Méthodes de descente
|
|
- Anne-Sophie Rochette
- il y a 6 ans
- Total affichages :
Transcription
1 Méthodes de descente p. 1/52 Méthodes de descente Michel Bierlaire EPFL - Laboratoire Transport et Mobilité - ENAC
2 Méthodes de descente p. 2/52 Méthode de descente Idée 1. Trouver une direction de descente d k, c est-à-dire telle que f(x k ) T d k < Trouver un pas α k tel que f(x k +α k d k ) < f(x k ). 3. Calculer x k+1 = x k +α k d k.
3 Méthodes de descente p. 3/52 Plus forte pente Choix intuitif de la direction : d k = f(x k ) Choix du pas α k = argmin α R + 0 f(x k +αd k ). Exemple : f(x) = 1 2 x x2 2
4 Méthodes de descente p. 4/52 Plus forte pente x x x x 1
5 Méthodes de descente p. 5/52 Plus forte pente x x x 1
6 Méthodes de descente p. 6/52 Plus forte pente préconditionnée Changement de variable : f(x) = 1 2 x x2 2 x 1 = x 1 x 2 = 3x 2 et f(x ) = 1 2 x (1 3 x 2) 2 = 1 2 x x 2 2.
7 Méthodes de descente p. 7/52 Plus forte pente préconditionnée Direction : Pas : f(x ) = 1 2 x x 2 2. d = f(x ) = ( x 1 x 2 ) argmin α f(x α f(x )) = min α 1 2 (x 1 αx 1 ) (x 2 αx 2 )2,.
8 Méthodes de descente p. 8/52 Plus forte pente préconditionnée Solution : α = 1 ( ) ( ) x 1 x 2 + x 1 x 2 = 0,
9 Méthodes de descente p. 9/52 Plus forte pente préconditionnée Après conditionnement, la méthode de la plus forte pente converge en une seule itération sur cet exemple D une manière générale, un pré-conditionnement peut significativement accélérer la méthode
10 Méthodes de descente p. 10/52 Algorithme : Plus forte pente préconditionnée Objectif Trouver une approximation de la solution du problème min (1) x Rnf(x). Input La fonction f : R n R différentiable; Le gradient de la fonction f : R n R n ; Une famille de préconditionneurs (D k ) k telle que D k est définie positive pour tout k; x 0 R n ; La précision demandée ε R, ε > 0.
11 Méthodes de descente p. 11/52 Algorithme : Plus forte pente préconditionnée Output Une approximation de la solution x R Initialisation k = 0 Itérations 1. d k = D k f(x k ), 2. Déterminer α k, par exemple α k = argmin α 0 f(x k +αd k ), 3. x k+1 = x k +α k d k, 4. k = k +1. Critère d arrêt Si f(x k ) ε, alors x = x k.
12 Méthodes de descente p. 12/52 Plus forte pente préconditionnée Il reste à préciser comment choisir D k comment choisir α k et il reste à s assurer que cela fonctionne...
13 Méthodes de descente p. 13/52 Choix du pas Résolution de α k = argmin α R + 0 f(x k +αd k ). trop coûteuse Travail inutile si la direction n est pas bonne Idée : prenons n importe quel α tel que f(x k +αd k ) < f(x k ) Malheureusement, cela ne suffit pas...
