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

Bienvenue sur Scribd !

  • 13 vues

    Slides Chap4

    Transféré par

    Yahya El Gueddari

    Droits d'auteur :

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

    Slides Chap4

    Transféré par

    Yahya El Gueddari
    13 vues8 pages

    Titre original

    slides_chap4

    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 ?

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    13 vues8 pages

    Slides Chap4

    Transféré par

    Yahya El Gueddari

    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 8

    Optimisation

    Chapitre 4 : Existence et unicité de solution

    Joseph Gergaud, Serge Gratton & Daniel Ruiz

    10 septembre 2024
    Existence, cas avec contraintes 2

    Théorème 4.2.1 – Existences de solution, cas avec contraintes

    Soit (P) un problème d’optimisation avec contraintes C ⊂ E . Si f est continue et


    C est un compact non vide, alors le problème (P) admet une solution.

     C’est une application immédiate du théorème qui dit que l’image d’un compact par
    une application continue dans un espace séparé est un compact. 
    Existence, cas avec contraintes 3

    Définition 4.2.2 – Fonction 0−coercive

    Une fonction f : E → R, E espace vectoriel normé, est dite 0−coercive si et


    seulement si
    f (x ) −→ +∞ quand kx k −→ +∞. (1)

    Théorème 4.2.3

    Soit (P) un problème d’optimisation avec contraintes où f est une fonction de Rn


    à valeurs dans R et C est un fermé non vide. Si f est continue et 0-coercive, alors
    le problème admet une solution.
    Démonstration 4

     Soit (xk )k∈N une suite minimisante de points de C , c’est-à-dire une suite de point
    de C telle que limk→+∞ f (xk ) = Infx ∈C f (x ) = µ < +∞. Montrons que cette suite est
    bornée. Sinon il existe une sous-suite (xnk )N telle que ||xnk || tende vers +∞ lorsque nk
    tend vers +∞ et donc, comme f est 0-coercive, limnk →+∞ f (xnk ) = +∞, ce qui est
    impossible.
    Par suite il existe un réel R > 0 tel que la suite (xk )k∈N soit contenue dans C ∩ Bf (0, R)
    qui est un fermé borné de Rn ; c’est donc un compact dont on peut extraire une sous-
    suite qui converge vers x ∗ . Mais f est continue, et donc f (x ∗ ) = µ et x ∗ est une
    solution du problème d’optimisation. 

    Remarque 4.2.1. Le théorème précédent s’applique si le problème d’optimisation est


    sans contraintes car dans ce cas C = E .
    Cas convexe 5

    Théorème 4.3.1

    Si C est un convexe de E espace vectoriel normé et si f est une fonction de C à


    valeurs dans R convexe, alors l’ensemble des solutions est soit vide soit un ensemble
    convexe de E .

     Supposons que l’ensemble des solutions ne soit pas vide. Soient x et y deux solutions
    alors f (x ) = f (y ) car (f (x ) ≤ f (y ) et f (y ) ≤ f (x )). Par suite, pour tout α ∈]0, 1[,
    nous avons

    f (αx + (1 − α)y ) ≤ αf (x ) + (1 − α)f (y ) ≤ αf (x ) + (1 − α)f (x ) ≤ f (x ).

    En conséquence αx + (1 − α)y est aussi une solution. 


    Unicité de solution 6

    Théorème 4.3.2

    Si C est un convexe de E espace vectoriel normé et si f est une fonction de C à


    valeurs dans R strictement convexe, alors il existe au plus un point x ∗ minimisant
    f sur C.

     Supposons qu’il existe deux solutions x1 et x2 . Pour α ∈]0, 1[, on pose xα = αx1 +
    (1 − α)x2 , alors, puisque f est strictement convexe on a

    f (xα ) < αf (x1 ) + (1 − α)f (x2 ) = f (x1 ) = f (x2 ),

    ce qui est impossible. 


    Cas convexe 7

    Théorème 4.3.3

    Si C est un convexe de E espace vectoriel normé et si f est une fonction de C à


    valeurs dans R convexe, alors tout minimum local x ∗ de f sur C est un minimum
    global de f sur C .

     Soit x ∗ un minimum local de f sur C . Il existe donc η > 0 tel que pour tout
    x ∈ C ∩ B(x ∗ , η), f (x ∗ ) ≤ f (x ). Supposons maintenant qu’il existe dans C un point y
    tel que f (y ) < f (x ∗ ). Alors, puisque f est convexe, on a pour tout α ∈]0, 1[

    f (x ∗ + α(y − x ∗ )) = f ((1 − α)x ∗ + αy ) ≤ (1 − α)f (x ∗ ) + αf (y )


    < (1 − α)f (x ∗ ) + αf (x ∗ ) = f (x ∗ ).

    Mais pour α suffisamment proche de 0, x ∗ + α(y − x ) ∈ B(x ∗ , η), d’où la contradiction.


    
    Exercices 8

    Exercice 4.3.1. Soit le problème d’optimisation


    
    min f (x ) = −x23 − 2x22 − x2
    (P)
    x ∈ C = {x ∈ R2 | x12 + x22 + x2 = 0}.

    1. Montrer que (P) possède une solution.


    2. Déterminer si (P) est convexe.
    Exercice 4.3.2. Soit le problème d’optimisation

    min f (x ) = (1/2) hAx , x i + hb , x i + c


    (
    (P) x ∈ Rn
    Cx = d

    où A ∈ Sym(n, R), b ∈ Rn , c ∈ R, C ∈ L(Rn , Rm ) et d ∈ Im C . Donner une condition


    suffisante sur A assurant l’existence et l’unicité de solution à (P).

    Vous aimerez peut-être aussi