Poly GMM4

Département Génie Mathématique et
Modélisation
4ème année, 2017-2018.
Méthodes numériques pour l’optimisation

non linéaire déterministe.
Aude Rondepierre
Table des matières
I Outils théoriques, concepts algorithmiques 7

1 Eléments d’analyse convexe 9
1.1 Définitions et propriétés géométriques élémentaires . . . . . . . . . . . . . 9
1.1.1 Ensembles et fonctions convexes . . . . . . . . . . . . . . . . . . . . 9
1.1.2 Semi-continuité inférieure . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.3 Opérations sur les fonctions convexes . . . . . . . . . . . . . . . . . 14
1.2 Continuité et différentiabilité des fonctions convexes . . . . . . . . . . . . . 14
1.3 Eléments d’analyse pour l’algorithmie . . . . . . . . . . . . . . . . . . . . . 16
1.3.1 Fonctions à gradient Lipschitz . . . . . . . . . . . . . . . . . . . . . 17
1.3.2 Fonctions fortement convexes . . . . . . . . . . . . . . . . . . . . . 18
1.3.3 Conditionnement d’une fonction . . . . . . . . . . . . . . . . . . . . 20
2 Introduction à l’optimisation numérique 21

2.1 Qu’est-ce qu’un problème d’optimisation ? . . . . . . . . . . . . . . . . . . 21
2.2 Résultats d’existence et d’unicité en optimisation . . . . . . . . . . . . . . 24
2.2.1 Cas où l’ensemble X des contraintes est borné . . . . . . . . . . . . 24
2.2.2 Cas où l’ensemble X des contraintes est non borné . . . . . . . . . 24
2.2.3 Cas particulier de contraintes d’égalités et/ou d’inégalités . . . . . . 26
2.2.4 Convexité et optimisation . . . . . . . . . . . . . . . . . . . . . . . 26
II Algorithmes classiques en optimisation différentiable 27

3 Conditions d’optimalité 29
3.1 Cas général : condition d’optimalité géométrique . . . . . . . . . . . . . . . 29
3.1.1 Le cône tangent ou comment se déplacer dans le domaine des contraintes 29
3.1.2 Condition nécessaire d’optimalité géométrique . . . . . . . . . . . . 30
3.1.3 Cas où l’ensemble des contraintes est convexe . . . . . . . . . . . . 31
3.2 Cas différentiable sans contraintes . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Cas différentiable avec contraintes fonctionnelles . . . . . . . . . . . . . . . 33
3.3.1 Problèmes avec contraintes d’égalité . . . . . . . . . . . . . . . . . . 33
3.3.2 Problèmes avec contraintes d’inégalités . . . . . . . . . . . . . . . . 38
3.3.3 Problèmes avec contraintes d’égalité et d’inégalité . . . . . . . . . . 41
3
4 TABLE DES MATIÈRES
4 Méthodes de descente en optimisation différentiable sans contrainte 43

4.1 Principe général des méthodes de descente . . . . . . . . . . . . . . . . . . 43
4.2 La recherche linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2.1 Recherches linéaires élémentaires . . . . . . . . . . . . . . . . . . . 46
4.2.2 Condition de Armijo ou comment éviter les pas trop grands . . . . 47
4.2.3 Conditions de Wolfe ou comment éviter les pas trop petits . . . . . 49
4.2.4 Convergence globale des algorithmes avec pas de Wolfe . . . . . . . 52
4.3 Algorithmes de type gradient . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.3.1 CS pour qu’un algorithme de gradient soit une méthode de descente 53
4.3.2 Résultats de convergence globale . . . . . . . . . . . . . . . . . . . 54
4.3.3 Tests numériques : pas fixe/pas optimal vs Pas de Wolfe . . . . . . 54
4.4 Méthodes de type Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.4.1 Méthode de Newton avec recherche linéaire . . . . . . . . . . . . . . 58
4.4.2 Méthodes de quasi-Newton . . . . . . . . . . . . . . . . . . . . . . . 60
4.4.3 Propriétés et convergence de l’algorithme BFGS . . . . . . . . . . . 63
4.5 Algorithmes pour la régression non-linéaire . . . . . . . . . . . . . . . . . . 64
4.5.1 Problèmes de moindres carrés linéaires (rappels) . . . . . . . . . . . 64
4.5.2 Algorithme de Gauss-Newton . . . . . . . . . . . . . . . . . . . . . 65
4.5.3 Algorithme de Levenberg-Marquardt . . . . . . . . . . . . . . . . . 66
5 Algorithmes pour l’optimisation différentiable sous contrainte 69

5.1 Introduction à la dualité lagrangienne . . . . . . . . . . . . . . . . . . . . . 69
5.1.1 Problème primal - Problème dual . . . . . . . . . . . . . . . . . . . 70
5.1.2 Liens entre problème primal et problème dual . . . . . . . . . . . . 71
5.1.3 Cas convexe - Multiplicateurs de Kuhn-Tucker . . . . . . . . . . . . 72
5.2 Méthode du gradient projeté . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3 Algorithmes newtoniens - Méthode SQP . . . . . . . . . . . . . . . . . . . 75
5.4 Méthodes de pénalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.4.1 Principe général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.4.2 Le Lagrangien augmenté . . . . . . . . . . . . . . . . . . . . . . . . 80
III Introduction à l’optimisation convexe non différentiable 83

6 Compléments d’analyse convexe 85
6.1 Sous-différentiel d’une fonction convexe . . . . . . . . . . . . . . . . . . . . 85
6.1.1 Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.1.2 Règles de calcul sous-différentiel . . . . . . . . . . . . . . . . . . . . 87
6.1.3 Exemple 1 : Sous-différentiel d’une fonction indicatrice . . . . . . . 88
6.1.4 Exemple 2 : Sous-différentiel d’une norme . . . . . . . . . . . . . . 88
6.2 Condition d’optimalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
TABLE DES MATIÈRES 5
7 Algorithmes pour l’optimisation non différentiable 91

7.1 Un rapide tour d’horizon en optimisation non lisse . . . . . . . . . . . . . . 91
7.2 Méthodes de sous-gradients . . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.2.1 Cas sans contrainte . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.2.2 Méthodes de sous-gradient projeté . . . . . . . . . . . . . . . . . . . 95
7.2.3 Application aux problèmes duaux . . . . . . . . . . . . . . . . . . . 97
7.3 Opérateur proximal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.3.1 Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.3.2 Algorithme du point proximal . . . . . . . . . . . . . . . . . . . . . 101
7.4 Algorithme Forward-Backward : un algorithme de splitting . . . . . . . . . 102
L’optimisation et particulièrement l’optimisation numérique a connu un essort impor-
tant ces dernières années avec l’avènement de l’ordinateur. Elle est souvent l’ultime étape
de l’analyse numérique où, après avoir étudié un phénomène physique, l’avoir mis en équa-
tion, avoir étudié ces équations et avoir montré que l’on pouvait calculer les solutions avec
un ordinateur, on commence à optimiser le système en changeant certains paramètres pour
changer la solution dans un sens désiré.
Ce cours est un cours d’optimisation numérique : on cherche à construire des algorithmes
adaptés et efficaces pour la résolution de problèmes d’optimisation de la forme :
min f (x),
xœRn
où la fonction f : Rn æ R est supposée différentiable dans la deuxième partie de ces notes,

localement Lipschitzienne et convexe mais non différentiable dans la troisième partie. Ces
hypothèses requièrent un outil spécial : le sous-différentiel de l’analyse convexe, noté ˆf (x).
Les fonctions convexes apparaissent abondamment dans l’ingénierie et permettent de

