Ax = b iff (B + N) x N

Dimension: px
Commencer à balayer dès la page:

Download "Ax = b iff (B + N) x N"

Transcription

1 Chapitre 3 Algorithme du simplexe 3.1 Solution de base admissible P en forme standard. A = (a 1,...,a n ) Hypothèse : n m (plus de variables que d équations) et rg(a)=m (pas d équation inutile). Donc après rearrangement des vecteurs on peut écrire A = (a i 1,..., a im, a i m+1,...,a in ) avec les m premiers vecteurs indépendants c.a.d. A = B + N avec B(m, m) de rang m. D où Ax = b iff (B + N) ( xb x N ) = b ce qui donne x B = B 1 b + B 1 N( x N ) Definition 1 B est appelée une base et x B = B 1 b la solution de base associée à B Si x B 0 alors (x B, 0) est une solution admissible de P. Deux idées à retenir pour la suite : une solution de base admissible est un sommet du polyhèdre d éfini par les contraintes. Le simplexe va faire passer d une solution de base admissible à une autre qui améliore la fonction objectif. 3.2 Solution de base admissible et polytope des contraintes On considère que des polyhèdres situé dans l orthant positif (x i 0 pour i = 1,...,n). Les équations de définitions sont donc : des équations d hyperplans et les contraintes x i 0. 1

2 2 CHAPITRE 3. ALGORITHME DU SIMPLEXE Premier résultat : on suppose que Ax = b, x 0 avec rang(a) = m définit un ensemble borné. Alors c est un polytope de R n m. Deuxième résultat : x B est une solution de base admissible ssi x B correspond à un sommet du polytope associé. Le polytope associé à Ax = b x 0 donne x B = B 1 b + B 1 N( x N ) avec x B, x N 0, c.a.d. B 1 N(x N ) B 1 b x N 0 ce qui donne bien un polytope de R n m. Réciproquement, étant donné un polytope de R n m dans le premier orthant, ses équations de définition sont : d ou x l 0 pour l = 1,..., n m Σ l=n m l=1 a i,l x l b i pour i = 1,...,n. x k 0 pour k = 1,..., m Σ l=n m l=1 a i,l x l + x n = b i pour i = 1,...,n. B donnée, on associe à x le ˆx de R n m obtenu en ne gardant que les valeurs x i B. On admettra que si (P) est un polytope et (C) est le problème standard associé, alors 1. x solution de base admissible de (C) 2. ˆx le sommet correspondant est un sommet de (P) 3.3 Méthode de Gauss-Jordan Principe du pivotage La méthode du pivot (Gauss-Jordan) pour résoudre un système d équation linéaire consiste à itérer les étapes suivantes : 1. à l étape p, choisir une variable x j et une ligne r tel que le coefficient a r,j soit non-nul 2. garder cette ligne après l avoir divisée par le coefficient a r,j (pour que le nouveau coefficient de x j soit 1) ligne r (ligne r)/a r,j 3. Ajouter cette ligne aux autres lignes après multiplication par le coefficient qui permet de faire disparaitre x j. ligne i ligne i a i,k /a r,j ligne r

3 3.3. MÉTHODE DE GAUSS-JORDAN 3 4. on réarrange les variables de manière à ce que x j soit la p ieme variable. En itérant et regroupant les variables correspondant aux pivots on obtient une matrice (I m, A ) avec I la matrice identité (m,m). Les variables qui correspondent à I m définissent une base Maintenir l admissibilité de la base Le principe du simplexe est d appliquer la méthode de pivotage sur une matrice qui est déjà de la forme (I m, A ) et telle que la base soit admissible. On verra comment on peut toujours se ramener à ce cas plus tard. Cela correspond à : a 1... a m a m+1... a n A ( xb x N ) = b 1.. b m et où b i 0 pour i = 1,...,m (sinon la base n est pas admissible). Forme tableau Les équations peuvent s écrire : x x m x m+1.. x n b A = b m Ces équations définissent les m premières variables et on peut les écrire : x m+1.. x n x 1 b 1. =. A.. x m b m Les variables x 1,..., x m sont les variables de bases et les variables x m+1,..., x n sont les variables hors base. Pour avoir la base admissible, on met les variables hors bases égales à 0 et la valeur des variables de base se lit sur le tableau : x i = b i. La base est admissible ssi b i > 0. Par abus de language, on identifiera la base et ses variables de base. Le pivotage consiste à choisir une variable x j à faire entrer dans la base (donc choisir une colonne j) à choisir une variable à faire sortir de la base x r (donc choisir une ligne r) ce qui correspond à un pivot a r,j qui doit être non-nul. Le pivotage donne un tableau tel que :

4 4 CHAPITRE 3. ALGORITHME DU SIMPLEXE 1. ligne r ligne r/a r,j 2. ligne i ligne i + ligne r( a i,j /a r,j ) pour i r 3. les variables x j et x r sont échangées et la colonne j est remplacée par la colonne des coefficients multiplicateurs : 1/a r,j sur la ligne r et ( a i,j /a r,j ) sur les lignes i j. Maintien de l admissibilité de la base. On a une nouvelle base admissible si les nouveaux coefficients pour b sont 0. Ces coefficients sont : * b r /a r,j pour la ligne r * b i b r (a i,j /a r,j ) Si la base précédente est admissible la nouvelle l est ssi : a r,j > 0 et b i /a i,j b r /a r,j (pour les i tel que a i,j > 0.) Amélioration de la fonction objectif On rajoute aux calculs précédents la fonction objectif. A = B + N avec B(m, m) de rang m et c = (c B, c N ). ce qui donne Après remplacement Max z = c B x B + c N x N x B = B 1 b + B 1 N( x N ) Max z = c B B 1 b B 1 Nx N + c N x N Le premier terme s écrit z 0 = c B B 1 b et on écrit le second terme comme Σ j B (z j c j )( x j ). On a la forme tableau Exemple : Le pivotage consiste à x m+1. x j. x n z z 0. z j c j.. x 1 b 1 α 1,j... = x m b m α m,j.. 1. Choisir une variable à faire rentrer dans B (une colonne j) 2. Choisir une variable à faire sortir de B (une ligne r) 3. Effectuer le pivotage Il faut de plus * Garder l admissibilite de la base * Ameliorer la fonction objectif (au moins ne pas la dégrader).

