Académique Documents
Professionnel Documents
Culture Documents
contrainte
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 1/14
Plan du cours
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 2/14
Exemples de problèmes avec contraintes
En pratique : on optimise souvent avec contraintes (physiques)
I Contrainte de positivité :
K = {x ∈ Rd : ∀i ∈ J1, dK, xi ≥ 0}
Analyse 2: Optimisation avec I Contrainte de type simplexe (pour des probabilités) :
K = ∆d = {x ∈ R : i=1 xi = 1 et ∀i ∈ J1, dK, xi ≥ 0}
Pd
contrainte d
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 3/14
Condition d'existence d'un minimum II
Théorème de Weierstrass
Si une fonction f : Rd 7→ R est continue sur un ensemble fermé
et borné K (i.e., un ensemble compact) alors il existe un point
x∗ qui atteint le minimum : x∗ ∈ arg min f (x)
x∈K
Analyse 2: Optimisation avec
contrainte
Minimisation avec
contraintes
Condition du premier ordre
Lagrangien et conditions KKT
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 4/14
Condition du premier ordre
Minimisation avec
contraintes
Condition du premier ordre
Lagrangien et conditions KKT
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 5/14
Condition du premier ordre
Minimisation avec
contraintes
Condition du premier ordre
Lagrangien et conditions KKT
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 5/14
Condition du premier ordre
Minimisation avec
contraintes
Condition du premier ordre
Lagrangien et conditions KKT
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 5/14
Condition du premier ordre
Minimisation avec
contraintes
Condition du premier ordre
Lagrangien et conditions KKT
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 5/14
Projection sur les convexes fermés
Théorème de projection
Si K ⊂ Rd est un convexe fermé non-vide, alors pour tout point
x ∈ Rd il y a un unique point noté ΠK (x) qui satisfait :
1
Analyse 2: Optimisation avec ΠK (x) = arg min kx − zk2
z∈K 2
contrainte
De plus un point x∗ est solution de ce problème ssi
Minimisation avec
contraintes ∀z ∈ K, hz − x∗ , x − x∗ i ≤ 0
Condition du premier ordre
Lagrangien et conditions KKT
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 6/14
Projection sur les convexes fermés :
exemples
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 7/14
Vérication visuelle
I Le projecteur sur B(0, 1) (la boule centrée en 0 et de rayon
unité) est la fonction
si kxk ≤ 1
(
x
ΠB(0,1) (x) =
Analyse 2: Optimisation avec x
si kxk > 1
kxk
contrainte
Minimisation avec
contraintes
Condition du premier ordre
Lagrangien et conditions KKT
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 8/14
Contraintes et Lagrangien
En pratique : forme explicite pour les contraintes, avec m
contraintes d'égalité, et r contraintes d'inégalité
min f (x)
(P) s. c. h1 (x) = 0, . . . , hm (x) = 0,
Analyse 2: Optimisation avec
contrainte g1 (x) ≤ 0, . . . , gr (x) ≤ 0,
Minimisation avec
contraintes Dénition : Lagrangien
Condition du premier ordre On appelle Lagrangien du problème (P) la fonction
Lagrangien et conditions KKT
m
X r
X
L(x, λ, µ) = f (x) + λi hi (x) + µj gj (x)
i=1 j=1
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 9/14
Conditions de Karush-Khunn-Tucker
(KKT)
Théorème : KKT
Si x∗ est un minimum local du problème (P), que f, hi , gj sont
dérivables avec des gradients continus, sous des conditions de
Analyse 2: Optimisation avec
contrainte qualication sur x∗ , il existe λ∗ = (λ∗1 , . . . , λ∗m ) et
µ∗ = (µ∗1 , . . . , µ∗r ) tel que :
Minimisation avec
contraintes ∀j ∈ J1, rK, µ∗j ≥ 0,
Condition du premier ordre ∇x L(x∗ , λ∗ , µ∗ ) = 0, (CNO)
Lagrangien et conditions KKT ∗ ∗
h1 (x ) = 0, . . . , hm (x ) = 0, (satisabilité)
g1 (x∗ ) ≤ 0, . . . , gr (x∗ ) ≤ 0, (satisabilité)
∀j ∈ J1, rK, µ∗j gj (x∗ ) = 0. (complémentarité)
Théorème : Slater
Supposons les même hypothèses que précédemment, et que de
Analyse 2: Optimisation avec plus ∀i ∈ J1, mK, hi est ane, et qu'il existe un point x̄ vériant
contrainte ∀j ∈ J1, rK, gj (x̄) < 0 alors
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 11/14
Exemple de résolution I
Objectif quadratique et contrainte ane
1 2
min (x + x22 )
x1 ,x2 2 1
Analyse 2: Optimisation avec
(P) s. c. x1 + x2 ≤ −2,
contrainte
1
Minimisation avec L(x, µ) = (x21 + x22 ) + µ(x1 + x2 + 2)
contraintes 2
La CNO donne x1 + µ = x∗2 + µ∗ = 0. Par complémentarité, on
∗ ∗
Condition du premier ordre
Lagrangien et conditions KKT peut traiter deux cas exclusifs
1. x∗1 + x∗2 < −2 et µ∗ = 0 (absurde !)
2. x∗1 + x∗2 = −2 et µ∗ = 1, puis x∗1 = x∗2 = −1
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 12/14
Vérication visuelle
Objectif quadratique et contrainte ane
1 2
min (x + x22 )
x1 ,x2 2 1
Analyse 2: Optimisation avec (P) s. c. x1 + x2 ≤ −2,
contrainte
Minimisation avec
contraintes
Condition du premier ordre
Lagrangien et conditions KKT
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 13/14
Références I
Joseph Salmon
Fondamentaux pour le Big Data c Télécom ParisTech 14/14