Conditions doptimalité en optimisation avec contraintes
ède un minimum global sur lorsque le vecteur de multiplicateur . Si. 0 . 0 et. 0 pour tout 1
MAT 2410: Optimisation
Chapitre 4. Optimisation différentiable avec contraintes Si U = Rn on retrouve la condition d'optimalité sans contrainte: ?f (a) = 0.
Optimisation sans contrainte : conditions doptimalité
Optimisation sans contrainte : conditions d'optimalité. Michel Bierlaire michel.bierlaire@epfl.ch. EPFL - Laboratoire Transport et Mobilit´e - ENAC.
COURS DOPTIMISATION AVEC CONTRAINTES [.2pc] Polytch
Problème d'optimisation avec contraintes p contrainte d'inégalité' du problème ... Théorème (Conditions (nécessaires) d'optimalité du 1er ordre).
IFT 3515 Fonctions `a plusieurs variables Optimisation avec
Optimisation avec contraintes. Conditions d'optimalité. Fabian Bastin. DIRO. Université de Montréal Multiplicateurs de Lagrange : contraintes d'égalité.
Introduction à loptimisation
4 Conditions d'optimalité - optimisation sous contraintes. 25. 4.1 Multiplicateurs de Lagrange Formule de Taylor avec reste de Lagrange.
Présentation PowerPoint
1.2 Contraintes linéaires. 1.3 Contraintes non linéaires. 1.4 Conditions d'optimalité. 2. Optimisation sans contraintes. 3. Optimisation avec contraintes.
Université Paris Dauphine Optimisation et programmation dynamique
l'optimisation avec contraintes d'une part
Optimisation
7. feb. 2019 5 Optimisation sous contraintes d'inégalité. Généralités. Conditions d'optimalité. 6 Algorithmes d'optimisation avec contraintes.
Contrôle optimal déquations différentielles avec - ou sans - mémoire
5. des. 2013 naires les conditions d'optimalité standards sont renforcées en ne ... with therapeutic optimization as a medical application in view.
Optimisation sans contrainte : conditions
d'optimalitéMichel Bierlaire
michel.bierlaire@epfl.chEPFL - Laboratoire Transport et Mobilit
´e - ENAC
Optimisation sans contrainte : conditions d'optimalit´e - p. 1/20 Optimisation sans contrainte : conditions d'optimalitéProblème :
minx?Rnf(x)Soitx?un minimum local
Comment caractériserx??
Optimisation sans contrainte : conditions d'optimalit´e - p. 2/20 Conditions nécessairesConditions nécessaires d'optimalitéSoitx?un minimum local d'une
fonctionf:Rn-→R. Sifest différentiable dans un voisinage ouvertVdex?, alors, ?f(x?) = 0. Il s'agit de lacondition nécessaire du premier ordre. Si, de plus,fest deux fois différentiable surV, alors2f(x?)est semi définie positive.
etfest localement convexe enx?. Il s'agit de lacondition nécessaire du second ordre(p. 127). Optimisation sans contrainte : conditions d'optimalit´e - p. 3/20Conditions nécessaires
f(x1,x2) = 100(x2-x21)2+ (1-x1)2 x1x2 Optimisation sans contrainte : conditions d'optimalit´e - p. 4/20Conditions nécessaires
x ?= (1,1)minimum local ?f(x1,x2) =?400x31-400x1x2+ 2x1-2
200x2-200x21?
et?f(1,1) = 0.2f(x1,x2) =?
1200x21-400x2+ 2-400x1
-400x1200? et2f(1,1) =?
802-400
-400 200? Optimisation sans contrainte : conditions d'optimalit´e - p. 5/20Conditions nécessaires
Valeurs propres positives : 0.39936 et 1001.6
Mauvais conditionnement : 2508
Optimisation sans contrainte : conditions d'optimalit´e - p. 6/20Conditions nécessaires
f(x1,x2) =-x41-x42 x1x 2 Optimisation sans contrainte : conditions d'optimalit´e - p. 7/20Conditions nécessaires
x ?= (0,0)vérifie les cond. néc. d'optimalité ?f(x1,x2) =? -4x31 -4x32? et?f(0,0) = 02f(x1,x2) =?
-12x2100-12x22?
et?2f(0,0)est semi défini positif. (0,0)n'est pas un minimum local Optimisation sans contrainte : conditions d'optimalit´e - p. 8/20Conditions nécessaires
f(x1,x2) = 50x21-x32 x1x2 Optimisation sans contrainte : conditions d'optimalit´e - p. 9/20Conditions nécessaires
x ?= (0,0)vérifie les cond. néc. d'optimalité ?f(x1,x2) =? 100x1-3x22? et?f(0,0) = 0
2f(x1,x2) =?