5 3.4. ALGORITHME DU SIMPLEXE. 5 La valeur de la fonction objectif dans la nouvelle base après pivotage sur α r,j est z 0 = z 0 (z j c j )b r /α r,j On veut z 0 z 0. Pour maintenir l admissibilité on a choisi α r,j > 0 et on sait que b r 0, donc il faut et il suffit que : z j c j < 0 Remarque : on ne choisit evidemment jamais de pivot sur la ligne de la fonction objectif. 3.4 Algorithme du Simplexe Description. 1. Partir d une base admissible. 2. Chercher à effectuer un pivotage (a) j 0 tel que z j0 c j0 < 0, mais i = 1,...m, α i,j0 0 alors pas d optimum fini, STOP. (b) j, z j c j 0, alors la base actuelle donne l optimum qui est fini, STOP. (c) un pivot existe avec les critères de choix donnés précédemment, effectuer le pivotage et aller en 2. Remarque : rien ne garantit que l algorithme termine, et il existe des cas où il ne termine pas. Pour assurer la terminaison, il faut soit mémoriser toutes les bases pour éviter celles déjà calculées (couteux et impossible en pratique) soit utiliser des règles de choix particulière des pivots (règle de Bland par exemple, voir chapitre suivant) Correction de l algorithme. A chaque étape la base est admissible et la fonction objectif ne se dégrade pas. Il suffit donc de montrer que les cas d arrêt correspondent à ce qui est dit (optimum fini atteint ou infini). Le cas pas de solution aux contraintes est éliminé car on suppose qu on part d une base admissible. On suppose j 0 tel que z j0 c j0 < 0 mais tous les α i,j0 0. Le système d équation est vrai pour toutes les valeurs x j. Prenons x j = 0 pour j j 0. On a z = z 0 + (z j0 c j0 )(x j0 ) donc > z 0 Pour une valeur x j0 quelconque. x i = b i + (z j0 c j0 )(α i,j0 ) donc 0. positive on a une base admissible et une valeur de la fonction objectif et celle ci tend vers + quand x j0 tend vers +.

6 6 CHAPITRE 3. ALGORITHME DU SIMPLEXE On suppose j tel que z j c j 0 pour une base B. On considere une autre base admissible B qui donne une valeur z 0 a la fonction objectif. Le tableau obtenu pour la base B définit une égalité valable pour toutes les valeurs des variables. z = z 0 + Σ j B (z j c j )( x j ) avec z j c j > 0. Les variables x j de B ont une valeur positive v j car B est admissible. Par conséquent la valeur de z pour B vaut z 0 + Σ j B (z j c j )( v j ) z 0. Donc B réalise l optimum Terminaison Règle de Bland : lors d un pivotage, la variable qui entre est celle d indice minimal parmi celles qui peuvent rentrer et la variable qui sort est celle d indice minimal parmi celles qui peuvent sortir. Proposition 1 L algorithme du simplexe termine si on applique la règle de Bland. Preuve par l absurde : on suppose qu il ne termine pas. Alors il existe un cycle B... B. Nécessairement z 0 est constante le long du cycle, on peut le supposer nul. z = z 0 + Σ j IB (z j c j )( x j ) I B indices de la base B. Pour un pivotage en r, j (x r sort, x j entre) on a : z 0 = z 0 (z j c j )(b r /α i,j ) et donc b r = 0. et si b r vaut 0, la valeur des autres b i ne change pas. Donc tous les b i pour une variable i qui sortira valent 0. On peut éliminer les équations des variables qui restent toujours dans la base. On suppose que tous les b i sont 0 ainsi que z 0. Tableau x m+1. x j. x n z 0. z j c j. x 1 0 α 1,j. =... x m 0 α m,j q indice maximal des indices des variables de B.

7 3.4. ALGORITHME DU SIMPLEXE. 7 T 1 tableau avant que x q rentre. x m+1. x q. x n z 0. z q c q. x 1 0 α 1,j. =... x m 0 α m,j Alors z q c q < 0 et z j c j 0 pour tout j < q z = Σ j q, IB (z j c j ) ( x j ) + (z q c q ) ( x q ) 0 0 < T 2 tableau juste avant que x q sorte (donc pour tout l q, α l,p 0. x m+1. x p. x n z z 0. z p c p. x 1 0 α 1,p 0. =. x q = 0 α q,p > 0.. x m 0 α m,p 0 B On peut choisir les valeurs de certains x i dans les équations données par les tableaux T 1, T 2 de manière à obtenir des égalités interessantes. On choisit x i = ξ i tel que : * ξ p = 1 * ξ i = 0 pour i I B, i p * ξ i donné par le tableau T 2 sinon c.a.d. * ξ i = α i,p 0 * ξ q = α q,p < 0 D après T 1 on a : z = Σ j q,j IB (z j c j ) ( ξ j ) + (z q c q ) ( ξ q ) < > 0 donc z < 0 D après T 2 contradiction. z = (z p c p ) ( y p ) 0 < = 1 > 0