modéliser de nombreux phénomènes non linéaires (équations de la physique, traitement du
signal, théorie des jeux et de l’économie, statistiques...). Elles ont des propriétés remar-
quables qui permettent d’analyser plus facilement leurs propriétés et aussi de les minimiser
efficacement. De nombreux problèmes non convexes irrésolvables peuvent être approchés
par des problèmes convexes qui eux sont presque systématiquement minimisés en des temps
rapides.
Pour conclure, nous indiquons quelques références utiles pour aller plus loin. Le livre [5]
est une excellente référence en optimisation numérique différentiable, à la fois pédagogique
et bien documentée. Plusieurs exemples et points de vue présentés dans ces notes sont
inspirés de cet ouvrage. Les livres [12, 27] sont de très bonnes références pour découvrir les
nombreux détails de l’analyse convexe en dimension finie. La référence [2] propose est une
très bonne introduction à l’analyse convexe dans des espaces de Hilbert. Enfin, indiquons
une référence dans les espaces de Banach [30]. Cette référence apporte des informations
intéressantes même pour des questions d’analyse numérique en dimension finie. Au niveau
algorithmique, ce cours est essentiellement inspiré des références [24].
Remerciements à Denis Arzelier et Pierre Weiss pour leurs notes de cours

qui m’ont bien aidée à préparer ce polycopié !.
Première partie
Outils théoriques, concepts

algorithmiques
7
Chapitre 1
Eléments d’analyse convexe
Dans ce chapitre, nous présentons quelques propriétés remarquables des fonctions convexes.
Elle permettront de construire des algorithmes de minimisation dans la suite du cours.
Dans toutes ces notes, on se place sur l’espace vectoriel Rn , n œ N. On le munit d’un
produit scalaire È·, ·Í. La norme
Ò associée au produit scalaire est notée Î · Î2 . Elle est définie
pour tout x œ R par ÎxÎ2 = Èx, xÍ.
n
1.1 Définitions et propriétés géométriques élémentaires

Dans ce chapitre, on considère des fonctions
f : Rn æ R fi {+Œ}.
Autoriser les fonctions à valoir +Œ présente l’intérêt de pouvoir représenter les problèmes
contraints sous une forme non contrainte. On a en effet :
inf f (x) = inf f (x)
xœRn xœdom(f )
où dom(f ) est défini de la façon suivante :
Définition 1.1 (Domaine d’une fonction) Le domaine d’une fonction f est noté
dom(f ). Il est défini par
dom(f ) = {x œ Rn , f (x) < +Œ}.
Dans toute la suite de ce cours, on supposera (sans le préciser) que nos fonctions n’ont
pas un domaine vide : dom(f ) ”= ÿ.
1.1.1 Ensembles et fonctions convexes

Définition 1.2 (Ensemble convexe) Soit X ™ Rn . L’ensemble X est dit convexe
si :
’(x1 , x2 ) œ X ◊ X, ’– œ [0, 1], –x1 + (1 ≠ –)x2 œ X.
9
10 1.1. Définitions et propriétés géométriques élémentaires
Voici quelques ensembles convexes remarquables :
Définition 1.3 (Combinaison convexe) Soient x1 , .., xm , m éléments de Rn . On

dit que x est combinaison convexe de ces points s’il existe des réels (–1 , ..., –m ) tels
que :
• ’i œ {1, ..., m}, –i Ø 0,
m
ÿ
• –i = 1,
i=1
m
ÿ
• x= –i xi .
i=1
Définition 1.4 (Enveloppe convexe) Soit X ™ Rn un ensemble. On appelle en-

veloppe convexe de X et on note conv(X) l’ensemble convexe le plus petit contenant
X. En dimension finie, c’est aussi l’ensemble des combinaisons convexes d’éléments
de X :
p
ÿ p
ÿ
conv(X) = {x œ Rn | x = –i xi où xi œ X, p œ N et –i = 1, –i Ø 0}.
i=1 i=1
Quant aux fonctions à valeurs dans R fi {+Œ}, la définition de la convexité reste

identique à celle vue en 3MIC :
Définition 1.5 (Fonction convexe) Soit f : Rn æ R fi {+Œ}.

• f est dite convexe si :
’(x, y) œ dom(f )2 , ’⁄ œ [0, 1], f ((1 ≠ ⁄)x + ⁄y) Æ (1 ≠ ⁄)f (x) + ⁄f (y).
• f est dite strictement convexe si :
’(x, y) œ dom(f )2 , x ”= y, ’⁄ œ [0, 1], f ((1≠⁄)x+⁄y) < (1≠⁄)f (x)+⁄f (y).
Cette définition est illustrée sur la Figure 1.1. Elle implique que le domaine d’une
fonction convexe est convexe (exercice). Notons qu’une fonction convexe peut ne pas être
dérivable. On peut cependant montrer qu’elle est dérivable presque partout.
La définition de la convexité permet d’obtenir un lemme souvent utile (notamment en
probabilités) :
Lemme 1.1 (Inégalité de Jensen) Soit f : Rn æ R fi {+Œ} une fonction

convexe et x1 , x2 , ..., xm m points appartenant à dom(f ) et –1 , ..., –m des coefficients
q
réels positifs tels que m i=1 –i = 1. Alors
Am B m
ÿ ÿ
f –i xi Æ –i f (xi )
i=1 i=1
Chapitre 1. Eléments d’analyse convexe 11
Figure 1.1 – Un exemple de fonction convexe
Démonstration. Par récurrence, on vérifie d’abord que pour m = 2, l’inégalité n’est rien
d’autre que la définition de la convexité. Puis on suppose le résultat vrai au rang k et on
le montre au rang k + 1 en réutilisant l’inégalité de convexité. 2
Corollaire 1.1 Soit f : Rn æ R fi {+Œ} une fonction convexe et x œ Rn une

combinaison convexe de x1 , ..., xm alors :
f (x) Æ max f (xk ).

iœ{1,...,m}
Démonstration. En exercice. 2
Théorème 1.1 f est convexe si et seulement si son épigraphe
epi(f ) = {(x, t) œ dom(f ) ◊ R, t Ø f (x)}
est convexe.
Démonstration. Faite en cours. 2
Théorème 1.2 Si f est convexe alors ses ensembles de niveaux
Lf (—) = {x œ dom(f ), f (x) Æ —}
sont soit vides, soit convexes.
Remarque 1.1 La réciproque est fausse ! Une fonction dont les ensembles
Ò de niveaux sont
convexes n’est pas convexe en général (exemple en 1D : f (x) = |x|). Une telle fonction
12 1.1. Définitions et propriétés géométriques élémentaires
est appelée quasi-convexe. Un exemple de fonction quasi-convexe (non convexe) est donné
sur la Figure 1.2.
Figure 1.2 – Un exemple de fonction quasi-convexe. Ses lignes de niveaux sont des seg-
ments (donc des ensembles convexes), mais la fonction n’est pas convexe.
Caractérisation différentielle de la convexité
Théorème 1.3 Soit f : Rn æ R une fonction différentiable. Les propositions sui-

vantes sont équivalentes :
(a) f est convexe.
(b) Ses hyperplans tangents sont des minorants (voir Figure 1.3).
’(x, y) œ Rn ◊ Rn , f (y) Ø f (x) + ÈÒf (x), y ≠ xÍ.
(c) Le gradient de f est un opérateur monotone :
’(x, y) œ Rn ◊ Rn , ÈÒf (y) ≠ Òf (x), y ≠ xÍ Ø 0.
Remarque 1.2 Un opérateur F : Rn æ Rn est dit monotone si

’(x, y) œ Rn ◊ Rn , ÈF (y) ≠ F (x), y ≠ xÍ Ø 0.
Cette notion généralise la notion de gradient des fonctions convexes. Elle apparaît abon-
damment dans les EDP.
Les fonctions C 2 convexes peuvent être caractérisées par leur hessienne.
Proposition 1.1 (Caractérisation de second ordre de la convexité)

Soit f : Rn æ R une fonction de classe C 2 . f est convexe ssi :
’x œ Rn , H[f ](x) ≤ 0
(i.e. la hessienne de f est semi-définie positive en tous points).

