Optimisation non-linéaire
Exercice I.4 Calculer le gradient et la matrice Hessienne des fonctions suivantes : f(xy) = x3 + 3xey
RO04/TI07 - Optimisation non-linéaire
Exercices. Documents section ? suivant ?. 7. ??. Formulation générale des problèmes d'optimisation non linéaire. La forme générale d'un problème
Optimisation non linéaire : correction des TD
17 jan. 2008 Dans cet exercice nous chercherons à optimiser la fonction sans contrainte puis nous vérifierons a posteriori que l'optimum se trouve dans le ...
TD 1 Optimisation non linéaire : Généralités
Optimisation non linéaire : Généralités. Exercice 1 :Étude des fonctions quadratiques. Soient Q une matrice de Rn×n b un vecteur de Rn et f : Rn ? R la
LICENCE 3 MATHEMATIQUES – INFORMATIQUE
systèmes non linéaires optimisation). Pour chaque semaine
RO04/TI07 - Optimisation non-linéaire
Exercices. Documents chapitre ? section suivante ?. 5. I.1 Motivations. I.1.1. Formulation générale des problèmes d'optimisation non linéaire .
1 Les conditions de Kuhn-Tucker
Corrigés d'optimisation convexe et quadratique Exercices corrigés . ... cas de la programmation linéaire ces conditions sont réalisée car une fonction.
Optimisation Non Linéaire Travaux Pratiques I Optimisation sans
Optimisation Non Linéaire. Travaux Pratiques I. Mehmet Ersoy. Optimisation sans contraintes : algorithmes. Le but de ce TP est de tester différentes
Exercices sur le cours “Optimisation et programmation dynamique” 1
“Optimisation et programmation dynamique” o`u s et c sont des vecteurs de Rn non nuls. ... 1.3.2 Programmation linéaire et algorithme du simplexe.
Méthodes numériques pour loptimisation non linéaire déterministe.
f(xk). Démonstration. En exercice. d. Théorème 1.1 f est convexe si et seulement si son épigraphe epi(f) =
Optimisation non linéaire : correction des TD
Grégory Bonnet
Rémi Douvenot
Nicolas Fezans
Emmanuel Rachelson
Stéphanie Roussel
17 janvier 2008
TD 1: Généralités
Exercice 1: étude des fonctions quadratiques
Les fonctions quadratiques sont très souvent rencontrées dans les problèmes d"optimisation car il s"agit d"une formestandardd"énergie. SoientQune matrice deRnn,bun vecteur deRnetf:Rn7!Rla fonction définie parf(x) = 12 xTQx+bTx,x2Rn.Différentiabilité au sens de Fréchet
fest différentiable au sens de Fréchet en^xsi9f0F(^x)2 L(Rn;R)tel que8v2Rn,f(^x+v) =f(^x) +f0F(^x)(v) +o(v)aveclimv7!0jjo(v)jjjjvjj= 0.
Il nous faut donc exhiberf0F(^x)et il suffit de poser l"équation précédente et de la développer: f(x+v) =12 (x+v)TQ(x+v) +bT(x+v) 12 xT+12 vT)(Qx+Qv) +bTx+bTv 12 xTQx+12 xTQv+12 vTQx+12 vTQv+bTx+bTv =f(x) +12 xTQv+12 vTQx+12 vTQv+bTv Nous pouvons remarquer quexTQvest un scalaire (c"est-à-direxTQv2R). Or un scalaire est égal à sa transposée, doncxTQv= (xTQv)T= (vTQTx). f(x+v) =f(x) +12 xTQv+12 (vTQx)T+12 vTQv+bTv =f(x) +12 xTQv+12 xTQTv+12 vTQv+bTv =f(x) + (12 xT(Q+QT) +bT)v+12 vTQv Les équations précédentes nous conduisent alors à poser: f0F(^x)(v) = (12
