Methodes d Optimisation Assimilation de données Méthode du gradient conjugué

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Methodes d Optimisation Assimilation de données Méthode du gradient conjugué"

Transcription

1 Methodes d Optimisation Assimilation de données Méthode du gradient conjugué BIZZARI Romain MUSCAT Laurent VAUBOURG Audrey 3HY MSN 24 Octobre 2014

2 Sommaire Introduction 3 1 Explication de la méthode 4 2 Résultats 7 3 Alternative : Méhode de Quasi-Newton 10 4 Résolution du problème physique 15 5 Comparaison des méthodes 17 Conclusion 19 2

3 Introduction Dans le cadre du cours "Méthodes d optimisation", on a étudié dans un premier temps plusieurs techniques d assimilation de données. Dans les problèmes d optimisation, l objectif principal est de minimiser la fonction coût. Le minimum d une fonction se détermine de plusieurs manières, selon si cette fonction est linéaire ou non. Dans certains cas, le minimum est compliqué à trouvé, il existe alors plusieurs approximations.on a décidé d étudier la méthode du gradient conjugué et de la programmer afin de résoudre un problème physique : la résolution de l équation de Poisson : Φ = f. Cela revient à minimiser la fonction quadratique F (x) = 1 2 xt Ax fx où A est la matrice du Laplacien. 3

4 Chapitre 1. Explication de la méthode Chapitre 1 Explication de la méthode Explication de la méthode La méthode du gradient conjugué permet de trouver le minimum d une fonction quadratique à plusieurs variables. Cette fonction à image réelle admet un unique minimum puisqu il existe un seul point pour lequel les derivées de la fonction selon toutes les directions sont nulles. La fonction quadratique s écrit de la forme suivante : f(x) = 1 2 xt Ax b T x + c (1.0.1) Avec : A matrice symétrique définie positive de taille n*n, b : vecteur de taille n, c : constante Comme on souhaite minimiser cette fonction, on obtient alors un système linéaire à résoudre : f = A.x b = 0. (1.0.2) 4 Bizzari-Muscat-Vaubourg

5 Chapitre 1. Explication de la méthode Cette méthode est une méthode itérative. En effet, après avoir initialisé le premier "minimum", pour chaque itération, une direction sera choisie, et l algorithme cherche le minimum de la fonction dans cette direction. Une fois ce minimum trouvé, il recommence pour l itération suivante en définissant une nouvelle direction. Les itérations se font jusqu à converger vers le minimum de la fonction. La figure suivante illustre cette méthode. Figure 1.1 Illustration de la méthode En pratique : 1. Initialisation avec un x 0 arbitraire 2. Première direction de recherche d 1 = f1 3. Recherche du point suivant x k+1 = x k + α k d k, avec α k = dt k r k d T k Ad k 4. Direction suivante d k+1 = f k+1 + f k+1 2 f k 2 5. Répétition de l étape 3 jusqu à convergence Le nombre d itération est inférieur ou égal à la taille n de la matrice A pour les fonctions quadratiques. Le x pour lequel la fonction est minimum est facilement trouvé, souvent avant n itérations. d k 5 Bizzari-Muscat-Vaubourg

6 Chapitre 1. Explication de la méthode Variantes du gradient conjugué Par ailleurs, pour les problèmes non quadratiques, il existe trois variantes qui sont équivalentes dans le cas quadratique. Nous allons tenter de les modéliser dans notre script et de vérifier qu elles sont équivalentes pour le cas quadratique. Hestenes-Stiefel : γ k = ( f k+1) T ( f k+1 f k ) d k T ( f k+1 f k ) Polak-Rebiere : γ k = ( f k+1) T ( f k+1 f k ) ( f k ) T f k Fletcher-Reeves : γ k = ( f k+1) T ( f k+1 ( f k ) T f k Algorithme Matlab Figure 1.2 Algorithme Matlab 6 Bizzari-Muscat-Vaubourg

7 Chapitre 2. Résultats Chapitre 2 Résultats Après avoir codé nos gradient conjugué, on a décidé de le tester dans un premier temps sur des fonctions simples dont le minimum était connu, afin de vérifier que le code était valide et nous donnait des résultats cohérents. Première fonction de vérification On a trouvé cette première fonction dans le cours de Serge Gratton 1 f(x) = 2x x x 1 x 2 + x 1 x 2 (2.0.1) On a alors tracé la fonction pour se faire une idée de son allure puis on a tracé ses contours ainsi que les points corrrespondant aux différentes itérations avant l obtention du minimum. Son minimum est atteint en (-1, 3 2 ). Visualisation de la fonction 2 Contour de la fonction Fonction Z 10 5 X X X X1 Figure 2.1 Fonction de vérification simple 1. Engineering Optimization, Concepts and Applications Serge Gratton 7 Bizzari-Muscat-Vaubourg

