ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH CALCUL I
|
|
- Anne Paradis
- il y a 8 ans
- Total affichages :
Transcription
1 ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver Introduction à l optimisation L optimisation vise à résoudre des problèmes où l on cherche à déterminer parmi un grand nombre de solutions candidates celle qui donne le meilleur rendement Plus précisément, on cherche à trouver une solution satisfaisant un ensemble de contraintes qui minimise ou maximise une fonction donnée L application de l optimisation est en expansion croissante et se retrouve dans plusieurs domaines Les problèmes considérés dans ce document s écrivent sous la forme standard min x R n sc f (x) x S où x = (x 1,x 2,,x n ) T est un vecteur de R n, f : R n R est la fonction que l on désire minimiser (appelée fonction objectif), S R n est l ensemble dans lequel les points doivent appartenir, et sc est l abbréviation de sous la ou les contraintes La formulation (1) signifie que l on cherche à trouver une solution du domaine réalisable x S dont la valeur de la fonction objectif est la plus petite (1) Définition 11 Une solution x S est un minimum global de la fonction f sur le domaine S si La valeur optimale est f (x ) f (x ) f (x) x S Notez que le minimum global n est pas nécessairement unique, mais la valeur optimale l est Par exemple, le
2 2 problème d optimisation suivant min sinx x R possède une infinité de minima globaux, soient { 3π 2 + 2kπ : k Z} mais une seule valeur optimale: 1 Définissons maintenant la notion d optimalité dans un voisinage restreint Pour introduire cette idée, on va définir B ε (x ) comme étant l ensemble des points de R n dont la distance à x est inférieure à ε, un scalaire positif donné Cet ensemble est communément appelé une boule de rayon ε centrée en x, et s écrit formellement: B ε (x ) = {x R n : x x < ε} Définition 12 Une solution x S est un minimum local de la fonction f sur le domaine S si f (x ) f (x) x S B ε (x ) Les maxima sont définis de façon similaire, il suffit de remplacer les inégalités ( ) aux définitions 11 et 12 par ( ) La figure 1 illustre le cas d une fonction d une seule variable possédant trois minima locaux, dont un minimum global f (x) S x Figure 1: Trois minima locaux, dont un global 11 Rappels Le gradient d une fonction f : R n R différentiable évalué au point x R n est un vecteur de R n s écrivant ( f (x) f (x) =, f (x),, f (x) ) T x 1 x 2 x n La dérivée directionnelle de f en x R n dans la direction unitaire d R n est f d f (x +td) f (x) (x) = lim = d f (x) t 0 + t De plus, si les dérivées secondes de f existent et sont continues, alors la matrice Hessienne s écrit 2 f = f x 1 x 1 f x 1 x 2 f x 1 x n f x 2 x 1 f x 2 x 2 f x 2 x n f x n x 1 f x n x 2 f x n x n
3 3 Exemple 13 Le gradient et la matrice Hessienne de la fonction f (x) = (x 1 2x 2 ) 2 e x 1 sont [ f (x) = ( 2(x 1 2x 2 ) e x 1, 4(x 1 2x 2 )) T, 2 2 e x 1 4 f (x) = 4 8 Des notions d algèbre serviront au classement des optima ] Définition 14 Une matrice symétrique A de dimension n n est dite semi-définie positive si y T Ay 0 y R n, définie positive si y T Ay > 0 y 0 R n, semi-définie négative si y T Ay 0 y R n, définie négative si y T Ay < 0 y 0 R n Si aucune des propriétés ci-dessus n est satisfaite, la matrice A est dite indéfinie Une façon simple de vérifier si une matrice est définie positive est de considérer les déterminants des n sousmatrices suivantes de A d 1 = det([a 11 ]), ([ a11 a d 2 = det 12 a 21 a 22 d 3 = det ]), a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33,, d n = det a 11 a 12 a 1n a 21 a 22 a 2n a n1 a n2 a nn Ces n déterminants sont appelés les mineurs principaux dominants Dans le cas où la matrice est inversible, et donc lorsque d n 0, il est toujours facile de déterminer si une matrice est définie positive, définie négative ou bien indéfinie En effet, il suffit d analyser le signe de chacun des mineurs principaux dominants Classement d une matrice inversible Soit d 1,d 2,,d n les mineurs principaux dominants d une matrice A symétrique inversible de dimension n n, et e 1,e 2,,e n les mineurs principaux dominants de la matrice A Si d i > 0 pour chaque i {1,2,,n} alors A est définie positive; si e j > 0 pour chaque j {1,2,,n} alors A est définie négative; sinon A est indéfinie La vérification qu une matrice singulière est semi-définie positive, semi-définie négative ou indéfinie requiert beaucoup plus de calculs Par exemple, pour montrer qu une matrice est semi-définie positive, il ne suffit pas de vérifier que les mineurs principaux dominants sont tous positifs ou nuls Une possibilité consiste à analyser toutes valeurs propres de la matrice Ce sujet sera abordé dans des cours plus avancés