Figure 1.3 – Hyperplans tangents d’une fonction convexe (1D) et d’une fonction concave
(2D). Notez que l’hyperplan tangent est un minorant pour la fonction convexe et un ma-
jorant pour la fonction concave.
1.1.2 Semi-continuité inférieure

De façon générale, une fonction convexe peut être très compliquée sur le bord de son
domaine. Par exemple, la fonction 2D
I
0 si x2 + y 2 < 1
f (x, y) = (1.1)
„(x, y) si x2 + y 2 = 1 avec „(x, y) Ø 0
est convexe. Cependant, son comportement sur le bord peut être arbitrairement complexe.
Minimiser de telles fonctions est en général impossible. Cette remarque nous mène à nous
restreindre à la classe de fonctions semi-continues inférieurement.
Définition 1.6 (Fonction semi-continue inférieurement) Une fonction f :
Rn æ R fi {+Œ} est dite fermée ou semi-continue inférieurement (s.c.i.) si :
’x œ Rn , ’xn ≠æ x, lim inf f (xn ) Ø f (x).

næ+Œ
Proposition 1.2 Soit f : Rn æ R fi {+Œ}. Les propositions suivantes sont équiva-

lentes :
i. f est s.c.i.
ii. Quel que soit – œ R, l’ensemble de niveau {x œ Rn | f (x) Æ –} est fermé.
iii. epi(f ) est un ensemble fermé.
Attention ! Toute fonction continue sur son domaine n’est pas nécessairement s.c.i. ! Une
fonction continue f est s.c.i. à condition que son domaine dom(f ) soit fermé.
Exercice 1.1.1 A quelle condition la fonction f définie ci-après est-elle fermée ?
I
0 si x œ [0, 1[
f (x) =
a Ø 0 si x = 1
14 1.2. Continuité et différentiabilité des fonctions convexes
Exemple 1.1.1 Donnons quelques exemples de fonctions convexes fermées.

1. Les fonctions f : Rn æ R convexes telles que dom(f ) = Rn sont fermées.
2. Les fonctions linéaires sont convexes et fermées.
3. Les fonctions convexes, différentiables sur Rn sont convexes et fermées.
4. La fonction f (x) = ÎxÎ où Î · Î est une norme quelconque est convexe et fermée.
5. La fonction (1.1) n’est convexe et fermée que si „(x, y) = 0, ’(x, y) œ R2 .
Exercice 1.1.2 Montrer que la fonction plafond (qui, évaluée en x, retourne le plus petit
entier supérieur ou égal à x) est s.c.i. alors que la fonction partie entière E ne l’est pas.
1.1.3 Opérations sur les fonctions convexes
Théorème 1.4 Soient f1 et f2 deux fonctions convexes s.c.i. et — > 0. Les fonctions
suivantes sont convexes s.c.i. :
1. f (x) = —f1 (x).
2. f (x) = (f1 + f2 )(x) et dom(f ) = dom(f1 ) fl dom(f2 ).
3. f (x) = max{f1 (x), f2 (x)} et dom(f ) = dom(f1 ) fl dom(f2 ).
Démonstration. En exercice (un peu difficile...). 2
Théorème 1.5 Soit „(y), y œ Rm une fonction convexe s.c.i. Soit A : Rn æ Rm

un opérateur linéaire et b œ Rn . Alors la fonction f (x) = „(Ax + b) est convexe s.c.i.
et dom(f ) = {x œ Rn , Ax + b œ dom(„)}.
1.2 Continuité et différentiabilité des fonctions convexes

Le premier résultat de ce paragraphe est que toute fonction convexe est continue sur
l’intérieur de son domaine.
Théorème 1.6 Soit f une fonction convexe et x0 œ int(dom(f )). Alors f est conti-
nue et localement Lipschitz en x0 .
Une conséquence importante de ce théorème est que toute fonction convexe dont le
domaine est Rn tout entier est continue sur Rn . Pour démontrer le Théorème 1.6, nous
avons besoin du résultat intermédiaire suivant :
Lemme 1.2 Soit f une fonction convexe et x0 œ int(dom(f )). Alors f est majorée loca-
lement en x0 1 .
1. Note : elle peut exploser au voisinage du bord. Il suffit par exemple de considérer la fonction x ‘æ 1/x
sur ]0, 1] pour s’en convaincre.
Démonstration. Soit ‘ > 0 tel que les points x0 ± ‘ei œ int(dom(f )). D’après le corollaire
1.1 on a ’x œ conv({x0 ± ‘ei }) = BŒ (x0 , ‘), f (x) Æ max f (x0 ± ‘ei ) < +Œ. 2
1ÆiÆn
Ce lemme implique la continuité d’une fonction convexe sur l’intérieur de son domaine.
Démonstration du théorème 1.6. D’après le lemme 1.2, il existe M < +Œ et ‘ > 0
tels que f (x) Æ M, ’x œ B2 (x0 , ‘). Soit y œ B2 (x0 , ‘) et z œ ˆB2 (x0 , ‘) un point de la
frontière tel que z = x0 + –1 (y ≠ x0 ) avec – = 1‘ Îy ≠ x0 Î2 . Par construction – Æ 1 et
y = –z + (1 ≠ –)x0 . Par convexité de f on a donc :
f (y) Æ (1 ≠ –)f (x0 ) + –f (z)

Æ f (x0 ) + –(M ≠ f (x0 ))
M ≠ f (x0 )
= f (x0 ) + Îy– ≠ x0 Î2 .
‘
Pour obtenir l’inégalité inverse, on considère un point y œ B2 (x0 , ‘) et on pose u =
x0 + –1 (x0 ≠ y). On a Îu ≠ x0 Î2 = ‘ et y = x0 + –(x0 ≠ u). D’après le théorème ?? on a
donc :
f (y) Ø f (x0 ) + –(f (x0 ) ≠ f (u))

Ø f (x0 ) ≠ –(M ≠ f (x0 ))
M ≠ f (x0 )
= f (x0 ) ≠ Îy ≠ x0 Î2 .
‘
On a donc ’y œ B2 (x0 , ‘) :
M ≠ f (x0 )
|f (y) ≠ f (x0 )| Æ Îy ≠ x0 Î2 .
‘
2
Intéressons nous maintenant à la différentiabilité des fonctions convexes. On rappelle
pour cela la définition de la dérivée directionnelle :
Définition 1.7 (Dérivée directionnelle) Soit x œ dom(f ). On appelle dérivée

directionnelle au point x dans la direction p la limite suivante :
1
f Õ (x, p) = lim+ (f (x + –p) ≠ f (x)).
–æ0 –
Si cette limite existe, on dit que f Õ (x, p) est la dérivée directionnelle de f en x.
Lemme 1.3 Soit f une fonction convexe et x œ int(dom(f )). Alors p ‘æ f Õ (x, p) est
une fonction convexe, homogène de degré 1. Pour tout y œ dom(f ) on a
f (y) Ø f (x) + f Õ (x, y ≠ x). (1.2)
16 1.3. Eléments d’analyse pour l’algorithmie
Lorsqu’elle existe, la dérivée directionnelle donne des informations sur la pente de la

fonction dans la direction d, tout comme la dérivée donne des informations sur la pente
des fonctions à une variable :
• si f Õ (x; d) > 0 alors f est croissante dans la direction d.
• si f Õ (x; d) = 0 alors on ne peut pas conclure.
• si f Õ (x; d) < 0 alors f est décroissante dans la direction d : dans ce cas, on dit que
d est une direction de descente de f en x.
Dans le cas où f est différentiable, on a :
Proposition 1.3 Soit f : Rn æ R différentiable et x œ Rn . Pour tout d œ Rn ,
f Õ (x; d) = ÈÒf (x), dÍ.
Rappelons que la dérivabilité selon toute direction en x n’implique pas nécessairement

la différentiabilité de f en x. Le contre-exemple typique est la fonction x æ |x|. Cette
fonction est bien dérivable à droite et à gauche de 0, mais elle n’est pas dérivable en 0.
Théorème 1.7 Une fonction convexe est différentiable dans toutes les directions sur
tous les points de l’intérieur de son domaine.
Démonstration. Soit x œ int(dom(f )). On considère la fonction

