[PDF] Optimisation sous contraintes - Le laboratoire de

COURS OPTIMISATION Cours à lISFA, en M1SAF Ionel Sorin

Cité 2 fois — Dans toute la suite du cours on parlera uniquement de la minimisation d'une fonction f ; pour la 

Cours danalyse pour économistes - Personal Homepages

ation sous contraintes Cours d'analyse pour économistes Page 14 Chapitre 1 : Introduction aux

Cours doptimisation

inition des extremums locaux et globaux pour une fonction de deux variable est commune `a celle 

Introduction `a loptimisation

tudierons, dans ce cours, uniquement des probl`emes d'optimisation non linéaire Remarque La résolution graphique devient impossible pour des probl `emes `a plus de 3 

Techniques doptimisation

init pour une direction d ∈Rn au point x la fonction φ à une variable en cours de factorisation d

Optimisation sous contraintes - Le laboratoire de

Cité 4 fois — Optimisation avec contraintes d'inégalité 26 la recherche d'un maximum pour la fonction opposée −J min discret, en bijection dans une partie de Zn , ce cours ne s'occupant pas de 

Mini-cours doptimisation - ENS Rennes

2008 — Mini-cours d'optimisation que la fonction d'une variable réelle t ↦→ f(x + th) a pour dérivée en t = 0 Harold W Kuhn [1925-] mathématicien et économiste américain

Principes de loptimisation

ation d'une grandeur • Plus fréquemment, les économistes vont chercher à optimiser, c'est à 

Optimisation

3 4 4 Petit guide du choix et de l'utilisation d'une méthode d'optimisation 59 3 5 Exercices corrigés Voir les exercices pour des exemples Caractérisation des applications qui 

[PDF] cours d'optique géométrique

[PDF] cours d'optique géométrique 1ère année

[PDF] cours d'optique physique pdf

[PDF] cours d'organisation des entreprises pdf

[PDF] cours d'orientation scolaire et professionnelle

[PDF] cours d'orthographe bruxelles

[PDF] cours d'orthographe pdf

[PDF] cours de 1 bac francais

[PDF] cours de banque et finance gratuit

[PDF] cours de banque pdf

[PDF] cours de banque pdf gratuit

[PDF] cours de biologie 1ere année universitaire

[PDF] cours de biologie animale 1er année pdf

[PDF] cours de biologie animale s2 pdf

[PDF] cours de biologie cellulaire 1ere année medecine

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 techniques

Université de Nantes

www.math.sciences.univ-nantes.fr/˜guillope/l3-oscVersion: 2 mars 2020 1

Table des matières

Chapitre 1. Prologue

2

Chapitre 2. Optimisation différentiable

5

1. Fonctions différentiables et différentielles

5

2. Optimisation sans contrainte

7

3. Optimisation avec contraintes d"égalité

11

4. Optimisation avec contraintes d"inégalité

26

Chapitre 3. Programmation convexe

35

1. En guise d"introduction : la moyenne arithmético-géométrique

35

2. Parties convexes

37

3. Fonctions convexes

38

4. Convexité et régularité

44

5. Fonctions quasi-convexes

51

6. Programmation convexe

57

Chapitre 4. Optimisation vectorielle

62

1. Ordres de Pareto et optima

62

2. Scalarisation

65

Annexe A. Formes quadratiques

68

1. Matrices symétriques et formes quadratiques

68

2. Formes définies et hyperboliques

69

3. Formes quadratiques sous contraintes

71

Annexe. Bibliographie

75

Table des figures

76

Annexe. Index

77

Index général

77

Index des noms

78
2

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 points

1où 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 dès

qu"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 hypersurfaces

2. 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 min

x2EJ(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.

2

1. 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 numérique

G(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= 0ou

G(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 eau

4Lv=fJ(x;y) =v;(x;y)2Egpour un ensemble de valeurs

v

1;:::;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) =

x

3+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,MacOs

notamment) : à utiliser sans modération!4. Les courbes de niveau d"une fonction de production sont appeléesisoquantes, celles d"une fonction

d"utilitécourbes d"indifférences

Chapitre 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 hessienne

4Hess(f)xdefau pointxest la matrice5

Hess xf=@2ijf(x)=0

211f(x)::: @21nf(x)......

2n1f(x)::: @2nnf(x)1

A des dérivées partielles secondes. Il lui est associée

6la 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. 5

6 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 e

J(ep+ev) =h(J(ep+ev))

=h

J((ep)) +J0((ep))

d ep(ev) +d00ep[ev]2 +HesspJ[dep(ev)]2 +o(kevk2) eJ(ep) +h0(J(p)) J 0(p) d ep(ev) +d00ep[ev]2 +HesspJ[dep(ev)]2 h00(J(p))[J0(p)[dep(ev)]]22 +o(kevk2) eJ(ep) +h0(J(p))J0(p)(dep(ev)) h0(J(p))J0(p)d00ep[ev] + HesspJ[dep(ev)]+h00(J(p))[J0(p)(dep(ev))22 +o(kevk2) et donc les formules sur le gradient et le hessien de la fonction eJ.

