2 Méthode de gradient avec projection à pas variable pour une fonc- tion quadratique elliptique On considère la problème de minimisation suivant : trouver
Previous PDF | Next PDF |
[PDF] LICENCE 3 MATHEMATIQUES – INFORMATIQUE
Etudier les paragraphes 3 3 1 (méthodes de descente) et 3 3 2 (algorithme du gradient conjugué, GC) Exercices proposés (avec corrigés) : 117 (exemple), 118
[PDF] Corrige Examen 2016-17
Corrigé Les documents suivants sont autorisés : — Polycopiés distribués en Algorithme de gradient conjugué pour les moindres carrés : On suppose désormais que Dans la suite de l'exercice, f : Rn → R désigne une fonction deux fois
[PDF] Optimisation
ordre (gradient conjugué, B F G S ) sera nécessaire pour obtenir 5 décimales 3 5 Exercices corrigés Minimisation unidirectionnelle La plupart des méthodes
[PDF] 1 Exercice sur la fonctionnelle ROF 2 Méthode de gradient avec
2 Méthode de gradient avec projection à pas variable pour une fonc- tion quadratique elliptique On considère la problème de minimisation suivant : trouver
[PDF] Algorithme du gradient conjugué • La lettre n désigne un entier
Algorithme du gradient conjugué Proposition de corrigé 1) La fonctionnelle J a bien un minimum car la matrice A est symétrique définie positive
[PDF] feuilles de travaux dirigés - Ceremade - Université Paris Dauphine
l'algorithme du gradient conjugué? Calculer alors explicitement les deux premiers itérés et vérifier la finie convergence de l'algorithme Exercice 24 ( exercice
[PDF] Exercices - Feuille 5
o`u Mq est triangulaire inférieure inversible carrée d'ordre q
[PDF] Optimisation Sans Contraintes - Université de Souk Ahras
1 5 Suggestions et Corrigés 3 2 2 Méthode de gradient conjugué dans le cas quadratique 39 3 2 3 Méthode du Exercice 01 Montrer qu'une
[PDF] Optimisation
La méthode du gradient conjugué a été découverte en 1952 par Hestenes et Exercice 76 (Gradient conjugué pour une matrice non symétrique) Corrigé
[PDF] 98 CHAPITRE 2 PRÉLIMINAIRES
On retrouve la formule utilisée dans l'exemple du tableau 3 1 pour le calcul du pas θ˚ Exercice 3 6 4 [Application de l'algorithme du gradient conjugué] Appliquez l
[PDF] exercices corrigés microéconomie 1ère année
[PDF] exercices corrigés microéconomie équilibre général
[PDF] exercices corrigés mitose
[PDF] exercices corrigés modes de financement
[PDF] exercices corrigés mouvement des satellites
[PDF] exercices corrigés mouvement seconde
[PDF] exercices corrigés nomenclature chimie organique terminale s
[PDF] exercices corrigés ondes seconde
[PDF] exercices corrigés ondes terminale s
[PDF] exercices corrigés optimisation non linéaire
[PDF] exercices corrigés optimisation sous contraintes
[PDF] exercices corrigés optique géométrique pdf
[PDF] exercices corrigés optique ondulatoire mp
[PDF] exercices corrigés orthogonalité dans l'espace
ENS Cachan2008-2009
M2 parcours MVA
Calcul des variations, Optimisation et Applications en Traitement d'image Examen écrit, le 6 janvier 2009 à 13h30, durée 1h30 Rédiger Exercice 1 et Problème 2 sur des feuilles séparées1 Exercice sur la fonctionnelle ROF
Soit½R2un ouvert convexe borné à bordC1.