1
„(–) = (f (x + –p) ≠ f (x)), – > 0.
–
Soit — œ]0, 1] et – œ]0, ‘] avec ‘ suffisamment petit pour que x + ‘p œ dom(f ). Alors :
f (x + –—p) = f ((1 ≠ —)x + —(x + –p)) Æ (1 ≠ —)f (x) + —f (x + –p).
Ainsi
1 1
„(–—) = (f (x + –—p) ≠ f (x0 )) Æ (f (x + –p) ≠ f (x)) = „(–).
–— –
La fonction „ est donc décroissante au voisinage de 0+ . Pour “ > 0 tel que x≠“p œ dom(f )
on a par convexité :
1
„(–) Ø (f (x) ≠ f (x ≠ “p)).
“
La limite quand – æ 0+ existe donc. 2
1.3 Eléments d’analyse pour l’algorithmie

On pourrait penser qu’une fonction différentiable est plus facile à minimiser qu’une
fonction non-différentiable. De même, une fonction strictement convexe pourrait être plus
facile à minimiser qu’une fonction simplement convexe (notamment parce qu’elle admet un
minimiseur unique). Il n’en est rien. En effet, on peut approcher de façon aussi proche que
l’on souhaite une fonction non différentiable par une fonction C Œ et une fonction convexe
par une fonction strictement convexe. Il faut donc introduire des classes de fonctions plus
régulières pour développer des algorithmes efficaces. Les deux classes présentées ci-après
sont les plus naturelles : les fonctions différentiables à gradient Lipschitz et les fonctions
fortement convexes.
1.3.1 Fonctions à gradient Lipschitz

De façon générale, les fonctions différentiables ne sont pas plus faciles à minimiser que
les fonctions non différentiables. On peut en effet approcher n’importe quelle fonction, aussi
précisément qu’on le souhaite en norme LŒ , par une fonction C Œ . La différentiabilité n’est
donc pas une propriété assez forte pour permettre de faire des estimations d’erreurs sur les
méthodes d’optimisation.
C’est pour cette raison qu’on introduit la classe des fonctions différentiables à gradient
Lipschitz. Dans tout ce paragraphe, on considère des fonctions f : Rn æ R différentiables
à gradient Lipschitz :
ÎÒf (x) ≠ Òf (y)Î Æ LÎx ≠ yÎ. (1.3)
Ces fonctions ont une propriété essentielle pour la preuve de convergence des méthodes
de descente :
Lemme 1.4 Soit f : Rn æ R une fonction différentiable à gradient L-Lipschitz
continu. Elle satisfait :
L
f (y) Æ f (x) + ÈÒf (x), y ≠ xÍ + Îy ≠ xÎ2
¸ ˚˙ ˝ 2
Approximation linéaire

Ce résultat indique que pour les fonctions à gradient Lipschitz, l’estimation linéaire
d’une fonction ne peut pas être trop mauvaise. Les fonctions à gradient Lipschitz peuvent
être caractérisées par leur hessienne.
Lemme 1.5 f : Rn æ R est une fonction C 2 , convexe à gradient L-Lipschitz ssi :
’x œ Rn , ⁄min (Hf (x)) Ø 0 (convexité)

’x œ Rn , ⁄max (Hf (x)) Æ L (gradient Lipschitz).
Terminons ce paragraphe par quelques exemples :

1. La fonction f (x) = 12 ÎAx ≠ bÎ2 est convexe à gradient Lipschitz de constante L =
⁄max (Aú A).
2. La fonction f (x) = ≠ log(x) est convexe sur Rú+ , mais son gradient n’est pas Lip-
schitz.
Figure 1.4 – Fonction à gradient Lipschitz : le graphe de la courbe ne peut pas s’éloigner
trop rapidement de la tangente. Ici (x, y) Æ L2 Îy ≠ xÎ22 . La fonction affine de droite
satisfait L = 0 puisque la tangente est identique à la fonction.
3. La fonction f (x) = exp(x) est convexe sur R, mais son gradient n’est pas Lipschitz.
Par contre sur tout intervalle borné du type [a, b], on a f ÕÕ (x) Æ exp(b).
1.3.2 Fonctions fortement convexes

L’hypothèse de fonction à gradient Lipschitz ne suffit pas toujours. En particulier, il
est impossible de dire quelque chose sur la distance au minimiseur pour des algorithmes de
premier ordre sous la simple hypothèse qu’on minimise une fonction à gradient Lispchitz.
Une classe de fonctions sur laquelle on peut dire plus de choses est la classe des fonctions
fortement convexes.
Définition 1.8 Une fonction f : Rn æ R fi {+Œ} est dite fortement convexe s’il
existe µ > 0 tel que ’(x, y) œ Rn ◊ Rn , ’÷ œ ˆf (x) on aie :
µ
f (y) Ø f (x) + È÷, y ≠ xÍ + Îy ≠ xÎ2 . (1.4)
2
Notez que le signe dans l’inégalité (1.4) est juste inversé par rapport aux fonctions
différentiables à gradient Lipschitz. La forte convexité indique donc que le graphe de la
courbe s’éloigne suffisamment rapidement de la tangente.
Proposition 1.4 Une fonction fortement convexe est strictement convexe, elle ad-
met donc un minimiseur unique.
En revanche, une fonction strictement convexe n’est pas forcément fortement convexe
(exemple : f (x) = ≠ log(x)). Les fonctions fortement convexes de classes C 2 sont caracté-
risées par leur hessienne.
Figure 1.5 – Fonctions fortement convexes. Le graphe de la courbe s’éloigne rapidement

de la tangente : (x, y) Ø µ2 Îy ≠ xÎ22 . Notez qu’une fonction fortement convexe peut être
non-différentiable et à domaine borné (voir figure de droite).
Proposition 1.5 Une fonction C 2 est µ-fortement convexe si et seulement si
⁄min (H[f ](x)) Ø µ, ’x œ Rn .
La proposition suivante est un des éléments qui permet d’obtenir des taux de conver-
gence en norme :
Proposition 1.6 Soit f une fonction µ-fortement convexe qui admet pour minimi-
seur xú . Pour tout x œ Rn , on a :
µ
f (x) Ø f (xú ) + Îx ≠ xú Î2 .
2
Proposition 1.7 Soient f1 et f2 deux fonctions convexes de paramètres de forte

convexité respectifs µ1 Ø 0 et µ2 Ø 0. Soient – et — deux réels positifs. Alors la
fonction f = –f1 + —f2 est µ-fortement convexe avec µ Ø –µ1 + —µ2 .
Pour finir donnons quelques exemples de fonctions fortement convexes :

1. La fonction f (x) = 12 Îx ≠ x0 Î2 est 1 fortement convexe.
2. La fonction f (x) = g(x) + 12 Îx ≠ x0 Î2 où g est convexe est 1 fortement convexe.
3. La fonction f (x) = 12 ÎAx ≠ bÎ2 est fortement convexe si A est de rang plein. Sa
constante de forte convexité est alors égale à ⁄min (Aú A).
4. La fonction f (x) = ≠ log(x) n’est pas fortement convexe sur Rú+ . Par contre, elle
l’est sur tout intervalles [a, b], 0 < a < b. Sa constante de forte convexité est b12 .
1.3.3 Conditionnement d’une fonction

