Vous êtes sur la page 1sur 23

Optimisation sans gradient et applications (M3)

Laurent Dumas
http://dumas.perso.math.cnrs.fr/M3.html

1. Quelques problèmes d’optimisation en ingénierie

2. Méthodes sans gradient déterministes


2.1 Méthodes directes (Nelder Mead, MDS/Torczon)
2.2 Interpolation (modèles quadratiques et régions de confiance)
2.3 Surfaces de réponse (RBF, krigeage)

3. Méthodes sans gradient stochastiques


3.1 Recuit simulés
3.2 Algorithmes génétiques, essaim de particules, stratégies d’évolution
3.3 Résultats de convergence
3.4 Extensions (adaptativité, gestion des contraintes , version multi-objectif)

4. Mise en œuvre sur des cas réels (projet en binôme)


(réseaux de Bragg, parc de panneaux solaires)

Cours M3, optimisation sans gradient et applications


1.1 Problème 1: problème du voyageur de commerce

QuickTime™ et un
décompresseur
sont requis pour visionner cette image.

• Objectif: déterminer la distance minimale à parcourir pour visiter toutes les villes une et
une seule fois.

Cours M3, optimisation sans gradient et applications


1.2 Problème 2: configuration d’une molécule d’énergie minimale

N=4 atomes N=7 atomes

• Objectif: déterminer la position de N atomes minimisant le potentiel de Lennard Jones de


la molécule associée: V( r )=1/r12 – 2/r 6 pour 2 atomes à une distance r.

Cours M3, optimisation sans gradient et applications


1.3 Problème 3: décodage d’une image floue et bruitée

Code à 13 chiffres

• Objectif: à partir d’une image floue et bruitée d’un code barre, être capable d’identifier ce
code barre

Cours M3, optimisation sans gradient et applications


1.4 Problème 4: réduction de consommation d’un véhicule

A 120 km/h, facteurs de la consommation d’un véhicule:

…dont 65% à 70 % dépend de


la forme extérieure… Lignes de courant et tourbillons longitudinaux à l’arrière d’un
véhicule expérimental type 206 (DRIA)
…dont 90 % de la forme arrière!

• Objectif: obtenir la forme arrière optimale d’une automobile par simulation numérique.

Cours M3, optimisation sans gradient et applications


1.4. Quelques exemples de Cx

Ford T: 0.8 (année de sortie: 1908)


Hummer H2: 0.57 (2003)
Citroën SM: 0.33 (1970)
Peugeot 407: 0.29 (2004)
et…

Tatra T77: 0.212 (1935)

Cours M3, optimisation sans gradient et applications


7

1.5 Principales caractéristiques de ces 4 problèmes

Problème 1: Problème 2: Problème 3: Problème 4:


économie chimie image automobile

Paramètres permutations position des signal 1D forme du


de {1,…,n} atomes véhicule

Fonction coût simple simple issue d’une issue d’une


convolution EDP
Calcul du // explicite non explicite non explicite
gradient
Minimas // oui oui oui
locaux
Contraintes non non non linéaires non linéaires

Cours M3, optimisation sans gradient et applications


8

1.6 Autres exemples d’optimisation en ingénierie

• Optimisation de formes de réseaux de Bragg (Alcatel)


• Optimisation de champs de panneaux solaires (GDF)
• Identification de paramètres de modèles physiques ou
biologiques (multiples exemples!)

Cours M3, optimisation sans gradient et applications


9

Problème 1: optimisation de forme d’un réseau de Bragg

QuickTime™ et un
décompresseur
sont requis pour visionner cette image.

-Objectif: étant donné la forme d’un filtre en longueur d’onde, déterminer les
caractéristiques d’une fibre optique (réseau de Bragg) permettant d’obtenir ce filtre.

Problème posé par: Alcatel.

Cours M3, optimisation sans gradient et applications


1

Problème 2: optimisation de parcs de panneaux solaires 0

QuickTime™ et un
QuickTime™ et un décompresseur
décompresseur
sont requis pour visionner cette image. sont requis pour visionner cette image.

-Objectif: étant donné une zone d’implantation de panneaux solaires, déterminer


le meilleur positionnement des structures pour maximiser l’espérance de
production sur la durée de vie du projet.

Problème posé par: GDF/Suez.

Cours M3, optimisation sans gradient et applications


1

Problème 1: optimisation de formes de réseaux de Bragg 1

Fibre monomode standard de télécommunication à saut d’indice:

Indice de
réfraction
Mode non guidé
4-5 10-3
Mode guidé

Rayon (m)
4.5

•L’indice du cœur est augmenté grâce à un dopant: le germanium

Cours M3, optimisation sans gradient et applications


1

Problème 1: optimisation de formes de réseaux de Bragg 2

> Dans un réseau de Bragg (ou FBG), une modulation périodique et permanente de
l’indice de réfraction de la silice dopée au germanium est effectuée sous irradiation
UV

m

(spectre de
réflectivité)

> Possibilité de travailler la forme de la modulation d’indice suivant la fonction de


filtrage recherchée (mono ou multi canal)
Cours M3, optimisation sans gradient et applications
1

Problème 1: optimisation de formes de réseaux de Bragg 3

• L’indice de réfraction général d’une réseau de Bragg est donné à l’aide d’une
fonction quasi-sinusoïdale dans la direction longitudinale z:
n(z)=n0+n(z) cos(2z/0) z [0, L]
avec les notations suivantes:
n0 : indice de réfraction initial du cœur
0: période du réseau (ou B= 2 n00: longueur d’onde associée)
n(z): amplitude de l’indice à variation lente (appelée apodisation)

• Le problème d’optimisation, de type inverse, consiste donc à trouver la


bonne fonction d’apodisation réalisant les caractéristiques de filtrage voulues.

