Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Importer

Bienvenue sur Scribd !

  • 7 vues

    Compte Rendu TP3 Optim

    Transféré par

    zahra drd
    Ce document présente différents algorithmes d'optimisation pour trouver le minimum d'une fonction, notamment l'algorithme du gradient à pas fixe, l'algorithme de Newton et l'algorithme du gradient conjugué. Il détaille leur mise en œuvre pour des fonctions données en exemple.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Compte Rendu TP3 Optim

    Transféré par

    zahra drd
    7 vues7 pages
    Ce document présente différents algorithmes d'optimisation pour trouver le minimum d'une fonction, notamment l'algorithme du gradient à pas fixe, l'algorithme de Newton et l'algorithme du gradient conjugué. Il détaille leur mise en œuvre pour des fonctions données en exemple.

    Description originale:

    Optimisation

    Titre original

    compteRenduTP3optim

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Ce document présente différents algorithmes d'optimisation pour trouver le minimum d'une fonction, notamment l'algorithme du gradient à pas fixe, l'algorithme de Newton et l'algorithme du gradient conjugué. Il détaille leur mise en œuvre pour des fonctions données en exemple.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    7 vues7 pages

    Compte Rendu TP3 Optim

    Transféré par

    zahra drd
    Ce document présente différents algorithmes d'optimisation pour trouver le minimum d'une fonction, notamment l'algorithme du gradient à pas fixe, l'algorithme de Newton et l'algorithme du gradient conjugué. Il détaille leur mise en œuvre pour des fonctions données en exemple.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    Vous êtes sur la page 1sur 7

    Compte Rendu TP3 : Algorithmes de descente pour la recherche

    du minimum d’une fonction. Algorithme du gradient à pas fixe,


    algorithme du gradient conjugué et algorithme de Newton.
    Réalisé par :
    ZOHRA DARDOUR
    ISLEM LOUHICHI
    1TA4

    1. Fonctions objectifs :
    Soit la fonction f(x,y)= x 𝑒 −𝑥 2−𝑦2 et g(x,y)= x²+y²+z²-xy-yz+3x-y-2z

    Q1.1- Saisir les instructions suivantes :

    x = linspace(-2,2,20);
    y = x' ;
    z = x .* exp(-x.^2 - y.^2);
    surf(x,y,z)

    Q1.2-
    function [Y]=gradf(X)
    % je décompose X en deux éléments
    x=X(1);
    y=X(2);
    % j’initialise Y
    Y=zeros(1,2);
    % Je calcule la dérivée partielle de f par rapport à x
    Y(1)=exp(-x^2-y^2)-2*x^2*exp(-x^2-y^2);
    % Je calcule la dérivée partielle de f par rapport à y
    Y(2)=-2*y*x*exp(-x^2-y^2);
    % Ces mêmes résultats peuvent être calculés à partir de la fonction
    prédéfinie sur Matlab
    Syms pour Création de variables symboliques
    syms x y
    f=x*exp(-x^2-y^2);
    YY=subs(gradient(f),[x,y],[X(1),X(2)]);
    End

    Dans ce cas :
    function [Y,YY]=gradf(X)
    x=X(1);
    y=X(2);
    Y=zeros(1,2);
    YY=zeros(1,2);
    Y(1)=exp(-x^2-y^2)-2*x^2*exp(-x^2-y^2);
    Y(2)=-2*y*x*exp(-x^2-y^2);
    syms x y
    f=x*exp(-x^2-y^2);
    YY=subs(gradient(f),[x,y],[X(1),X(2)]);
    end

    Appel en Main
    X=[0.5 1.5];
    [Y,YY]=gradf(X);

    ----> Résultat de simulation


    Y=
    0.0410 -0.1231
    YY =
    exp(-5/2)/2
    -(3*exp(-5/2))/2

    Q 1.3-
    function [H]=hessf(X)
    syms x y
    f=x*exp(-x^2-y^2);
    X=[0.5 1.5];
    A=subs(hessian(f,[x,y]),[x,y],[X(1),X(2)]);
    H=eval(A);
    End

    Main Program
    X=[0.5 1.5];
    [H]=hessf(x);
    Solution :
    H=
    -0.2052 -0.1231
    -0.1231 0.2873

    Q1.4-
    function [Y]=gradg(X)
    syms x y z
    g=x^2+y^2+z^2-x*y-y*z+3*x-y-2*z;
    sol=subs(gradient(g),[x,y,z],[X(1),X(2),X(3)]);
    Y=eval(sol)
    end
    Main program
    Xg=[0.5 1.5 1];
    [Yg]=gradg(Xg);
    Résultat de simulation
    Yg =
    2.5000
    0.5000
    -1.5000

    2. Algorithme du gradient à pas fixe :


    Q 2.1 -
    function [X,k]=gradfix(x0,e,p)
    X=x0;
    k=0;
    while norm(gradf(X))>e;
    X=X-p*eval(gradf(X))
    k=k+1;
    eval(gradf(X));
    end
    End

    Main program
    x0=[0.5;1.5];
    e=10^-3;
    p=0.5;
    k=0;
    [X,k]=gradfix(x0,e,p)

    -----> Résultat de simulation


    >> [X,k]=gradfix(x0,e,p)
    X=
    -0.7071
    0.0007
    k = 152
    -----> Résultat de simulation
    p=1 ;
    [X,k]=gradfix(x0,e,p)
    X=
    -0.7076
    0.0002
    k = 80

    3. Algorithme de Newton:
    function [X,k]=newton(x0,e)
    X=x0;
    k=0;
    while norm(gradf(X))>e
    X=X-hessf(X)\(eval(gradf(X)));
    k=k+1;
    eval(gradf(X));
    end
    End

    Main Program
    e=10^-12;
    [X1,k1]=newton(X0,e);

    ------> Résultat de simulation


    X1 =
    0.2377
    5.3651
    k1 = 25

    Interprétation:
    - Newton converge plus rapidement ( ici pour vérifier ceci il faut choisir
    e=10^-12)
    - Si p=1 Newton et gradient fixe donnent le même résultat

    4. Algorithme du gradient conjugué :


    function [X,k]=gradconj(A,b,x0,e)
    X=x0;
    k=0;
    while norm(gradg(X))>e
    C=A*X-b;
    D=-eval(gradg(X));
    F=A*D;
    alpha=-sum(C.*D)/sum(F.*D);
    X=X-alpha*eval(gradg(X));
    k=k+1;
    end
    end
    Main program
    A=[1 -1 0;-1 1 -1;0 -1 1];
    b=[-3;1;2];
    [X,k]=gradconj(A,b,X0,e)

    Vous aimerez peut-être aussi