Les notions de constante de Lipschitz du gradient et de paramètre de forte convexité
généralisent la notion de plus grande et plus petite valeur singulière d’une matrice. Elles
permettent de définir une notion de conditionnement d’une fonction.
Définition 1.9 Soit f une fonction µ-fortement convexe, différentiable, telle que
Òf est L-Lipschitz. Le conditionnement de f est défini par la quantité :
L
Qf =
µ
Le conditionnement apparait dans les taux de convergence de toutes les méthodes de

premier ordre, de la même façon qu’en algèbre linéaire.
Pour toute fonction f , on a µ Æ L d’où :
Qf œ [1, +Œ]
. Le conditionnement est infini dès lors que la fonction f est non différentiable ou non
fortement convexe. De façon assez générale, les problèmes mal conditionnés tels que Qf >>
1 sont plus difficile à résoudre que les problèmes bien conditionnés. La Figure 1.6 montre
les lignes de niveau de la fonction : f– (x) = 12 ÎD– xÎ22 avec
A B
1 0
D– =
0 –
et – Ø 1. La hessienne de f– est D– et le conditionnement est donc Qf– = –. Plus – est

grand, plus les lignes de niveaux sont resserrées. Une méthode de gradient a alors tendance
à converger lentement en oscillant dans la “vallée” qui mène au minimiseur.
Figure 1.6 – Lignes de niveau de la fonction f– pour – œ {1, 5, 10}. La courbe rouge
indique la trajectoire d’une descente de gradient. Plus le conditionnement – est élevé, plus
les courbes de niveau sont allongées et plus la méthode de descente de gradient oscille.
Chapitre 2
Introduction à l’optimisation
numérique
Optimiser : rendre optimal, donner à quelque chose les meilleures conditions d’utilisa-
tion, de fonctionnement ou de rendement au regard de certaines circonstances.
(Déf. du LAROUSSE).
2.1 Qu’est-ce qu’un problème d’optimisation ?

Soit X est un sous-ensemble non vide de Rn . Considérons un problème d’optimisation
de la forme :
min f (x) s.c. x œ X, (2.1)
La fonction f : Rn æ R est appelée fonction coût, objectif ou critère. L’ensemble X
est appelé ensemble ou domaine des contraintes. Tout point x œ Rn vérifiant : x œ X, est
appelé point admissible ou point réalisable du problème (2.1).
Chercher une solution du problème avec contraintes (2.1) revient à chercher un point
de minimum local de f dans l’ensemble des points admissibles, au sens de la définition
suivante :
Définition 2.1
• x0 œ Rn est un point de minimum local de f sur X µ Rn si et seulement si
x0 œ X et ÷Vx0 un voisinage de x0 tq : ’x œ Vx0 fl X, f (x) Ø f (x0 )

(2.2)
• x0 œ Rn est un point de minimum global de f sur X si et seulement si
x0 œ X et ’x œ X, f (x) Ø f (x0 ). (2.3)
A noter que tout point de minimum global est aussi local. Les notions de maximum
local et global sont définies de façon tout à fait similaire. Ces définitions sont illustrées sur
la Figure 2.1
21
22 2.1. Qu’est-ce qu’un problème d’optimisation ?
3.5
Maximum global
3.0
2.5
2.0
1.5
Maximum local
1.0
0.5
Minimum local
0.0
−5 0 5 10
2 2
Figure 2.1 – Minima et maxima locaux et globaux de la fonction x ‘æ 3e≠x + e≠(x≠3) .
On peut facilement démontrer que les problèmes (avec ou sans contraintes) min f (x) et
x
max ≠f (x) sont équivalents dans le sens où ils ont même ensemble de solutions et :
x
min f (x) = ≠ max ≠f (x) ou encore max f (x) = ≠ min ≠f (x).

x x x x
Ainsi la recherche d’un maximum pouvant se ramener à la recherche d’un minimum, nous
porterons une attention plus particulière à la recherche du minimum.
Les problèmes d’optimisation peuvent être classés en plusieurs grandes familles :

• Optimisation numérique : X µ Rn .
• Optimisation discrète (ou combinatoire) : X fini ou dénombrable.
• Commande optimale : X est un ensemble de fonctions.
• Optimisation stochastique : données aléatoires
(à ne pas confondre avec les méthodes stochastiques d’optimisation).
• Optimisation multicritères : plusieurs fonctions objectifs.
Ce cours est un cours d’optimisation numérique : une étape importante en pratique

consiste à identifier le type de problème auquel on a affaire afin de savoir quelle famille
d’algorithme peut être pertinente.
Chapitre 2. Introduction à l’optimisation numérique 23
Fonction coût Contraintes Domaine X Terminologie

Linéaire linéaires Polytope / Polyèdre Programmation
f (x) = c€ x, c œ Rn linéaire (P.L.)
Linéaire linéaires XµZ P.L. en nombres entiers
Quadratique linéaires Polytope / Polyèdre Programmation

f (x) = c€ x + x€ Qx quadratique
c œ Rn , Q œ S n
Convexe convexes convexe Programmation convexe
qq qq qq Programmation non linéaire

(P.N.L.)
Programmation linéaire
Méthode du simplexe
Algorithme des points intérieurs
Programmation non linéaire
Sans contrainte Avec dérivées Méthodes de type gradient
Méthodes de Newton et quasi-Newton
Gauss-Newton, Levenberg-Marquardt
(pbs de moindres carrés)
Sans dérivées (DFO, NEWUOA, MADS, NOMADS,...)
Méthodes heuristiques : Nelder-Mead, surfaces
de réponses (réseaux de neurones, krigeage)
Méthodes stochastiques : méthodes à 2 phases
algos génétiques, algos évolutionnaires,
recuit simulé, recherche tabou
Non-diff. Méthodes de sous-gradient
Méthodes de faisceaux
Méthodes d’échantillonnage de gradient
Algorithmes proximaux
f (x) = g(x) + h(x) Algorithmes de splitting : descente de
avec g convexe diff. gradient proximale (+variante accélérée)
h convexe non diff. Douglas Rachford, ADMM
Avec contraintes Avec dérivées Gradient projeté, algorithme de Uzawa
Méthode SQP (Newton)
Points intérieurs
Méthodes de pénalisation, Lagrangien
augmenté
24 2.2. Résultats d’existence et d’unicité en optimisation
2.2 Résultats d’existence et d’unicité en optimisation

Dans ce paragraphe, nous nous intéresserons aux théorèmes qui permettent d’assurer
qu’il existe un minimum à un problème d’optimisation.
Considérons à nouveau le problème (2.1) mais d’un point de vue ensembliste : résoudre
min f (x) sous la contrainte : x œ X.

xœRn
revient à chercher le minimum de l’image directe f (X) = {f (x) : x œ X} de X par f .

Il existe principalement deux théorèmes donnant des conditions suffisantes d’existence
d’un point de minimum : le premier dans le cas où l’ensemble des contraintes est fermé
borné, le second pour un ensemble de contraintes fermé mais non borné.
2.2.1 Cas où l’ensemble X des contraintes est borné
Théorème 2.1 (Théorème de Weierstrass) Soit X un ensemble fermé borné

non vide de Rn et f : X µ Rn ≠æ R une application continue sur X. Alors f
est bornée et atteint ses bornes. Autrement dit, f admet au moins un point x œ X
de minimum global de f sur X :
’y œ X, f (x) Æ f (y),
et au moins un point x̄ œ X de maximum global de f sur X :
’y œ X, f (x̄) Ø f (y).
Remarque 2.1 La condition de continuité de f n’est pas nécessaire, on peut la rempla-

çer par la condition plus faible de semi-continuité inférieure qui dit essentiellement que
f (lim xn ) Æ lim f (xn ), alors que la continuité impose l’égalité.
2.2.2 Cas où l’ensemble X des contraintes est non borné

Dans cette section nous nous intéressons au cas où l’ensemble des contraintes est non
borné. C’est le cas tout particulièrement lorsqu’il n’y a pas de contraintes, c’est-à-dire
X = Rn . Le problème supplémentaire par rapport au cas précédent est qu’il faut empêcher
l’infimum d’être à l’infini. Une fonction qui illustre ce problème est la fonction f : x ‘æ 1/x
qui admet 0 comme infimum sur R+ pour x = +Œ. Pour empêcher l’infimum d’être à
l’infini, on peut utiliser l’hypothèse de ”coercivité“ de la fonction :
Chapitre 2. Introduction à l’optimisation numérique 25
Définition 2.2 Une application f : X µ Rn ≠æ R est dite infinie à l’infini (ou

coercive) sur X ssi
’A œ R, ÷R > 0 tel que ’x œ X, si ÎxÎ Ø R alors f (x) Ø A. (2.4)
On note : lim f (x) = +Œ.