4 4 Exemple 15 (suite de l exemple 13) Les déterminants des sous-matrices principales dominantes de [ ] 2 2 e x 1 4 f (x) = 4 8 sont respectivement d 1 = det([ 2 e x 1 ]) = 2 e x 1 < 0 et d 2 = det ([ 2 e x ]) = ( 2 e x 1 )( 8) (4)(4) = 8e x 1 > 0 Leurs signes sont indépendant de la valeur de x La matrice 2 f (x) n est donc pas définie positive ni même semi-définie positive Cependant, on remarque que les mineurs principaux dominants de la matrice 2 f (x) sont ([ ]) e 1 = det([2 + e x 1 ]) = 2 + e x e x 1 4 > 0 et e 2 = det = (2 + e x 1 )(8) ( 4)( 4) = 8e x 1 > On peut alors conclure que la matrice 2 f (x) est définie positive, et donc la matrice 2 f (x) est définie négative, et ce pour toutes les valeurs de x 2 Optimisation sans contraintes Dans cette section nous considérons le cas particulier du problème d optimisation (1) sans contraintes où S = R n, c est-à-dire: min f (x) (2) x R n où f C 2 (cette notation signifie f est différentiable aux moins deux fois, et que ses dérivées sont continues) 21 Conditions d optimalité Soit x un minimum local de f sur S = R n La définition 12 assure qu il existe un scalaire ε > 0 tel que f (x ) f (x) x B ε (x ), en particulier pour n importe quelle direction unitaire d R n et scalaire t > 0 suffisamment petit, le point x = x +td appartient à la boule B ε (x ), et donc f (x ) f (x +td) Ceci implique que la dérivée directionnelle de f en x dans n importe la direction unitaire d R n satisfait f d (x ) = lim t 0 + f (x +td) f (x ) t 0 Le résultat précédent est valide pour n importe quelle direction unitaire d, et donc il est valide en particulier pour d = f (x ) f (x ) Il s ensuit que 0 f d (x ) = d f (x ) = f (x ) f (x ) f (x ) = f (x ),
5 5 et donc f (x ) = 0 (car on a montré que 0 f (x ), or f (x ) est toujours positif) Nous avons donc montré la condition d optimalité suivante Condition nécessaire de premier ordre Si x est un minimum local de la fonction f sur R n, alors f (x ) = 0 (c est-à-dire, x est un point critique) Cette définition donne une condition nécessaire mais pas suffisante En effet, il est possible que le gradient soit nul en un point et que ce point ne soit pas un minimum local (par exemple, ce point peut être un maximum local ou un point de selle) Un point critique x R n est un point de selle si pour n importe quel ε > 0, il existe deux points a B ε (x ) et b B ε (x ) qui soient tels que f (a) < f (x ) < f (b) Un point de selle n est donc ni un minimum local ni un maximum local Les conditions de second ordre nous permettent de distinguer ces cas Considérons encore une fois x un minimum local de f sur S = R n À l aide du développement de Taylor d ordre 2 de f autour du minimum local x on obtient pour toute direction unitaire d R n et pour t R suffisament petit f (x ) f (x +td) f (x ) +td f (x ) + t2 2 dt 2 f (x )d = f (x ) + t2 2 dt 2 f (x )d Pour passer de la première à la deuxième ligne, on a utilisé le fait que f (x ) = 0 en un minimum local En simplifiant cette dernière expression, et en divisant par t 2 > 0 on obtient 1 2 dt 2 f (x )d 0, une expression indépendante de t On a alors la condition suivante Condition nécessaire de second ordre Si x est un minimum local de la fonction f sur R n, alors f (x ) = 0 et y T 2 f (x )y 0 pour tout y R n (c est-à-dire, la matrice Hessienne 2 f (x ) est semi-définie positive) La contraposée de cette condition assure que si la matrice des dérivés secondes 2 f (x ) n est pas semidéfinie positive, alors x n est pas un minimum local de f De façon similaire, si la matrice n est pas semi-définie négative, alors x n est pas un maximum local de f Et donc, si la matrice est indéfinie en un point critique x de la fonction f, alors x est un point selle En effet, si la matrice est indéfinie alors elle n est ni semi-définie positive ni semi-définie négative, et conséquemment x n est ni un minimum ni un maximum local de f De plus, si la condition de second ordre est strictement satisfaite, on obtient la condition suffisante suivante Condition suffisante de second ordre Soit x R n Si f (x ) = 0, et si y T 2 f (x )y > 0 pour tout y R n \ {0} (c est-à-dire, la matrice Hessienne 2 f (x ) est définie positive), alors x est un minimum local de la fonction f sur R n Nous pouvons spécialiser les conditions d optimalités de deuxième ordre aux fonctions de deux variables (voir les exercices) Pour s attaquer à un problème d optimisation, on procèdera de la façon suivante En un premier temps, on utilisera les conditions nécessaires du premier ordre pour identifier tous les points critiques de f C est-à-dire,