14 Méthodes de descente p. 14/52 Choix du pas Exemple : f(x) = x 2 Appliquons l algorithme avec x 0 = 2, et D k = 1/2 x k = sgn(x k )/2x k α k = 2+3(2 k 1 ). D k est bien (défini) positif pour tout k. f(x k ) = 2x k d k = D k f(x k ) = sgn(x k ) La méthode s écrit x k+1 = { x k 2 3(2 k 1 ) si x k 0, x k +2+3(2 k 1 ) si x k < 0,
15 Méthodes de descente p. 15/52 Choix du pas Nous avons que x k = ( 1) k (1+2 k ) et x k+1 < x k. (p. 264) Dès lors f(x k+1 ) < f(x k ) Cependant, la suite x k a deux points d accumulation: -1 et 1
16 15-1 k x k d k α k e e e e e e e e e e e e e e e e e e e e e e+00
17 Méthodes de descente p. 16/52 Choix du pas f(x) x
18 Méthodes de descente p. 17/52 Choix du pas Pourquoi cela ne fonctionne pas? Origine théorique : théorème de Taylor Théorie locale Ici, les pas sont trop longs Le fait que f(x k+1 ) < f(x k ) est du à la chance et non au fait que d T f(x k ) < 0 Les pas sont trop longs par rapport au bénéfice obtenu Notion de diminution suffisante
19 Méthodes de descente p. 18/52 Diminution suffisante Soit γ > 0. On veut f(x k ) f(x k +α k d k ) α k γ, ou encore f(x k +α k d k ) f(x k ) α k γ.
20 Méthodes de descente p. 19/52 Diminution suffisante Exemple : f(x) = 1 2 x x2 2 x 0 = ( 10 1 ) d = ( ) γ = f(x k +αd k ) f(x k ) αγ α
21 Méthodes de descente p. 20/52 Diminution suffisante Exemple : f(x) = 1 2 x x2 2 x 0 = ( 10 1 ) d = ( ) γ = f(x k +αd k ) f(x k ) αγ α
22 Méthodes de descente p. 21/52 Diminution suffisante γ ne peut pas être constant Il doit dépendre de la direction Utilisons la théorie
23 Méthodes de descente p. 22/52 Rappel Direction de descente Soitf : R n R une fonction différentiable. Soient x R n tel que f(x) 0 etd R n. Sidest une direction de descente, alors il existeη > 0 tel que f(x+αd) < f(x) 0 < α η. De plus, pour toutβ < 1, il existe η > 0 tel que pour tout0 < α η. f(x+αd) < f(x)+αβ f(x) T d, (voir début du cours et p. 36)
24 Méthodes de descente p. 23/52 Diminution suffisante Choisissons avec 0 < β < 1. γ = β f(x k ) T d k
25 Méthodes de descente p. 24/52 Diminution suffisante Diminution suffisante : première condition de Wolfe Soient f : R n R une fonction différentiable, un point x k R n, une direction (de descente)d k R n telle que f(x k ) T d k < 0 et un pasα k R, α k > 0. On dira que la fonction f diminue suffisamment en x k +α k d k par rapport àx k si f(x k +α k d k ) f(x k )+α k β 1 f(x k ) T d k, avec0 < β 1 < 1. Cette condition s appelle la première condition de Wolfe
26 Méthodes de descente p. 25/52 Diminution suffisante β 1 = f(x k +αd k ) f(x k )+αβ 1 f(x k ) T d k f(x k )+α f(x k ) T d k α
27 Méthodes de descente p. 26/52 Diminution suffisante β 1 = f(x k )+α f(x k ) T d k f(x k +αd k ) f(x k )+αβ 1 f(x k ) T d k α
28 Méthodes de descente p. 27/52 Diminution suffisante β 1 = f(x k +αd k ) f(x k )+αβ 1 f(x k ) T d k f(x k )+α f(x k ) T d k α
29 Méthodes de descente p. 28/52 Diminution suffisante β 1 = f(x k +αd k ) f(x k )+αβ 1 f(x k ) T d k f(x k )+α f(x k ) T d k α
30 Méthodes de descente p. 29/52 Choix du pas Exemple : f(x) = x 2 Appliquons l algorithme avec x 0 = 2, et D k = 1/2x k α k = 2 k 1. D k est bien (défini) positif pour tout k. f(x k ) = 2x k d k = D k f(x k ) = 1 La méthode s écrit x k+1 = x k 2 k 1
31 Méthodes de descente p. 30/52 Choix du pas Nous avons que Dès lors Cependant, x k = 1+2 k. f(x k+1 ) < f(x k ) lim x k = 1 0 k (p. 269)
32 k x k d k α k e e e e e e e e e e e e e e e e e e e e e e-16
33 Méthodes de descente p. 31/52 Choix du pas Pourquoi cela ne fonctionne pas? Dégénérescence Pas trop petits Notion de progrès suffisant f(x k ) T d k < 0 Si α k minimum dans la direction alors f(x k +α k d k ) T d k = 0 La dérivée directionnelle augmente
34 Méthodes de descente p. 32/52 Choix du pas Progrès suffisant : seconde condition de Wolfe Soient f : R n R une fonction différentiable, un point x k R n, une direction (de descente)d k R n telle que f(x k ) T d k < 0 et un pasα k R,α k > 0. On dira que le pointx k +α k d k apporte un progrès suffisant par rapport àx k si f(x k +α k d k ) T d k β 2 f(x k ) T d k, avec0 < β 2 < 1. Cette condition s appelle la seconde condition de Wolfe.
