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
Optimisation sous contraintes
Fabrice Rossi
TELECOM ParisTech
Décembre 2009/Janvier 2010
PlanRésultats théoriques
Introduction
Existence et unicité
Conditions d"optimalité
Dualité
Second ordre
Algorithmes
Introduction
Gradient
Pénalisation
Dualité
2 / 32F. Rossi
PlanRésultats théoriques
Introduction
Existence et unicité
Conditions d"optimalité
Dualité
Second ordre
Algorithmes
Introduction
Gradient
Pénalisation
Dualité
3 / 32F. RossiRésultats théoriques
Forme générale
un problème d"optimisation(P)est défini par minimiser surRnJ(x) avechi(x) =0;1ip g j(x)0;1jqrappel de vocabulaire : leshisont lescontraintes d"égalité(notéesh(x) =0) lesgjsont lescontraintes d"inégalité(notéesg(x)0) l"ensemble des contraintesestC=fx2Rnjhi(x) =0;1ipetgj(x)0;1jqg
ensemble des points admissiblesouréalisables4 / 32F. RossiRésultats théoriquesForme générale
un problème d"optimisation(P)est défini par minimiser surRnJ(x) avechi(x) =0;1ip g j(x)0;1jqrappel de vocabulaire : leshisont lescontraintes d"égalité(notéesh(x) =0) lesgjsont lescontraintes d"inégalité(notéesg(x)0) l"ensemble des contraintesestC=fx2Rnjhi(x) =0;1ipetgj(x)0;1jqg
ensemble des points admissiblesouréalisables4 / 32F. RossiRésultats théoriquesConséquences
les contraintes changent les conditions d"optimalité exemple :J(x;y) =x2+y2à minimiser sous la contrainte
g(x;y) =4x2y20 surR2, on étudieraitrJ=2(x;y)T mais ici, le minimum vaut 4 et est atteint sur le cercle x2+y2=4 sur lequelrJ6=0mais pas toujours :
J(x;y) =x2+y2à minimiser sous la contrainte
g(x;y) =x2+y240le minimum est atteint en(0;0), avecrJ=0les contraintes doivent donc apparaître dans les conditions
d"optimalité5 / 32F. RossiRésultats théoriques
Conséquences
les contraintes changent les conditions d"optimalité exemple :J(x;y) =x2+y2à minimiser sous la contrainte
g(x;y) =4x2y20 surR2, on étudieraitrJ=2(x;y)T mais ici, le minimum vaut 4 et est atteint sur le cercle x2+y2=4 sur lequelrJ6=0mais pas toujours :
J(x;y) =x2+y2à minimiser sous la contrainte
g(x;y) =x2+y240le minimum est atteint en(0;0), avecrJ=0les contraintes doivent donc apparaître dans les conditions
d"optimalité5 / 32F. RossiRésultats théoriques
Conséquences
les contraintes changent les conditions d"optimalité exemple :J(x;y) =x2+y2à minimiser sous la contrainte
g(x;y) =4x2y20 surR2, on étudieraitrJ=2(x;y)T mais ici, le minimum vaut 4 et est atteint sur le cercle x2+y2=4 sur lequelrJ6=0mais pas toujours :
J(x;y) =x2+y2à minimiser sous la contrainte
g(x;y) =x2+y240le minimum est atteint en(0;0), avecrJ=0les contraintes doivent donc apparaître dans les conditions
d"optimalité5 / 32F. RossiRésultats théoriques
Existence d"un minimum
cas général :(P) :minJ(x);x2 C Rnon suppose :Jcontinue
etCfermé et non videalors : si :Cest borné
ou siJest coercitive alors(P)admet au moins une solution6 / 32F. RossiRésultats théoriquesExistence et unicité
remarque : siC=x2Rnjhi(x) =0;1ipetgj(x)0;1jq
avec deshietgjcontinues, alorsCest fermésiJest strictement convexe etCest convexe, alors(P) admetau plusune solutionproblème convexe :Jest convexe
leshisont affines lesgjsont convexes et doncCest convexe7 / 32F. RossiRésultats théoriquesCondition du premier ordre
siJest Gâteaux-différentiable enxsolution de(P)et siC est convexe, alors :8x2 C;hrJ(x);xxi 0remarques :