8 8 CHAPITRE 3. ALGORITHME DU SIMPLEXE 3.5 Exemples de déroulement du simplexe Cas optimum fini. Max z = 5x 1 + 8x 2 x 1 + x 2 2 x 1 2x 2 0 x 1 + 4x 2 1 x 1, x 2 0 Variables d ecart e 1, e 2, e 3 donnent une base admissible. On peut écrire la fonction objectif avec les variables hors base : z = 0 + ( 5)( x 1 ) + ( 8)( x 2 ) d où le tableau : x 1 x 2 z e e 2 = e Pivotage : on peut choisir la première ou la deuxième colonne. On choisit la seconde et on calcule min(2/1,1/4) donc pivot 4. x 1 e 3 z e 1 7/4 5/4 1/4 e 2 = 1/2 1/2 1/2 x 2 1/4 1/4 1/4 On vérifie que z a bien augmenté. Nouveau pivot obligatoirement sur colonne 1 et on calcule min((7/4)/(5/4),(1/2)/(1/2)) d ou ligne 2 e 2 e 3 z e 1 1/2 5/2 3/2 x 1 = x 2 1/2 1/2 1/2 Tous les coefficients z j c j sont positifs ou nuls, donc arret sur l optimum donné par la base B = {e 1, x 1, x 2 }, la valeur z = 9, et les variables de base e 1 = 1/2, x 1 = 1, x 2 = 1/2, les variables hors base valant 0. Optimum infini Max z = x 1 + x 2 x 1 + x 2 2 x 2 3 x 1, x 2 0

9 3.5. EXEMPLES DE DÉROULEMENT DU SIMPLEXE 9 Tableau x 1 x 2 z e e On choisit colonne 2 et min(2/1,3/1) donne la ligne 1. Colonne 1 et min(1/1) donne la ligne 2 x 1 e 1 z x e e 2 e 1 z x x Colonne 2 obligatoirement mais pas de pivot sur cette colonne donc optimum infini (ce qu on voyait sur la colonne 1 dès le départ). Cas dégénéré Max z = 2x 1 + x 2 x 1 + 2x 2 2 x 1 + x 2 2 x 1, x 2 0 Les variables d écart donnent une base admissible : x 1 x 2 z e e On choisit la colonne 1 et on calcule min(2/1,2/1) les deux lignes sont possibles, on prend la première. e 1 x 2 z x e On est à l optimum avec une base dégénérée : une des variables de base vaut 0. On pourrait refaire un pivotage (non autorisé dans le déroulement normal car le pivot serait négatif et le coefficient de x 2 dans z est positif) pour echanger e 2 et x 2 : dans ce cas la valeur de x 2 resterait 0 et celle de z resterait 4.

Programmation linéaire

Programmation linéaire 1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit

Plus en détail

Algorithme du simplexe

Algorithme du simplexe Algorithme du simplexe Une solution à la programmation linéaire Hugues Talbot Laboratoire A2SI 18 mars 2008 Plan Algèbre linéaire Algorithme du simplexe Formulation et forme standard Notations Recherche

Plus en détail

Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique. 6.1.1 Exemple introductif

Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique. 6.1.1 Exemple introductif Chapitre 6 Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique 6.1.1 Exemple introductif Problème : n matrices M i (m i, m i+1 ) à multiplier en minimisant le nombre de multiplications,

Plus en détail

(i) Le nombre de travailleurs commencant leur service est positif ou nul : x i 0 i = 1,...,7

(i) Le nombre de travailleurs commencant leur service est positif ou nul : x i 0 i = 1,...,7 Chapitre 1 Modelisation 11 Exemples de Problèmes 111 La Cafétaria Cafétaria ouverte toute la semaine Statistique sur le personnel requis : Jour Lundi Mardi Mercredi Jeudi Vendredi Samedi Dimanche Nombre

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

Chapitre 1 : Programmation linéaire

Chapitre 1 : Programmation linéaire Graphes et RO TELECOM Nancy 2A Chapitre 1 : Programmation linéaire J.-F. Scheid 1 I. Introduction 1) Modélisation En Recherche Opérationnelle (RO), modéliser un problème consiste à identifier: les variables

Plus en détail

Programmation Linéaire - Cours 2

Programmation Linéaire - Cours 2 Programmation Linéaire - Cours 2 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Sommaire 1 2 3 Retournons dans le yaourt! Reprenons l exemple du 1er cours Forme normale

Plus en détail

Mathématique pour l informatique Examen durée : 3 heures. Question 1. Mettre ce problème en forme standard en introduisant des variables d écarts.

Mathématique pour l informatique Examen durée : 3 heures. Question 1. Mettre ce problème en forme standard en introduisant des variables d écarts. Mathématique pour l informatique Examen durée : 3 heures. Université de Provence Licence Informatique Année 2001-2002 Exercice 1 (Simplexe : 10 points) On donne le problème de programmation linéaire (P)

Plus en détail

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.

Plus en détail

Optimisation linéaire

Optimisation linéaire Optimisation linéaire Recherche opérationnelle GC-SIE Algorithme du simplexe Phase I 1 Introduction Algorithme du simplexe : Soit x 0 une solution de base admissible Comment déterminer x 0? Comment déterminer

Plus en détail

1 Programmation linéaire

1 Programmation linéaire UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2012 2013 Master d économie Cours de M. Desgraupes Méthodes Numériques Document 4 : Corrigé des exercices d optimisation linéaire

Plus en détail

Résolution de systèmes linéaires : Méthodes directes. Polytech Paris-UPMC. - p. 1/51

Résolution de systèmes linéaires : Méthodes directes. Polytech Paris-UPMC. - p. 1/51 Résolution de systèmes linéaires : Méthodes directes Polytech Paris-UPMC - p. /5 Rappels mathématiques s Propriétés - p. 2/5 Rappels mathématiques Soit à résoudre le système linéaire Ax = b. Rappels mathématiques

Plus en détail

Recherche opérationnelle

Recherche opérationnelle Université dulittoral Côte d Opale Master 2 en Sciences Economiques et de Gestion Recherche opérationnelle Daniel DE WOLF Dunkerque, Septembre 2006 Table des matières 1 Laprogrammation linéaire. 7 1.1

Plus en détail

LES ÉTAPES DE L ALGORITHME DU SIMPLEXE

LES ÉTAPES DE L ALGORITHME DU SIMPLEXE LES ÉTAPES DE L ALGORITHME DU SIMPLEXE Sommaire 1. Introduction... 1 2. Variables d écart et d excédent... 2 3. Variables de base et variables hors base... 2 4. Solutions admissibles... 3 5. Résolution

