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 Optimisation](https://pdfprof.com/Listes/16/18199-16TRANSP_OPTIM_2018_1_.pdf.pdf.jpg)
Optimisation
thierry.chonavel@imt-atlantique.frIMT-Atlantique - Rennes I
Automne 2018
7 fevrier 2019 1 / 37
Sommaire
1Rappels
Rappels de topologie et de calcul dierentiel
Convexite
2Optimisation
Generalites
Optimalite
3Algorithmes d'optimisation sans contraintes
4Optimisation sous contraintes d'egalite
Generalites
Conditions d'optimalite
5Optimisation sous contraintes d'inegalite
Generalites
Conditions d'optimalite
6Algorithmes d'optimisation avec contraintes
7 fevrier 2019 2 / 37
Introduction
Rappels de calcul dierentiel.
Convexite et optimisation.
Optimisation sous contraintes d'egalite
!multiplicateurs de Lagrange.Optimisation sous contraintes d'inegalite !conditions de Khun et Tucker.Exemples.7 fevrier 2019 3 / 37
Objectifs du cours
Preparer a l'examen de master SISEA.
Conna^tre des notions de base de l'optimisation continue I dierentiation, convexite, points reguliersImultiplicateurs de Lagrange
Iequations de Khun-Tucker.Savoir resoudre rapidement des problemes d'optimisation souscontraintes d'egalite et d'inegalite du type de ceux poses a l'examen de
master.7 fevrier 2019 4 / 37Sommaire
1Rappels
Rappels de topologie et de calcul dierentiel
Convexite
2Optimisation
Generalites
Optimalite
3Algorithmes d'optimisation sans contraintes
4Optimisation sous contraintes d'egalite
Generalites
Conditions d'optimalite
5Optimisation sous contraintes d'inegalite
Generalites
Conditions d'optimalite
6Algorithmes d'optimisation avec contraintes
7 fevrier 2019 5 / 37
Sommaire
1Rappels
Rappels de topologie et de calcul dierentiel
Convexite
2Optimisation
3Algorithmes d'optimisation sans contraintes
4Optimisation sous contraintes d'egalite
5Optimisation sous contraintes d'inegalite
6Algorithmes d'optimisation avec contraintes
7 fevrier 2019 6 / 37
Rappels de topologie
NormeLp:x2Rn,kxkp=Pn
i=1xp i1=pEnsemble ouvert, point interieur, voisinage d'un point, adherence d'un ensemble,
ensemble fermeEnsemble compact Theoreme (de Weierstrass)Soit une fonction continuef:KRn!RavecKcompact. Alors, il existexmetxMde Ktels que minx2Kf(x) =f(xm) et maxx2Kf(x) =f(xM).Corrolaire Sifest continue surRnetlimkxk!1f(x) = +1, alorsf(R) = [m;1[ et il existexmde Rntel quem= minx2Rf(x) =f(xm).7 fevrier 2019 7 / 37Rappels de calcul dierentiel
Pourf:URn!Rm, on dit quefest derivable enx2Usi
9f0(x)2Rmn;8h;x+h2U;f(x+h) =f(x) +f0(x)h+khk"(h)
(1) avec lim h!0"(h) = 0.On noterf(x) = [f0(x)]T.rf(x) est appele le jacobien dex: [rf(x)]ij=@fj(x)@xi(2)Pourm= 1,rf(x) = [@f(x)@x1;:::;@f(x)@xn]T7 fevrier 2019 8 / 37Matrice hessienne
Developpement de Taylor au second ordre :f:Rn!R
f(x+h) =f(x) +rf(x)Th+12 hTr2f(x)h+khk2(h) (3) ou lim h!0(h) = 0 etr2f(x)2Rnnavec [r2f(x)]ij=@2f(x)@xi@xj:(4)7 fevrier 2019 9 / 37Convexite
Ensemble convexe :ARnest convexe si
8x;y2A;[x;y]A;c:a:d:82[0;1]; x+ (1)y2A:(5)Fonction convexe : la fonctionf:ARn!RavecAensemble
convexe, est convexe si8x;y2A;82[0;1];f(x+(1)y)f(x)+(1)f(y):(6)sif2 C1(A),fest convexe ssi
8x;y2A;f(y)f(x) +rf(x)T(yx) (7)sif2 C2(A),fest convexe ssi
8x;y2A;(yx)Tr2f(x)(yx)0 (8)7 fevrier 2019 10 / 37
Sommaire
1Rappels
2Optimisation
Generalites
Optimalite
3Algorithmes d'optimisation sans contraintes
4Optimisation sous contraintes d'egalite
5Optimisation sous contraintes d'inegalite
6Algorithmes d'optimisation avec contraintes
7 fevrier 2019 11 / 37
Optimisation : generalites
Notions de minimum local, global, strict.