Soitfun élément deL2(). On considère la fonctionnelleF:W1;2()!Rdénie par :F(u) =Z
(f¡u)2dx+Z jruj2dx(1) 1. Montrez queFadmet un unique minimiseur~usurW1;2(). 2. Montrez que~uest solution d'une Equation aux Dérivées Partielles que vous calculerez.Indications :
On rappelle queuest un élément deW1;2()ssiuest dansL2()et sa dérivée au sens des distributions
dansL2(£). On rappelle queW1;2()s'injecte de manière compacte dansL2().La personne peu à l'aise avec les espaces de dimensions innies pourra commencer par considérer le
problème en dimension nie.2 Méthode de gradient avec projection à pas variable pour une fonc-
tion quadratique elliptique On considère la problème de minimisation suivant : trouver^utel queF(^u) = minu2UF(u);(2)F(u) =1
2 hBu;ui ¡ hc;ui; B2RN£N; c2RN;
U=fu2RN:Au=vg; v2RM;rank(A) =M < N;(3)
oùBest symétrique et dénie positive(donc toutes ses valeurs propres sont strictement positives).
SoitPUl'opérateur de projection surU. On considère l'itération u k +1=Gk(uk); k= 0;1;2;:::;(4) G k(u) =PU¡u¡½k(Bu¡c)¢: 1.Soit la fonctionf:R+!Rdénie par
f(½) = max©j1¡½¸minj;j1¡½¸maxjª;où¸minet¸maxsont la plus petite et la plus grande des valeurs propres deBetR+def=fr2R:r¸0g.
(a)Pour¸ >0xé, calculerargmin½
j1¡½¸j. Tracer la courbe de½!f(½). (b) SoitG=fr2R+:f(r) = 1g. Déterminer explicitementGet donner sa cardinalité. (c)Calculer
^½def= argmin½f(½): (d)Déterminer un intervalle[a;b], avec0< a < btel que½2[a;b])°def= maxff(a);f(b)g<1:(5)
2.Montrer que
kI¡½Bk2=f(½):Rappel :
pour toute matrice réelle et carréeA, son rayon spectral estR(A) = maxfj¸ij:¸i=valeur propre deAg
et l'on akAk2=pR(ATA)oùATest la matrice transposée deA.
3. En étudiantkGk(u)¡Gk(v)k2pouru2RN,v2RN, montrer que k2[a;b])Gkest une contraction: Conclure quant à la convergence de l'itération donnée dans (4).Rappel :
tout opérateur de projectionPUsatisfait l'inégalitékPU(u)¡PU(v)k2· ku¡vk2,8u2RNet8v2RN.
4. Si^urésoud le problème formulé dans (2), montrer que l'itération (4) satisfait k2[a;b]) kuk¡^uk2·°kku0¡^uk2;(6) où°est déni dans (5). 5.Commenter le cas où½k= ^½;8k¸0.
6.Dans le cas d'une fonctionFconvexe, coercive etC2, générale, nous avions obtenu en cours que la méthode
de gradient avec projection à pas variable vérie k2[a0;b0];0<~a <~b <2¸min2max) 9~° <1tel quekuk¡^uk2·~°kku0¡^uk2;
où^uest tel queF(^u) = minu2UF(u). (a) Le résultat donné ci-dessus peut-il être appliqué au problème (2)? (b) Comparer la valeur debobtenue à la question (1d) avec~bet commenter l'importance du résultat (1d). 7.Soitw2RN. PourUdénie dans (3), calculer
^z= argminz2U½ 1 2 kz¡wk22¾ (a) Pour toutw2RN, déduirePU(w)pourUdéni dans (3). (b) Donner une condition assurant quePUde la question 7a est linéaire.Corrigé
1 2 1. (a) (b)G=½
0;2 max¾ et Card(G) = 2. (c)8a;8btels que0< a < b <2
maxon a° <1. 2.I¡½B= (I¡½B)Tdonc
kI¡½Bk2=R(I¡½B) = max©j1¡½¸minj;j1¡½¸maxjª=f(½): 3.Soit½k2[a;b]alors° <1
· ku¡½kBu¡v+½kBvk2
=k(I¡½kB)(u¡v)k2·°k(u¡v)k2
Quel que soit½k2[a;b],Gkest une contraction donclimk!1uk= ^uoùGk(^u) = ^u. 4. En utilisant le fait queGk(^u) = ^u,8½k2[a;b]on a : · kuk¡1¡½k¡1Buk¡1¡^u+½k¡1B^uk2 =k(I¡½k¡1B)(uk¡1¡^u)k2·°kuk¡1¡^uk2
·°2kuk¡2¡^uk2· ¢¢¢
·°kku0¡^uk2
5.Si½k= ^½,8k¸0, l'itération (4) correspond à la méthode de gradient avec projection à pas optimal.