Plus en détail

Rappels sur les tableaux et l algorithme du simplexe

Rappels sur les tableaux et l algorithme du simplexe Rappels sur les tableaux et l algorithme du simplexe À tout tableau est associée non seulement une base du problème initial (primal) mais également une base du problème dual. Les valeurs des variables

Plus en détail

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html Arithmétique Algorithmique http://www.math.univ-lyon1.fr/~roblot/ens.html Partie III Algorithmes classiques 1 Coût de la multiplication et de la division 2 Exponentiation rapide 3 Algorithme d Euclide

Plus en détail

Cours 02 : Problème général de la programmation linéaire

Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =

Plus en détail

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 Motivation et objectif du cours

Plus en détail

Intégration de polynômes Points de Gauss

Intégration de polynômes Points de Gauss Intégration de polynômes Points de Gauss Commençons par un exercice classique de premier cycle. Problème 1 Trouver trois réels α, β et γ tels que, pour tout polynôme P de degré au plus 2, on ait : ( )

Plus en détail

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L BACCALAURÉAT GÉNÉRAL SESSION 2015 MATHÉMATIQUES Série ES/L Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) ES : ENSEIGNEMENT OBLIGATOIRE L : ENSEIGNEMENT DE SPECIALITE Les calculatrices électroniques

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 3 4 Master d économie Cours de M. Desgraupes MATHS/STATS Document : Solution des exercices d algèbre linéaire Table des matières

Plus en détail

Le Déterminant. par Alain Prouté Université Denis Diderot Paris 7. 1 Permutations. 1. 2 Application transposée, base duale. 3. 3 Mesures de volume.

Le Déterminant. par Alain Prouté Université Denis Diderot Paris 7. 1 Permutations. 1. 2 Application transposée, base duale. 3. 3 Mesures de volume. Ce cours peut être librement copié et distribué. Il est recommandé d en télécharger la version la plus récente à partir de : http://www.math.jussieu.fr/~alp. Toute remarque, correction ou suggestion doit

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

Plus en détail

Résolution de systèmes linéaires creux par des méthodes directes

Résolution de systèmes linéaires creux par des méthodes directes Résolution de systèmes linéaires creux par des méthodes directes J. Erhel Janvier 2014 1 Stockage des matrices creuses Dans de nombreuses simulations numériques, la discrétisation du problème aboutit à

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation

Plus en détail

Problème du flot à coût minimum

Problème du flot à coût minimum Problème du flot à coût minimum IFT1575 Modèles de recherche opérationnelle (RO). Optimisation de réseaux e. Flot à coût minimum On a un graphe orienté et connexe chaque arc (i,j), on associe une capacité

Plus en détail

Fonctions. Fonctions linéaires, affines et constantes

Fonctions. Fonctions linéaires, affines et constantes linéaires, affines et constantes 1. linéaires Comme il existe une infinité de fonctions différentes, on les classe par catégories. La première catégorie est constituée par les fonctions linéaires. Une

Plus en détail

Cours 3: Inversion des matrices dans la pratique...

Cours 3: Inversion des matrices dans la pratique... Cours 3: Inversion des matrices dans la pratique... Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module complémentaire de maths, année 2012 1 Rappel de l épisode précédent

Plus en détail

TD : Microéconomie de l incertain. Emmanuel Duguet

TD : Microéconomie de l incertain. Emmanuel Duguet TD : Microéconomie de l incertain Emmanuel Duguet 2013-2014 Sommaire 1 Les loteries 2 2 Production en univers incertain 4 3 Prime de risque 6 3.1 Prime de risque et utilité CRRA.................. 6 3.2

Plus en détail

MAP-SIM2 : Planification de trajectoire

MAP-SIM2 : Planification de trajectoire MP-SIM : Planification de trajectoire sujet proposé par Nicolas Kielbasiewicz : nicolas.kielbasiewicz@ensta-paristech.fr 0 janvier 06 La planification de trajectoire consiste à déterminer une trajectoire,

Plus en détail

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre

Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre Recherche opérationnelle Programmation linéaire et recherche opérationnelle Ioan Todinca Ioan.Todinca@univ-orleans.fr tél. 0 38 41 7 93 bureau : en bas à gauche Tentative de définition Ensemble de méthodes

Plus en détail

Chapitre 4 : Dualité en programmation linéaire

Chapitre 4 : Dualité en programmation linéaire Graphes et RO TELECOM Nancy 2A Chapitre 4 : Dualité en programmation linéaire J.-F. Scheid 1 Plan du chapitre 1 Introduction et définitions 2 Propriétés et Théorèmes de dualité 3 Conditions d optimalité

Plus en détail

TOPOLOGIE DE LA DROITE REELLE

TOPOLOGIE DE LA DROITE REELLE TOPOLOGIE DE LA DROITE REELLE P. Pansu 16 mai 2005 1 Qu est-ce que la topologie? C est l étude des propriétés des objets qui sont conservées par déformation continue. Belle phrase, mais qui nécessite d

Plus en détail

MATH-F-306 - Optimisation. Prénom Nom Note

MATH-F-306 - Optimisation. Prénom Nom Note MATH-F-306 Optimisation examen de 1 e session année 2009 2010 Prénom Nom Note Répondre aux questions ci-dessous en justifiant rigoureusement chaque étape, affirmation, etc. AUCUNE NOTE N EST AUTORISÉE.

Plus en détail

Chapitre 7. Problèmes de flots. 7.1 Exemple. 7.2 Notions de base sur les graphes

Chapitre 7. Problèmes de flots. 7.1 Exemple. 7.2 Notions de base sur les graphes Chapitre 7 Problèmes de flots. 7.1 Exemple. Un réseau electrique est formé de lignes reliant des noeuds (transformateurs, centre de redistributions,...), chaque ligne a une capacité de transport maximale.

