Cours d’optimisation M1 (AS et AII) N. DJEGHALI Département Automatique UMMTO,
Cours d’optimisation M1 (AS et AII) N. DJEGHALI Département Automatique UMMTO, 2021/2022 djeghalinadial2csp@gmail.com Chapitre 1. Rappels mathématiques 1.1 Définition d’un problème d’optimisation D’un point de vue mathématique, l’optimisation consiste à rechercher le minimum ou le maximum d’une fonction avec ou sans contraintes. Un problème d’optimisation avec contraintes est défini comme suit : a) Problème de minimisation avec contraintes (recherche du minimum d’une fonction) n R x ), x ( f Min ∈ Sous les contraintes : m ,..., 1 i , 0 ) x ( g i = = (Contraintes d’égalité) p ,..., 1 j , 0 ) x ( h j = ≥ (Contraintes d’inégalité) Avec : Min f(x) signifie le minimum de f(x). On dit que l’on cherche à minimiser la fonction f. Exemple 1.1 2 1x x Min Sous les contraintes : 0 1 x x 2 1 = + + 0 x 2 x 2 1 ≥ + b) Problème de maximisation avec contraintes (recherche du maximum d’une fonction) Un problème de maximisation avec contraintes est défini comme suit : n R x ), x ( f Max ∈ Sous les contraintes : m ,..., 1 i , 0 ) x ( g i = = p ,..., 1 j , 0 ) x ( h j = ≥ Avec : Max f(x) signifie le maximum de f(x). On dit que l’on cherche à maximiser la fonction f. Dans les problèmes d’optimisation Pc1 et Pc2, la fonction f(x) définie de D dans R (i.e., ) R D : f → porte divers noms : fonction de coût, fonction objectif ou critère d’optimisation. Pc2 : Pc1 : Chapitre 1. Rappels mathématiques N. DJEGHALI 2 . R D ) x ,......., x , x ( x n n 2 1 ⊂ ∈ = Les variables n 2 1 x ,......., x , x sont appelées variables de décision. D est appelé l’ensemble ou domaine admissible, défini par l’ensemble des contraintes comme suit: { } p ,..., 1 j , 0 ) x ( h et m ,...., 1 i , 0 ) x ( g / R x D j i n = ≥ = = ∈ = . Remarque 1.1 : Les problèmes Pc1 et Pc2 peuvent être écrits sous les formes simplifiées P’ c1 et P’ c2 suivantes : ) x ( f Min ) x ( f Max n R D x ⊂ ∈ n R D x ⊂ ∈ Remarque 1.2 : En absence de contraintes p ,..., 1 j , 0 ) x ( h et m ,...., 1 i , 0 ) x ( g j i = ≥ = = , les problèmes Pc1 et Pc2 deviennent : ) x ( f Min Max f(x) n R x ∈ n R x ∈ Dans ce cas, P1 et P2 sont respectivement des problèmes de minimisation et de maximisation sans contraintes. Remarque 1.3 : Max f(x)= - Min (-f(x)) et Min f(x)= - Max (-f(x)) Ainsi la recherche d’un maximum peut se ramener à la recherche d’un minimum et vice versa. P’ c1 : P1: P2: P’ c2 : f(x) -f(x) x Min f(x) Max -f(x) Chapitre 1. Rappels mathématiques N. DJEGHALI 3 1.2 Convexité a) Ensemble convexe : un ensemble n R D ⊂ est dit convexe si pour tout couple D ) x , x ( 2 1 ∈ et ] 1 0 [ ∈ α ∀ , on a : D x ) 1 ( x x 2 1 ∈ α − + α = Cette définition peut être interprétée en disant que le segment reliant 2 1 x et x doit être dans D. Exemples d’ensembles convexes : Exemples d’ensembles non convexes : b) Fonction convexe : une fonction n R D , R D : f ⊂ → est convexe ssi : D x , x 2 1 ∈ ∀ , ] 1 0 [ ∈ α ∀ , ) x ( f ) 1 ( ) x ( f ) x ) 1 ( x ( f 2 1 2 1 α − + α ≤ α − + α ) x ( f 2 ) x ( f ) x ( f ) 1 ( ) x ( f 1 2 1 α − + α ) x ) 1 ( x ( f 2 1 α − + α x x x ) 1 ( x x 2 2 1 1 α − + α Fonction convexe x1 x2 D x x1 x2 x D D D Chapitre 1. Rappels mathématiques N. DJEGHALI 4 ) x ) 1 ( x ( f 2 1 α − + α ) x ( f ) x ( f ) 1 ( ) x ( f ) x ( f 1 2 1 2 α − + α x x x ) 1 ( x x 2 2 1 1 α − + α Fonction non convexe On dit que f est strictement convexe dans D ssi : D x , x 2 1 ∈ ∀ , ] 1 0 [ ∈ α ∀ , ) x ( f ) 1 ( ) x ( f ) x ) 1 ( x ( f 2 1 2 1 α − + α < α − + α c) Fonction concave : Une fonction est concave si –f est convexe. La définition d’une fonction et ensemble concave se fait en inversant les inégalités dans les définitions précédentes. Fonction concave f(x) x Chapitre 1. Rappels mathématiques N. DJEGHALI 5 1.3 Définitions Soit le problème d’optimisation suivant: n R x ), x ( f Min ou Max ∈ s.c : m ,..., 1 i , 0 ) x ( g i = = p ,..., 1 j , 0 ) x ( h j = ≥ Définition 1.1 : Tout vecteur x vérifiant l’ensemble des contraintes (i.e., D x ∈ ) est appelé solution admissible ou réalisable du problème d’optimisation. Définition 1.2 : Un optimum ou extremum d’une fonction f est soit un maximum soit un minimum, c'est-à-dire la valeur la plus haute ou la plus faible que prend la fonction sur son ensemble de définition D. Cet optimum est donné par f(x*). f(x*)=Min f(x) dans le cas d’un problème de minimisation ⇒ f(x*) : Minimum. f(x*)=Max f(x) dans le cas d’un problème de maximisation ⇒ f(x*) : Maximum. Définition 1.3 : Le point x* où la fonction f possède un minimum (resp. maximum) est dit un point de minimum ou minimiseur (resp. un point de maximum ou maximiseur). x* est aussi appelé solution optimale du problème d’optimisation. f(x) ) * x ( f imum min ) * x ( f imum max 2 1 ← ← x * x * x 2 1 Point de maximum Point de minimum Chapitre 1. Rappels mathématiques N. DJEGHALI 6 1.4 Minima et maxima d’une fonction Soit f une fonction de n R D ⊂ dans R ( ) R R D : f n → ⊂ . a) Minimum ou maximum local : f admet un minimum (resp. maximum) local (ou relatif) en D * x ∈ , si et seulement s’il existe un voisinage *) x ( Vε de x*, tel que : ) x ( f *) x ( f *), x ( V x ≤ ∈ ∀ ε (resp. ) x ( f *) x ( f ≥ ) On dit alors que f(x*) est un minimum local de f dans D et x* est un point de minimum local. b) Minimum ou maximum local strict : f admet un minimum (resp. maximum) local au sens strict en D * x ∈ si et seulement s’il existe un voisinage *) x ( Vε de x*, tel que : ) x ( f *) x ( f *, x x *), x ( V x < ≠ ∈ ∀ ε (resp. ) x ( f *) x ( f > ) c) Minimum ou maximum global: f admet un minimum (resp. maximum) global (ou absolu) en D * x ∈ si : ) x ( f *) x ( f , D x ≤ ∈ ∀ (resp. ) x ( f *) x ( f ≥ ) Si les inégalités sont strictes, on obtient la définition d’un minimum (resp. maximum) global strict. f(x) x Maximum global strict Minimum global strict Maximum local Maximum local Minimum local strict Chapitre 1. Rappels mathématiques N. DJEGHALI 7 1.5 Minima des fonctions convexes Soit f une fonction R D : f → , n R D ⊂ est convexe : • Si f est convexe sur D, alors tout minimum local est un minimum global. • Si f est strictement convexe, alors tout minimum local devient non seulement global mais aussi unique. 1.6 Gradient et Hessien d’une fonction 1.6.1 Gradient : Soit , R R : f n → le gradient de f noté ) x ( f ∇ est donné par : uploads/Voyage/ optimisation-chapitre-1.pdf
Documents similaires
-
21
-
0
-
0
Licence et utilisation
Gratuit pour un usage personnel Attribution requise- Détails
- Publié le Nov 06, 2022
- Catégorie Travel / Voayage
- Langue French
- Taille du fichier 0.2284MB