6 6 on trouvera tous les points où le gradient s annule Ensuite, pour chacun de ces points, on évaluera la matrice des dérivées secondes, et on utilisera les conditions d optimalité de deuxième ordre pour classer les points On ne pourra conclure seulement lorsque cette matrice sera inversible Et dans ce cas, si elle est définie positive il s agira d un minimum local, si elle est définie négative il s agira d un maximum local, et autrement (c est-à-dire si la matrice est indéfinie) il s agira d un point selle Exemple 21 Considérons la fonction de trois variables f (x) = 6x1 2 + x x 1x 2 + 3x x x3 3 Nous allons identifier tous les points critiques de cette fonction, et allons utiliser les conditions d optimalité afin de déterminer leur nature (minimum, maximum ou point de selle) Le gradient et la matrice Hessienne de cette fonction sont f (x) = 12x 1 + 6x 2 3x x 1 + 6x 2 x 3 3 x2 3 et 2 f (x) = x x3 2 2x 3 Étape 1: Identification des points critiques La condition nécessaire de premier ordre f (x 1,x 2,x 3 ) = (0,0,0) T nous permet d identifier quatre points critiques: x A = (0,0,0) T, x B = (0,0,1) T, x C = ( 1 2, 1,0)T et x D = ( 1 2, 1,1)T Étape 2: Nature des points critiques Les conditions de deuxième ordre nous permettent de classer certains de ces points critiques Point 2 f 2 f critique d 1 d 2 d 3 e 1 e 2 e 3 Conclusion x A = (0,0,0) T matrice singulière indéterminé x B = (0,0,1) T d i > 0 minimum local x C = ( 1 2, 1,0)T matrice singulière indéterminé x D = ( 1 2, 1,1)T matrice inversible et d i 0,e j 0 point selle Cette analyse permet d identifier un minimum local X B et un point selle x D Une analyse plus approfondie serait nécessaire pour classer les deux points critiques x A et x C 22 Méthode du gradient À partir d un point initial connu x 0 R n, la méthode du gradient génère une suite de points x 0,x 1,x 2, qui on l espère s approchera d un minimum local d une fonction f Nous désignerons par x k R n le point considéré à l itération k Notez qu ici le nombre k désigne un indice, et non un exposant À l itération k, la méthode du gradient considère une solution x k R n et une direction d k R n dans laquelle la fonction f décroît, c est-à-dire que d k est une direction de descente pour f en x k Nous étudierons dans cette section la question de trouver un scalaire α > 0 qui est tel que la valeur de f (x k + αd k ) est petite Pour ce faire, nous définissons une fonction d une seule variable h : R R comme suit h(α) = f (x k + αd k ) On observe que puisque d k est une direction de descente pour f alors h (0) < 0 Idéalement, la recherche dans la direction d k consiste à déterminer une petite valeur de α > 0 telle que h (α) = 0
7 7 La méthode du gradient pour la résolution du problème d optimisation (2) sans contraintes peut s écrire de la façon suivante MÉTHODE DU GRADIENT (pour un problème de minimisation) INITIALISATION: Soit x 0 R n un estimé initial de la solution Poser le compteur k 0 ÉVALUATION DU GRADIENT: Calculer la direction d k = f (x k ) Si d k = 0 alors on termine avec un point critique x k Sinon on poursuit à la prochaine étape RECHERCHE DANS LA DIRECTION DE DESCENTE d k : Soit x k+1 la solution produite par la résolution du problème de minimisation à une variable Poser k k + 1, et retourner à l étape précédente min h(α) où h(α) = f α 0 (xk + αd k ) Il est mentionné dans l algorithme que d k = f (x k ) 0 est une direction de descente, c est-à-dire une direction dans laquelle la valeur de la fonction f décroît En effet, par le développement de Taylor on obtient pour des petites valeurs de α > 0 f (x k + αd k ) f (x k ) + α(d k ) T f (x k ) = f (x k ) α f (x k ) 2 < f (x k ) Exemple 22 Considérons la minimisation de la fonction f (x) = (a 2) 2 +(b 3) 2, avec x = (a,b) T, à partir de la solution initiale x 0 = (a 0,b 0 ) T = (0,0) T La première itération de la méthode du gradient avec une recherche dans la direction d k se calcule comme suit Posons k = 0 et d k = f (x k ) = On cherche la valeur du scalaire positif α qui minimise [ 2(a k 2) 2(b k 3) ] = [ 4 6 h(α) = f (x k + αd k ) = f (4α,6α) = (4α 2) 2 + (6α 3) 2 On peut aisément minimiser la fonction h, car c est une simple fonction quadratique En effet, la condition nécessaire du premier ordre h(α) = 0 assure que α = 2 1 et donc ] x 1 = x d0 = (0,0) T (4,6)T = (2,3) T De plus la condition suffisante du second ordre assure que ce point est un minimum local de h La deuxième itération de la méthode du gradient donne d 1 = f (x 1 ) = (0,0) T L algorithme arrête donc à un point critique, et comme 2 f (x) est définie positive pour toute valeur de x (les déterminants des sous-matrices principales sont 2 > 0 et 4 > 0) le point x 1 est un minimum global Dans l exemple précédent la direction opposée au gradient d k = f (x k ) pointait dans la direction du minimum global, d où la convergence immédiate Normalement la convergence requiert beaucoup plus d itérations