ÎxÎ æ +Œ
xœX
Exemple 2.2.1 1. f1 (x) = ÎxÎ2 est coercive.
2. f2 (x) = x21 ≠x22 n’est pas coercive : en effet, la suite de terme général xn = (0, n), n œ
N, est telle que : lim Îxn Î = lim n = +Œ mais : lim f2 (xn ) = lim ≠n2 =
næ+Œ næ+Œ næ+Œ næ+Œ
≠Œ.
Exemple de fonction coercive (f1 ) Exemple de fonction non coercive (f2 ).
Comme la définition 2.2 n’est pas facile à manier en pratique, on utilise souvent la propo-
sition suivante, qui est une hypothèse un peu plus forte, pour montrer que la fonction est
infinie à l’infini.
Proposition 2.1 Soit f : X µ Rn ≠æ R une application et g : R ≠æ R vérifiant
f (x) Ø g(ÎxÎ) avec lim g(t) = +Œ.

tæ+Œ
Alors, f est infinie à l’infini.
Théorème 2.2 Soient F un fermé non vide de Rn et f : F æ R une application

continue infinie à l’infini sur F . Alors f admet un point de minimum global sur F ,
i.e. il existe x œ F tel que
’y œ F, f (y) Ø f (x).
26 2.2. Résultats d’existence et d’unicité en optimisation
2.2.3 Cas particulier de contraintes d’égalités et/ou d’inégalités

L’hypothèse X fermé est assez difficile à montrer en pratique sauf dans le cas (fréquent
en optimisation) où X est défini par des égalités et des inégalités :
X = {x œ Rn : h(x) = 0, g(x) Æ 0}
où h : Rn æ Rp et g : Rn æ Rq . L’écriture “h(x) = 0” représente en fait p contraintes

d’égalité :
hi (x) = 0, i = 1, . . . , p,
et de même “g(x) Æ 0” représente q contraintes d’inégalité :
gi (x) Æ 0, i = 1, . . . , q.
Dans le cas où les fonctions contraintes g et h sont continues, on a le résultat suivant :
Proposition 2.2 Soient g : Rn æ Rq et h : Rn æ Rp deux fonctions continues.

• X = {x œ Rn : h(x) = 0, g(x) Æ 0} est un ensemble fermé de Rn .
• X = {x œ Rn : g(x) < 0} est un ouvert de Rn .
Ainsi , on peut conclure directement que si f , g et h sont continues et si :

• soit l’ensemble des contraintes X = {x œ Rn : h(x) = 0, g(x) Æ 0} est borné,
• soit f est infinie à l’infini,
alors le problème :
minn f (x)
xœR
s.t. : g(x) Æ 0, h(x) = 0.
admet au moins une solution globale. Autrement dit, f admet au moins un point de mini-
mum global sur X.
2.2.4 Convexité et optimisation

Les résultats précédents ne nous donnent aucune information quant à l’unicité éventuelle
d’un point de minimum global, ni sur le lien entre possibles minima locaux et minima
globaux. C’est la notion de convexité qui permet de garantir que les minima locaux sont
en fait des minima globaux. Attention la notion de convexité est suffisante pour garantir
que nous avons trouvé un minimum global mais aucunement
Comme nous l’avons vu, la notion de convexité est une notion globale (elle doit être
valable en toute paire de points), elle implique donc des propriétés globales sur les problèmes
de minimisation. Notamment que tout point de minimum local devient global.
Théorème 2.3 Soit xı un point de minimum local d’un problème de minimisation.

i. Si le problème est convexe, alors xı est un point de minimum global.
ii. Si le problème est strictement convexe, alors xı est l’unique point de minimum
global.
Deuxième partie
Algorithmes classiques en
optimisation différentiable
27
Chapitre 3
Conditions d’optimalité
Considérons un problème d’optimisation très général de la forme :
(P ) min f (x) s.c. x œ X, (3.1)
où X est un sous-ensemble non vide de Rn et f : Rn æ R fi {+Œ} une fonction que l’on

suppose différentiable.
Les résultats d’existence de solutions que nous connaissons, ne sont d’aucune aide pour
trouver une solution du problème (P ). Ce qu’il nous faut, c’est une caractérisation ana-
lytique de l’optimalité, i.e. un ensemble d’équations ou d’inéquations qui pourront être
résolues par les algorithmes.
Ce chapitre est consacré à l’écriture de conditions d’optimalité associées à différents
problèmes d’optimisation. Tout d’abord nous donnerons une condition nécessaire d’opti-
malité du problème (3.1), puis nous montrerons comment s’écrit cette condition dans les
cas suivants :
1. X ouvert de Rn .
2. X convexe de Rn .
3. X défini par des égalités et/ou des inégalités fonctionnelles :
X = {x œ Rn : h(x) = 0, g(x) Æ 0} .
3.1 Cas général : condition d’optimalité géométrique

3.1.1 Le cône tangent ou comment se déplacer dans le domaine
des contraintes
Une difficulté importante en optimisation sous contrainte consiste à savoir se dépla-
cer dans l’ensemble des contraintes i.e. étant donnée une direction de recherche comment
garantir que l’on reste dans l’ensemble X. Pour cela, on introduit la notion de direction
admissible :
29
30 3.1. Cas général : condition d’optimalité géométrique
Définition 3.1 (Direction admissible) Soit x œ X. Une direction d œ Rn sera

dite admissible en x s’il existe ÷ > 0 tel que x + sd soit admissible quel que soit
s œ]0, ÷]. On dit également que la direction d est rentrante dans X en x.
Dans le cas particulier où le domaine des contraintes est convexe, déterminer une direc-
tion d admissible en x revient à déterminer un point admissible y, différent de x : d = y ≠ x
est alors une direction admissible.
Définition 3.2 (Cône tangent) Soit x œ X. Le cône tangent (ou cône des direc-
tions admissibles) à X en x, noté Tx (X), est l’ensemble des vecteurs v œ Rn tels qu’il
existe une suite (vn )nœN de limite v et une suite (Án )nœN de réels strictement positifs
de limite nulle telles que :
x + Án vn œ X.
Autrement dit, le cône admissible est l’ensemble des directions admissibles dans X
au point x, ainsi que les limites de ces directions.
Le passage à la limite est essentiel, sous peine d’appauvrir radicalement le cône Tx (X)
et de le rendre ainsi inutilisable. On remarquera que Tx (X) est un cône fermé, et que les
seuls cas intéressants sont ceux où le point x est sur la frontière de X.
Proposition 3.1 Soit X un sous-ensemble d’intérieur non vide de Rn et x œ X.

i. Tx (X) est un cône fermé.
/ X̄ ∆ Tx (X) = ÿ.
ii. x œ
iii. x œ int X ∆ Tx (X) = Rn .
Exercice 3.1.1 Soit X = {x œ R2 |x21 Æ x2 Æ 2x21 }. Dessiner X dans R2 et calculer

l’ensemble des directions admissibles à X au point (0, 0) puis le cône tangent à X en (0, 0).
Exercice 3.1.2 Soit X = {x œ R2 |x21 Æ x22 }. Dessiner X dans R2 et calculer T(0,0) (X) et
T(1,1) (X)
3.1.2 Condition nécessaire d’optimalité géométrique

L’écriture des conditions d’optimalité en présence de contraintes est basée sur l’intui-
tion qu’il est impossible de “descendre” à partir d’un minimum. Considérons le problème
général :
(P ) minn f (x) sous la contrainte : x œ X.
xœR
La condition nécessaire d’optimalité du premier ordre énoncée ci-après met en évidence

l’utilité de la notion de cône tangent :
Chapitre 3. Conditions d’optimalité 31
Théorème 3.1 Soit f : Rn æ R une application différentiable et xı un minimum

local du problème (P ). Alors :
’v œ Txı (X), ÈÒf (xı ), vÍ Ø 0. (3.2)
Démonstration. Faite en cours.
Cône tangent Cône tangent
Òf (xı) Òf (xı)
0 0
Figure 3.1 – Interprétation géométrique de la condition nécessaire d’optimalité (3.2)
3.1.3 Cas où l’ensemble des contraintes est convexe