8 Chapitre 2. Résultats Deuxième fonction : fonction banana On a ensuite travaillé sur la fonction banana (fonction de Rosenbrock), qui est souvent utilisée comme test pour des problèmes d optimisation. f(x) = (1 x 2 ) (y x 2 ) 2 (2.0.2) Pour cette fonction, le minimum local est obtenu au point (1,1) pour lequel la fonction vaut 0. Figure 2.2 Fonction banana A-travers ces deux exemples simples, on a pu vérifier la cohérence des résultats fournis par nos codes, on a alors décidé de les améliorer en utilisant d autres alternatives que l on va présenter dans les parties suivantes, et de le tester pour notre problème physique (résolution de l équation de Poisson φ = f). 8 Bizzari-Muscat-Vaubourg

9 Chapitre 2. Résultats Equation de Poisson Pour notre problème physique, qui est l équation de Poisson, on a résolu cette équation grâce au gradient conjugué, en minimisant la fonction quadratique associée au système linéaire φ = f. On a encore une fois tracé la surface de la fonction pour se faire une idée de son allure, et les contours ainsi que les différents points correspondants aux itérations nécessaires pour atteindre le minimum de la fonction quadratique, qui est alors la solution de notre système. Ainsi, on constate que le minimum est atteint en (2,2), donc la solution de notre équation de Poisson est (2,2). Figure 2.3 Equation de Poisson 9 Bizzari-Muscat-Vaubourg

10 Chapitre 3. Alternative : Méhode de Quasi-Newton Chapitre 3 Alternative : Méhode de Quasi-Newton Après les solutions obtenues avec la méthode du gradient conjugué qui nous a fait remarquer le nombre trop important d itérations pour atteindre la valeur du minimun de la fonction de rosenbourg(fonction banana), nous nous sommes interessés à d autre méthode pour l obtention de son minimun. On s est alors interéssés à la méthode de Newton, qui consiste à prendre pour direction de descente le gradient de la fonction ainsi qu un paramètre β en utilisant la hessienne de la fonction, mais étant donné que souvent dans la pratique la hessienne est très difficile à évaluer dans le cas où la fonction n est pas analytique, on s est tourné vers une méthode de Quasi newton. On souhaite donc ne plus calculer exctement la hessienne mais simplement en évaluer une approximation. Il existe bon nombre de méthodes, nous avons utilisé la méthode BFGS pour Broyden-Fletcher- Godfarb-Shanno. Dans ce qui suit on note s k = x k+1 x k et y k = f k+1 f k et on choisit une matrice B 0 que l on prend égal à l identité. Dans l approche BFGS la hessienne est donné par : B k+1 = B k + y T ky k B ks k s T k B k (3.0.1) y kt s k s kt B k s k Une chose à remarquer est l importance du premier pas alpha, en effet pour un pas très faible, la méthode de quasi-newton a besoin de plus d itération pour atteindre le minimun de la fonction de rosenbourg. En effet pour un α = 10 3 on a 4223 itérations pour la méthode de quasi-newton et 3561 dans le cas la méthode de la plus grande descente. 10 Bizzari-Muscat-Vaubourg

11 Chapitre 3. Alternative : Méhode de Quasi-Newton Figure 3.1 Méthode de la Descente Figure 3.2 Méthode de Quasi-Newton 11 Bizzari-Muscat-Vaubourg

12 Chapitre 3. Alternative : Méhode de Quasi-Newton Par contre pour un α plus grand (par exemple 0.05) la méthode de qasi-newton est plus intéressante, en effet on a juste besoin de 261 itérations. Figure 3.3 Méthode de Quasi-Newton avec α = 0.05 pas. On notera que pour cette valeur de α que la méthode de la descente ne converge Figure 3.4 Méthode de Descente avec α = Bizzari-Muscat-Vaubourg