35 Méthodes de descente p. 33/52 Diminution suffisante β 2 = 0.5 d k = ( 10/ 181 9/ 181) T α α f(x k +αd k ) T d k f(x k ) T d k f(x k +αd k )
36 Méthodes de descente p. 34/52 Diminution suffisante β 2 = 0.5 d k = ( 2/ 5 1/ 5) T α α
37 Méthodes de descente p. 35/52 Conditions de Wolfe Validité des conditions de Wolfe Soientf : R n R une fonction différentiable, un pointx k R n et une direction (de descente)d k R n telle que f(x k ) T d k < 0 etf est bornée inférieurement dans la directiond k, c est-à-dire il existef 0 tel quef(x k +αd k ) f 0 pour toutα 0. Si0 < β 1 < 1, il existeη tel que la première condition de Wolfe soit vérifiée pour toutα k η. De plus, si 0 < β 1 < β 2 < 1, il existeα 2 > 0 tel que les deux conditions de Wolfe soient toutes deux vérifiées. (p. 271)
38 Méthodes de descente p. 36/52 Algorithme : Recherche linéaire Objectif Trouver un pas α tel que les conditions de Wolfe soient vérifiées. Input La fonction f : R n R différentiable; Le gradient de la fonction f : R n R n ; Un vecteur x R n ; Une direction de descente d telle que f(x) T d < 0; Une première approximation de la solution α 0 > 0.
39 Méthodes de descente p. 37/52 Algorithme : Recherche linéaire Input (suite) Des paramètres β 1 et β 2 tels que 0 < β 1 < β 2 < 1. Un paramètre λ > 1. Output Un pas α tel que les conditions de Wolfe soient vérifiées.
40 Méthodes de descente p. 38/52 Algorithme : Recherche linéaire Initialisation i = 0, α l = 0, α r = +. Itérations Si α i vérifie les conditions, alors α = α i. STOP. Si α i viole Wolfe-1, i.e. f(x k +α k d k ) > f(x k )+α k β 1 f(x k ) T d k, alors le pas est trop long et α r = α i α i+1 = α l+α r 2
41 Méthodes de descente p. 39/52 Algorithme : Recherche linéaire Itérations Si α i ne viole pas Wolfe-1 et viole Wolfe-2, i.e. f(x+α i d) T d < β 2 f(x) T d alors le pas est trop court et α l = α i { αl +α r α i+1 = 2 si α r < + λα i sinon i = i+1
42 Méthodes de descente p. 40/52 Algorithme : Recherche linéaire f(x) = 1 2 x x2 2 x = ( 10 1 ) d = ( α 0 = 10 3 β 1 = 0.3 β 2 = 0.7 λ = 20. ) α i α l α r Cond. violée e e e+05 Wolfe e e e+05 Wolfe e e e+05 Wolfe e e e+05 Wolfe e e e+00 Wolfe e e e+00
43 Méthodes de descente p. 41/52 Méthode de Newton Combiner les idées de 1. plus forte pente préconditionnée 2. Newton 3. recherche linéaire Itération de Newton locale x k+1 = x k 2 f(x k ) 1 f(x k ), Itération de plus forte pente préconditionnée x k+1 = x k α k D k f(x k ), Si 2 f(x k ) 1 déf. positive, et α k = 1 acceptable, itérations équivalentes.