xT(Q+QT) +bT)veto(v) =12 vTQv 1 Il nous faut alors vérifier quef0F(^x)(v)est linéaire env(ce qui est trivial); et il faut nous assurer quelimv7!0jjo(v)jjjjvjj= 0En posantqm= maxi;j2f1;:::;ngqij:jjo(v)jj=jj12
vTQvjj=j12 vTQvj j12 qmjjvjj2jNous avons donc:0jjo(v)jjjjvjj jqmjjjvjj2
Orlimv!0jqmjjjvjj2= 0. Donclimv!0jjo(v)jjjjvjj= 0. fest donc différentiable au sens de Fréchet (et par conséquent au sens deGâteaux) etf0F(^x)(v) =@f@x
(^x)v; et par identification: @f@x (^x) =12 ^xT(Q+QT) +bTCalcul du Hessien
Calculer le Hessien defest fondé sur le principe précédent, appliqué au gradient def. En effet, montrer quefest deux fois différentiable revient à montrer quef0F(:)(v)est différentiable; donc quef0F(^x+w)(v) =f0F(^x)(v) + f00(^x)(v)(w) +o(w)avecf00(^x)(v)(:)2 L(Rn;R)etlimw!0jjo(w)jjw
= 0. f0F(^x+w)(v) =@f@x
(^x+w)v @f@x (^x+w) =12 (^x+w)T(Q+QT) +bT 12 ^xT(Q+QT) +bT+12 wT(Q+QT) @f@x (^x) +12 wT(Q+QT)On pose alorsf00(^x)(v)(w) =12
wT(Q+QT)eto(w) = 0. Il faut alors s"assurer quef00(^x)(v)(w)est linéaire enw(ce qui est trivial) et quelimw!0jjo(w)jjjjwjj= 0(ce qui est trivial aussi); ainsi le Hessien defest 2f@x 2=12 (Q+QT)L"expression def00(x)(v)(v)est<@2f@x
2v;v >=12
vT(Q+QT)vConvexité
Si l"on supposeQsymétrique alorsQ=QT; et@f@x
=xTQ+bTet@2f@x 2=Q. Rappelons qu"une matrice est définie positive (resp. semi-définie positive) si et seulement si ses valeurs propres sont toutes strictement positives (resp. positives ou nulles). Pour montrer quefest convexe, deux méthodes sont proposées. Une fonction est strictement convexe (resp. convexe) si son Hessien est défini positif (resp. semi-défini positif). Dans notre application, le Hessien estQet, donc,fest strictement convexe (resp. convexe) siQest défini positive (resp. semi-défini positive). 2 En utilisant la proposition donnée dans l"exercice, nous pouvons vérifier ceci d"une autre manière. On pose:A(x;y) =f(y)f(x)@f@x
(x)(yx) yTQy2 +bTyxTQx2 bTxxTQ(yx)bT(yx) yTQy2 xTQx2 +xTQxxTQy yTQy2 +xTQx2 xTQyOrxTQy=xTQy2
+xTQy2T=xTQy2
+yTQx2DoncA(x;y) =12
(yx)TQ(yx)et doncA(x;y)0siQest semi-définie positive (A(x;y)>0siQest définie positive).Exercice 2: Approximation de fonction
Dans cet exercice, nous cherchons un polynômehqui approxime la fonction gau sens des moindres carrés. Cela signifie quehdoit minimiser la grandeur suivante: f=mX i=1[g(xi)h(xi)]2Résolution générale du problème
Cet exercice se prête bien à un traitement matriciel. On pose: H=2 64h(x1)
h(xm)3 7 5=2 6 4x01xn1......
x0mxnm3
7 526 4a 0... a n3 7
5=XaetG=2
64g(x1)
g(xm)3 7 5On a alors:
f=(HG)T(HG) =HTH+GTG2GTH(carGTGest un scalaire) =aTXTXa+GTG2GTXa Par définition,XTXest une matrice symétrique; et en posantQ= 2XTX etb=2XTG, on se ramène à la fonction quadratique de l"exercice prédécent. Donc: @f@a (a) =aTQ+bT 3La condition du premier ordre nous donne:
aTQ+bT= 0 =)a=bTQ1=QTb
La matriceXTXest diagonalisable. En effet,Q=XTX:
Q=2 6 4x01x0m......
x n1xnm3 7 526 4a 0... a n3 7 52
6 4x
01xn1......
x0mxnm3
7 526 4a 0... a n3 7 5
Doncqij=mP
k=1xi+j2 k:Qest bien symétrique. Par ailleurs,8v2Rn+1, vTQv=vTXTXv= (Xv)T(Xv) =jjXvjj 0.