13 Chapitre 3. Alternative : Méhode de Quasi-Newton On notera donc que le choix de α est crucial, en effet dans la méthode de la plus grande descente, plus le α est important plus le nombre d itération diminue jusqu à un point où l algo ne converge plus. Dans le cas de la méthode de quasi-newton, on a le même problème pour α > 1. Néanmoins on s est intéressé à une méthode linéaire permettant d avoir à chaque itération le α k optimal et les résultats montrent bien que le nombre d itérations diminue grâce à l implantation de ce nouvel algorithme. Là encore la méthode de quasi-newon est plus interessante. En effet comme on cherche à minimiser la fonction f, il semble naturel de chercher à minimiser le critère le long de d k et donc de déterminer un pas α k qui verifie les deux objectifs : faire décroire f suffisament et empécher le pas d être trop petit. Ce qui se traduit par les règles de Wolf. L algo est nommé Fletcher-Lemaréchal et est basé sur les conditions de Wolf : f(x k + α k d k ) f(x k ) + ω 1 α k gk T d k ( Condition 1 ) ( f(x k + α k d k )) T d k ω 2 gk T d k ( Condition 2 ) Avec 0 < ω 1 < ω 2 < 1. On obtient que l algorithme, avec quasi-newton, converge pour 195 itérations avec α = Figure 3.5 Méthode de Quasi-Newton + Fletcher-Lemaréchal 13 Bizzari-Muscat-Vaubourg

14 Chapitre 3. Alternative : Méhode de Quasi-Newton Ce qu on peut néanmoins remarquer c est l importance de la première itération du pas α. En effet, si l on ne prend pas la valeur adéquate, la méthode de quasinewton est moins performante que la méthode de la plus grande descente. L algorithme de Fletcher-Lemaréchal permet d obtenir, en suivant les régles de Wolf, un α k optimal pour chaque itération, mais là encore l importance de la première itération est primordiale. Il est donc nécessaire de faire plusieurs tests pour voir quelle valeur du premier pas fait converger la solution avec un nombre minimum d itération. Algorithme de Fletcher-Lemaréchal Figure 3.6 Algorithme de Fletcher-Lemaréchal 14 Bizzari-Muscat-Vaubourg

15 Chapitre 4. Résolution du problème physique Chapitre 4 Résolution du problème physique Dans cette partie, on va s intéresser au problème physique, on se propose d étudier la diffusion de température en 2D. Pour cela nous allons faire un maillage Nx*Nx et le résoudre grace aux volumes finis. Pour cela il faut résoudre : d 2 T dx + d2 T 2 dy = 0 2 Ce qui nous donne : T (i, j + 1) 2T (i, j) + T (i, j 1) dx 2 + T (i + 1, j) 2T (i, j) + T (i 1, j)) dy 2 = 0 Puis grace aux conditions limites de type Dirichlet, on parvient a mettre cette équation sous la forme : Avec : A matrice de poisson Ax = B (4.0.1) X vecteur des inconnues en chaque point de discrétisation (ici : température) B contenant les conditions limites Ainsi, la résolution de cette équation revient à minimiser la fonction quadratique F (x) = 1 2 xt Ax Bx. En effet, comme on l a expliqué précedemment, la minimisation de cette équation revient à calculer le point où le gradient de F s annule, c est-à-dire F = 0, ce qui revient à trouver x tel que Ax B = 0. Pour résoudre cette équation plusieurs méthodes existent : Jacobi, Gauss-seidel, gradient conjugué, gradient conjugé precondtionné Bizzari-Muscat-Vaubourg

16 Chapitre 4. Résolution du problème physique On a dans un premier temps étudié comment résoudre cette equation avec la méthode de Gauss-seidel, puis avec la methode du gradient conjugé sur un maillage regulier (dx=dy). Il en revient l equation : 4T (i, j) = T (i, j + 1) + T (i, j 1) + T (i + 1, j) + T (i 1, j)) Il suffit d imposer les conditions limites souhaitées et de faire une boucle sur le calcul de la température. Résultats : Figure 4.1 Diffusion maillage 64*64 16 Bizzari-Muscat-Vaubourg

17 Chapitre 5. Comparaison des méthodes Chapitre 5 Comparaison des méthodes Comme on l a expliqué précedemment, on a chacun codé un gradient conjugué, et on a également codé les alternatives : Hestenes-Stiefel (HS), Polak-Rebiere (PR) et Fletcher-Reeves (FR). Afin de les comparer,on a résolu l équation de Poisson ( φ = f, qui est la minimisation d une fonction quadratique simple, et on a décidé de s intéresser au nombre d itérations nécessaires pour trouver la solution, pour différents nombres d inconnues, ainsi que le temps de résolution pour chacune des méthodes. Les résultats sont présentés sur les figures suivantes. Nombre d itérations 10 4 Itérations en fonction du nombre d"inconnues 10 3 itérations Gradient Laurent FR HS PR Gradient Audrey Gradient Romain nombre d "inconnues Figure 5.1 Comparaison du nombre d itérations Comme on peut le constater sur la figure 5.1, le nombre d itérations est le même pour nos trois gradients codés ainsi que pour l algorithme de Polak-Riebere. Le plus rapide à converger (en terme d itérations) et l alternative de Hestenes-Stiefel, qui utilise une interpolation de la Hessienne sans réellement la calculer. 17 Bizzari-Muscat-Vaubourg