intuitivement : on ne peut s"éloigner du minimum que dans une direction de montée généralisable : notion de direction admissiblesixest un point intérieur deCalorsrJ(x) =0siJest convexe la condition est nécessaire et suffisante8 / 32F. RossiRésultats théoriques
Égalités et inégalités
Conditions nécessaires non qualifiées
cas particulierhi(x) =0 etgj(x)0 où tout estC1(J inclus)soitxune solution de(P), alors il existe= (1;:::;p) et= (0;1;:::;q)tels que (;)6=0 hi(x) =0;1ip(admissibilité en égalité) gj(x)0;1jq(admissibilité en inégalité) j0;0jq jgj(x) =0;1jq(conditions de complémentarité) et0rJ(x) +pX
i=1 irhi(x) +qX j=1 jrgj(x) =09 / 32F. RossiRésultats théoriquesQualification
condition utile si06=0problème dequalification des contr aintes: conditions (locales) sur le problème qui garantissent que 06=0très nombreuses variantes plus ou moins sophistiquéescontrainte active: gjestactive(ou saturée) enxsi
g j(x) =0;I(x), ensemble des indices des contraintes actives enxrégularité: xest régulier pourgethsi xest admissible lesrhi(x)sont linéairement indépendants il existed6=0 tel quehrhi(x);di=0 pour toutiet hrgj(x);di<0 pour toutj2I(x)(ouhrgj(x);di=0 si g jest affine) régularité de Mangasarian-Fromowitz10 / 32F. RossiRésultats théoriquesQualification
condition utile si06=0problème dequalification des contr aintes: conditions (locales) sur le problème qui garantissent que 06=0très nombreuses variantes plus ou moins sophistiquéescontrainte active: gjestactive(ou saturée) enxsi
g j(x) =0;I(x), ensemble des indices des contraintes actives enxrégularité: xest régulier pourgethsi xest admissible lesrhi(x)sont linéairement indépendants il existed6=0 tel quehrhi(x);di=0 pour toutiet hrgj(x);di<0 pour toutj2I(x)(ouhrgj(x);di=0 si g jest affine) régularité de Mangasarian-Fromowitz10 / 32F. RossiRésultats théoriquesQualification
condition utile si06=0problème dequalification des contr aintes: conditions (locales) sur le problème qui garantissent que 06=0très nombreuses variantes plus ou moins sophistiquéescontrainte active: gjestactive(ou saturée) enxsi
g j(x) =0;I(x), ensemble des indices des contraintes actives enxrégularité: xest régulier pourgethsi xest admissible lesrhi(x)sont linéairement indépendants il existed6=0 tel quehrhi(x);di=0 pour toutiet hrgj(x);di<0 pour toutj2I(x)(ouhrgj(x);di=0 si g jest affine) régularité de Mangasarian-Fromowitz10 / 32F. RossiRésultats théoriquesConditions qualifiées
Conditions nécessaires qualifiées du 1er ordre de KKTKarush, Kuhn et Tucker
)Hypothèses :J,hetgC1
xsolution de(P) xest régulier pourgethAlors il existe= (1;:::;p)et= (1;:::;q)tels que hi(x) =0;1ip gj(x)0;1jq j0;1jq jgj(x) =0;1jq et rJ(x) +pX i=1 irhi(x) +qX j=1 jrgj(x) =011 / 32F. RossiRésultats théoriquesCas convexe
si le problème(P)est convexe, les conditions de KKT sont nécessaires et suffisantes en un point xrégulierremarque : le caractère suffisant ne nécessite pas la régularitéconditions de qualification plus simples (deSlater ) : il existe au moins un point strictement admissibleg(x)<012 / 32F. RossiRésultats théoriquesLagrangien
leLag rangien
du prob lème(P)est la fonctionL(x;;) =J(x) +pX
i=1 ihi(x) +qX j=1 jgj(x)quandJ,hetgsontC1les conditions de KKT s"expriment parrxL(x;;) =0lesiet lesjsont lesm ultiplicateursde Lag range associés aux contraintes13 / 32F. RossiRésultats théoriques
Dualité