44 Méthodes de descente p. 42/52 Méthode de Newton Si α k = 1 non acceptable, algorithme de recherche linéaire Si 2 f(x k ) 1 non définie positive, définir D k = ( 2 f(x k )+E) 1 avec E telle que D k soit définie positive. Typiquement, E = τi Exemple : 2 f(x k ) = ( ) E = 3.1 ( ) 2 f(x k )+E = ( )
45 Méthodes de descente p. 43/52 Algorithme : Newton avec recherche linéaire Objectif Trouver une approximation d un minimum local du problème Input min x R nf(x). La fonction f : R n R différentiable; Le gradient de la fonction f : R n R n ; Le hessien de la fonction 2 f : R n R n n ; Une première approximation de la solution x 0 R n ; La précision demandée ε R, ε > 0.
46 Méthodes de descente p. 44/52 Algorithme : Newton avec recherche linéaire Output Une approximation de la solution x R Initialisation k = 0
47 Méthodes de descente p. 45/52 Algorithme : Newton avec recherche linéaire Itérations Calculer une matrice triangulaire inférieure L k et τ tels que L k L T k = 2 f(x k )+τi, en utilisant l algorithme précédent Trouver z k en résolvant le système triangulaire L k z k = f(x k ). Trouver d k en résolvant le système triangulaire L T k d k = z k.
48 Méthodes de descente p. 46/52 Algorithme : Newton avec recherche linéaire Itérations (suite) Déterminer α k en appliquant la recherche linéaire avec α 0 = 1. x k+1 = x k +α k d k. k = k +1. Critère d arrêt Si f(x k ) ε, alors x = x k.
49 Méthodes de descente p. 47/52 Newton avec recherche linéaire 3 2 minf(x 1,x 2 ) = 1 2 x2 1 +x 1 cosx 2, x x Point de départ x 0 = (1 1) T.
50 Méthodes de descente p. 48/52 Newton avec recherche linéaire minf(x 1,x 2 ) = 1 2 x2 1 +x 1 cosx 2, x 2 x 0 x 2 Point de départ x 0 = (1 1) T. x 1 x 0 x 1 x 2 x 1 x x x 2
51 Méthodes de descente p. 49/52 Newton avec recherche linéaire Solution: x = ( 1 π ) f(x ) = ( 0 0 ) 2 f(x ) = ( ) x x x x 2
52 Méthodes de descente p. 50/52 Newton avec recherche linéaire Solution: x = ( 1 π ) f(x ) = ( 0 0 ) 2 f(x ) = ( ) x x x x 2
53 Méthodes de descente p. 51/52 Newton avec recherche linéaire k f(x k ) f(x k ) α k τ e e e e e e e e e e e e e e e e e e e e e e e e e e+00
54 Méthodes de descente p. 52/52 Résumé Algorithme complet Combinaison entre méthode de Newton locale plus forte pente préconditionnée recherche linéaire
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 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 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 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 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 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 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 détailRO04/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 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 détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
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 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 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 détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
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 détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
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 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 détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
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 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 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 détailCalcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane
Calcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane Poteaux Adrien XLIM-DMI, UMR-CNRS 6172 Université de Limoges Soutenance de thèse 15 octobre
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
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 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 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 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 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 détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
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 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 détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
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 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 détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
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 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 détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailC algèbre d un certain groupe de Lie nilpotent.
Université Paul Verlaine - METZ LMAM 6 décembre 2011 1 2 3 4 Les transformations de Fourier. Le C algèbre de G/ Z. Le C algèbre du sous-groupe G 5 / vect{u,v }. Conclusion. G un groupe de Lie, Ĝ l ensemble
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
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 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 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 détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailIntégrale de Lebesgue
Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................
