OPTIMISATION SOUS CONTRAINTES
Optimisation sous contrainte à variables multiples . 75000 unités en raison des contraintes de ressources
3.4 Optimisation sous contraintes
Ce problème est un problème de minimisation avec contrainte (ou “sous contrainte") au sens où l'on cherche u qui minimise f en astreignant u a être dans K.
Optimisation
Optimisation sous contraintes. Introduction. Motivations : Etudier comportement d'une fonction. Applications : Etude de fonctions issues de problèmes
Leçon 2 : Optimisation sous contrainte
26 avr. 2017 IV - Optimisation sous la contrainte d'une fonction de n variables. 11. V - Optimisation sous plusieurs contraintes.
Optimisation sous contraintes
Optimisation sous contraintes. Fabrice Rossi un problème d'optimisation (P) est défini par ... J(x y) = x2 + y2 à minimiser sous la contrainte.
Résumé doptimisation sous contraintes Méthode de Lagrange 1
Tout comme pour l'optimisation libre la démarche pour optimiser locale- ment une fonction f( x) de plusieurs variables sous contraintes h( x) = 0 consiste.
Cours doptimisation
6 Semaine 6 : Optimisation sous contrainte d'égalité : la méthode du Lagrangien. 20. 6.1 Condition nécessaire du premier ordre .
3.5 Algorithmes doptimisation sous contraintes - 3.5.1 Méthodes de
16 sept. 2016 3.5 Algorithmes d'optimisation sous contraintes. 3.5.1 Méthodes de gradient avec projection. On rappelle le résultat suivant de projection ...
Université Paris Dauphine Optimisation et programmation dynamique
OPTIMISATION SOUS CONTRAINTES. 1.2.1 Condition nécessaire d'optimalité dans un ouvert. On suppose ici que K est un ouvert de Rn et que f une application de
Licence de mathématiques/Licence d"économie
Parcours Math-Éco
2015-2016
Optimisation sous contrainte
Laurent Guillopé
Laboratoire de mathématiques Jean Leray
Département de mathématiques, UFR Sciences et techniquesUniversité de Nantes
www.math.sciences.univ-nantes.fr/˜guillope/l3-oscVersion: 2 mars 2020 1Table des matières
Chapitre 1. Prologue
2Chapitre 2. Optimisation différentiable
51. Fonctions différentiables et différentielles
52. Optimisation sans contrainte
73. Optimisation avec contraintes d"égalité
114. Optimisation avec contraintes d"inégalité
26Chapitre 3. Programmation convexe
351. En guise d"introduction : la moyenne arithmético-géométrique
352. Parties convexes
373. Fonctions convexes
384. Convexité et régularité
445. Fonctions quasi-convexes
516. Programmation convexe
57Chapitre 4. Optimisation vectorielle
621. Ordres de Pareto et optima
622. Scalarisation
65Annexe A. Formes quadratiques
681. Matrices symétriques et formes quadratiques
682. Formes définies et hyperboliques
693. Formes quadratiques sous contraintes
71Annexe. Bibliographie
75Table des figures
76Annexe. Index
77Index général
77Index des noms
782
Table des matières 1
Chapitre 1
Prologue
Étant donnée une fonctionJ, ditefonction d"objectifs,fonction de coûts,fonction d"utilitéou encorefonction de production, à valeurs numériques, l"optimisation consiste en la recherche des valeursminimumou demaximum, soit de manière indifférenciée d"extremum, (1)minx2EJ(x);maxx2EJ(x): ainsi que le ou les points1où la fonctionJatteint ces extrema
argmin x2EJ(x) =fy2E;J(y) = minx2E(J(x))g;argmaxx2EJ(x) = argminx2E(J(x)): SIJest à valeurs vectorielles,i. e.dansRp;p1, le problème1 garde un sens dèsqu"un ordre (processus de comparaison entre vecteurs) a été choisi. Ce thème, associé à
l"économiste Pareto, sera abordé à la fin du cous. La variablexest appelée parfoisvariable de choix, au pluriel sixest considéré comme unn-upletx= (x1;:::;xn)2ERnoù en généralEest un domaine (par- tie ouverte connexe), une adhérence d"un domaine à bord régulier ou des domaines de courbes, surfaces ou hypersurfaces2. La fonctionsJexprime le résultat d"une production,
de charges, de profit, d"utilité,.... Elle est définie sur un ensembleEdont les éléments,
