Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

1. Quelques problèmes d’optimisation en ingénierie 2. Méthodes sans gradient dé

1. Quelques problèmes d’optimisation en ingénierie 2. Méthodes sans gradient déterministes 2.1 Méthodes directes (Nelder Mead, MDS/Torczon) 2.2 Interpolation (modèles quadratiques et régions de confiance) 2.3 Surfaces de réponse (RBF, krigeage) 3. Méthodes sans gradient stochastiques 3.1 Recuit simulés 3.2 Algorithmes génétiques, essaim de particules, stratégies d’évolution 3.3 Résultats de convergence 3.4 Extensions (adaptativité, gestion des contraintes , version multi-objectif) 4. Mise en œuvre sur des cas réels (projet en binôme) (réseaux de Bragg, parc de panneaux solaires) Laurent Dumas http://dumas.perso.math.cnrs.fr/M3.html Optimisation sans gradient et applications (M3) Cours M3, optimisation sans gradient et applications 1.1 Problème 1: problème du voyageur de commerce • Objectif: déterminer la distance minimale à parcourir pour visiter toutes les villes une et une seule fois. QuickTime™ et un décompresseur sont requis pour visionner cette image. Cours M3, optimisation sans gradient et applications 1.2 Problème 2: configuration d’une molécule d’énergie minimale • Objectif: déterminer la position de N atomes minimisant le potentiel de Lennard Jones de la molécule associée: V( r )=1/r12 – 2/r 6 pour 2 atomes à une distance r. N=4 atomes N=7 atomes Cours M3, optimisation sans gradient et applications 1.3 Problème 3: décodage d’une image floue et bruitée • Objectif: à partir d’une image floue et bruitée d’un code barre, être capable d’identifier ce code barre Code à 13 chiffres Cours M3, optimisation sans gradient et applications …dont 65% à 70 % dépend de la forme extérieure… …dont 90 % de la forme arrière! Lignes de courant et tourbillons longitudinaux à l’arrière d’un véhicule expérimental type 206 (DRIA) A 120 km/h, facteurs de la consommation d’un véhicule: 1.4 Problème 4: réduction de consommation d’un véhicule • Objectif: obtenir la forme arrière optimale d’une automobile par simulation numérique. Cours M3, optimisation sans gradient et applications 1.4. Quelques exemples de Cx 1.4. Quelques exemples de Cx Ford T: 0.8 (année de sortie: 1908) Hummer H2: 0.57 (2003) Citroën SM: 0.33 (1970) Peugeot 407: 0.29 (2004) et… Tatra T77: 0.212 (1935) Cours M3, optimisation sans gradient et applications 7 Problème 1: économie Problème 2: chimie Problème 3: image Problème 4: automobile Paramètres permutations de {1,…,n} position des atomes signal 1D forme du véhicule Fonction coût simple simple issue d’une convolution issue d’une EDP Calcul du gradient // explicite non explicite non explicite Minimas locaux // oui oui oui Contraintes non non non linéaires non linéaires 1.5 Principales caractéristiques de ces 4 problèmes 1.5 Principales caractéristiques de ces 4 problèmes Cours M3, optimisation sans gradient et applications 8 1.6 Autres exemples d’optimisation en ingénierie 1.6 Autres exemples d’optimisation en ingénierie • Optimisation de formes de réseaux de Bragg (Alcatel) • Optimisation de champs de panneaux solaires (GDF) • Identification de paramètres de modèles physiques ou biologiques (multiples exemples!) Cours M3, optimisation sans gradient et applications 9 -Objectif: étant donné la forme d’un filtre en longueur d’onde, déterminer les caractéristiques d’une fibre optique (réseau de Bragg) permettant d’obtenir ce filtre. Problème posé par: Alcatel. Cours M3, optimisation sans gradient et applications Problème 1: optimisation de forme d’un réseau de Bragg Problème 1: optimisation de forme d’un réseau de Bragg QuickTime™ et un décompresseur sont requis pour visionner cette image. 1 0 Problème 2: optimisation de parcs de panneaux solaires Problème 2: optimisation de parcs de panneaux solaires -Objectif: étant donné une zone d’implantation de panneaux solaires, déterminer le meilleur positionnement des structures pour maximiser l’espérance de production sur la durée de vie du projet. Problème posé par: GDF/Suez. Cours M3, optimisation sans gradient et applications QuickTime™ et un décompresseur sont requis pour visionner cette image. QuickTime™ et un décompresseur sont requis pour visionner cette image. 