Direction admissible. Soitf:ARn!Retx2A. On dit quedest une direction admissible enxsi9 >0;82[0;];x+d2A(9)Direction de descente : une direction admissibledest une direction de
descente enxsi9 >0;82[0;];f(x+d)f(x):(10)7 fevrier 2019 12 / 37
Conditions d'optimalite
Conditions necessaires du premier ordre
Si f2 C1(A) admet un
minimum local enx, pour tout vecteurddirection admissible enx,[rf(x)]Td0 (inegalite d'Euler).En particulier, six2Int(A),rf(x) = 0.Conditions necessaires du second ordreSi f2 C2(A) admet un
minimum local enx, pour tout vecteurddirection admissible enx, soit [rf(x)]Td0; soit [rf(x)]Td= 0 etdTr2f(x)d0(11)Conditions susantes du second ordreSi x2Int(A), avecrf(x) = 0 etr2f(x)>0, alorsxest un minimum local strict def.7 fevrier 2019 13 / 37Minimisation : cas convexe
Sifest convexe, alors1Tout minimum local est un minimum global2xest un minimum global si et seulement si
8y2A;[rf(x)]T(yx)0:(12)7 fevrier 2019 14 / 37
Sommaire
1Rappels
2Optimisation
3Algorithmes d'optimisation sans contraintes
4Optimisation sous contraintes d'egalite
5Optimisation sous contraintes d'inegalite
6Algorithmes d'optimisation avec contraintes
7 fevrier 2019 15 / 37
Criteres quadratiques et elliptiques
fonctions quadratiques : f(x) =xTAx+xTb+c. Minimisation et convexiteExtension : fonctions elliptiques I denition :9 >0;(rf(y) rf(x))T(yx)kyxk2 I proprietes : sifest elliptique, elle est strictement convexe et f(y)f(x) rf(x)T(yx) +2 kyxk2: I f2C2est elliptique si et seulement sidTr2f(x)dkdk2.7 fevrier 2019 16 / 37Methode de relaxation
La plupart des methodes de minimisation classiques procedent en cherchant a minimiserf(x) dans des directions successives : xk+1=xk+kdkSi on optimise cycliquement la fonction vis a vis des axes decoordonnees (dk=ek) on obtient la methode dite de relaxation et on
note f(xk;l) = minf(xk;l1+el) ouxk;l= [xk+11;:::;xk+1 l;xkl+1;:::;xkn]T.Convergence de la methode de relaxation La methode de relaxation converge pour les fonctions elliptiquesImportance de l'hypothese de derivabilite
7 fevrier 2019 17 / 37
Algorithme du gradient (pas optimal)
x k+1=xk+kdk. Idee : choisir la direction de decroissance la plus rapide def(x)Algorithme du gradient!dk/ rf(xk)algorithme du gradient a pas optimal : x k+1=xkkrf(xk)aveck= argminf(xkkrf(xk)).Convergence de la methode du gradient a pas optimalLa methode du gradient a pas optimal converge pour les fonctions elliptiquesExemple : cas des fonctions quadratiques
7 fevrier 2019 18 / 37
Algorithme du gradient (pas constant et pas variable) gradient a pas xe et variable : x k+1=xkrf(xk) etxk+1=xkkrkf(xk):Convergence des methodes du gradient : cas elliptique Sifest elliptique de coecientet qu'il existeM>0 tel que k rf(y) rf(x)kMkyxk, et si 00;:::;dn1forme une base deRnx
solution)x=Pn1 k=0dTkbdTkAdkd
kTheoremePourx02Rnetxk+1=xkdTk[Axkb]d
TkAdkd
k, on axn=x7 fevrier 2019 20 / 37Algorithme du gradient conjugue
Initialisation :x02Rn,d0=g0=bAx0,Iterations :
x k+1=xk+kdk;ouk= argminf(xk+dk) : k=gTkdkdTkAdketgk=Axkb(=rf(xk))
d k+1=gk+1+kdk k=gTk+1AdkdTkAdk(=gTk+1(gk+1gk)g
Tkgk=gTk+1gk+1g
Tkgk)(13)
7 fevrier 2019 21 / 37
Extension non quadratique du gradient conjugue
On prendgk=rf(xk)On calculeken minimisant directementf(xk+dk)On prenddk+1=gk+1+kdkOn peut choisir I k=gTk+1gk+1gTkgk(Fletcher-Reeves).
