3M239 : Optimisation linéaire et convexité 2018–2019

TP n◦ 1 : Calcul matriciel sous Python

Objectif : Réviser les fonctions de bases de la librairie numpy de Python liées au calcul matriciel.

1 Calcul matriciel avec Python et numpy

Python est devenu un standard aussi bien dans le monde académique (recherche, enseignement,
lycée, etc.) que dans le monde industriel. C’est un langage de programmation simple d’accès (au moins
en surface) et d’une redoutable efficacité. Il est libre et s’utilise sur toutes les plateformes (Linux, Mac
OSX, Windows).
De plus, pour le calcul scientifique, on dispose de la librairie numpy qui permet de rendre encore
plus facile toutes les opérations de bases que l’on peut vouloir faire dans ce contexte (algèbre linéaire,
optimisation, statistique, etc.).
Ici, il s’agit de se familiariser avec la manipulation de matrices et quelques opérations d’algèbre
linéaire.
Comme tout apprentissage d’un langage de programmation, il faut utiliser la gigantesque source
d’information qu’est internet. Le site officiel de numpy est très bien fait : http://docs.scipy.org/
doc/numpy/reference/index.html . Je propose aussi l’introduction de Stéphane Gaïffas du CMAP :
http://www.cmap.polytechnique.fr/~gaiffas/intro_python.html.

1.1 Écrire un script python

Python peut s’utiliser en mode console. L’interpréteur interactif permet d’écrire et d’exécuter du code
Python à la volée, de faire des tests rapides, d’obtenir facilement des informations sur une fonction
ou un module. . .Ça peut être un bon moyen de faire des testes. Cependant, en utilisant l’interpréteur
interactif, nous ne pouvons garder l’historique de nos commande pour résoudre tel ou tel problème.
C’est pourquoi nous utiliserons des fichiers regroupant nos instructions python : les fichiers de script.
Sous Linux, tous nos scripts (nommé par exemple TP1.py) commenceront par :

1 #!/ usr/bin/env python

Ceci permet d’indiquer au système quel programme doit être utilisé pour exécuter le script. Dans
un terminal, nous lancerons le script comme ceci :

> ./TP1.py

Par exemple, le script suivant

1 #!/ usr/bin/env python

2 print(" Hello World !!")

affichera Hello World!! dans le terminal. Nous utiliserons abondamment la librairie numpy, donc
tous nos scripts devraient commencer par les lignes suivantes :

1 #!/ usr/bin/env python

2 # encoding : utf -8
3

4 import numpy as np

La deuxième ligne indique l’encodage de votre fichier source, c’est-à-dire le code utiliser pour coder
les caractères. Cela permet par exemple de mettre des caractères accentués dans les commentaires. Mes
fichiers sont en tous en utf8.

D’après un énoncé de Maxime Chupin Sorbonne Université

 3M239 : Optimisation linéaire et convexité 2018–2019

Les commentaires. Un commentaire est un texte ajouté au code source d’un programme servant à
décrire le code source, facilitant sa compréhension par les humains. Il est donc séparé du reste du code
grâce à une syntaxe particulière, ce qui fait qu’en général, le commentaire est ignoré par le compilateur
ou l’interpréteur du langage concerné. Pour pouvoir (re)comprendre rapidement son code, le réuti-
liser plus tard et le partager avec d’autres humains, il est nécessaire de commenter correctement
sont code.
Ici, la syntaxe particulière est le # en début de ligne qui fera que l’interpréteur python ignorera ce
qui se trouve derrière ce caractère.

1.2 Librairies numpy

La librairie numpy contient des fonctions essentielles pour traiter les tableaux, les matrices et les
opérations de type algèbre linéaire avec Python.
Dans cette section, je mets un très rapide listing des différentes fonctions que nous allons utiliser tout
au long de ce TP. Il s’agit juste d’une petite aide, il est nécessaire de compléter cela avec les documents
d’introduction et de documentation que j’ai indiqués plus haut dans ce document.