1 1 Problème 1: optimisation de formes de réseaux de Bragg Problème 1: optimisation de formes de réseaux de Bragg Mode guidé Mode non guidé Indice de réfraction Rayon (m) 4.5 4-5 10-3 Fibre monomode standard de télécommunication à saut d’indice: •L’indice du cœur est augmenté grâce à un dopant: le germanium Cours M3, optimisation sans gradient et applications 1 2 Problème 1: optimisation de formes de réseaux de Bragg Problème 1: optimisation de formes de réseaux de Bragg > Dans un réseau de Bragg (ou FBG), une modulation périodique et permanente de l’indice de réfraction de la silice dopée au germanium est effectuée sous irradiation UV > Possibilité de travailler la forme de la modulation d’indice suivant la fonction de filtrage recherchée (mono ou multi canal) m (spectre de réflectivité) Cours M3, optimisation sans gradient et applications 1 3 Problème 1: optimisation de formes de réseaux de Bragg Problème 1: optimisation de formes de réseaux de Bragg • L’indice de réfraction général d’une réseau de Bragg est donné à l’aide d’une fonction quasi-sinusoïdale dans la direction longitudinale z: n(z)=n0+n(z) cos(2z/0) z [0, L] avec les notations suivantes: n0 : indice de réfraction initial du cœur 0: période du réseau (ou B= 2 n00: longueur d’onde associée) n(z): amplitude de l’indice à variation lente (appelée apodisation) • Le problème d’optimisation, de type inverse, consiste donc à trouver la bonne fonction d’apodisation réalisant les caractéristiques de filtrage voulues. Cours M3, optimisation sans gradient et applications 1 4 Problème 1: optimisation de formes de réseaux de Bragg Problème 1: optimisation de formes de réseaux de Bragg • Certaines hypothèses sont faites pour calculer le spectre de réflectivité (fibre sans perte et monomode dans la bande spectrale, faible différence d’indice cœur-gaine). • Pour toute longueur d’onde  dans la bande de transmission, les enveloppes bF(z,) et bB(z, ) des deux ondes, incidente et réfléchie, sont alors solution d’un système couplée d’EDO linéaires du premier ordre à coefficients complexes: avec , et Cours M3, optimisation sans gradient et applications 1 5 Problème 1: optimisation de formes de réseaux de Bragg Problème 1: optimisation de formes de réseaux de Bragg •Le spectre de réflectivité du réseau de Bragg est alors donné par la fonction   R() =| r() |2 avec r() = bB(0,) / bF(0,) •Pour le calcul du spectre de réflectivité d’un réseau de Bragg quelconque, en notant r(z,)= bB(z,) / bF(z,), on observe que r(., ) satisfait une EDO de Ricatti pouvant être intégrée numériquement de manière rétrograde. Cours M3, optimisation sans gradient et applications 1 6 Problème 1: optimisation de formes de réseaux de Bragg Problème 1: optimisation de formes de réseaux de Bragg Cours M3, optimisation sans gradient et applications •Les figures ci dessous correspondent au spectre de différents FBG (L=10cm, n0=1.45, B=1550nm) pour plusieurs fonctions d’apodisation: 1 7 Problème 2: optimisation de parcs de panneaux solaires Problème 2: optimisation de parcs de panneaux solaires Cours M3, optimisation sans gradient et applications • Afin d’optimiser la production d’énergie d’un parc de panneaux solaires, il faut associer aux équations astronomiques permettant de connaître la position instantanée du soleil et son irradiation, des lois de probabilités représentatives de la nébulosité, des effets hygrométriques et aérosol, des températures, des vents au sol. • Les effets d’ombrages liés à l’horizon où à la position des structures sont aussi à prendre en compte. QuickTime™ et un décompresseur sont requis pour visionner cette image. 1 8 Problème 2: optimisation de parcs de panneaux solaires Problème 2: optimisation de parcs de panneaux solaires Cours M3, optimisation sans gradient et applications • De plus, par contraintes légales, un parc solaire au sol: (i) ne peut dépasser la puissance maximale cumulée de 12 MW (ii) deux parcs ne peuvent être distant de moins de 500 mètres. • Seules ces contraintes géométriques vont être considérées ici. QuickTime™ et un décompresseur sont requis pour visionner cette image. 1 9 Problème 2: optimisation de parcs de panneaux solaires Problème 2: optimisation de parcs de panneaux solaires Cours M3, optimisation sans gradient et applications • En termes mathématiques, cela donne: Soient deux réels ,S>0 et D>0, K un compact de X et n>0 un entier. On considère une réunion disjointe P={P1 , P2,…, Pn } de sous ensembles de K telle que • Aire(Pi )<S pour tout i dans {1,…,n} • d(Pi , Pj )>D pour tout couple de points distincts (i,j) dans {1,…,n} où Aire(Pi ) désigne l’aire de Pi et d(Pi , Pij) la distance entre Pi et Pj. L’objectif est de trouver un couple (n,P) tel que la somme des Aire(Pi) soit maximale. • En pratique, K est quelconque: non convexe, non connexe, etc… 2 0 Problème 2: optimisation de parcs de panneaux solaires Problème 2: optimisation de parcs de panneaux solaires Cours M3, optimisation sans gradient et applications • Il peut être démontré que le problème est bien posé mathématiquement, à savoir qu’il possède au moins une solution. • Pour simplifier la recherche, on fera ici des hypothèses simplificatrices sur la forme de K (rectangulaire) et sur celle des sous domaines Pi (disques triangles ou rectangles). 2 1 Objectifs du projet 1: optimisation de formes de réseaux de Bragg Objectifs du projet 1: optimisation de formes de réseaux de Bragg Cours M3, optimisation sans gradient et applications • Calcul de la fonction coût (erreur entre spectre simulé et spectre idéal) pour une classe de fonctions particulières (affines ou splines). • Optimisation uploads/Management/ kl-201233 1 .pdf