18 Chapitre 5. Comparaison des méthodes Temps de résolution 30 Temps en fonction du nombre d"inconnues 25 Gradient Laurent FR HS PR Gradient Audrey Gradient Romain 20 temps nombre d "inconnues Figure 5.2 Comparaison du temps On constate que l algorithme de Polak-Riebere est encore une fois le plus rapide (environ 2s pour inconnues) tandis que le gradient conjugué codé par Romain est le plus long. Ce qui montre que le fait de coder différement peut changer énormément le temps de résolution, ainsi que le choix des coefficients. 18 Bizzari-Muscat-Vaubourg

19 Conclusion Au travers de ce deuxième bureau d étude sur les méthodes d optimisation, on a codé un gradient conjugué ainsi que différentes alternatives. Cela nous a permis de mieux comprendre le gradient conjugué, et de mieux voir les différences entre les méthodes. Celui-ci permet de minimiser une solution, mais aussi de trouver les zéros d une équation linéaire, ce que l on a utilisé dans ce projet. On a ainsi constaté que le choix des coefficients est important grâce aux comparaisons entre les différentes possibilités pour γ k pour la méthode du gradient conjugué. Mais aussi grâce à la méthode de quasi-newton, qui prouve que le choix de α est crucial, et à la méthode de la plus grande descente, pour laquelle si le α choisi est trop grand, l algorithme ne converge plus. Par ailleurs, on a également pu constater que la manière de coder peut changer beaucoup sur le temps de résolution. Le nombre d itérations est à peu près le même, mais le temps de calcul peut augmenter énormément si le code est écrit différement. La méthode du gradient conjugé est plus compliquée à coder mais converge beaucoup plus vite, elle est donc une meilleur méthode pour la CFD, cependant d autres methodes encore plus rapides existent. 19

Optimisation. 1 Petite taxinomie des problèmes d optimisation 2

Optimisation. 1 Petite taxinomie des problèmes d optimisation 2 Table des matières Optimisation 1 Petite taxinomie des problèmes d optimisation 2 2 Optimisation sans contraintes 3 2.1 Optimisation sans contrainte unidimensionnelle........ 3 2.1.1 Une approche sans

Plus en détail

RO04/TI07 - Optimisation non-linéaire

RO04/TI07 - Optimisation non-linéaire RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels

Plus en détail

Chp. 4. Minimisation d une fonction d une variable

Chp. 4. Minimisation d une fonction d une variable Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante

Plus en détail

Mathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans

Mathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de

Plus en détail

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

C f tracée ci- contre est la représentation graphique d une

C f tracée ci- contre est la représentation graphique d une TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

Introduction à l Optimisation Numérique

Introduction à l Optimisation Numérique DÉPARTEMENT STPI 3ÈME ANNÉE MIC Introduction à l Optimisation Numérique Frédéric de Gournay & Aude Rondepierre Table des matières Introduction 5 Rappels de topologie dans R n 7 0.1 Ouverts et fermés de

Plus en détail

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Chapitre 6 Méthodes de Krylov 611 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Dans le cas où la matrice A n est pas symétrique, comment peut-on retrouver une matrice de corrélation

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

Master de mathématiques Analyse numérique matricielle

Master de mathématiques Analyse numérique matricielle Master de mathématiques Analyse numérique matricielle 2009 2010 CHAPITRE 1 Méthodes itératives de résolution de systèmes linéaires On veut résoudre un système linéaire Ax = b, où A est une matrice inversible

Plus en détail

EXERCICE 4 (7 points ) (Commun à tous les candidats)

EXERCICE 4 (7 points ) (Commun à tous les candidats) EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat

Plus en détail

de calibration Master 2: Calibration de modèles: présentation et simulation d

de calibration Master 2: Calibration de modèles: présentation et simulation d Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe

Plus en détail

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé

PAD - Notes de cours. S. Rigal, D. Ruiz, et J. C. Satgé ALGÈBRE PAD - Notes de cours S. Rigal, D. Ruiz, et J. C. Satgé November 23, 2006 Table des Matières Espaces vectoriels Applications linéaires - Espaces vectoriels............................... 3 -. Approche