ditsréalisablesouadmissiblesmodélisent desintrants: produits manufacturés, matières premières, unités de travail, capital, charges sociales,... Le domaine de définition de la fonctionJest souvent une partie du quadrantf(x1;:::;xn);xi= 0;i= 1;:::;ngdans les applications économiques. L"étude d"un problème d"optimisation est appeléprogramme, la dénomination depro- grammationétant diversement qualifiée pour signifier un cadre spécifique, avec ses condi- tions et méthodes particulières :programmation linéairequand les fonctions à l"oeuvre sont affines,programmation convexepour des fonctions, ou leurs opposées, convexes,...3. Remarquons tout de suite que la recherche d"un minimum pourJest équivalente à la recherche d"un maximum pour la fonction opposéeJ minx2EJ(x) =maxx2E(J(x));maxx2EJ(x) =minx2E(J(x)):1. Les fonctionsargminetargmaxsont des fonctions à valeur dans l"ensemble des parties du domaine
de définition de la fonction d"objectifs.2. Les exemples rencontrés suffiront à expliquer ces termes : la partieEne sera jamais un ensemble
discret, en bijection dans une partie deZn, ce cours ne s"occupant pas de programmation discrète.3. Le termeprogrammationne réfère pas à la programmation informatique, bien que les ordinateurs
soient largement utilisés de nos jours pour résoudre desprogrammes mathématiques: il vient de l"usage
du motprogrammedans les années 1940 par les forces armées américaines pour établir des horaires de
formation et des choix logistiques, que Dantzig, le créateur de l"algorithme du simplexe en program-
mation linéaire étudiait à l"époque. L"emploi du termeprogrammationavait également un intérêt pour
débloquer des crédits en une époque où la planification devenait une priorité des gouvernements,cf.
21. PROLOGUE 3
Beaucoup d"énoncés ne seront formulés que pour la recherche de minimum. La recherche de bornesinfx2EJ(x);supx2EJ(x)est différente du problème (1) puisque les bornes ne sont pas nécessairement atteintes. Ce cours ne s"interrogera pas sur l"existence de op- tima : celle-ci provient parfois d"un argument de compacité à la Bolzano-Weierstrass ou de coercivité. .Exemples1.1. 1.1 .1 La fonction (x;y;z)!x7+sinhy+sin(z3+x2)admet un minimum sur la boule ferméefk(x;y;z)(1;3;)k 3g. 1.1 .2 La fonction (x;y)2R27!x2+ 3y2+ sin2(x+y3)tend vers+1lorsque k(x;y)k !+1: elle est coercive. Elle admet un minimum surR2. 1.1 .3 Soit Jdéfinie surE= [0;1)parJ(x) = 1=xsix2[1;1)etJ(x) = 1sinon. Alors min x2EJ(x) = 0;maxx2EJ(x) = 1;argmaxJ= [0;1];argminJ=;:/Rappelons quelques définitions
Définition1.1:SoitJdéfinie surEà valeurs réelles. (i) L ep ointx0est unminimum strictdeJsiJ(x0)< J(x)pourx2En fx0g. (ii) L ep ointx0est unminimum globaldeJsiJ(x0)J(x)pourx2E. (iii) L ep ointx0est unminimum local(resp.local strict) deJs"il existe un voisinage Vdex0tel queJ(x0)J(x)pourx2V(resp.J(x0)< J(x)pourx2Vnfx0g). Définition1.2:SoientJ;g1;:::;gn;h1;:::;hpdéfinies surEà valeurs numériques. Le problème d"optimisation avec les contraintes d"égalitégi(x) = 0;i= 1;:::;net les contraintes d"inégalitéhj(x)0;j= 1;:::;pest la recherche du minimum (2)minfJ(x) :x2E;gi(x) = 0;i= 1;:::;n;hj(x)0;j= 1;:::;pg:4Remarque1.1.La contrainte d"égalitég(x) = 0peut s"exprimer comme une double
contrainte d"inégalitég(x)0;g(x)0. Inversement, une contrainte d"inégalité h(x)0peut s"exprimer comme la contrainte d"égalitéh(x)s= 0après introduction de la variable de choix supplémentaire, ditevariable d"écart,ssoumise à la contrainte s0. Les contraintes (2) peuvent s"exprimer comme une seule contrainte numériqueG(x) = 0avec
G(x) =nX
i=1jgi(x)j+pX j=1jhj(x)s2jj qui a l"inconvénient d"utiliser une fonction non différentiable sur l"ensemble des points admissiblesG= 0ouG(x) =nX
i=1g i(x)2+pX j=1(hj(x)s2j)2 qui a celui d"une différentielle non régulière surG= 0(oùdGs"annule).5 Ces notes sont consacrées donc à étudier la recherche de minimum (valeur ou point l"atteignant) telle que posée de manière générale dans ( 2 ) et dont seuls quelques cas par- ticuliers seront abordés : programmes sans ou avec contraintes, fonctionJdifférentiable, convexe,.... L"illustration graphique en basse dimension (une ou deux variables de décision) per- met de préciser ou d"anticiper certains résultats analytiques, heuristiques ou approchés :4 1. PROLOGUE
siJ:E(R2)!Rest une fonction de deux variables, on peut considérer (cf.Figure I.1 des lignes de niv eau4Lv=fJ(x;y) =v;(x;y)2Egpour un ensemble de valeurs
v1;:::;vN,
le graphe GJ=f(x;y;J(x;y))2R3;(x;y)2Egde la fonction qui est une surface dansR3,sur lesquels on peut repérer des extrema, points selle, voire les points critiques.Figure I.1.Les courbes de niveau de la fonction d"objectifsJ(x;y) =
x3+y36xysur le carré[1;3]2et la surface de son graphe.
