Methodes d Optimisation Assimilation de données Méthode du gradient conjugué
|
|
- Émilie Fontaine
- il y a 7 ans
- Total affichages :
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
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 détailOptimisation 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 détailChp. 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 détailMathématique 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 détailOptimisation 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 détailRésolution 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 détailC 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 détail3 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 détailEXERCICE 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 détailde 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 détailLes 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 détailBaccalauréat 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 détailCHAPITRE 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 détailSouad 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 détailFigure 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 détailÉquations 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 détailCommun 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 détailÉquations 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 détailCours 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 détailExamen 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 détailLa 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 détailSujet 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 détailIntroduction 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 détailProgrammation 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 détailCHAPITRE 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 détailCours 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 détailRésolution 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 détailRappels 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 détailLicence 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 détailANALYSE 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 détailMéthodes 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 détailFonctions 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 détailFonctions 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 détailFonctions 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 détailI. 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 détailSur 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 détailCalcul 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 détailaux 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= 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 détailModélisation 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 détailProbabilités 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 détailIntroduction 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 détailChapitre 6 Apprentissage des réseaux de neurones et régularisation
Chapitre 6 : Apprentissage des réseaux de neurones et régularisation 77 Chapitre 6 Apprentissage des réseaux de neurones et régularisation Après une introduction rapide aux réseaux de neurones et à la
Plus en détailApproximations 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 détailBien lire l énoncé 2 fois avant de continuer - Méthodes et/ou Explications Réponses. Antécédents d un nombre par une fonction
Antécédents d un nombre par une fonction 1) Par lecture graphique Méthode / Explications : Pour déterminer le ou les antécédents d un nombre a donné, on trace la droite (d) d équation. On lit les abscisses
Plus en détailThéorème 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 détailContinuité 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 détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailLes 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailBACCALAURÉAT PROFESSIONNEL SUJET
SESSION 203 Métropole - Réunion - Mayotte BACCALAURÉAT PROFESSIONNEL ÉPREUVE E4 CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE : MATHÉMATIQUES Toutes options Durée : 2 heures Matériel(s) et document(s) autorisé(s)
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailTRACER LE GRAPHE D'UNE FONCTION
TRACER LE GRAPHE D'UNE FONCTION Sommaire 1. Méthodologie : comment tracer le graphe d'une fonction... 1 En combinant les concepts de dérivée première et seconde, il est maintenant possible de tracer le
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailFonctions homographiques
Seconde-Fonctions homographiques-cours Mai 0 Fonctions homographiques Introduction Voir le TP Géogébra. La fonction inverse. Définition Considérons la fonction f définie par f() =. Alors :. f est définie
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailIV- Equations, inéquations dans R, Systèmes d équations
IV- Equations, inéquations dans R, Systèmes d équations 1- Equation à une inconnue Une équation est une égalité contenant un nombre inconnu noté en général x et qui est appelé l inconnue. Résoudre l équation
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailPremière partie. Introduction à la méthodes des différences finies
Première partie Introduction à la méthodes des différences finies 5 7 Introduction Nous allons présenter dans cettte partie les idées de base de la méthode des différences finies qui est sans doute la
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
Plus en détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailINITIATION AU LANGAGE C SUR PIC DE MICROSHIP
COURS PROGRAMMATION INITIATION AU LANGAGE C SUR MICROCONTROLEUR PIC page 1 / 7 INITIATION AU LANGAGE C SUR PIC DE MICROSHIP I. Historique du langage C 1972 : naissance du C dans les laboratoires BELL par
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailThème 17: Optimisation
OPTIMISATION 45 Thème 17: Optimisation Introduction : Dans la plupart des applications, les grandeurs physiques ou géométriques sont exprimées à l aide d une formule contenant une fonction. Il peut s agir
Plus en détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
Plus en détailManuel de validation Fascicule v4.25 : Thermique transitoire des structures volumiques
Titre : TTLV100 - Choc thermique dans un tuyau avec condit[...] Date : 02/03/2010 Page : 1/10 Manuel de Validation Fascicule V4.25 : Thermique transitoire des structures volumiques Document : V4.25.100
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détail1 Introduction et modèle mathématique
Optimisation parallèle et mathématiques financières Optimisation parallèle et mathématiques financières Pierre Spiteri 1 IRIT ENSEEIHT, UMR CNRS 5505 2 rue Charles Camichel, B.P. 7122 F-31 071 Toulouse,
Plus en détailFormation à la C F D Computational Fluid Dynamics. Formation à la CFD, Ph Parnaudeau
Formation à la C F D Computational Fluid Dynamics Formation à la CFD, Ph Parnaudeau 1 Qu est-ce que la CFD? La simulation numérique d un écoulement fluide Considérer à présent comme une alternative «raisonnable»
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailF7n COUP DE BOURSE, NOMBRE DÉRIVÉ
Auteur : S.& S. Etienne F7n COUP DE BOURSE, NOMBRE DÉRIVÉ TI-Nspire CAS Mots-clés : représentation graphique, fonction dérivée, nombre dérivé, pente, tableau de valeurs, maximum, minimum. Fichiers associés
Plus en détail