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 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 détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailCours d Analyse 3 Fonctions de plusieurs variables
Université Claude Bernard, Lyon I Licence Sciences, Technologies & Santé 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France L. Pujo-Menjouet pujo@math.univ-lyon1.fr
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 détailTOUT CE QU IL FAUT SAVOIR POUR LE BREVET
TOUT E QU IL FUT SVOIR POUR LE REVET NUMERIQUE / FONTIONS eci n est qu un rappel de tout ce qu il faut savoir en maths pour le brevet. I- Opérations sur les nombres et les fractions : Les priorités par
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 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 détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
Plus en détailL ALGORITHMIQUE. Algorithme
L ALGORITHMIQUE Inspirée par l informatique, cette démarche permet de résoudre beaucoup de problèmes. Quelques algorithmes ont été vus en 3 ième et cette année, au cours de leçons, nous verrons quelques
Plus en détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailExercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point (x 0,y 0,z 0 ) donné :
Enoncés : Stephan de Bièvre Corrections : Johannes Huebschmann Exo7 Plans tangents à un graphe, différentiabilité Exercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours.
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détailFonctions de plusieurs variables et applications pour l ingénieur
Service Commun de Formation Continue Année Universitaire 2006-2007 Fonctions de plusieurs variables et applications pour l ingénieur Polycopié de cours Rédigé par Yannick Privat Bureau 321 - Institut Élie
Plus en détailThéorèmes du Point Fixe et Applications aux Equations Diérentielles
Université de Nice-Sophia Antipolis Mémoire de Master 1 de Mathématiques Année 2006-2007 Théorèmes du Point Fixe et Applications aux Equations Diérentielles Auteurs : Clémence MINAZZO - Kelsey RIDER Responsable
Plus en détailOptimisation Différentiable Théorie et Algorithmes. Exemple de résumé du cours. J. Ch. GILBERT
Optimisation Différentiable Théorie et Algorithmes Exemple de résumé du cours J. Ch. GILBERT 5 janvier 2015 Informations pratiques Objectif du cours : l optimisation aspects théoriques : convexité, CO,
Plus en détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailAlgorithmique et Programmation Fonctionnelle
Algorithmique et Programmation Fonctionnelle RICM3 Cours 9 : Lambda-calcul Benjamin Wack Polytech 2014-2015 1 / 35 La dernière fois Typage Polymorphisme Inférence de type 2 / 35 Plan Contexte λ-termes
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 détailChapitre VI Fonctions de plusieurs variables
Chapitre VI Fonctions de plusieurs variables 6. 1 Fonctions différentiables de R 2 dans R. 6. 1. 1 Définition de la différentiabilité Nous introduisons la différentiabilité sous l angle des développements
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
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 détailThéorie des Langages
Théorie des Langages Analyse syntaxique descendante Claude Moulin Université de Technologie de Compiègne Printemps 2010 Sommaire 1 Principe 2 Premiers 3 Suivants 4 Analyse 5 Grammaire LL(1) Exemple : Grammaire
Plus en détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
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 détailCHAPITRE 10. Jacobien, changement de coordonnées.
CHAPITRE 10 Jacobien, changement de coordonnées ans ce chapitre, nous allons premièrement rappeler la définition du déterminant d une matrice Nous nous limiterons au cas des matrices d ordre 2 2et3 3,
Plus en détailLicence Sciences et Technologies Examen janvier 2010
Université de Provence Introduction à l Informatique Licence Sciences et Technologies Examen janvier 2010 Année 2009-10 Aucun document n est autorisé Les exercices peuvent être traités dans le désordre.
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 détailCours 9. Régimes du transistor MOS
Cours 9. Régimes du transistor MOS Par Dimitri galayko Unité d enseignement Élec-info pour master ACSI à l UPMC Octobre-décembre 005 Dans ce document le transistor MOS est traité comme un composant électronique.
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
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 détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailProgrammation 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