Dans le cas où le domaine X des contraintes est convexe, la condition d’optimalité
se simplifie dans le sens où elle ne fait plus intervenir le cône tangent mais uniquement
l’ensemble des directions admissibles. Bien que ce dernier soit plus petit que le cône tangent,
il n’y a pas de perte d’information lorsque f est différentiable en xı , que son adhérence est
le cône tangent à X en xı et que v ‘æ ÈÒf (xı ), vÍ est continue.
Corollaire 3.1 (CN et CS en présence de convexité) Soit f : Rn æ R une

application différentiable et X un sous-ensemble convexe de Rn . Si xı est un mini-
mum local de (P ), alors :
’x œ X, ÈÒf (xı ), x ≠ xı Í Ø 0. (3.3)
Si f est convexe sur le convexe X, alors la condition (3.3) est suffisante pour que xı
soit un point de minimum global de f sur X.
Exercice 3.1.3 Démontrer le corollaire 3.1.

32 3.2. Cas différentiable sans contraintes
3.2 Cas différentiable sans contraintes

Supposons maintenant que le domaine X des contraintes est un ouvert de Rn . Par
conséquent : int X = X, d’où :
Tx (X) = Rn .
Proposition 3.2 Soit f : Rn æ R supposée différentiable et X un ouvert de Rn .

Si xı est un point de minimum local de f sur X alors :
Òf (xú ) = 0.

Nous retrouvons ainsi la condition nécessaire d’optimalité du premier ordre pour l’opti-
misation sans contrainte. Cela nous rappelle qu’un problème d’optimisation sur un ouvert,
doit être traité comme un problème d’optimisation sans contrainte et les contraintes véri-
fiées a posteriori.
Exercice 3.2.1 Les problèmes min x2 s.t. |x| < 1 et min x2 s.t. x > 1 ont-ils des solu-
xœR xœR
tions ?
Rappelons (sans démonstration) les conditions nécessaires du premier et du second

ordre pour des problèmes d’optimisation différentiable sans contrainte :
Conditions nécessaires d’optimalité locale

Si xı œ Rn réalise un minimum local (resp. maximum local) de f , alors :
Òf (xı ) = 0 (CN d’optimalité du 1er ordre)
H[f ](xı ) est semidéfinie positive (CN d’optimalité du 2nd ordre)
(resp. H[f ](xı ) est semidéfinie négative)
Condition suffisante d’optimalité locale

Soit X un ouvert de Rn et xı œ X. Si :
Òf (xı ) = 0 et H[f ](xı ) symétrique, définie positive (resp. définie
négative)
Alors xı est un point de minimum local (resp. maximum local) de f sur X.
Condition Suffisante d’optimalité globale Supposons Òf (xı ) = 0.

i. Si f est convexe, alors xı est un point de minimum global de f .
ii. Si f est strictement convexe, alors xı est l’unique point de minimum global
de f .
3.3 Cas différentiable avec contraintes fonctionnelles

Nous nous intéressons maintenant plus particulièrement à la résolution de problèmes
d’optimisation dont le domaine des contraintes X est défini par des égalités et/ou des
inégalités :
X = {x œ Rn : hi (x) = 0, i = 1, . . . , p, gj (x) Æ 0, j = 1, . . . , q}
noté également :
X = {x œ Rn : h(x) = 0, g(x) Æ 0}
où les fonctions g : Rn æ Rq et h : Rn æ Rp sont supposées différentiables sur Rn . On

rappelle que par continuité des applications g et h, l’ensemble X est un fermé de Rn , non
nécessairement borné (penser au cas h © 0 et g(x, y) = ≠x).
A partir de maintenant, nous travaillerons toujours à partir d’un problème d’optimisa-
tion écrit sous forme standard, à savoir :
(P ) minn f (x)
xœR
s.c. hi (x) = 0, i = 1, . . . , p
gj (x) Æ 0, j = 1, . . . , q.
Proposition 3.3 Le problème (P ) est dit convexe si h est affine, g convexe et si la

fonction objectif f est convexe sur X.
Exercice 3.3.1 Donner la forme standard du problème max f (x, y) s.t. : x2 + y 2 Ø

(x,y)œR2
1 et x + y = 5. Ce problème est-il convexe ?
L’essentiel de notre travail dans ce chapitre consistera donc à trouver une expression
plus “pratique” de la condition (3.2), et donc du cône tangent associé à un ensemble
d’égalités et/ou d’inégalités fonctionnelles.
3.3.1 Problèmes avec contraintes d’égalité

Considérons un problème avec contraintes uniquement d’égalité :
(PE ) minn f (x)

xœR
s.c. hi (x) = 0, i = 1, . . . , p.
On note : X = {x œ Rn : hi (x) = 0, i = 1, . . . , p} le domaine admissible. On cherche les

conditions d’optimalité associées au problème (PE ). La première étape (la plus difficile)
consiste à expliciter le cône tangent.
34 3.3. Cas différentiable avec contraintes fonctionnelles
Etape 1 : Qualification des contraintes : comment calculer le cône tangent à X.
Définition 3.3 (Qualification des contraintes d’égalité) La contrainte h(x) =

0 du problème (PE ) est dite qualifiée en x œ X si h est différentiable en x et si :
Tx (X) = {v œ Rn | ’j = 1, . . . , p, ÈÒhj (x), vÍ = 0}(= Ker Dh(x)).
Comment interpréter cette définition ? Le cône tangent ne dépend que de l’ensemble X

et pas de la fonction h choisie pour le représenter. Au contraire Ker Dh(x) dépend direc-
tement de h. La qualification des contraintes peut être vue comme un critère permettant
de sélectionner de bonnes représentations de X par h.
En pratique, cette définition de qualification des contraintes est difficile à vérifier ; une
hypothèse couramment utilisée pour garantir la qualification des contraintes est qu’elles
soient régulières.
Définition 3.4 (Contraintes régulières) Soit x œ X. Supposons h de classe C 1

au voisinage de x. On dit que les contraintes du problème (PE ) sont régulières en x œ
X, ou que x œ X est régulier, si la jacobienne Dh(x) des contraintes est surjective.
Sous l’hypothèse que h est de classe C 1 au voisinage de x œ X, on rappelle que la

matrice Jacobienne Dh(x) de h en x est définie par :
Ë È
Dh(x)€ = Òh1 (x)€ | . . . | Òhp (x)€ .
La matrice Dh(x) étant de taille p ◊ n. On a alors :
Proposition 3.4 Le point x œ X est régulier ssi les vecteurs Òhi (x), i = 1, . . . , p,
sont linéairement indépendants.
Proposition 3.5 (CS de qualification des contraintes) Soit x œ X. Si x est

régulier, alors les contraintes d’égalité “h = 0” sont qualifiées au point x i.e. :
Tx (X) = Ker Dh(x) = {v œ Rn | ’j = 1, . . . , p, ÈÒhj (x), vÍ = 0}.
Démonstration de la proposition 3.5.

i. Commençons par démontrer que : Tx (X) µ Ker Dh(x) = {v œ Rn : Èv, Òhi (x)Í = 0}.
Soit v œ Tx (X) : il existe une suite (vn )nœN de Rn qui converge vers v et une suite
(Án )nœN de réels strictement positifs telles que : xn = x + Án vn œ X. Remarquons qu’on a
alors également : (xn )n converge vers x.
Soit i œ {i = 1, . . . , p}. Montrons que ÈÒhi (x), vÍ = 0. La contrainte hi étant supposée
C 1 , pour n assez grand, on peut écrire :
hi (x + Án vn ) = hi (x) + Án ÈÒhi (x), vn Í + Án Îvn Î“(n), avec : lim “(n) = 0.

næ+Œ
Or x + Án vn et x sont des éléments de X, d’où : hi (x + Án vn ) = hi (x) = 0 et :
ÈÒhi (x), vn Í + Îvn Î“(n) = 0.
Par passage à la limite quand n tend vers +Œ, on obtient alors : ÈÒhi (x), vÍ = 0 et ce
pour tout i œ {i = 1, . . . , p}. Donc v œ Ker Dh(x), et : Tx (X) µ Ker Dh(x).
ii. Réciproquement, montrons maintenant que Ker Dh(x) µ Tx (X).