8 8 Lorsque la minimisation de la fonction h est faite de façon exacte, les directions consécutives d k et d k+1 générés par la méthode du gradient sont nécessairement perpendiculaires En effet, lorsqu on prend un pas optimal on va s arrêter de façon tangente à une courbe de niveau À l itération suivante, on va se déplacer dans la direction du gradient, perpendiculaire à cette courbe de niveau La figure 2 illustre les trois premiers pas produits par la méthode du gradient sur un exemple où seules les courbes de niveau de f sont données Figure 2: Les directions produites par la méthode du gradient sont perpendiculaires Remarque: La méthode du gradient peut s appliquer directement à un problème de maximisation d une fonction f Il suffit alors de prendre d = f (x k ) (au lieu du négatif du gradient), et de maximiser la fonction h(α) (au lieu de la minimiser) 23 Exercices De brèves solutions aux exercices se trouvent à la fin du document Exercice 21 Spécialisez les conditions d optimalités de deuxième ordre pour classer le point critique (a, b) d une fonction f (x,y) deux fois différentiable sans contraintes
9 9 Exercice 22 Soit la fonction f (x,y) = 3x x 3 2y 2 + y 4 a) Sans faire l analyse de points critiques indiquez si la fonction possède un minimum global et un maximum global b) Identifiez tous les points critiques de f (x,y) et déterminez leur nature c) Parmi les points suivants, lequel peut être obtenu en une itération de l application de la méthode du gradient au problème de maximisation à partir du point (x 0, y 0 ) = (0, 1 2 ) Exercice 23 (x 1, y 1 ) = ( 1, 1) (x 1, y 1 ) = (1, 5 2 ) (x 1, y 1 ) = ( 1, 3 2 ) (x 1, y 1 ) = (1, 0) On applique la méthode du gradient afin de minimiser une fonction de trois variables f (x) à partir du point x 0 = (2,2,1) T On obtient que le gradient évalué en ce point est f (2,2,1) = (3,3, 1) T À partir du graphe ci-dessous, Figure 3: Fonction h(α) = f (2 3α, 2 3α, 1 + α) a) Estimez f (x 0 ) b) Donnez la valeur de la dérivée directionnelle de f en x 0 dans la direction v = ( 3, 3,1) T c) Donnez les coordonnées du prochain point, x 1, produit par la méthode du gradient d) Estimez f (x 1 ) e) Donnez la valeur de la dérivée directionnelle de f en x 1 dans la direction v = ( 3, 3,1) T
10 10 Exercice 24 On utilise la méthode du gradient afin de résoudre un problème de minimisation sans contraintes d une fonction f (x,y) Chacune des trois figures suivantes représente des courbes de niveau de f, ainsi qu une suite de points générés par la méthode du gradient Les échelles en x et y sont identiques Quels points sont ceux produits par la méthode du gradient si celui d indice zéro est le point de départ i) P 0,P 1,P 2,P 3 ii) Q 0,Q 1,Q 2,Q 3 iii) R 0,R 1,R 2,R 3 Exercice 25 Répondez par VRAI ou FAUX Figure 4: Méthode du gradient a) (x,y,z) = (0,0,0) est un point de selle de la fonction f (x,y,z) = x 4 y 4 + z 4 b) Soit ˆx R 3 un point critique d une fonction différentiable tel que 2 f ( ˆx) = Alors ˆx est nécessairement un point de selle
11 11 3 Optimisation sous contraintes Dans la plupart des problèmes d optimisation, les variables ne sont pas libres de prendre n importe quelle valeur Elles sont habituellement restreintes à un domaine Dans cette section, nous nous penchons sur les problèmes sous la forme générale (1) Le résultat suivant, cité sans preuve, sera fréquemment utilisé Théorème 31 Si l ensemble S est fermé et borné, et si la fonction f est continue sur S, alors il existe un minimum global atteint en un point de S et un maximum global atteint en un point de S 31 Multiplicateur de Lagrange pour une seule contrainte d égalité Dans cette section nous considérons le cas particulier du problème d optimisation (1) min x sc f (x) x S S = {x R n : h(x) = k} où f : R n R et h : R n R sont différentiables, et où k est une constante donnée Lagrange a montré qu à l optimalité, le vecteur gradient de la fonction objectif f doit être perpendiculaire à la surface de niveau de la contrainte Condition nécessaire de premier ordre de Lagrange Si x est un minimum local de la fonction f dans S, et si h(x ) 0, alors h(x ) = k, et de plus il existe un scalaire λ R pour lequel f (x ) = λ h(x ) Un point x satisfaisant cette condition est appelé un point critique Exemple 32 Soit le problème d optimisation suivant : min x 3x 1 2x 2 sc x x2 2 = 44 La condition nécessaire d optimalité fait en sorte que l on doive résoudre le système: h(x ) = k : (x 1 )2 + 2(x 2 )2 = 44 f (x ) x 1 = λ h(x ) x 1 : 3 = λ(2x 1 ) Les solutions de ce système sont f (x ) x 2 = λ h(x ) x 2 : 2 = λ(4x 2 ) (x 1,x 2,λ) = (6, 2, 1 4 ) avec f (6, 2, 1 4 ) = 22; (x 1,x 2,λ) = ( 6,2, 1 1 ) avec f ( 6,2, 4 4 ) = 22