Plus en détail

LA PROGRAMMATION LINEAIRE : ANALYSE DE SENSIBILITE

LA PROGRAMMATION LINEAIRE : ANALYSE DE SENSIBILITE LA PROGRAMMATION LINEAIRE : ANALYSE DE SENSIBILITE Nous abordons dans cette leçon la partie analyse de sensibilité de la résolution d'un problème de programmation linéaire. Il s'agit d'étudier les conséquences

Plus en détail

Exos corrigés darithmétique...classe : TS-Spé. Prof. MOWGLI Ahmed. Année scolaire 2015-2016

Exos corrigés darithmétique...classe : TS-Spé. Prof. MOWGLI Ahmed. Année scolaire 2015-2016 Exos corrigés darithmétique...classe : TS-Spé Prof. MOWGLI Ahmed Année scolaire 2015-2016 1 Pour des cours particuliers par petits groupes de 3 ou 4 élèves en maths et/ou physique-chimie, veuillez me contacter.

Plus en détail

Analyse en composantes principales

Analyse en composantes principales Analyse en composantes principales Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Analyse en composantes principales p. 1/18 Introduction Objectifs Soit {x i } i=1,,l

Plus en détail

Exo7. Espaces vectoriels. 1 Définition, sous-espaces. Fiche amendée par David Chataur et Arnaud Bodin.

Exo7. Espaces vectoriels. 1 Définition, sous-espaces. Fiche amendée par David Chataur et Arnaud Bodin. Exo7 Espaces vectoriels Fiche amendée par David Chataur et Arnaud Bodin. Définition, sous-espaces Exercice Montrer que les ensembles ci-dessous sont des espaces vectoriels (sur R) : E = { f : [,] R } :

Plus en détail

4. Programmation en nombres entiers

4. Programmation en nombres entiers IFT575 Modèles de recherche opérationnelle (RO). Programmation en nombres entiers a. Modélisation Terminologie de base Programmation en nombres entiers Programmation linéaire avec certaines variables contraintes

Plus en détail

Achats/ventes en bourse - IGI3006 - Michel Couprie

Achats/ventes en bourse - IGI3006 - Michel Couprie Achats/ventes en bourse - IGI00 - Michel Couprie NOTE:LessectionsA,B,C,D,Efontpartiedel énoncédonnéauxétudiants,lessections suivantes contiennent des indications ou des solutions. A. Le problème Une société

Plus en détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Corrigé

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Corrigé Baccalauréat ES/L Amérique du Sud 2 novembre 2 Corrigé A. P. M. E. P. EXERCICE Commun à tous les candidats 5 points. Diminuer le budget de 6 % sur un an revient à multiplier par 6 =,94. Diminuer le budget

Plus en détail

Table des Matières. Satisfaisabilité en logique propositionnelle ES pour les problèmes d optimisation Élagage à l aide d heuristiques Le Labyrinthe

Table des Matières. Satisfaisabilité en logique propositionnelle ES pour les problèmes d optimisation Élagage à l aide d heuristiques Le Labyrinthe Table des Matières Essais Successifs (ES) 1 Rappels : Fonctions et Ordres de grandeurs 2 Diviser pour Régner 3 Approches Gloutonnes 4 Programmation Dynamique 5 Essais Successifs (ES) Le problème des n

Plus en détail

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre

Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre INFORMATIQUE ORIENTATION LOGICIELS CLASSIFICATION AUTOMATIQUE Prof.É.D.Taillard Classification automatique @Prof. E. Taillard EIVD, Informatique logiciel, 4 e semestre CLASSIFICATION AUTOMATIQUE But :

Plus en détail

2 Ensembles convexes. 2.1 Définition et premières propriétés

2 Ensembles convexes. 2.1 Définition et premières propriétés 2 Ensembles convexes Les chapitres 2 et 3 présentent les éléments d analyse convexe qui nous seront utiles pour étudier les problèmes d optimisation et les algorithmes qui les résolvent. Le chapitre 2

Plus en détail

Baccalauréat Série S Métropole, juin 2014

Baccalauréat Série S Métropole, juin 2014 Baccalauréat Série S Métropole, juin 4 Sujet et Corrigé Stéphane PASQUET Disponible sur http://www.mathweb.fr juin 4 Exercice (5 points) - Commun à tous les candidats Partie A Dans le plan muni d un repère

Plus en détail

Les matrices. 1 Définitions. 1.1 Matrice

Les matrices. 1 Définitions. 1.1 Matrice Les matrices 2012-2013 1 Définitions 11 Matrice Définition 1 Une matrice m n est un tableau de nombres à m lignes et n colonnes Les nombres qui composent la matrice sont appelés les éléments de la matrice

Plus en détail

ACCQ204 4 Jan. 2016. Cours 3. Définition 1 Pour tout entier r 2 un code de Hamming (binaire) a pour matrice de parité H r telle que : 1 0 1 0 1.

ACCQ204 4 Jan. 2016. Cours 3. Définition 1 Pour tout entier r 2 un code de Hamming (binaire) a pour matrice de parité H r telle que : 1 0 1 0 1. ACCQ4 4 Jan 6 Cours 3 Enseignant: Aslan Tchamkerten Crédit: Pierre de Sainte Agathe Code de Hamming Définition Pour tout entier r un code de Hamming (binaire) a pour matrice de parité H r telle que : H

Plus en détail

Exo7. Développements limités. 1 Calculs. 2 Applications. Corrections d Arnaud Bodin.