Plus en détail

Solveur linéaire sur GPU

Solveur linéaire sur GPU Thomas JOST 1 Sylvain CONTASSOT-VIVIER 1,2 Stéphane VIALLE 1,3 1 Équipe AlGorille, LORIA 2 Université Henri Poincaré Nancy 1 3 Équipe IMS Supélec (Metz) 1 Introduction 2 Contraintes et algorithmes Structure

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

CHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle

CHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers

Plus en détail

Les équations différentielles

Les équations différentielles Les équations différentielles Equations différentielles du premier ordre avec second membre Ce cours porte exclusivement sur la résolution des équations différentielles du premier ordre avec second membre

Plus en détail

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés ENSEIRB-MATMECA PG-113 014 TP6: Optimisation au sens des moindres carrés Le but de ce TP est d implémenter une technique de recalage d images qui utilise une méthode vue en cours d analyse numérique :

Plus en détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

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

République Algérienne Démocratique et Populaire. Université Hadj Lakhdar-Batna- Faculté des Sciences. Département de Mathématiques.

République Algérienne Démocratique et Populaire. Université Hadj Lakhdar-Batna- Faculté des Sciences. Département de Mathématiques. République Algérienne Démocratique et Populaire Ministère de l enseignement supérieur et de la recherche scienti que Université Hadj Lakhdar-atna- Faculté des Sciences Département de Mathématiques Thèse

Plus en détail

Introduction générale

Introduction générale Chapitre 1 Introduction générale Ce chapitre est consacré à une présentation rapide des méthodes numériques qui sont étudiées en détail dans ce cours Nous y donnons une approche très simplifiée des quatre

Plus en détail

Université Joseph Fourier Premier semestre 2009/10. Licence première année - MAT11a - Groupe CHB-1. Contrôle Continu 1, le 9/10/2009

Université Joseph Fourier Premier semestre 2009/10. Licence première année - MAT11a - Groupe CHB-1. Contrôle Continu 1, le 9/10/2009 Université Joseph Fourier Premier semestre 9/ Licence première année - MATa - Groupe CHB- Contrôle Continu, le 9//9 Le contrôle dure heure. Questions de cours. ) Soit f :]a, b[ ]c, d[ unefonctionbijectiveetdérivabletelleque,pourtoutx

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

TD 3 : Problème géométrique dual et méthode des moindres carrés

TD 3 : Problème géométrique dual et méthode des moindres carrés Semestre, ENSIIE Optimisation mathématique 4 mars 04 TD 3 : Problème géométrique dual et méthode des moindres carrés lionel.rieg@ensiie.fr Exercice On considère le programme géométrique suivant : min x>0,y>0

Plus en détail

Figure 3.1- Lancement du Gambit

Figure 3.1- Lancement du Gambit 3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh

Plus en détail

Méthodes numériques d optimisation

Méthodes numériques d optimisation Méthodes numériques d optimisation Marie Postel 1 Laboratoire Jacques-Louis Lions Université Pierre et Marie Curie, Paris 6 Version septembre 015 1. marie.postel@upmc.fr, http ://www.ljll.math.upmc.fr/postel

Plus en détail

Équations non linéaires

Équations non linéaires CHAPTER 1 Équations non linéaires On considère une partie U R d et une fonction f : U R d. On cherche à résoudre { x U 1..1) f x) = R d On distinguera les cas d = 1 et d > 1. 1.1. Dichotomie d = 1) 1.1.1.

Plus en détail

Équations non linéaires

Équations non linéaires Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et

Plus en détail

La fonction exponentielle

La fonction exponentielle La fonction exponentielle L expression «croissance exponentielle» est passée dans le langage courant et désigne sans distinction toute variation «hyper rapide» d un phénomène. Ce vocabulaire est cependant

Plus en détail

BTS Mécanique et Automatismes Industriels. Équations différentielles d ordre 2

BTS Mécanique et Automatismes Industriels. Équations différentielles d ordre 2 BTS Mécanique et Automatismes Industriels Équations différentielles d ordre, Année scolaire 005 006 . Définition Notation Dans tout ce paragraphe, y désigne une fonction de la variable réelle x. On suppose

Plus en détail

Commun à tous les candidats

Commun à tous les candidats EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle

Plus en détail

Cours d analyse numérique SMI-S4

Cours d analyse numérique SMI-S4 ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,

Plus en détail

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

Plus en détail

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008)

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008) Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

OPENFOAM. Ecoulements conduites cylindriques Laminaire Turbulent

OPENFOAM. Ecoulements conduites cylindriques Laminaire Turbulent OPENFOAM Ecoulements conduites cylindriques Laminaire Turbulent Tutorials crées par Rajesh Bhaskaran sous fluent et adaptés par Bence Somogyi sous OF. Cas Laminaire Conduite de 20 cm de diamètre et 8 mètres

