (1, 0, 0, 0), c̃TN = cTN donc

z̃ = c̃T y = c̃TB B −1 b + (cTN − c̃TB B −1 N )yN

= cTB B −1 b + (1, 0, 0, 0)B −1 b + (cTN − cTB B −1 N − (1, 0, 0, 0)B −1 N )yN
= 14 + 5 + (−1/2 − 5/4, −1 + 1/2, −1 − 3/4)xN
= 19 + (−2, −1, −1)xN

Les coefficients de xN sont négatifs, donc la solution optimale de (D2 ) reste

optimale pour (D3 ) et la valeur optimale de (D3 ) est z̃max = 19.
Une solution de (P3 ) est : x1 = 1, x2 = 0, x3 = 0, x4 = 1 wmin = 19. Autre
solution x1 = 0, x2 = 1/2, x3 = 0, x4 = 5/4

e) (D1 ) s’obtient à partir de (D2 ) en remplaçant cT = (2, 4, 3) par c̃T =

cT + (−1, 0, 0) on a alors : c̃TB = cTB + (−1, 0, 0, 0), c̃TN = cTN donc

z̃ = cTB B −1 b + (−1, 0, 0, 0)B −1 b + (cTN − cTB B −1 N − (−1, 0, 0, 0)B −1 N )yN

= 14 − 5 + (−1 + 1, −2 − 1, 0 + 1)xN
= 9 + (0, −3, 1)xN

Le dernier coefficient de xN est positif, donc la solution optimale de (D2 )

n’est pas optimale pour (D1 ) mais elle reste réalisable. On prend la base
optimale de (D2 ) comme base de départ pour continuer le simplexe :
y1 y2 y3 y4 y5 y6 y7 y1 y2 y3 y4 y5 y6 y7
y1 1 0 1 -1 0 0 1 5 y1 1 0 2
3 -2 0 0 5
y2 0 1 1/2 1 0 0 -1/2
  1 y2 0 1 0 -1 1 0 0 1
y5 0 0 -1/2 -2 1 0 1/2 0 y7 0 0 -1 -4 2 0 1 0
 
y6 0 0 -3/2 1 0 1 -3/2 5 y6 0 0 -3 -5 3 1 0 5
z 0 0 0 -3 0 0 1 -9 z 0 0 1 1 -2 0 0 -9

y1 y2 y3 y4 y5 y6 y7
y3 1/2 0 1 3/2 -1 0 0 5/2
y2 0 1 0 -1 1 0 0 1
y7 1/2 0 0 -5/2 1 0 1 5/2
y6 3/2 0 0 -1/2 0 1 0 15/2
z -1/2 0 0 -1/2 -1 0 0 -23/2
La solution optimale de (D1 ) est alors :

y1 = 0, y2 = 1, y3 = 5/2 , z̃max = 23/2

et une solution optimale de (P1 ) est :

x1 = 1/2, x2 = 1, x3 = x4 = 0 , w̃min = 23/2

2. En posant f (x, y) = (x − 2)2 + 2(y − 1)2 , g1 (x, y = x + 4y − 3,

g2 (x, y) = −x + y, ∇g1 et ∇g2 sont libres en tout point ; les conditions

3
nécessaires d’optimalité de premier ordre de Karush-Kuhn-Tucker pour (P N L)
s’écrivent : 

 ∇f (x, y) + u1 ∇g1 (x, y) + u2 ∇g2 (x, y)



 u1 g1 (x, y) = 0
u2 g2 (x, y) = 0


 g1 (x, y) ≤ 0
g (x, y) ≤ 0

 2



u1 ≥ 0, u2 ≥ 0
c’est à dire 

 2(x − 2) + u1 − u2 = 0 (1)



 4(y − 1) + 4u1 + u2 = 0 (2)
 u1 (x + 4y − 3) = 0 (3)


u2 (−x + y) = 0 (4)
x + 4y ≤ 3 (5)




−x + y ≤ 0 (6)




u1 ≥ 0, u2 ≥ 0


A partir des équations de complémentarité (3) et (4) on a quatre cas à exa-

miner :
i) u1 = u2 = 0, alors (1) et (2) entrainent x = 2, y = 1 mais dans ce cas (5)
n’est pas vérifiée. Point non admissible
ii) u1 = 0, x − y = 0, alors x = y = 4/3 u2 = −4/3 < 0, non admissible
iii) u2 = 0, x + 4y − 3 = 0, alors x = 5/3, y = 1/3 u1 = 2/3, et (4) est
vérifiée.
iv) x + 4y − 3 = 0, x − y = 0, alors x = y = 3/5, u1 = 22/5, u2 = −48/25,
non admissible
b) Comme le problème est convexe (f convexe, g1 , g2 affines) et x = 5/3, y =
1/3 vérifie les conditions de (KKT) alors x = 5/3, y = 1/3 est la solution
de (PNL).

4.

a) (voir cours) Soit λ ∈ [0, 1], x1 , x2 ∈ Rn et x̄ = λx1 + (1 − λ)x2 , on a

alors :
f (x1 ) − f (x̄) ≥ Of (x̄)T (x1 − x̄) = (1 − λ)Of (x̄)(x1 − x2 )
;
f (x2 ) − f (x̄) ≥ Of (x̄)T (x2 − x̄) = λOf (x̄)(x2 − x1 )

en multipliant la première ligne par λ et la deuxième par 1 − λ et en addi-

tionnant on obtient :

λf (x1 ) + (1 − λ)f (x2 ) − f (x̄) ≥ 0,

c’est à dire : λf (x1 ) + (1 − λ)f (x2 ) ≥ f (λx1 + (1 − λ)x2 . Donc f est convexe

4
 b) (voir cours) Soit x1 , x2 ∈ Rn , comme f set de classe C 2 alors il existe
t ∈]0, 1[ tel que :
1
f (x2 ) − f (x1 ) = Of (x1 )T (x2 − x1 ) + (x2 − x1 )T O2 f (x̄)(x2 − x1 )
2
avec x̄ = tx1 + (1 − t)x2 , si O2 f (x̄) est semi définie positive alors f (x2 ) −
f (x1 ) ≥ Of (x1 )T (x2 − x1 ) et donc, d’après a), f est convexe.

c) Soit f1 (x) = x2 +bx+c, f100 (x) = 2 > 0 donc f1 est convexe sur R. Pour
x1 , x2 ∈ K1 et λ ∈]0, 1[ on a f1 (λx1 +(1−λ)x2 )λ ≤ f1 (x1 )+(1−λ)f1 (x2 ) ≤ 0,
donc que K1 est un ensemble convexe.

d) Soit f2 (x) = xT Ax + bT x + c, la Hessienne Hf2 (x) = A semi définie

positive donc f1 est convexe sur Rn donc idem que K1, K2 est un ensemble
convexe.

e) f3 (x) = (aT x)2 +bT x+c, ∇f3 (x) = 2(aT x).a+b et Hf3 (x) = 2aaT ma-
trice n × n symétrique semi définie positive car xT Hf3 (x)x = 2xT (aaT )x =
2(aT x)2 ≥ 0 pour tout a ∈ Rn donc f3 est convexe et K3 est convexe pour
tout a ∈ Rn .