12 12 Il n y a pas d autres points critiques et donc le théorème 31 nous assure que (6, 2, 4 1 ) est le maximum global et que ( 6,2, 1 4 ) est le minimum global Lorsque nous résolvons un problème d optimisation on obtient une valeur de λ en plus de la solution optimale Cette valeur peut être interprétée de la façon suivante Considérons la fonction d une variable v(k) qui, pour un k donné retourne la valeur optimale du problème min x f (x) sc h(x) = k Comment est-ce que la fonction v varie lorsque la valeur k varie? Pour un k donné, définissons x(k) R n comme étant la solution optimale du problème ci-dessus, c est-à-dire, v(k) = f (x(k)) et h(x(k)) = k Observons aussi que f x i = λ h x i pour i = 1,2,,n Pour mesurer la variation de v(k), on cherche alors à calculer v (k) = dv dk = f dx 1 x 1 dk + f dx 2 x 2 dk ++ f dx n x n dk = λ h dx 1 x 1 dk ( h dx 1 = λ x 1 dk + λ h dx 2 x 2 dk + h dx 2 x 2 dk ++ λ h dx n x n dk ++ h ) dx n = λ dh x n dk dk = λ Et donc le multiplicateur de Lagrange λ représente le taux de variation de la valeur optimale v lorsque k augmente On peut alors approcher la fonction v par son polynôme de Taylor de degré un P 1 (k) autour de k 0 : v(k) P 1 (k) = v(k 0 ) + v (k 0 )(k k 0 ) = v(k 0 ) + λ(k k 0 ) Exemple 33 (suite de l exemple 32) Reprenons le dernier exemple Estimez la valeur optimale du problème d optimisation où la contrainte x 2 + 2y 2 = 44 est remplacée par x 2 + 2y 2 = 45 Ici, k 0 = 44 et k = 45 Au minimum on avait λ = v (44) = 1 4 et f = v(44) = 22 Donc la valeur optimale serait approximativement ( ) min 3x 2y v(45) = x,y sc x 2 + 2y 2 P 1 (45) = v(44) + v (44)(45 44) = 2225 = Optimisation sous une contrainte d inégalité Dans cette section nous considérons le cas particulier du problème d optimisation (1) min x sc f (x) x S S = {x R n : h(x) k} avec f : R n R et h : R n R sont différentiables, et où k est une constante donnée Encore une fois, le théorème 31 nous assure que si S est fermé et borné alors il contiendra à la fois le minimum et le maximum global (remarquez il est possible qu il y ait plus d un minimum ou maximum global) Il y a deux
13 13 possibilité pour chacun de ceux-ci Ou bien ils appartiendront à l intérieur strict de S ou bien ils se trouveront sur la frontière de S (l intérieur strict de S est {x R n : h(x) < k}, et la frontière de S est {x R n : h(x) = k}) L analyse de ce problème se fait en trois étapes Premièrement nous allons identifier tous les points où le gradient de f s annule, et allons retenir seulement ceux appartenant à S Deuxièmement nous allons appliquer la méthode du multiplicateur de Lagrange où nous remplacerons l inégalité par une égalité Enfin, le minimum et le maximum global sera alors l un des points énumérés Il suffira donc d évaluer f en tous ces points Exemple 34 Résolvons ( max x,y (x 1) 2 + (y 2) 2 sc x 2 + y 2 45 ) Étape 1: Points critiques à l intérieur strict de S Trouvons les points où f (x, y) = (0, 0): f (x,y) x = 2(x 1) = 0 x = 1; f (x,y) y = 2(y 2) = 0 y = 2 En ce point h(1,2) = = 5 < 45, et donc le point critique (1,2) se trouve à l intérieur strict du domaine S Étape 2: Points critiques sur la frontière de S Multiplicateur de Lagrange : h(x,y) = k : x 2 + y 2 = 45 f (x,y) x f (x ) y = λ h(x,y) x : 2(x 1) = 2λx = λ h(x,y) y : 2(y 2) = 2λy Les solutions sont (x,y) = (3,6) et (x,y) = ( 3, 6), qui sont alors deux points critiques Étape 3: Évaluation de f aux points critiques f (1,2) = 0, f (3,6) = 20, f ( 3, 6) = 80 Ainsi la valeur minimale de f est 0 et la valeur maximale est de Multiplicateurs de Lagrange pour plusieurs contraintes d égalité Considérons maintenant la formulation générale du problème d optimisation (1) min x sc f (x) x S S = {x R n : h j (x) = k j, j = 1,2,,m} avec f : R n R et h j : R n R sont différentiables, et où les k j sont des constantes données Condition nécessaire de premier ordre de Lagrange Si x est un minimum local de la fonction f dans S où { h j (x ) : j = 1,2,,m} est un ensemble linéairement indépendant, alors h j (x ) = k j pour j = 1,2,,m, et de plus il existe un vecteur λ R m pour lequel f (x ) = m λ j h j (x ) j=1