Plus en détail

Dual decomposition methods and parallel computing

Dual decomposition methods and parallel computing Dual decomposition methods and parallel computing Jonas Koko LIMOS UMR 6158 Université Blaise Pascal - CNRS Dijon 29/06/2015 Jonas Koko (LIMOS) Dual decomposition methods Dijon 29/06/2015 1 / 18 Plan 1

Plus en détail

Programmation linéaire et Optimisation. Didier Smets

Programmation linéaire et Optimisation. Didier Smets Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

Cours Architecture des ordinateurs (Archi II) Entrées / Sorties Resp. Mr Mohamed Feredj MCA Courriel : archiferedj@gmail.com

Cours Architecture des ordinateurs (Archi II) Entrées / Sorties Resp. Mr Mohamed Feredj MCA Courriel : archiferedj@gmail.com Cours Architecture des ordinateurs (Archi II) Entrées / Sorties Resp. Mr Mohamed Feredj MCA Courriel : archiferedj@gmail.com 1 1) Objectif Discuter comment les données sont transférées entre le et les

Plus en détail

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x )

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x ) Séries de Fourier Les séries de Fourier constituent un outil fondamental de la théorie du signal. Il donne lieu à des prolongements et des extensions nombreux. Les séries de Fourier permettent à la fois

Plus en détail

4. Applications des dérivées

4. Applications des dérivées APPLICATIONS DES DÉRIVÉES 25 4. Applications des dérivées 4.1. Calculs de tangentes à des courbes On cherche parfois à connaître l'équation d'une droite tangente à une fonction. Rappels sur les droites

Plus en détail

9. Équations différentielles

9. Équations différentielles 63 9. Équations différentielles 9.1. Introduction Une équation différentielle est une relation entre une ou plusieurs fonctions inconnues et leurs dérivées. L'ordre d'une équation différentielle correspond

Plus en détail

Mathématiques assistées par ordinateur

Mathématiques assistées par ordinateur Mathématiques assistées par ordinateur Chapitre 4 : Racines des polynômes réels et complexes Michael Eisermann Mat249, DLST L2S4, Année 2008-2009 www-fourier.ujf-grenoble.fr/ eiserm/cours # mao Document

Plus en détail

Introduction à MATLAB R

Introduction à MATLAB R Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d

Plus en détail

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

Algorithmes probabilistes. Références: Fundamentals of Algortihms de Gilles Brassard et Paul Bratley Note de cours de Pierre McKenzie

Algorithmes probabilistes. Références: Fundamentals of Algortihms de Gilles Brassard et Paul Bratley Note de cours de Pierre McKenzie Algorithmes probabilistes Références: Fundamentals of Algortihms de Gilles Brassard et Paul Bratley Note de cours de Pierre McKenzie Mise en contexte: Indices: Vous êtes à la recherche d un trésor légendaire

Plus en détail

Méthodes avancées en décision

Méthodes avancées en décision Méthodes avancées en décision Support vector machines - Chapitre 2 - Principes MRE et MRS Principe MRE. Il s agit de minimiser la fonctionnelle de risque 1 P e (d) = y d(x;w, b) p(x, y) dxdy. 2 La densité

Plus en détail

Mathématiques appliquées à l informatique

Mathématiques appliquées à l informatique Mathématiques appliquées à l informatique Jean-Etienne Poirrier 15 décembre 2005 Table des matières 1 Matrices 3 1.1 Définition......................................... 3 1.2 Les différents types de matrices.............................

Plus en détail

CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.

CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES. CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires

Plus en détail

Équations aux Dérivées Partielles. Pedro Ferreira et Sylvie Mas-Gallic

Équations aux Dérivées Partielles. Pedro Ferreira et Sylvie Mas-Gallic Équations aux Dérivées Partielles Pedro Ferreira et Sylvie Mas-Gallic 11 décembre 21 Table des matières 1 Introduction 3 1.1 Exemple d une équation aux dérivées partielles........... 3 1.2 Rappels sur

Plus en détail

TD2 Fonctions mesurables Corrigé

TD2 Fonctions mesurables Corrigé Intégration et probabilités 2012-2013 TD2 Fonctions mesurables Corrigé 0 Exercice qui avait été préparé chez soi Exercice 1. Soit (Ω, F, µ) un espace mesuré tel que µ (Ω) = 1. Soient A, B P (Ω) deux sousensembles

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

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

Rappels sur les suites - Algorithme

Rappels sur les suites - Algorithme DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours d Analyse. Fonctions de plusieurs variables Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........