Exo7. Développements limités. 1 Calculs. 2 Applications. Corrections d Arnaud Bodin. Exo7 Développements ités Corrections d Arnaud Bodin. Calculs Exercice Donner le développement ité en 0 des fonctions :. cosx expx à l ordre 2. ln + x)) 2 à l ordre 4 shx x. x à l ordre 6 4. exp sinx) )

Plus en détail

MATHÉMATIQUES - SPÉCIALITÉ. Table des matières

MATHÉMATIQUES - SPÉCIALITÉ. Table des matières MATHÉMATIQUES - SPÉCIALITÉ F.HUMBERT Table des matières Chapitre A - Congruences 2 Chapitre B - PGCD 5 Chapitre C - Nombres premiers 11 Chapitre D - Matrices et évolution de processus 14 Chapitre E - Matrices

Plus en détail

en dimension finie Table des matières

en dimension finie Table des matières Maths PCSI Cours Algèbre linéaire en dimension finie Table des matières 1 Rappels d algèbre linéaire 2 1.1 Applications linéaires......................................... 2 1.2 Familles libres, génératrices

Plus en détail

Chapitre IV Bases et dimension d un espace vectoriel

Chapitre IV Bases et dimension d un espace vectoriel Chapitre IV Bases et dimension d un espace vectoriel Objectif : Nous allons voir comment fabriquer des systèmes de coordonnées pour les vecteurs d un espace vectoriel général. Dans ce chapitre désigne

Plus en détail

Feuille d exercices n o 1. N(x i ). 4. On rappelle qu un espace normé est séparable s il contient une partie dénombrable dense.

Feuille d exercices n o 1. N(x i ). 4. On rappelle qu un espace normé est séparable s il contient une partie dénombrable dense. 1 Feuille d exercices n o 1 1. Deuxième forme géométrique du théorème de Hahn-Banach Soient A E et B E deux convexes, non vides, disjoints (E est une espace vectoriel normé). On suppose que A est fermé

Plus en détail

Le second degré. Déterminer et utiliser la forme la plus adéquate d une fonction polynôme de degré deux en vue de la résolution d un problème :

Le second degré. Déterminer et utiliser la forme la plus adéquate d une fonction polynôme de degré deux en vue de la résolution d un problème : Chapitre 1 Ce que dit le programme Le second degré CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Second degré Forme canonique d une fonction polynôme de degré deux. Équation du second degré, discriminant.

Plus en détail

2010/2011. Espaces vectoriels

2010/2011. Espaces vectoriels Université Paris-Est Marne-la-Vallée 010/011 M1 enseignement CD/Préparation au CAPES Espaces vectoriels Dans toute la suite on considèrera des espaces vectoriels sur un corps commutatif K de caractéristique

Plus en détail

Cours de Mathématiques II Chapitre 1. Algèbre linéaire

Cours de Mathématiques II Chapitre 1. Algèbre linéaire Université de Paris X Nanterre UFR Segmi Année 7-8 Licence Economie-Gestion première année Cours de Mathématiques II Chapitre Algèbre linéaire Table des matières Espaces vectoriels Espaces et sous-espaces

Plus en détail

Corrigé du baccalauréat ES Pondichéry 16 avril 2015

Corrigé du baccalauréat ES Pondichéry 16 avril 2015 Corrigé du baccalauréat ES Pondichéry 16 avril 2015 Exercice 1 Commun à tous les candidats 5 points Partie A On appelle B l événement «la batterie est défectueuse» ; l événement «le disque dur est défectueux».

Plus en détail

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI

Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI Chapitre 6 Modélisation en P.L.I. 6.1 Lien entre PL et PLI (P) problème de PL. On restreint les variables à être entières : on a un problème de PLI (ILP en anglais). On restreint certaines variables à

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire NICOD JEAN-MARC Master 2 Informatique Université de Franche-Comté UFR des Sciences et Techniques septembre 2008 NICOD JEAN-MARC Rappels sur les graphes 1 / 47 Sommaire 1 Exemple

Plus en détail

Les théorèmes de Gerschgorin et de Hadamard

Les théorèmes de Gerschgorin et de Hadamard Localisation des valeurs propres : Quelques propriétés sur les disques de Gerschgorin. Jean-Baptiste Campesato 22 septembre 29 Gerschgorin est parfois retranscrit en Gershgorin, Geršgorin, Hershhornou

Plus en détail

Équations différentielles en physique

Équations différentielles en physique Fiche Mathématiques pour la Physique - Équations différentielles en physique - MPSI 1 Lycée Chaptal - 2012 Équations différentielles en physique On ne considère en physique en prépa (quasiment) que des

Plus en détail

Emmanuel Filiot Département d Informatique Faculté des Sciences Université Libre de Bruxelles. Année académique 2014-2015

Emmanuel Filiot Département d Informatique Faculté des Sciences Université Libre de Bruxelles. Année académique 2014-2015 INFO-F-302, Cours d Informatique Fondamentale Emmanuel Filiot Département d Informatique Faculté des Sciences Université Libre de Bruxelles Année académique 2014-2015 Problèmes Indécidables : Définition

Plus en détail

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes.

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes. Au menu Cours 7: Classes Probabilistes Olivier Bournez bournez@lix.polytechnique.fr LIX, Ecole Polytechnique Retours sur quelques algorithmes Quelques résultats INF561 Algorithmes et Complexité 1 2 Sous

Plus en détail

Rappels d Algèbre Linéaire de P.C.S.I

Rappels d Algèbre Linéaire de P.C.S.I Rappels d Algèbre Linéaire de PCSI Table des matières 1 Structure d espace vectoriel sur IK 3 11 Définition et règles de calcul 3 12 Exemples de référence 3 13 Espace vectoriel produit 4 14 Sous-espaces

Plus en détail

Machines de Turing. Chapitre 14 14.1. DÉFINITION ET FONCTIONNEMENT

Machines de Turing. Chapitre 14 14.1. DÉFINITION ET FONCTIONNEMENT Chapitre 4 Machines de Turing Dans ce chapitre on présente un modèle de calcul introduit dans les années 3 par Turing, les machines de Turing. Ces machines formalisent la notion de calculabilité. La thèse

Plus en détail

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL LINF 2275 Stat. explor. multidim. 1 A.C.P.: Analyse en Composantes Principales Analyse de la structure de la matrice

Plus en détail

Chapitre 4 Automates à pile et langages hors-contexte

Chapitre 4 Automates à pile et langages hors-contexte Chapitre 4 Automates à pile et langages hors-contexte 87 Introduction Langage a n b n n est pas accepté par un automate fini. Par contre L k = {a n b n n k} est accepté. Mémoire finie, mémoire infinie,

Plus en détail

Exercices théoriques

Exercices théoriques École normale supérieure 2008-2009 Département d informatique Algorithmique et Programmation TD n 9 : Programmation Linéaire Avec Solutions Exercices théoriques Rappel : Dual d un programme linéaire cf.