Cours M3, optimisation sans gradient et applications


1

Problème 1: optimisation de formes de réseaux de Bragg 4

• Certaines hypothèses sont faites pour calculer le spectre de réflectivité (fibre sans
perte et monomode dans la bande spectrale, faible différence d’indice cœur-gaine).

• Pour toute longueur d’onde  dans la bande de transmission, les enveloppes


bF(z,) et bB(z, ) des deux ondes, incidente et réfléchie, sont alors solution d’un
système couplée d’EDO linéaires du premier ordre à coefficients complexes:

avec , et

Cours M3, optimisation sans gradient et applications


1

Problème 1: optimisation de formes de réseaux de Bragg 5

•Le spectre de réflectivité du réseau de Bragg est alors donné par la


fonction   R() =| r() |2 avec r() = bB(0,) / bF(0,)

•Pour le calcul du spectre de réflectivité d’un réseau de Bragg


quelconque, en notant r(z,)= bB(z,) / bF(z,), on observe que r(., )
satisfait une EDO de Ricatti pouvant être intégrée numériquement de
manière rétrograde.

Cours M3, optimisation sans gradient et applications


1

Problème 1: optimisation de formes de réseaux de Bragg 6

•Les figures ci dessous correspondent au spectre de différents FBG ( L=10cm,


n0=1.45, B=1550nm) pour plusieurs fonctions d’apodisation:

Cours M3, optimisation sans gradient et applications


1

Problème 2: optimisation de parcs de panneaux solaires 7

QuickTime™ et un
décompresseur
sont requis pour visionner cette image.

• Afin d’optimiser la production d’énergie d’un parc de panneaux solaires,


il faut associer aux équations astronomiques permettant de connaître la
position instantanée du soleil et son irradiation, des lois de probabilités
représentatives de la nébulosité, des effets hygrométriques et aérosol,
des températures, des vents au sol.

• Les effets d’ombrages liés à l’horizon où à la position des structures sont


aussi à prendre en compte.

Cours M3, optimisation sans gradient et applications


1

Problème 2: optimisation de parcs de panneaux solaires 8

QuickTime™ et un
décompresseur
sont requis pour visionner cette image.

• De plus, par contraintes légales, un parc solaire au sol:


(i) ne peut dépasser la puissance maximale cumulée de 12 MW
(ii) deux parcs ne peuvent être distant de moins de 500 mètres.

• Seules ces contraintes géométriques vont être considérées ici.

Cours M3, optimisation sans gradient et applications


1

Problème 2: optimisation de parcs de panneaux solaires 9

• En termes mathématiques, cela donne:

Soient deux réels ,S>0 et D>0, K un compact de X et n>0 un entier.


On considère une réunion disjointe P={P1 , P2,…, Pn } de sous
ensembles de K telle que

• Aire(Pi )<S pour tout i dans {1,…,n}


• d(Pi , Pj )>D pour tout couple de points distincts (i,j) dans {1,…,n}

où Aire(Pi ) désigne l’aire de Pi et d(Pi , Pij) la distance entre Pi et Pj.

L’objectif est de trouver un couple (n,P) tel que la somme des Aire(Pi)
soit maximale.

• En pratique, K est quelconque: non convexe, non connexe, etc…

Cours M3, optimisation sans gradient et applications


2

Problème 2: optimisation de parcs de panneaux solaires 0

• Il peut être démontré que le problème est bien posé


mathématiquement, à savoir qu’il possède au moins une solution.

• Pour simplifier la recherche, on fera ici des hypothèses


simplificatrices sur la forme de K (rectangulaire) et sur celle des sous
domaines Pi (disques triangles ou rectangles).

Cours M3, optimisation sans gradient et applications


2

Objectifs du projet 1: optimisation de formes de réseaux de Bragg 1

• Calcul de la fonction coût (erreur entre spectre simulé et spectre idéal) pour
une classe de fonctions particulières (affines ou splines).

• Optimisation avec deux types de méthodes:

une méthode de type déterministe (Nelder Mead ou MDS)


une méthode de type stochastique (AG, stratégie d’évolution ou PSO)

• Gestion de contraintes.

Cours M3, optimisation sans gradient et applications


2

Objectifs du projet 2: optimisation de parcs de panneaux solaires 2

• Calcul de la fonction coût (aire totale) pour une classe de sous-domaines


particuliers (disques, triangles, rectangles).

• Optimisation pour un nombre fixé de sous-domaines avec deux types de


méthodes:

une méthode de type déterministe (Nelder Mead ou MDS)


une méthode de type stochastique (AG, stratégie d’évolution ou PSO)

• Gestion des contraintes.

Cours M3, optimisation sans gradient et applications


2
3
Déroulement pratique

• Deux séances de travail (obligatoires) sont organisées les mardi 4 et 11


décembre avec quelques compléments de cours (sur la gestion des
contraintes en particulier).

• Date de la soutenance: mardi 18 décembre.

• Chaque soutenance (en binôme) consistera en la rédaction et la présentation


de transparents pendant 15 minutes, accompagnés d’un code Matlab/Scilab
d’illustration.

• Les résultats obtenus devront être clairement illustrés par des exemples
graphiques et des animations.

Cours M3, optimisation sans gradient et applications