Les tableaux. Pour définir des matrices, ou tableaux, nous utiliserons numpy.array(), c’est-à-dire la
fonction array() de la librairie numpy. Pour des questions pratiques, nous importons la librairie numpy
avec la ligne suivante

1 import numpy as np

qui nous permet de faire référence à numpy par simplement np.

Si nous voulons définir un tableau d’une ligne contenant les valeurs (1, 2, 3, 4), on écrira alors :

1 #!/ usr/bin/env python

2 # encoding : utf -8
3

4 import numpy as np
5

6 A = np. array ([1 ,2 ,3 ,4])

Pour une matrice de deux lignes par exemple on fera :

1 #!/ usr/bin/env python

2 # encoding : utf -8
3

4 import numpy as np
5

6 A = np. array ([[1 ,2 ,3 ,4] ,[5 ,6 ,7 ,8]])

Voici quelques opérations de bases sur les array :

1 #!/ usr/bin/env python

2 # encoding : utf -8
3

4 import numpy as np
5

6 # tableaux
7 A = np. array ([[1 ,2 ,3 ,4] ,[5 ,6 ,7 ,8] ,[9 ,10 ,11 ,12] ,[13 ,14 ,15 ,16]])
8 # copy de tableau
9 B = A.copy ()
10 # sans le .copy (), si on modifie la variable C, on modifie aussi A
11 C = A
12 # accès à un élément
13 print("A[0 ,3] = ", A[0 ,3])
14 # accès à une ligne entière

D’après un énoncé de Maxime Chupin Sorbonne Université

 3M239 : Optimisation linéaire et convexité 2018–2019

15 D = A[1 ,:]
16 # accès à seulement quelques éléments d’une colonne
17 # indice départ : indice arrivé : step
18 E = A[1:4:2 , 2]
19

20 # affichage
21 print("A = ", A)

Listes des fonctions utiles. Voici une listes des fonctions qui peuvent vous être utiles pour ce TP
(liste non exhaustive bien entendu).

1 type ()
2

3 np. vstack ()
4 np. hstack ()
5 np. concatenate ()
6 np.dot ()
7 np.sum ()
8 np.diag ()
9 np.eye ()
10 np. arange ()
11 np.ones ()
12 np. shape ()
13 np.nd array
14

15 np. linalg .eig ()

16 np. linalg .inv ()
17 np. linalg . matrix_rank ()
18 np. linalg .solve ()

1.3 Structure de contrôle, boucles et fonctions

L’indentation est fondamentale en Python. Les blocs sont identifiés par l’indentation, au lieu d’ac-
colades comme en C ou C++ ; ou de begin ... end comme en Pascal ou en Ruby. Une augmentation
de l’indentation marque le début d’un bloc, et une réduction de l’indentation marque la fin du bloc
courant.

Boucle for. La syntaxe générale pour une boucle for est la suivante :

1 for element in objet_iterable :

2 traiter ( element ))

Par exemple, on peut écrire :

1 #!/ usr/bin/env python

2 # encoding : utf -8
3

4 import numpy as np
5

6 # boucle : i variant de 0 à 9
7 for i in np. arange (10):
8 print("i = ", i)

Structure if/else/elif. Pour la structure de test, là encore, ce sont les tabulations qui définissent les
blocs.

D’après un énoncé de Maxime Chupin Sorbonne Université

 3M239 : Optimisation linéaire et convexité 2018–2019

1 if mois == ’Dé cembre ’:

2 print ’Joyeux Noel ’
3 elif mois == ’Janvier ’:
4 print ’Bonne année’
5 else :
6 print ’rien ce mois ’

Définition de fonction. On peut définir des fonctions avec python. Voici la syntaxe :

1 def nom_fonction (liste de paramètres):

2 bloc d’instructions

Un exemple :

1 def sommeEntiers (stop):

2 i = 0
3 somme = 0
4 while i < stop:
5 i = i + 1
6 somme = somme + i
7 return somme
8

9 compteur (4)
10 compteur (2)

2 Exercices

Exercice 1 On considère la matrice A ∈ M3,4 (R) définie par :

4 6 −2 3
­2 −1 0 1 ®.
© ª

«−7 0 1 12¬

(a) Définir la matrice A comme un np.array().