Plus en détail

BACCALAURÉAT GÉNÉRAL SESSION 2014 MATHÉMATIQUES. Série S ÉPREUVE DU JEUDI 19 JUIN 2014. Durée de l épreuve : 4 heures Coefficient : 7

BACCALAURÉAT GÉNÉRAL SESSION 2014 MATHÉMATIQUES. Série S ÉPREUVE DU JEUDI 19 JUIN 2014. Durée de l épreuve : 4 heures Coefficient : 7 BACCALAURÉAT GÉNÉRAL SESSION 2014 MATHÉMATIQUES Série S ÉPREUVE DU JEUDI 19 JUIN 2014 Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont

Plus en détail

Mathématiques pour. l informatique

Mathématiques pour. l informatique Xavier Chanet Patrick Vert Mathématiques pour l informatique Pour le BTS SIO Toutes les marques citées dans cet ouvrage sont des marques déposées par leurs propriétaires respectifs. Illustration de couverture

Plus en détail

Séquence 3. 1 ère partie : 2 e partie : Second degré. Probabilités (1) Séquence 3 MA12. Cned - Académie en ligne

Séquence 3. 1 ère partie : 2 e partie : Second degré. Probabilités (1) Séquence 3 MA12. Cned - Académie en ligne Séquence 3 1 ère partie : Second degré e partie : Probabilités (1) Séquence 3 MA1 1 1 ère partie Second degré Sommaire 1. Pré-requis. Forme canonique, étude d une fonction du second degré 3. Équation du

Plus en détail

CODES CORRECTEURS D'ERREURS

CODES CORRECTEURS D'ERREURS CODES CORRECTEURS D'ERREURS Marc URO TABLE DES MATIÈRES DÉTECTION ET CORRECTION D'ERREURS... 6 CAS D'UN CANAL SANS SYMBOLE D'EFFACEMENT...6 CAS D'UN CANAL AVEC SYMBOLE D'EFFACEMENT...7 GÉNÉRATION ET DÉTECTION

Plus en détail

Fonctions Nombre Dérivé Fonction dérivée

Fonctions Nombre Dérivé Fonction dérivée Fonctions Nombre Dérivé Fonction dérivée Ce chapitre est le chapitre central de la classe de Terminale STG. Il permet (en partie) de clore ce qui avait été entamé dés le collège avec les fonctions affines

Plus en détail

Correction de l épreuve intermédiaire de mai 2009.

Correction de l épreuve intermédiaire de mai 2009. Licence de Gestion. 3ème Année Année universitaire 8-9 Optimisation Appliquée C. Léonard Correction de l épreuve intermédiaire de mai 9. Exercice 1 Avec les notations du cours démontrer que la solution

Plus en détail

Sujets HEC B/L 2013-36-

Sujets HEC B/L 2013-36- -36- -37- Sujet HEC 2012 B/L Exercice principal B/L1 1. Question de cours : Définition et propriétés de la fonction de répartition d une variable aléatoire à densité. Soit f la fonction définie par : f(x)

Plus en détail

La gestion des ventes.

La gestion des ventes. I. La prévision des ventes. A. Principe. La gestion des ventes. Elle consiste à déterminer les ventes futures à la fois en quantité et en valeur en tenant compte des tendances et contraintes imposées à

Plus en détail

Matrices et déterminants

Matrices et déterminants Matrices et déterminants Matrices Définition.. Une matrice réelle (ou complexe) M = (m i,j ) (m, n) à m lignes et n colonnes est un tableau à m lignes et n colonnes de réels (ou de complexes). Le coefficient

Plus en détail

Mathématiques appliquées à la finance J. Printems Année 2007 08

Mathématiques appliquées à la finance J. Printems Année 2007 08 École Supérieure des Affaires Master 2 Gestion de Portefeuille Université Paris xii Val de Marne Mathématiques appliquées à la finance J Printems Année 2007 08 Correction de l épreuve du 2 février 2008

Plus en détail

Baccalauréat ES Pondichéry 21 avril 2016

Baccalauréat ES Pondichéry 21 avril 2016 Exercice 1 Commun à tous les candidats Baccalauréat ES Pondichéry 21 avril 216 4 points Cet exercice est un QCM (questionnaire à choix multiples). Pour chacune des quatre questions posées, une seule des

Plus en détail

Second degré. Christophe ROSSIGNOL. Année scolaire 2008/2009

Second degré. Christophe ROSSIGNOL. Année scolaire 2008/2009 Second degré Christophe ROSSIGNOL Année scolaire 008/009 Table des matières 1 Polynômes du second degré 1.1 Définition................................................. 1. Forme canonique.............................................

Plus en détail

CQP 208. Chapitre 5 Optimisation. Olivier Godin. 20 novembre 2015. Université de Sherbrooke. Optimisation 1 / 50

CQP 208. Chapitre 5 Optimisation. Olivier Godin. 20 novembre 2015. Université de Sherbrooke. Optimisation 1 / 50 CQP 208 Chapitre 5 Optimisation Olivier Godin Université de Sherbrooke 20 novembre 2015 Optimisation 1 / 50 Plan du chapitre 1 Croissance, décroissance et extremums relatifs d une fonction 2 Extremums

Plus en détail

Généralités sur les fonctions numériques

Généralités sur les fonctions numériques 7 Généralités sur les fonctions numériques Une fonction numérique est, de manière générale, une fonction d une variable réelle et à valeurs réelles. 7.1 Notions de base sur les fonctions Si I, J sont deux

Plus en détail

Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé)

Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé) Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé) EXERCICE 1 4 points Cet exercice est un questionnaire à choix multiples (QCM). Pour chacune des questions posées, une seule des quatre réponses

Plus en détail

Chapitre 1 Second degré. Table des matières. Chapitre 1 Second degré TABLE DES MATIÈRES page -1

Chapitre 1 Second degré. Table des matières. Chapitre 1 Second degré TABLE DES MATIÈRES page -1 Chapitre 1 Second degré TABLE DES MATIÈRES page -1 Chapitre 1 Second degré Table des matières I Exercices I-1 1................................................ I-1................................................