I k=(gk+1gk)Tgk+1gTkgk(Polak-Ribiere).
7 fevrier 2019 21 / 37
Algorithmes de Newton
xk+1=xkk[r2f(xk)]1rf(xk)Choix dek: optimum ou dichotomie sur [0;1]Probleme lorsqu'on n'a pasr2f(xk)>0!perturbationr2f(xk)+"IPerturbations de rang faible.
7 fevrier 2019 22 / 37
Sommaire
1Rappels
2Optimisation
3Algorithmes d'optimisation sans contraintes
4Optimisation sous contraintes d'egalite
Generalites
Conditions d'optimalite
5Optimisation sous contraintes d'inegalite
6Algorithmes d'optimisation avec contraintes
7 fevrier 2019 23 / 37
Optimisation sous contraintes d'egalite
Probleme :
minxf(x) h(x) = 0(14) avech= [h1;:::;hm]T:Rn!Rm(mDenition
L'espace tangent aVen un pointxregulier, noteT(x), est l'espace engendre par les vecteurs tangents aVenx.TheoremeSixest un point regulier,
T(x) =fy2Rn; [rh(x)]Ty= 0g(15)7 fevrier 2019 25 / 37Espace tangent (preuve)
CN : Siy2 T(x), alors [rh(x)]Ty= 0CS : theoreme des fonctions implicitesTheoreme des fonctions implicites
(i)g2 C1:ORnmRm!Rm, (x1;x2)7!g(x1;x2) (ii)g(a1;a2) =b, etrx2g(a1;a2)2Rmminversible Alors, il existe un voisinage ouvertO1O2de (a1;a2) eth:Rnm!Rm t.q. f(x1;x2)2O1O2;g(x1;x2) =bg=f(x1;h(x1));x12O1g:(16) etrx1h(a1) =rx1g(a1;a2)[rx2g(a1;a2)]1:7 fevrier 2019 26 / 37Conditions d'optimalite (contraintes d'egalite)
Theoreme (CN1)
Sixest un point regulier deV. Sifest minimum enx,
92Rm;rxf(x) +rxh(x)= 0:(17): vecteur de multiplicateurs de LagrangeL(x;) =f(x) +Th(x) : lagrangien du probleme d'optimisation7 fevrier 2019 27 / 37
Conditions d'optimalite (contraintes d'egalite)
Theoreme (CN2)
Sixest un point regulier deV. Sifest minimum enx, alors il existe2Rmtel que
r xL(x;) =rxf(x) +rh(x)= 0 (I) r2xL(x;) estsemi-d eniep ositivesur T(x) (II)(18)Theoreme (CS2)
Sixest un point regulier deV. Si il existe2Rmtel que (I) soit verieeetr2xL(x;) estd eniep ositivesur T(x), alorsfa un minimum local strict
enx.7 fevrier 2019 28 / 37Sommaire
1Rappels
2Optimisation
3Algorithmes d'optimisation sans contraintes
4Optimisation sous contraintes d'egalite
5Optimisation sous contraintes d'inegalite
Generalites
Conditions d'optimalite
6Algorithmes d'optimisation avec contraintes
7 fevrier 2019 29 / 37
Optimisation sous contraintes d'inegalite
minxf(x)h(x)0(19)U=fx2Rn;hi(x)0;i= 1;:::;mgOn dit que la contraintehi(x)0 est active enxsihi(x) = 0.Notation :
II(x) =fi;hi(x) = 0;i= 1;:::;mg,