6. (a)Oui (évident).
(b)La borne supérieure
2¸min
2maxest en général bien plus petite que la nouvelle borne2
max. Grâce à la nouvelle borne, on peut prendre des pas½kplus grands.7.Lagrangien :L(z;¸) =12kz¡wk22+¸T(Az¡v)où¸2RM. On doit résoudre le système d'équations :
0 =z¡w+AT¸
0 =Az¡v
Alors0 =Az¡Aw+AAT¸=v¡Aw+AAT¸
CommeAATest inversible,
¸= (AAT)¡1(Aw¡v)
Alors ^z=w¡AT¸=w¡AT(AAT)¡1(Aw¡v) =¡I¡AT(AAT)¡1A¢w+AT(AAT)¡1v (a) PU(w) =¡I¡AT(AAT)¡1A¢w+AT(AAT)¡1v.
(b) v= 0.Master MVA
Durée de l"examen : 2 heures. Aucun document autorisé.18 Décembre 2007
1 Problème :
Dans tout l'énoncé,k:kdésigne la norme euclidienne usuelle surRN, eth:;:ile produit scalaire associé.
On rappelle qu'un sous-ensembleUest convexe si pour tousu;vdansUetdans[0;1], on av+(1)u2U. On rappelle aussi qu'une application:U!Rest convexe si pour tousu;vdansUetdans[0;1], on a : (v+ (1)u)(v) + (1)(u) On rappelle enn la formule de Taylor à l'ordre 1 pour une fonctionFde classeC1deRNdansR:F(v)F(u) =Z
1 0 hrF(tv+ (1t)u);vuidt(1) Dans tout le problème, on suppose qu'il existe >0tel queFvérie l'inégalité suivante : hF(u)F(v);uvi kuvk2(2) On suppose aussi qu'il existeM >0tel queFvérie l'inégalité : krF(u) rF(v)k Mkvuk(3)1. Dans cette question (et uniquement dans cette question), on suppose queFs'écrit sous la forme :
F(v) =12
hAv;vi hb;vi(4) avecAmatrice réelle etbvecteur deRN. CalculerrF(v)(on pourra commencer en supposantAsymmétrique). Donner une condition nécessaire et susante surApour queFdonnée par (4) vérie (2) et (3).2. On revient au cas général pourF. Etant donnésuetvdansRN, on pose pourdans[0;1]:
() =F(v+ (1)u) +(1)2 kvuk2F(v)(1)F(u) Montrer queest croissante sur[0;1](on pourra utiliser (1)) . En déduire que pour tousuetvdansRN, etdans[0;1], on a :F(v+ (1)u) +(1)2
kvuk2F(v) + (1)F(u)(5)3. Montrer en utilisant (1) et (2) que :
F(v)F(u) +hrF(u);vui+2
kvuk2(6)4. On se donne un sous-ensembleUconvexe fermé non vide deRN. On étudie le problème de minimisation :
Trouveru2Utel queF(u) = infv2UF(v)(7)
Montrer que (7) admet exactement une solution.
15. Montrer que siU=RN, alors la solution de (7) est caractérisée par :
rF(u) = 0(8)6. Monter qu'en général, la solution de (7) est caractérisée par :
hrF(u);vui 0(9) pour toutv2U.7. Dans cette question et jusqu'à la n du problème, on revient au casU=RN.