Plus en détail

À propos des limites inductives filtrantes et du théorème de Lazard sur les modules plats

À propos des limites inductives filtrantes et du théorème de Lazard sur les modules plats 1 À propos des limites inductives filtrantes et du théorème de Lazard sur les modules plats Cette note est écrite comme une section 7 du chapitre VIII du livre Algèbre Commutative. Méthodes Constructives.

Plus en détail

Correction du devoir maison n o 7 PARTIE I

Correction du devoir maison n o 7 PARTIE I Lycée Kléber Pour le 5 décembre 2014 PSI* 2014-2015 Correction du devoir maison n o 7 (Mines I PSI 2001) MATHEMATIQUES PARTIE I Remarquons d abord que la définition de la semi-linéarité de u est équivalente

Plus en détail

Soit une suite. On dit qu elle est géométrique si, partant du

Soit une suite. On dit qu elle est géométrique si, partant du Suites géométriques I) Définition Soit est un nombre entier naturel. Soit une suite. On dit qu elle est géométrique si, partant du TERME INITIAL, pour passer d un terme au suivant, on MULTIPLIE toujours

Plus en détail

CH.2 CODES CORRECTEURS

CH.2 CODES CORRECTEURS CH.2 CODES CORRECTEURS 2.1 Le canal bruité 2.2 La distance de Hamming 2.3 Les codes linéaires 2.4 Les codes de Reed-Muller 2.5 Les codes circulaires 2.6 Le câblage des codes circulaires 2.7 Les performances

Plus en détail

Programmation Linéaire - Cours 4

Programmation Linéaire - Cours 4 Programmation Linéaire - Cours 4 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Sommaire Dualité 1 Dualité 2 3 Primal / Dual Dualité Les PL vont toujours par paires

Plus en détail

Définition d une norme

Définition d une norme Définition d une norme Définition E est un K-ev. L application N : E R + est une norme sur E ssi 1. x E, N(x) = 0 x = 0. 2. k K, x E, N(k.x) = k N(x). 3. x, y E, N(x + y) N(x) + N(y) Notation N,. Propriété

Plus en détail

Devoir maison n 5. MP Lycée Clemenceau. A rendre le 7 janvier 2014. Centrale

Devoir maison n 5. MP Lycée Clemenceau. A rendre le 7 janvier 2014. Centrale Devoir maison n 5 MP Lycée Clemenceau A rendre le 7 janvier 214 Centrale - Dans le problème, λ désigne toujours une application continue de IR + dans IR +, croissante et non majorée. - Dans le problème,

Plus en détail

Cours/TD n 3 : les boucles

Cours/TD n 3 : les boucles Cours/TD n 3 : les boucles Où on se rendra compte qu il est normal de rien comprendre Pour l instant, on a vu beaucoup de choses. Les variables, les Si Alors Sinon, les tests avec les ET, les OU et les

Plus en détail

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M Topologie 1 Espaces métriques 1.1 Distance Dans toute cette partie E représente un ensemble qui n est pas forcément un espace vectoriel. Définition

Plus en détail

Techniques d Analyse par les Méthodes de Lyapunov (suite)

Techniques d Analyse par les Méthodes de Lyapunov (suite) Techniques d Analyse par les Méthodes de Lyapunov (suite) Analyse et Commande des Systèmes Non Linéaires Cours SM II () Enseignant: Dr. Ph. Müllhaupt 1 / 24 Leçon 5 1 Désavantage de la définition de la

Plus en détail

Chapitre 2. 1 2.3. Réciproque d une application linéaire

Chapitre 2. 1 2.3. Réciproque d une application linéaire Chapitre 2 2 Réciproque d une application linéaire On commence par rappeler le concept d application inversible Fonctions inversibles Une application T : X Y est dite inversible si, pour tout y Y, l équation

Plus en détail

Automates temporisés Partie 1: Définitions

Automates temporisés Partie 1: Définitions p.1 Automates temporisés Partie 1: Définitions p.2 Motivation Les automates temporisés constituent un des modèle de systèmes réactifs à temps continu proposé par Alur et Dill en 1991. Temps continu vs

Plus en détail

PROGRAMMATION DYNAMIQUE

PROGRAMMATION DYNAMIQUE PROGRAMMATION DYNAMIQUE 1 Le principe d optimalité de Bellman La programmation dynamique est fondée sur le principe d optimalité de Bellman : Soit f une fonction réelle de x et y = (y 1, y 2,..., y n ).

Plus en détail

TRAVAUX DIRIGÉS DE l UE MNBif. Informatique 3A MÉTHODES NUMÉRIQUES DE BASE. 2015-2016, Automne. N. Débit & J. Bastien

TRAVAUX DIRIGÉS DE l UE MNBif. Informatique 3A MÉTHODES NUMÉRIQUES DE BASE. 2015-2016, Automne. N. Débit & J. Bastien TRAVAUX DIRIGÉS DE l UE MNBif Informatique 3A MÉTHODES NUMÉRIQUES DE BASE 2015-2016, Automne N. Débit & J. Bastien Document compilé le 13 novembre 2015 Liste des Travaux Dirigés Avant-propos iii Travaux

Plus en détail

Indication Prendre une combinaison linéaire nulle et l évaluer par ϕ n 1.

Indication Prendre une combinaison linéaire nulle et l évaluer par ϕ n 1. 1 Définition Exercice 1 Déterminer si les applications f i suivantes (de E i dans F i ) sont linéaires : f 1 : (x, y) R 2 (2x + y, x y) R 2, f 2 : (x, y, z) R 3 (xy, x, y) R 3 f 3 : (x, y, z) R 3 (2x +

Plus en détail