Le logicielsagepermet aisément de faire certains tracés ou des calculs algébriques formels (par ex. le déterminant ( 18 )); le logicielR(qu"on peut appeler d"ailleurs à partir desage) est d"un usage aisé, avec un ensemble riche de bibliothèques en calcul statistique et numérique. Ces deux outils, développés par la communauté scientifique, sont librement utilisables, avec des versions sur les différents systèmes communs (linux,windows,MacOsnotamment) : à utiliser sans modération!4. Les courbes de niveau d"une fonction de production sont appeléesisoquantes, celles d"une fonction
d"utilitécourbes d"indifférencesChapitre 2
Optimisation différentiable
1. Fonctions différentiables et différentielles
Dans ce chapitre, les fonctions sont toujours supposées différentiables à tout ordre. Si fest définie surURnet à valeurs réelles, sa différentielle enx2Uest l"application linéaire notéedfx1 f(x+h) =f(x) +dfx(h) +khk"(h): Cette différentielle est représentée par le vecteur gradient 2 rfx=rf(x) = (@x1f(x);:::;@xnf(x)) avec 3 df x(h) =dfx(h1;:::;hn) =@x1f(x)h1+:::+@xnf(x)hn=hrf(x);hiRn Le produit scalaireh;iRnest le produit canonique surRn, qui sera le plus souvent noté simplementh;i. En termes matriciels, l"expressiondfx(h)s"obtient comme le produit matriciel du vecteur ligne(@x1f(x);:::;@xnf(x))des coordonnées de la formedxfdans la base(dx1;:::;dxn), alors que l"expressionhrxf;hiest le produit scalaireXTYdes deux vecteurs colonneX;Ydes coordonnées des vecteursrxfethresp. Définition2.1:Soitf:x2U(Rn7!f(x)2Rdifférentiable de classeC2. La matrice hessienne4Hess(f)xdefau pointxest la matrice5
Hess xf=@2ijf(x)=0211f(x)::: @21nf(x)......
2n1f(x)::: @2nnf(x)1
A des dérivées partielles secondes. Il lui est associée6la forme quadratique
h= (h1;:::;hn)2Rn7!Hess(f)x[h] =nX i;j=1@2ijf(x)hihj
.Exemples2.1.1. ... oudxf,df(x),f0(x);dxf(x0),Jf(x): les notations varient, parfois sans raison véritable autre
que certaines habitudes, parfois en insistant sur la variable de dérivation ou sur l"évaluation de la différen-
tielle en un point. Les mêmes variations ont lieu pour la hessienne :Hessxf,Hessf(x),...2. En statistique, le gradient de la log-vraisemblance est appelé lescore.
3.@xfdénote la dérivée partielle@f@x
4. On ne confondra pas la matrice hessienne d"une fonctionf:2URn!Rde la jacobienne
JF(x)d"une transformationF:x2URn7!F(x) = (F1(x);:::;Fp(x))2Rpdéfinie parJF(x) =@xjFi(x): c"est la matrice de la différentielledF(x)relativement aux bases canoniques deRnetRp
resp.. SiF=rf, alorsdFs"identifie à la matrice (symétrique)Hessf.5. En statistique, l"opposée de la hessienne de la log-vraisemblance est appeléeinformation observée.