2. Optimisation sans contrainte

Un problème d"optimisation sans contrainteconsidéré ici est du type inf x2 J(x) où est un ouvert7d"un espace vectoriel, en général de dimension finie, etJune fonction (au moins continue, de classeC1en général). Définition2.2:SoitJ:U(Rn)7!Rdifférentiable. Le pointx2Uest unpoint critiquedeJsidJx= 0ou de manière équivalenterJ(x) = 0. Théorème2.1 (Euler-Fermat):SiJ:U(Rn)!Rest minimum enx2U, alorsx est point critique deJ. Démonstration.Sixest minimum deJ, alors, pourh2RNett >0avecthassez petit

J(x+th)J(x)t

0; d"où dJ x(h) +khk"(th)0 et doncdJx(h)0en faisantt!0. S"ensuit aussidJx(h) =dJx(h)0et donc dJ x(h) = 0pour tout vecteurh, soit la nullité de la différentielledJx. .Exemples2.2.7. L"ouvert peut être défini par une fonctionJsous la forme =fF >0g: cette inégalité,

" ouverte », n"est pas considérée comme une contrainte, au contraire des inégalités larges des sections

suivantes.

8 2. OPTIMISATION DIFFÉRENTIABLE

2.2 .1 La fonction Jdéfinie parJ(x;y) =x2y2a0comme point critique : l"origine

0est un minimum global strict deJ+, alors queJn"a ni minimum, ni maximum

(local ou global). 2.2 .2 La fonction J(x;y) = cosx+y2a comme gradientrJ(x;y) = (sinx;2y): ses

points critiques sont les(k;0)pourk2Z.Figure II.1.Les courbes de niveau de la fonction d"objectifsJ(x;y) =

cosx+y2.

Théorème2.2:SoitJ:U(Rn)!Rcritique enx.

(i) Sixest un minimum (maximum resp.) local deJ, la hessienneHess(J)xest une forme quadratique positive

8(négative resp.).

(ii) Si la hessienneHess(J)xest une forme quadratique définie positive (négative resp.) etxpoint critique deJ, alorsxest un minimum (maximum resp.) local deJ. .Exemples2.3. 2.3 .1 Soit la fonction d"ob jectifJdéfinie parJ(x;y) =x2y4: avec (unique) point critiquex= (0;0)la fonctionJa au pointx= (0;0)a comme hessienne

HessJ(x) =1 0

01 , définie positive pourJ+et de signature(1;1)pourJ. Le pointxest minimum global deJ+, point selle pourJ. 2.3 .2 Reprenan tla fonction J(x;y) = cosx+y2de l"exemple précédent, on a au voisinage demk= (k;0)aveck2Z,

J(k+u;y) =y2+ (1)kcosu= (1)k+y2(1)ku22

+ (u2+y2)"(juj+jyj): Sikest impair, le pointmkest un minimum local strict, alors que sikest pair, c"est un point de minimum local le long de la verticalef(k;y);y2("1;"1)g et de maximum local le long de l"horizontalef(k+u;0);u2("2;"2)g,i. e. m kest un point selle9. On peut éviter le développement limité en introduisant le changement de variableu7!t(u) =p2sin(u=2)pouruvoisin de0(et aussit) de telle sorte que, pour(u;y)et(t;y)proches de(0;0),

J(k+u;y) =y2+ (1)kcosu=y2+ (1)k(12sin2(u=2)) =J(mk) +y2+ (1)kt(u)28. On parle parfois de matricesemi-définiepositive ousemi-définienégative.

9. Le point critiquexde la fonctionUen est un point selle si en restriction à un arc issu dexla

fonctionUcroît alors que suivant d"autres arcs issus dexelle décroît.

2. OPTIMISATION SANS CONTRAINTE 9

avec un minimum local sikpair et un point selle sikimpair. En conclusion, cette fonctionJn"est pas bornée supérieurement (faire tendrey! 1), a une infinité de minima globaux constituant la partie((1+2Z);0), aucun autre minimum local et pas plus de maxima locaux, la partie(2Z;0)contenant tous les autres points critiques, chacun de type selle. 2.3 .3 Soit Aune matrice symétrique d"ordren,bun vecteur deRnetcune constante.