14 14 Exemple 35 Soit les trois problèmes d optimisation suivants : min x x 1 x 2 + x 3 sc x1 2 + x2 2 + x2 3 = 1 x1 2 + (x 2 1) 2 + (x 3 2) 2 = 4, min x x 1 x 2 + x 3 sc x1 2 + x2 2 + x2 3 = 101 x1 2 + (x 2 1) 2 + (x 3 2) 2 = 4 et min x x 1 x 2 + x 3 sc x1 2 + x2 2 + x2 3 = 1 x1 2 + (x 2 1) 2 + (x 3 2) 2 = 39 Résoudre le premier, et donnez un estimé de la valeur optimale des deux autres d optimalité fait en sorte que l on doive résoudre le système: La condition nécessaire h 1 (x ) = k 1 : (x 1 )2 + (x 2 )2 + (x 3 )2 = 1 h 2 (x ) = k 2 : (x 1 )2 + (x 2 1)2 + (x 3 2)2 = 4 f (x ) x 1 = λ 1 h 1 (x ) x 1 + λ 2 h 2 (x ) x 1 : 1 = 2λ 1 x 1 + 2λ 2x 1 f (x ) x 2 = λ 1 h 1 (x ) x 2 + λ 2 h 2 (x ) x 2 : 1 = 2λ 1 x 2 + 2λ 2(x 2 1) f (x ) x 3 = λ 1 h 1 (x ) x 3 + λ 2 h 2 (x ) x 3 : 1 = 2λ 1 x 3 + 2λ 2(x 3 2) La troisième équation assure que x1 0, et donc on peut diviser par cette variable pour obtenir 2λ 1 + 2λ 2 = x 1 1 En substituant dans les quatrième et cinquième équations, on obtient 1 = x 2 x1 2λ 2 et 1 = x 3 x1 4λ 2 et donc 4λ 2 = 2x 2 x1 + 2 = x 3 x1 1 Prenons maintenant la différence entre les deux premières équations, et simplifions les termes quadratiques On obtient alors que les solutions doivent satisfaire l égalité linéaire x 2 + 2x 3 = 1 et donc on peut fixer x 3 = 1 2 x 2 2 En substituant cette valeur dans 2x 2 x1 donnent les multiplicateurs + 2 = x 3 x 1 1 on trouve x2 = 1 5 6x 1 5 Les troisième et quatrième équations λ 1 = x1 et λ 2 = x1 La première équation se simplifie en 14(x 1 ) = 1 et admet les deux solutions 2 7 et 2 7 Le tableau 1 donne les valeurs des autres variables Il n y a pas d autres points critiques et donc le théorème 31 assure que la première solution est le maximum global et la deuxième le minimum global x1 x2 x3 λ 1 λ 2 f (x ) Tableau 1: Solutions
15 15 Le deuxième problème d optimisation est identique au premier, sauf que le terme k 1 passe de 1 à 11 On peut alors estimer que la valeur optimale du second problème est v 1 (11) v 1 (1) + v 1(1)(11 1) = v 1 (1) + λ 1 (11 1) = 2 ( ) Le calcul exact de la valeur optimale pour k 1 = 11 donne Le troisième problème d optimisation est identique au premier, sauf que le terme k 2 passe de 4 à 39 On peut alors estimer que la valeur optimale du troisième problème est v 2 (39) v 2 (4) + v 2(4)(39 4) = v 2 (4) + λ 2 (39 4) = 2 ( ) Le calcul exact de la valeur optimale pour k 2 = 39 donne Exercices Exercice 31 Le diagramme de courbes de niveau ci-dessous illustre au point P, le minimum qu atteint f (x, y) sous la contrainte g(x,y) = 1 La courbe en trait plein représente la courbe de niveau f (x,y) = 10 et la courbe en pointillé la courbe de niveau g(x,y) = 1 Les gradients sont également représentés Figure 5: Courbes de niveau a) En observant le graphique, déterminez la valeur du multiplicateur de Lagrange λ associé au point P b) Donnez une approximation de la valeur minimale qu atteint la fonction f (x,y) sous la contrainte g(x,y) = 09
16 16 Exercice 32 Trouvez les valeurs minimale et maximale de a) f (x,y) = xy sous la contrainte x 2 + 2y 2 1; b) f (x,y,z) = x + y + z sous les contraintes x 2 + y 2 + z 2 = 1 et x y = 1 Exercice 33 Une ville B est à 10 km à l est d une ville A et une ville C est à 3 km au nord de la ville B Voir la figure Figure 6: Villes A,B et C On veut réaliser un projet d autoroute entre les villes A et C Le coût de 1 km d autoroute le long de la route existante entre A et B est de $, alors que le coût de 1 km d autoroute ailleurs est de $ On désire déterminer ou doit se situer le point pivot P (c est-à-dire, à quelle distance de A, l autoroute doit bifurquer pour être construite en plein champ) pour minimiser le coût de réalisation de l autoroute a) Formulez cette question en un problème de minimisation d une fonction de deux variables f (x,y) soumise à une contrainte non linéaire h(x,y) = 9 (Ne pas résoudre) b) Résolvez le problème obtenu en a) par la méthode des multiplicateurs de Lagrange c) On mesure à nouveau, et on réalise que la distance entre B et C est de 29 km et non 3 km Estimez le coût optimal en vous servant du résultat en b) Exercice 34 Deux générateurs utilisent du gaz naturel pour produire de l électricité L énergie produite est de 2 ln(1 + x) pour le générateur 1 et de 4ln(1 + y) pour le générateur 2, où x et y sont les quantitées de gaz brûlées dans les générateurs 1 et 2 Le volume total de gaz disponible est de 19 a) Modélisez la question d identifier les quantitées x et y maximisant l énergie totale comme un problème d optimisation soumise à une contrainte d égalité (Ne pas résoudre) b) Résolvez le problème obtenu en a) par la méthode des multiplicateurs de Lagrange c) Suite à une modification de l offre, on se rend compte que le volume total de combustible est de 195 au lieu de 19 Sans résoudre le nouveau problème d optimisation, estimez l augmentation de la quantité d énergie produite