fonction duale de Lag range g(;) =infxL(x;;)gest toujours concavepour0 g(;)infx2CJ(x)problème dual(Q)associé au problème primal(P) maximiser surRp+qg(;) avecj0;1jqsaut de dualité: inf x2CJ(x)max0g(;)14 / 32F. RossiRésultats théoriquesPoint selle
symétrisation du problème :(P)est équivalent à inf xsup ;0L(x;;)le problème dual(Q)est sup ;0infxL(x;;)point selle : minimal par rapport à une variable, maximal par rapport à l"autre(x;;)est un point selle du Lagrangien si pour tout (x;;)(0 et0) L(x;;)L(x;;)L(x;;)15 / 32F. RossiRésultats théoriquesPoint selle
symétrisation du problème :(P)est équivalent à inf xsup ;0L(x;;)le problème dual(Q)est sup ;0infxL(x;;)point selle : minimal par rapport à une variable, maximal par rapport à l"autre(x;;)est un point selle du Lagrangien si pour tout (x;;)(0 et0) L(x;;)L(x;;)L(x;;)15 / 32F. RossiRésultats théoriquesThéorème de dualité
(x;;)est un point selle avec0 ssixest une solution de(P),(;)est une solution de(Q)et le saut de dualité est nulintérêt : pour résoudre le problème, on peut donc chercher un point selle du Lagrangienremarque: un point selle du Lag rangienvér ifielesconditions de KKT (sans hypothèse autre queJ,hetgC1)si le problème est convexe : point selle,KKT16 / 32F. RossiRésultats théoriques
Théorème de dualité
(x;;)est un point selle avec0 ssixest une solution de(P),(;)est une solution de(Q)et le saut de dualité est nulintérêt : pour résoudre le problème, on peut donc chercher un point selle du Lagrangienremarque: un point selle du Lag rangienvér ifielesconditions de KKT (sans hypothèse autre queJ,hetgC1)si le problème est convexe : point selle,KKT16 / 32F. RossiRésultats théoriques
Régularité
Condition plus forte que celle de Mangasarian-Fromowitz : xest admissible rhi(x)et lesrgj(x)sont linéairement indépendants pour j2I(x)Contraintesf ortementactiv es: I+(x) =fjjgj(x) =0 etj>0gsiI(x) =I+(x)on a complémentarité stricte17 / 32F. RossiRésultats théoriques
Conditions nécessaires du 2ème ordre
Hypothèses :
J,hetgC2
xsolution de(P)et fortement régulieralors il existe= (1;:::;p)et= (1;:::;q)tels que les conditions de KKT sont vérifiées et pour toutdvérifiant : hrhi(x);di=0 pour 1ip hrgj(x);di=0 pourj2I+(x) hrgj(x);di 0 pourI(x)nI+(x) on a r2xxL(x;;)d;d018 / 32F. RossiRésultats théoriquesConditions suffisantes
Hypothèses :
J,hetgC2
(x;;)vérifie les conditions KKTsi la matricer2xxL(x;;)est définie positive sur n d2Rnj hrhi(x);di=0;1i;p et rgj(x);d=0;j2I+(x)o alorsxest un minimum local deJsurC19 / 32F. RossiRésultats théoriques PlanRésultats théoriques
Introduction
Existence et unicité
Conditions d"optimalité
Dualité
Second ordre
Algorithmes
Introduction
Gradient
Pénalisation
Dualité
20 / 32F. RossiAlgorithmes
Classes d"algorithmes
quelques grandes classes d"algorithmes : gradient projeté : descente de gradient projection surCà chaque étape pénalisation : optimisation sans contrainte deJ+pénalité méthodes extérieures : on ramène progressivement le candidat minimum dansC méthodes intérieures : on relâche progressivement les pénalités programmation quadratique successive : résoudre desapproximations quadratiques du problèmeprincipe sous-jacent : résoudre une série de problèmes
sans contrainte (ou plus simple)21 / 32F. RossiAlgorithmes
Projection
outil important : projection sur un convexe fermé soitCun convexe fermé et non vide deRnquotesdbs_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