DoncXTXest semi-définie positive; doncQest semi-définie positive (car Q= 2XTX). L"optimumatrouvé est donc bien un mimimum au sens des moindres carrés.Application numérique
Dans l"application:
X=2 41 11 2 1 33 5 etG=2 48
25
523
5
On obtient:
XTX=3 6
6 14 etXTG=85 214Nous cherchonsa=QTb, doncQ1etb:
Q1= (2XTX)1=112
1466 3 =QTetb= 2XTG=170 428
Par conséquent:
a= (2XTX)1(2XTG) =473 22Donc,h(x) = 22x473
Nous pouvons vérifier la validité de cette approximation carh(1) = 6;33, h(2) = 28;33eth(3) = 50;33pourg(1) = 8,g(2) = 25etg(3) = 52.Exercice 3: Production
Remarques d"ordre général pour l"optimisation Dans cet exercice, nous cherchons à maximiser une quantité. Notre problème peut donc être modélisé de la façon suivante: max x i0qh(x1:::xn)nX i=1p ixi 4 Nous négligerons les contraintes de positivité; et nous les vérifieronsa poste- riori. En effet, chaquexiest nécessairement positif car il représente une quantité de matière première. La condition du premier ordre pour trouver un optimum est d"annuler le gradient.8i2 f1;:::;ng;@f@x
i(x1;:::;xn) =q@h(x1:::xn)@x ipi La condition du second ordre est d"avoir un Hessien semi-défini négatif (resp. défini négatif) afin d"avoir un maximum (resp. strict). Ici, 2f@x 2=q2 6 64@2h@x
2:::@2h@x
1xn......
2h@x nx1:::@2h@x 2n3 7 75Application 1
Soith(x1;x2) =x13
1x132. La condition du premier ordre nous donne:
@f@x q3 x23 1x13 2p1 q3 x13 1x23 2p2# = 0Il nous faut résoudre le système:
q3 x23 1x13 2p1=0 q3 x13 1x232p2=0()8
:x 132=3p1x23
1q x 131=3p2x23
2q ()(x2=27p3
1x2 1q 3(1) x1=27p3
2x2 2q 3(2)On injecte (1) dans (2):
x1=27p32(27p31x211q
3)21q 3 =27p32(272p61x411q 6)1q 3 =273p61p32x411q
18 x31=q1827
3p61p32()x1=q327p21p2
Le raisonnement est identique pourx2; et avecp1=p2= 1,x1=x2=q327La condition du second ordre nous donne:
2f@x 2=" q9 (2x53 1x13 2)q9 (x23 1x23 2) q9 (x23 1x23 2)q9 (2x13 1x53 2)# 5Au point^xconsidéré, le Hessien est:
2f@x2(^x) =9q
3 2 1 12 Ici, le déterminant est positif (il vaut3) et la trace est négative (elle vaut4); donc le produit des valeurs propres est positif et leur somme est négative. Par conséquent les deux valeurs propres sont du même signe et de somme négative: les deux valeurs propres sont négatives. Si l"on veut s"en convaincre par le calcul, le polynôme caractéristique vaut:P() =21
12 = (2 +)21 = (+ 1)(+ 3)Application 2
Soith(x1;x2) =x21+x22. La condition du premier ordre nous donne: @f@x =2qx1p12qx2p2
= 0quotesdbs_dbs1.pdfusesText_1[PDF] exercices corrigés optique ondulatoire mp
[PDF] exercices corrigés orthogonalité dans l'espace
[PDF] exercices corrigés outlook 2010
[PDF] exercices corrigés pendule elastique
[PDF] exercices corrigés pert pdf
[PDF] exercices corrigés ph des solutions aqueuses
[PDF] exercices corrigés physique chimie terminale s
[PDF] exercices corrigés physique pcsi pdf
[PDF] exercices corrigés physique seconde forces et principe d'inertie
[PDF] exercices corrigés physique terminale s ondes
[PDF] exercices corrigés physique terminale s pdf
[PDF] exercices corrigés physique terminale sti2d
[PDF] exercices corrigés poo c# pdf
[PDF] exercices corrigés primitives terminale s pdf