17 17 Solutions Section 2 : Optimisation sans contraintes 2 1 Soit (a,b) un point critique Alors f (a,b) = (0,0) Posons d 1 = f xx(a, b) le déterminant de la première matrice principale du hessien, et d 2 = f xx(a,b) f yy(a,b) ( f xy(a,b)) 2 le déterminant de la deuxième matrice principale Si d 1 > 0 et d 2 > 0, alors (a,b) est un minimum local de f ; si d 1 < 0 et d 2 > 0, alors (a,b) est un maximum local de f ; si d 2 < 0, alors (a,b) est un point de selle de f ; si d 2 = 0, alors le test n est pas concluant pour classer (a,b) Remarquez que l encadré est équivalent à celui de la page 812 du livre Le livre utilise cependant une terminologie différente, en affirmant que f (a,b) est un minimum ou un maximum ou un point de selle, Nous adoptons la terminologie plus courante affirmant que c est plutôt (a,b) qui est le minimum ou un maximum ou un point de selle 2 2 a) Non b) (1,0) max local; ( 1,0) point selle; (1,1) point selle; (1, 1) point selle; ( 1,1) min local; ( 1, 1) min local c) (1, 0) 2 3 a) 223; b) 19; c) ( 4 5, 4 5, 7 5 )T ; d) 20; e) i) 2 5 a) VRAI b) VRAI Section 3 : Optimisation sous contraintes 3 1 a) 1 2 ; b) a) (min,max) = ( 2 4, 2 4 ); b) (min,max) = ( 3 6, 3 6 ) 3 3 a) 3 4 a) ( min x,y (10 y) x sc x 2 y 2 = 9 ( max x,y 2ln(1 + x) + 4ln(1 + y) sc x + y = 19 ) ) ; b) y = 4; c) f $ ; b) (x,y) = (6,13); c) 1 7
Notes 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 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 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 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 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 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 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 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 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 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 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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
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 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 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 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 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 détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
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 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 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 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 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 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 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 détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
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 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 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 détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
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 détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A 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 détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
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 détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
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 détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
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 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 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 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 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 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 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 détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
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 détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