6. À la matriceA= (aij)carrée d"ordrenet symétrique correspond la forme quadratiqueqA:x2
R n7! hAx;xi 2R. Cette correspondance est bijective vu2aij=qA(ei+ej)qA(ei)qA(ej)où la famille (ei)est la base canonique deRn. 56 2. OPTIMISATION DIFFÉRENTIABLE
2.1 .1 La hessienne de la fonction p olynomialeP(x;y) =ax2+2bxy+cy2+dx+ey+f est la matrice (indépendante dex;y)Hess(f)(x;y)= 2a b
b c 2.1 .2 Soit `vla forme linéaire représentée par le vecteurvsuivant`v(x) =hv;xiet q Ala forme quadratique associée à la matrice symétriqueA. r`v(x) =v;Hess`v(x) = 0;rqA(x) =Ax;HessqA(x) = 2A: On établit ces formules soit en prenant des coordonnées et effectuant le calcul de dérivées partielles, soit en identifiant les termes développements de`v(x+h)et q A(x+h)à ceux du développement de Taylor (3) rappelé ci-dessous./Rappelons la formule de Taylor à l"ordre 2 :
Proposition2.1:Soitx2Rn,Uxun ouvert contenantxetf:Ux7!Rdifféren- tiable. Alors (3)f(x+h) =f(x) +hrfx;hi+Hessfx[h]2 +khk2"(h); x+h2Ux avec"(h)!0lorsqueh!0. SoitH:R!Rstrictement croissante et :V(Rn)!Rnune bijection deV surU= (V). SieJ=HJ, les deux programmesminv2VeJ(v)etminu2UJ(u) sont équivalents, avecminu2UJ(u) = minv2VeJ(v)etargminJ= (argmineJ). Comme exemple, on peut citer diverses fonctions dérivées de la fonction de Cobb-Douglas :Q iuii,P iiloguietP iivi. Le lemme suivant sert à établir l"équivalence de certains critères d"optimisation vis a vis de ces compositions de fonctions.Lemme2.1:SoitH:R!R, :V(Rm)!Rn,J:U(Rn)!R,eJ=HJ,
ep2Vetp= (ep). Alors d epeJ=H0(J(p))dpJdep r eJ(ep) =H0(J(p))T0(ep)[rJ(p)]; Hess epeJ=H00(J(p))(dpJdep)2+H0(J(p))HesspJ[dep] +J0(p)(d00ep[ev]): En particulier, sip= (ep)est un point critique deJ,epest aussi un point critique deeJ avec relation entre les hessiennes Hess epeJ[ev] =H0(J(p))HesspJ[dep(ev)];ev2Rn de telle sorte que siH;sont des applications inversibles au voisinage deej=J(p);ep resp., alors les hessiennesSign(H0(J(p))HessepeJetHesspJont même indice. Démonstration.La matrice hessienne et le gradient sont déterminés par le développe- ment de Taylor à l"ordre 2. Ainsi (ep+ev) = (ep) +dep(ev) +d00ep[ev]2 +o(kevk2)2. OPTIMISATION SANS CONTRAINTE 7
puis (J)(ep+ev) =J (ep) +dep(ev) +d00ep[ev]2 +o(kevk2) =J((ep)) +J0((ep)) d ep(ev) +d00ep[ev]2 +HesspJ[dep(ev)]2 +o(kevk2) et donc eJ(ep+ev) =h(J(ep+ev))
=hJ((ep)) +J0((ep))
d ep(ev) +d00ep[ev]2quotesdbs_dbs47.pdfusesText_47[PDF] optimiser la recette
[PDF] Optimiser un cout de fabrication
[PDF] optimiser une recette
[PDF] Optimiser une recette (fonction carré Problèmes du 2nd degré)
[PDF] Optimiser une recette (transmath 2nde chapitre foction carré Problémes du 2nd degré ex 101 P 86)
[PDF] optimiser une recette d'un cinéma ( statistique, équation)
[PDF] optimiser une recette maths seconde
[PDF] Optimum de Pareto
[PDF] optimum de pareto exercice corrigé
[PDF] optimum de pareto graphique
[PDF] option art plastique bac 2017 candidat libre
[PDF] option art plastique bac candidat libre
[PDF] Option au bac
[PDF] option audiovisuel bac