Plus en détail

ANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique

ANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique 1 ANALYSE NUMERIQUE ET OPTIMISATION Une introduction à la modélisation mathématique et à la simulation numérique G. ALLAIRE 28 Janvier 2014 CHAPITRE I Analyse numérique: amphis 1 à 12. Optimisation: amphis

Plus en détail

Travaux pratiques de Génie Informatique TP 2 & 3. séances, mais vous pouvez en faire plus. Essayer d aller le plus loin possible.

Travaux pratiques de Génie Informatique TP 2 & 3. séances, mais vous pouvez en faire plus. Essayer d aller le plus loin possible. 1 BUT DE LA SÉANCE. TRAVAUX PRATIQUES DE GÉNIE INFORMATIQUE Ces deuxième et troisième séances ont pour but de vous faire avancer dans la programmation sous Matlab. Vous y découvrez les fonctions, les sous-programmes

Plus en détail

Licence 2 Mathématiques- Semestre 3 Introduction aux mathématiques

Licence 2 Mathématiques- Semestre 3 Introduction aux mathématiques Licence 2 Mathématiques- Semestre 3 Introduction aux mathématiques financières Année universitaire 2010-11 1 Version Septembre 2010 1 Responsable du cours: Marie-Amélie Morlais 2 0.1 Plan sommaire du cours

Plus en détail

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48 Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation

Plus en détail

Second degré : Résumé de cours et méthodes

Second degré : Résumé de cours et méthodes Second degré : Résumé de cours et méthodes 1 Définitions : DÉFINITIN n appelle trinôme du second degré toute fonction f définie sur R par f () = a + b + c (a,b et c réels avec a 0). Remarque : Par abus

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les

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

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

Sur certaines séries entières particulières

Sur certaines séries entières particulières ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane

Plus en détail

Fonctions de plusieurs variables. Sébastien Tordeux

Fonctions de plusieurs variables. Sébastien Tordeux Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

1S DS 4 Durée :?mn. 2. La courbe ci-dessous est la représentation graphique de la fonction g, définie sur I = [ 1; 3].

1S DS 4 Durée :?mn. 2. La courbe ci-dessous est la représentation graphique de la fonction g, définie sur I = [ 1; 3]. 1S DS 4 Durée :?mn Exercice 1 ( 5 points ) Les trois questions sont indépendantes. 1. Soit f la fonction définie par f(x) = 3 x. a) Donner son ensemble de définition. Il faut 3 x 0 3 x donc D f =] ; 3]

Plus en détail

Variable Neighborhood Search

Variable Neighborhood Search Variable Neighborhood Search () Universite de Montreal 6 avril 2010 Plan Motivations 1 Motivations 2 3 skewed variable neighborhood search variable neighborhood decomposition search 4 Le probleme d optimisation.

Plus en détail

Calcul intégral élémentaire en plusieurs variables

Calcul intégral élémentaire en plusieurs variables Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement

Plus en détail

Calcul différentiel et intégral

Calcul différentiel et intégral Chapitre 27. Calcul différentiel et intégral 27 Limites... 27 2 Limite en un point fini... 27 2 Limite à droite ou à gauche... 27 2 Limite à l infini... 27 2 Utilisation de conditions... 27 2 Dérivation...

Plus en détail

La fonction logistique f: xa rx( 1 x)

La fonction logistique f: xa rx( 1 x) TIPE Math 97 (Version 5 pages) Letouzey Pierre La fonction logistique f: xa rx( x) Quelques résultats sur les suites récurrentes associées x x 0 n+ [ 0, ] = f ( x ) n / Pourquoi cette fonction? C est dans

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

MATHÉMATIQUES LIAISON 3 ème / 2 nde. Lycée Notre Dame des Minimes Année scolaire 2015-2016 LIVRET DE VACANCES

MATHÉMATIQUES LIAISON 3 ème / 2 nde. Lycée Notre Dame des Minimes Année scolaire 2015-2016 LIVRET DE VACANCES MATHÉMATIQUES LIAISON ème / 2 nde Lycée Notre Dame des Minimes Année scolaire 205-206 LIVRET DE VACANCES L objet du présent livret de vacances est d aborder le programme de mathématiques de seconde générale