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 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 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 détailRepérage d un point - Vitesse et
PSI - écanique I - Repérage d un point - Vitesse et accélération page 1/6 Repérage d un point - Vitesse et accélération Table des matières 1 Espace et temps - Référentiel d observation 1 2 Coordonnées
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailMathématiques appliquées à l'économie et à la Gestion
Mathématiques appliquées à l'économie et à la Gestion Mr Makrem Ben Jeddou Mme Hababou Hella Université Virtuelle de Tunis 2008 Continuité et dérivation1 1- La continuité Théorème : On considère un intervalle
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
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 détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailFonctions de plusieurs variables
UNIVERSITÉ DE POITIERS Parcours Renforcé Première Année 2009/2010 Paul Broussous Fonctions de plusieurs variables Seconde version corrigée Table des matières 1. Un peu de topologie. 1.1. Distance euclidienne,
Plus en détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
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 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 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 détailDeux disques dans un carré
Deux disques dans un carré Table des matières 1 Fiche résumé 2 2 Fiche élève Seconde - version 1 3 2.1 Le problème............................................... 3 2.2 Construction de la figure avec geogebra...............................
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 détailTable des matières. Introduction Générale 5
Table des matières Introduction Générale 5 1 Généralités et rappels 16 1.1 Rappels... 16 1.1.1 Introduction... 16 1.1.2 Notion de stabilité...... 17 1.1.3 Stabilité globale et stabilité locale... 17 1.1.4
Plus en détailBaccalauréat ES Amérique du Nord 4 juin 2008
Baccalauréat ES Amérique du Nord 4 juin 2008 EXERCICE 1 Commun à tous les candidats f est une fonction définie sur ] 2 ; + [ par : 4 points f (x)=3+ 1 x+ 2. On note f sa fonction dérivée et (C ) la représentation
Plus en détailTD1 PROPAGATION DANS UN MILIEU PRESENTANT UN GRADIENT D'INDICE
TD1 PROPAGATION DANS UN MILIEU PRESENTANT UN GRADIENT D'INDICE Exercice en classe EXERCICE 1 : La fibre à gradient d indice On considère la propagation d une onde électromagnétique dans un milieu diélectrique
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailPHYSIQUE-CHIMIE. Partie I - Spectrophotomètre à réseau
PHYSIQUE-CHIMIE L absorption des radiations lumineuses par la matière dans le domaine s étendant du proche ultraviolet au très proche infrarouge a beaucoup d applications en analyse chimique quantitative
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 détailLes Conditions aux limites
Chapitre 5 Les Conditions aux limites Lorsque nous désirons appliquer les équations de base de l EM à des problèmes d exploration géophysique, il est essentiel, pour pouvoir résoudre les équations différentielles,
Plus en détail= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m
1 épartement de Physique, Université Laval, Québec Pierre Amiot, 1. La fonction delta et certaines de ses utilisations. Clientèle Ce texte est destiné aux physiciens, ingénieurs et autres scientifiques.
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 détailLicence de Mathématiques 3
Faculté des sciences et techniques Département de mathématiques 2004-2005 Licence de Mathématiques 3 M62 : Fonctions réelles de plusieurs variables Laurent Guillopé www.math.sciences.univ-nantes.fr/~guillope/m62/
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
Plus en détailFonctions de plusieurs variables et changements de variables
Notes du cours d'équations aux Dérivées Partielles de l'isima, première année http://wwwisimafr/leborgne Fonctions de plusieurs variables et changements de variables Gilles Leborgne juin 006 Table des
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 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
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 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 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 détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
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 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 détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
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 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 détail