100 00-6x2?
et?2f(0,0)est semi déf. pos. Optimisation sans contrainte : conditions d'optimalit´e - p. 10/20Conditions nécessaires
Considérons la directiond= (0,1)Ten(0,0).
Avançons d'un pasα. On obtient
0 0? 0 1? 0 et f? 0 =-α3<0 =f? 0 0? (0,0)n'est pas un minimum local Optimisation sans contrainte : conditions d'optimalit´e - p. 11/20Conditions nécessaires
Considérons la directiond= (0,-1)Ten(0,0).
Avançons d'un pasα. On obtient
0 0? 0 -1? 0 et f? 0 =α3>0 =f? 0 0? (0,0)est un point de selle Optimisation sans contrainte : conditions d'optimalit´e - p. 12/20Conditions nécessairesPoint critique
Soitf:Rn-→Rune fonction différentiable. Tout vecteurx?Rntel que?f(x) = 0est appelépoint critiqueoupoint stationnairedefEn pratique les algorithmes cherchent les points critiques
Ils seront conçus pour se diriger vers les minima, et pas versles autres points critiques Optimisation sans contrainte : conditions d'optimalit´e - p. 13/20 Conditions suffisantesConditions suffisantes d'optimalitéSoit une fonctionf:Rn-→R
deux fois différentiable dans un sous-ensemble ouvertVdeRn, et soitx??V qui vérifie les conditions ?f(x?) = 0. et2f(x?)est définie positive.
Alors,x?est un minimum local strict def.(p. 132)
Optimisation sans contrainte : conditions d'optimalit´e - p. 14/20Conditions suffisantes
f(x1,x2) =12x21+x1cosx2,
-1.5-1-0.500.511.5x1-6 -4-20246x 2-1 0123Optimisation sans contrainte : conditions d'optimalit´e - p. 15/20
Conditions suffisantes
f(x1,x2) =12x21+x1cosx2,
-1.5 -1 -0.5 0 0.5 1 1.5 -6-4-20246 x -2x -1x 0x 1x 2 ¯x0¯x
1 ¯x -1 ¯x -2 x1x 2 Utilisons les cond. d'opt. pour identifier les minima locaux Optimisation sans contrainte : conditions d'optimalit´e - p. 16/20Conditions suffisantes
?f(x1,x2) =? x1+ cosx2
-x1sinx2?Le gradient s'annule pour
x?k= ((-1)k+1,kπ)T,k?Z,
¯xk= (0,π
2+kπ)T,k?Z.
Optimisation sans contrainte : conditions d'optimalit´e - p. 17/20Conditions suffisantes
2f(x1,x2) =?
1-sinx2
-sinx2-x1cosx2?2f(x?k) =?
1 0 0 1?2f(¯xk) =?
1 (-1)k+1
(-1)k+10? Optimisation sans contrainte : conditions d'optimalit´e - p. 18/20Conditions suffisantes
x?kvérifie les conditions suffisantes d'optimalité pour toutk ¯xkne vérifie les conditions nécessaires d'optimalité pour aucun k. Optimisation sans contrainte : conditions d'optimalit´e - p. 19/20 Conditions suffisantesConditions suffisantes d'optimalité globaleSoit une fonction
f:Rn-→Rdeux fois différentiable dansRn, et soitx??Rnun minimum local def. Sifest une fonction convexe, alorsx?est un minimum global def. Si de plusfest strictement convexe,x?est l'unique minimum global def.(p. 134) Optimisation sans contrainte : conditions d'optimalit´e - p. 20/20quotesdbs_dbs23.pdfusesText_29[PDF] Conditions tarifaires de location de Véhicules RENT A CAR au 1er
[PDF] Exemple conducteur emission
[PDF] conducteurs en equilibre electrostatique - usthb
[PDF] Travaux dirigés : Conductance et Conductivité - Lycée Gustave
[PDF] Ch3 - EXERCICES Courant électrique dans les solutions aqueuses
[PDF] TRANSFERTS DE CHALEUR - Exercices de références - Doc 'INSA
[PDF] Vapeur - ThermExcel
[PDF] La Conductivité thermique de quelques matériau de construction
[PDF] Propriétés thermiques des matériaux et références métrologiques
[PDF] fimo / fco - Pardessuslahaie
[PDF] Conduire en France avec un permis étranger et son échange I
[PDF] conduite ? tenir devant une femme ayant une cytologie - Aly Abbara
[PDF] Scorpion - Centre AntiPoison et de Pharmacovigilance du Maroc
[PDF] PDF 241 ko Gestion de projet - FOAD