Plus en détail

POLY-PREPAS ANNEE 2009/2010 Centre de Préparation aux Concours Paramédicaux

POLY-PREPAS ANNEE 2009/2010 Centre de Préparation aux Concours Paramédicaux POLY-PREPAS ANNEE 2009/2010 Centre de Préparation aux Concours Paramédicaux - Section : i-prépa Audioprothésiste (annuel) - MATHEMATIQUES 8 : EQUATIONS DIFFERENTIELLES - COURS + ENONCE EXERCICE - Olivier

Plus en détail

ANALYSE NUMERIQUE. Mazen SAAD

ANALYSE NUMERIQUE. Mazen SAAD Ecole Centrale de Nantes Dépt. Info/Math Année universitaire 2011-2012 EI 1 ANALYSE NUMERIQUE Mazen SAAD Mazen.Saad@ec-nantes.fr i ii TABLE DES MATIÈRES Introduction... 1 1. Algèbre linéaire.... 3 1.1.

Plus en détail

aux différences est appelé équation aux différences d ordre n en forme normale.

aux différences est appelé équation aux différences d ordre n en forme normale. MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire

Plus en détail

Modélisation et simulation

Modélisation et simulation Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.

Plus en détail

Application des Ondelettes aux Signaux Fractales. Andrei Doncescu LAAS-CNRS

Application des Ondelettes aux Signaux Fractales. Andrei Doncescu LAAS-CNRS Application des Ondelettes aux Signaux Fractales Andrei Doncescu LAAS-CNRS Les Fractales n Définition Inachevée des fractales Fractal, ale, als : adj.

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Stéphane Chrétien & Franck Corset Université de Franche-Comté, UMR6623, Département Mathématiques 16 route

Plus en détail

Version default Titre : Opérateur RESOUDRE Date : 09/04/2009 Page : 1/5 Responsable : Jacques PELLET Clé : U4.55.02 Révision : 601

Version default Titre : Opérateur RESOUDRE Date : 09/04/2009 Page : 1/5 Responsable : Jacques PELLET Clé : U4.55.02 Révision : 601 Titre : Opérateur RESOUDRE Date : 09/04/2009 Page : 1/5 Opérateur RESOUDRE 1 But Résoudre un système d équations linéaires (méthode "directe" ou itérative Les méthodes de résolutions implantées dans Code_Aster

Plus en détail

Continuité et dérivabilité d une fonction

Continuité et dérivabilité d une fonction DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité

Plus en détail

= constante et cette constante est a.

= constante et cette constante est a. Le problème Lorsqu on sait que f(x 1 ) = y 1 et que f(x 2 ) = y 2, comment trouver l expression de f(x 1 )? On sait qu une fonction affine a une expression de la forme f(x) = ax + b, le problème est donc

Plus en détail

Approximations variationelles des EDP Notes du Cours de M2

Approximations variationelles des EDP Notes du Cours de M2 Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

Les algorithmes de base du graphisme

Les algorithmes de base du graphisme Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............

Plus en détail

Python scientifique : application aux éléments finis

Python scientifique : application aux éléments finis Sciences-industrielles.com Cours, exercices et corrections en SI http://sciences-industrielles.com Python scientifique : application aux éléments finis Utilisation de logiciels Master 1 Steven Masfaraud

Plus en détail

Introduction à l analyse numérique : exemple du cloud computing

Introduction à l analyse numérique : exemple du cloud computing Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation

Plus en détail

Cours MP. Espaces vectoriels normés

Cours MP. Espaces vectoriels normés Table des matières Espaces vectoriels normés B. Seddoug. Médiane Sup, Oujda I Norme et distance 1 I.1 Définitions..................... 1 I.2 Evn produit.................... 12 I.3 Notions topologiques

Plus en détail

M42. Compléments d analyse (résumé).

M42. Compléments d analyse (résumé). Université d Evry-Val-d Essonne. Année 2008-09 D. Feyel M42. Compléments d analyse (résumé). Table. I. Rappels sur les suites. Limites supérieure et inférieure. II. Topologie élémentaire. III. Fonctions

Plus en détail

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013»

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» I Objectifs Niveau fondamental : «on se fixe pour objectif la

Plus en détail

LIVRET DE MATHEMATIQUES ENTREE EN PREMIERE S Institut Notre-Dame (Saint Germain en Laye) Année 2015-2016

LIVRET DE MATHEMATIQUES ENTREE EN PREMIERE S Institut Notre-Dame (Saint Germain en Laye) Année 2015-2016 LIVRET DE MATHEMATIQUES ENTREE EN PREMIERE S Institut Notre-Dame (Saint Germain en Laye) Année 015-016 Pourquoi ce livret? Afin de mieux préparer cette rentrée, ce livret reprend un ensemble de notions

Plus en détail