La fonctionJdéfinie par

J(x) =12

hAx;xi+hb;xi+c; x2Rn a comme différentielledJx(h) =hAx;hi+hb;hisoitrJx=Ax+bet hessienne Hess(J)x=A. Les points critiquesxdeJsont caractérisés donc par l"équation Ax+b= 0: siAest inversible,Ja un unique point critiquex=A1b.

D"après le théorème

2.2 , c"est un minimum local siAest définie positive. On peut même dans ce cas montrer que c"est un minimum global : en effet, pour h2Rn,

J(x+h) =12

hA(x+h);x+hi+hb;x+hi+c 12 hAx;xi+hAx;hi+12 hAh;hi+hb;x+hi+c 12 hAx;xi+hb;xi+c+12 hAh;hi+hAx+b;hi =J(x) +12 hAh;hi et le pointxest clairement un minimum global strict. SiAest définie négative, x est pareillement un maximum global strict. Le cas général (Anon inversible, avec des valeurs propres positives et négatives) nécessite des développements plus

étoffés./

Démonstration du théorème

2.2 .Soitxminimum deJ. Vu querJxest nul, la formule de Taylor à l"ordre 2 s"écrit, pourhdonné ettassez petit

0J(x+th)J(x) =Hess(J)x[th]2

+kthk2"(th) =t2Hess(J)x[h]2 +khk2"(th) soit, en divisant part2>0,

0Hess(J)x[h]2

+khk2"(th) et par suiteHess(J)x[h])0pour touthen faisant tendret!0: voilà la première assertion démontrée. Pour la seconde, la matrice hessienne étant définie positive, il existe

10une constante

C=Cxtelle que

Hess(J)x[h]2Ckhk2; h2Rn10. Pour la matriceA= HessJx, il existe une base orthonormée(vi)de vecteurs propres avec valeurs

propres associéesiresp., toutes strictement positives. Soitx=x1v1++xnvnla décomposition de xdans la base orthonormée(vi):hAx;xi=P i;jxixjhAvi;vji=P ix2iiinfiikxk2: on peut donc prendreC= infii.

10 2. OPTIMISATION DIFFÉRENTIABLE

Ainsi,

J(x+h)J(x) =Hess(J)x[h]2

+khk2"(h)(C j"(h)j)khk2C2 khk2>0 pourhnon nul suffisamment petit de telle sorte quej"(h)j C=2: on a bien montré que x

était un minimum local strict deJ.

4Remarque2.1.Une autre condition suffisante de minimum pour un point critique

est la positivité locale : il existe une bouleB(x;)sur laquelleHessxJest positive. Cela résulte de la formule de Taylor avec reste intégral 11

J(x+h) =J(x) +hrxJ(x);hi+Z

1 0

J(1t)Hessx+thJ[h]dt

et donnexcomme minimum local (non nécessairement strict). Cet énoncé s"applique bien à la fonctionJ(x;y) =x2+y4, dont la hessienne vautHessx;yJ=2 0

0 12y2

.5 Une caractérisation du caractère (défini) positif ou négatif d"une matriceAest don- née par les signes des mineurs principaux dominants deA(cf.Appendice 1) : Proposition2.2:SoitAmatrice (réelle) symétrique d"ordren. (i) La forme quadratiqueqAest définie positive (resp. négative) si et seulement si lesnmineurs principaux dominantsAm= (aij)1i;jm,m= 1;:::;nsont strictement positifs (alternent de signe, avecA1négatif resp.). (ii) la formeqAest positive (négative resp.) si et seulement si chaque déterminant d m= detAm;m= 1;:::;n;2Snest positif ou nul (du signe de(1)mresp.) pour m= 1;:::;n. Iciest une permutation de[1;n]etAest obtenue deApar permutation des lignes et des colonnes deA(resp. des colonnes deB) suivant. .Exemple2.4.Pour un programme avec fonction d"objectifsJet deux variables de décision, la condition pour une hessienne définie négative induisant un maximum local strictxest donc 2 u2J <0;@2 u2J @2uvJ

2uvJ @2

v2J >0; alors que pour 3 variables de décision et une hessienne définie négative /@2 u2J <0;@2 u2J @2uvJ

2uvJ @2

v2J >0; 2 u2J @2uvJ @2uwJ

2uvJ @2

v2J @2uwJ

2wuJ @2vwJ @2

w2J <0:

4Remarque2.2.Si la partieEest paramétrée, par ex. suivant la bijectionp:m2

E(Rd)7!p(m)2E, le problème sous contrainteminx2EJ(x)se ramène au problème (sans contrainte)infm2EJp(m): on peut donc s"attendre à une liste dedconditions de signes pour des déterminants ou expressions analogues afin d"assurer des minima lo- caux : cela sera vérifié dans la section suivante. L"exemple 6 dans 2.6quotesdbs_dbs20.pdfusesText_26