(b) Modifier la matrice A pour que ses deux premières lignes soient multipliées par 2 et que sa dernière
colonne soit divisée par 3.
(c) Créer une nouvelle matrice B définie par

4 5 6
­5 10 15® ,
© ª

«1 1 1¬

en utilisant le fait que les lignes 1 et 2 sont composées des éléments successifs de deux suites
arithmétiques (voir fonction np.arange et np.ones()).
(d) Créer la matrice C ∈ M3,3 (R) extraite de A telle que pour 1 6 i, j 6 3, ci j = ai j .
(e) Différents produits matriciels
• Réaliser le produit matriciel D de B et A (np.dot()).
• Réaliser le produit d’Hadamard E de B et de C.
Pour mémoire, le produit d’Hadamard E ∈ M3,3 (R) des matrices B ∈ M3,3 (R) et C ∈ M3,3 (R) est défini
par
∀1 6 i, j 6 3, ei j = ci j bi j .
3
(f) Calculer
Í4 la somme des éléments de la matrice E et le vecteur colonne Y ∈ R tel que pour 1 6 i 6 3,
yi = j=1 di j (np.sum()).

D’après un énoncé de Maxime Chupin Sorbonne Université

3M239 : Optimisation linéaire et convexité 2018–2019

Exercice 2 Nous allons ici explorer quelques commandes très utiles en algèbre linéaire.
On considère la matrice A ∈ M4,4 (R) suivante

4 5 6 −1
­5 10 15 2 ®
© ª
®.
­6 15 1 4®
­

«−1 2 4 −2¬

(a) Pourquoi A est-elle diagonalisable ? À l’aide de la fonction np.linalg.eig(), calculer avec Python
ses valeurs propres et donner une base de vecteurs propres.
(b) Calculer de deux manières l’inverse de A en utilisant le résultat précédent et la fonction np.linalg
.inv. Comparer les résultats obtenus (vous pourrez regarder la librairie matplotlib pour faire des
tracés avec Python).
(c) On considère maintenant la matrice A ∈ Mn,n (R)

2 −1 0 ··· ··· 0
© .. .. ..ª
­−1
­ 2 −1 . . .®
®
­ .. .. .. .. ..
®
­0
­ . . . . .
®
®
­ .
­ . .. .. .. ..
®
­ . . . . . 0®
®
­ .
­ . .. ..
®
­ . . .
®
−1 2 −1®
«0 ··· ··· 0 −1 2¬

Examiner, comme à la question précédente, les cas n = 5, 10, 50 (on utilisera n comme une variable,
et on devra construire la matrice avec np.eyes() en fonction de n). Comparer les valeurs propres
obtenues avec les valeurs définies pour 1 6 k 6 n par
 
kπ
λk = 4 sin2 .
2(n + 1)

(On pourra utiliser la fonction np.sort())

Exercice 3 On s’intéresse à la matrice A ∈ M3,5 (R)

1 −1 2 1 2
­−1 2 3 −4 1® .
© ª

«0 −1 1 0 0¬

1. Quel est le rang de la matrice A ? Utiliser la fonction np.linalg.matrix_rank afin de retrouver ce

résultat.
2. En définissant :
1 −1 2 3
A = ­−1 2 3® , et b = ­−7® ,
© ª © ª

«0 −1 1¬ «1¬
résoudre à l’aide de la fonction np.linalg.solve() le système Ax = b.

D’après un énoncé de Maxime Chupin Sorbonne Université