On part d'un élémentv0arbitraire dansRN. Supposantvkconnu, on considère le problème : Trouverk2Rtel queF(vkkrF(vk)) = inf2RF(vkrF(vk))(10) Montrer que sivkn'est pas solution de (7), alors(10)admet exactement une solution.8. Sivkest pas solution de (7), on posevk+1=vk. Sinon on posevk+1=vkkrF(vk).
Montrer que
hrF(vk+1);rF(vk)i= 09. En déduire que :
F(vk)F(vk+1)2
kvkvk+1k210. Montrer que la suitevkainsi construite converge vers la solution de (7).
Comment s'appelle cet algorithme?
2 Exercice :
SoitJ:RN!Rconvexe, à valeurs finies. (Rappelons qu'alorsJest Lipschitzienne.)1. Donner la dénition de la dérivée directionnelleJ(u)(v)deJenu2RNdans la direction dev2RN.
Montrer que l'applicationv!J(u)(v)est convexe, positivement homogène et lipschitzienne.Peut-elle être linéaire et dans quel cas?
2. Rappeler les deux dénitions de@J(u) la sous-diérentielle deJenu2RNet expliquer leur équivalence.
(On peut utiliser les propriétés de la fonction-penteq(t) =J(u+tv)J(u)t pourt >0.)3. SoitJ:R2!Rdénie parJ(u1;u2) =ju1j+ju2jpour >0un paramètre xe. Calculer la sous-
diérentielle deJau point(u1;u2) = (1;0). Déterminer les directions de déscente deJà partir de ce pointu. 2ENS Cachan2006-2007
M2 parcours MVA
Optimisation pour la restauration d"images
Examen ´ecrit, dur´ee 1h30
Sujet : Minimisation par r´egularisation semi-quadratique L"usage de notes et d"autres documents est autoris´e. Pourvfix´e, on consid`ere la minimisation de la fonctionF: IRn→IR :F(u) =?Au-v?2+βr?
i=1?(?Giu?), β >0,(1) o`u pour touti,Gi: IRn→IRs,s? {1,2}(chaqueGiest une matrice de tailles×n),A: IRn→IRnest inversible et?: IR+→IR est convexe ;
t→t2/2-?(t) est convexe ;
?estC2avec??(0) = 0 et???(0)>0 ;
lim|t|→∞?(t)/t2<1/2.
Exemple de fonction :?(t) =⎷
1 +t2.
1. Pour toutw?IRsavecs= 1 ous= 2 on d´efinit
ψ(w) = sup
z?IRs? -12?z-w?2+?(?z?)?
(2)V´erifier s"il s"agit d"un maximum.
2. Montrer que pour toutz?IRs
?(z) = infw?IRs? 12?z-w?2+ψ(?w?)?
(3)On utilisera le fait que si une fonctionf: IRs→IR est continue, finie, convexe, alorsf= (f?)?o`u la
convexe conjugu´eef?defest d´efinie parf?(w) = supz?IRs{?z,w? -f(z)}.3. D´eterminer la fonctionσ: IRs→IRstelle que pour toutz?IRs, siw=σ(z) alors?(z) =1
2?z-w?2+
ψ(?w?).
On peut utiliser le fait que pour le mˆeme couple (z,σ(z)) on trouve le sup dans (2). Dans la suites= 1.Notons que dans ce cas chaqueGiest un vecteur-ligne. Pour commodit´e, introduisons la matriceGde tailler×ndont la ligneiestGi. On consid`ere le crit`ere augment´eF: IRn×IRrF(u,b) =?Au-v?2+βr?
i=1? 12(Giu-bi)2+ψ(bi)?
=?Au-v?2+β2?Gu-b?2+βr?
i=1ψ(bi)o`ubid´esigne lai`eme composante du vecteurb?IRr, et sa minimisation altern´ee o`u `a l"it´erationkon
effectue les minimisations suivantes b ktel queF(uk-1,bk) = infb?IRrF(uk-1,b) (4) u ktel queF(uk,bk) = infu?IRnF(u,bk) (5)