IV(x) =fy2Rn;hi(y) = 0;i2 I(x)g.On noteraT(x) l'espace tangent aV(x)On dit quexest un point regulier sifrhi(x);i2 I(x)gforme une
famille libre.7 fevrier 2019 30 / 37
Conditions d'optimalite (contraintes d'inegalite)
Theoreme (CN1 - conditions de Khun et Tucker)
Sixest un point regulier deVet sifest minimum enx, alors il existe2Rm+tel que
r xf(x) +rh(x)= 0 ihi(x) = 0;i= 1;:::;m:(20)Dans le cas convexe, ces conditions sont necessaires et susantes.7 fevrier 2019 31 / 37
Conditions d'optimalite (contraintes d'inegalite)
Theoreme (CN2)
Sixest un point regulier deV. Sifest minimum enx, alors il existe2Rm+tel que
r xL(x;) =rxf(x) +rh(x)= 0 (I)Th(x) = 0 (II)
r2xL(x;) estsemi-d eniep ositivesur T(x) (III)Theoreme (CS2)
Sixest un point regulier deVet si il existe2Rm+tel que (I) et (II) soient veriees etr2xL(x;) estd eniep ositivesur T(x), alorsfa un minimum local strict enx.7 fevrier 2019 32 / 37Sommaire
1Rappels
2Optimisation
3Algorithmes d'optimisation sans contraintes
4Optimisation sous contraintes d'egalite
5Optimisation sous contraintes d'inegalite
6Algorithmes d'optimisation avec contraintes
7 fevrier 2019 33 / 37
Dualite
minxf(x)h(x) = 0(21)Solution (x;) : on arL(x;) = 0 etr2L(x;)0Sir2L(x;)>0 surT(x),xest solution de minxL(x;)Pour2 V, on notex= argminxL(x;)Fonction duale :() = minxL(x;)7 fevrier 2019 34 / 37
Dualite
Lemme r () =h(x),r2() =[rxh(x)]Tr2xL(x;)rxh(x)est concave au voisinage dexTheoremeSi (x;) est solution avecxregulier etr2xL(x;)>0,
max () =() =f(x) etx=x.Doncf(x) = maxminxL(x;)!algorithme d'Uzawa : x k+1=xkkrxL(x;k) k+1=k+kh(xk)(22)7 fevrier 2019 35 / 37Lagrangien augmente : contraintes d'egalite
(I)minxf(x) h(x) = 0,(II)( min xf(x) +12 ckh(x)k2 h(x) = 0(23)II() = minx
LI(x;) +12
ckh(x)k2 =LI(x;) +12 ckh(x)k2.r II() =ch(x) et sir2II()<0 surVon peut actualiserpar !+ch(x). D'ou l'algorithme x k+1= argminxLI(x;) +12 kh(x)k2 k+1=k+ch(xk)(24)7 fevrier 2019 36 / 37
Lagrangien augmente : contrainte d'inegalite
(I)minxf(x) h(x)0,(II)( min xf(x) +12 ckh(x) +vk2 h(x) +v= 0;v0(25)II() = minx;v0(f(x) +T(h(x) +v) +12
ckh(x) +vk2)v= max[0;h(x)=c] etII() = minx(f(x) +12cP
m k=1(max[0;k+chk(x)])22kAlgorithme : x k+1= argminx(f(x) +12cP m k=1(max[0;k+chk(x)])22k k+1=k+c(h(xk) + max[0;h(xk+1)k=c])(26)7 fevrier 2019 37 / 37
quotesdbs_dbs28.pdfusesText_34[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