Étape 1 : Le but de cette étape est de décrire explicitement les vecteurs vérifiant les
contraintes, i.e. l’équation implicite : h(x) = 0 à l’aide du théorème d’inversion locale.
Le point x œ X étant supposé régulier, l’application linéaire Dh(x) est de rang p. Quitte
à renuméroter les variables, on suppose les p dernières colonnes de Dh(x) linéairement
indépendantes. Donc h s’écrit :
h : Rn≠p ◊ Rp æ Rp
y = (u, v) ‘æ h(y) = h(u, v)
Notons : x = (u0 , v0 ). On a :
• h est de classe C 1 au voisinage de x,
• h(x) = 0,
• la jacobienne de h par rapport à v, notée Dv h(x), est la matrice carrée d’ordre p
extraite de Dh(x) en sélectionnant les p dernières colonnes :
Ë È
Dv h(x) = Dh(x) .
1ÆiÆp, n≠p+1ÆjÆn
C’est une matrice de rang p et de taille p ◊ p, donc inversible.

D’après le théorème des fonctions implicites, il existe un voisinage U0 de u0 , un voisinage
V0 de v0 et une application Ï : U0 æ V0 tels que :
I I
(u, v) œ U0 ◊ V0 (u, v) œ U0 ◊ V0
…
h(u, v) = 0 v = Ï(u)
On pose alors : Â(u) = (u, Ï(u)) dont l’image Im Â décrit l’ensemble des points vérifiant
les contraintes :
I I
Â(u0 ) = (u0 , Ï(u0 )) = (u0 , v0 ) = x, Â(u0 ) = x,
i.e. :
’u œ U0 , Â(u) œ X, ’u œ U0 , h(Â(u)) = 0
Étape 2 : on réécrit le noyau de Dh(x) de la façon suivante : Ker Dh(x) = Im Â(u0 ). En

effet, différentions la relation : h(Â(u)) = 0 au voisinage de u0 :
Dh(Â(u0 )) ¶ DÂ(u0 ) = 0, soit : Dh(x) ¶ DÂ(u0 ) = 0.
D’où : Im Â(u0 ) µ Ker Dh(x). De plus,

A B
In≠p
DÂ(u0 ) =
DÏ(u0 )
est de rang (n ≠ p), ainsi que Ker Dh(x). Donc : Im Â(u0 ) = Ker Dh(x).
Étape 3 : soit v œ Ker Dh(x) = Im DÂ(u0 ) : il existe z œ Rn≠p tel que : v = DÂ(u0 )(z).
Soit (Án )nœN une suite de réels strictement positifs, de limite nulle. Au voisinage de u0 , on
écrit le développement de Taylor d’ordre 1 de Â, soit :
Â(u0 + Án z) = Â(u0 ) + Án DÂ(u0 )(z) + Án “(n), avec : lim “(n) = 0

næ0
= x + Án v + Án “(n).
On pose : xn = Â(u0 + Án z). Par construction (cf étape 1), les xn sont des éléments de X.
On définit maintenant la suite (vn )nœN de la façon suivante :
xn ≠ x
vn = = v + “(n),
Án
On a d’une part : x + Án vn = xn œ X, et d’autre part : vn = v + “(n) ≠æ v. D’après la

næ+Œ
définition 3.2 du cône tangent, on a donc : v œ Tx (X). 2
Etape 2 : Condition nécessaire d’optimalité
Théorème 3.2 (Théorème de Lagrange. CN d’optimalité du premier ordre)

Soit f : Rn æ R et h : Rn æ Rp différentiables en xı . Supposons la contrainte
h(x) = 0 qualifiée en xı œ X. Si xı est un point de minimum local de f sur X, alors
il existe des réels ⁄ı1 , . . . , ⁄ıp tels que :
p
ÿ
Òf (xı ) + ⁄ıi Òhi (xı ) = 0.
i=1
Le vecteur ⁄ı = [⁄ı1 . . . ⁄ıp ]€ est appelé multiplicateur de Lagrange et est déter-

miné de façon unique.
Démonstration du théorème 3.2 en exercice.
Terminologie :
• Le vecteur ⁄ı est aussi appelé solution duale du problème (PE ), xı solution primale
de (PE ) et (xı , ⁄ı ) solution primate-duale de (PE ).
• On appelle point stationnaire du problème (PE ) tout point x̄ vérifiant les conditions
nécessaires d’optimalité du premier ordre :
Y p
_ ÿ
] Òf (x̄) + ⁄̄i Òhi (x̄) = 0
_
[ i=1
h(x̄) = 0
pour un certain multiplicateur ⁄̄ œ Rp .

Réécriture des conditions d’optimalité à l’aide du Lagrangien

En pratique, on retrouve les conditions d’optimalité du problème (PE ) en introduisant
le Lagrangien du problème (PE ) :
p
ÿ
L(x; ⁄) = f (x) + ⁄i hi (x), x œ Rn , ⁄ œ Rp .
i=1
Sous hypothèse de qualification des contraintes, les conditions d’optimalité du problème

(PE ) s’écrivent alors :
I
Òx L(x; ⁄) = 0
ou encore : Ò(x,⁄) L(x; ⁄) = 0.
h(x) = 0
Nous admettrons sans démonstration que les conditions nécessaire et suffisante d’opti-
malité du second ordre s’obtiennent en étudiant le Hessien du Lagrangien calculé selon la
composante x uniquement :
CN d’optimalité locale du second ordre
’v œ Tx (X), ÈHx [L](x; ⁄) v, vÍ Ø 0.
CS d’optimalité locale du second ordre
(CS 1) ’v œ Tx (X), v ”= 0, ÈHx [L](x; ⁄) v, vÍ > 0.
Remarquons que si la matrice hessienne Hx [L](x; ⁄) est définie positive, alors il est
inutile de calculer le cône tangent au point x puisque dans ce cas :
’v œ Rn , v ”= 0, ÈHx [L](x) v, vÍ > 0,
et donc :
’v œ Tx (X), v ”= 0, Hx [L](x) v, vÍ > 0.
La condition suffisante d’optimalité du second ordre est automatiquement satisfaite.
Une autre CS d’optimalité locale du second ordre
(CS 2) ’v œ Rn , v ”= 0, ÈHx [L](x; ⁄) v, vÍ > 0.
On a :
(CS 2) =∆ (CS 1).
Exercice 3.3.2 Trouver tous les rectangles de R2 de surface maximale pour un périmètre
p fixé.
3.3.2 Problèmes avec contraintes d’inégalités

Intéressons nous maintenant aux problèmes d’optimisation avec contraintes d’inégalité :
(PI ) min f (x) sous la contrainte : gj (x) Æ 0, j = 1, . . . , q.
xœRn
On note : X = {x œ Rn : gj (x) Æ 0, j = 1, . . . , q}.
Etape 1 : Qualification des contraintes : comment calculer le cône tangent à X.
Définition 3.5 (Qualification des contraintes d’inégalité) La contrainte g Æ

0 du problème (PI ) est dite qualifiée au point x œ X si g est différentiable en x et
si :
Tx (X) = {v œ Rn : pour tout j actif en x, ÈÒgj (x), vÍ Æ 0}.
L’interprétation est la même que dans le cas de contraintes d’égalité : la qualification

des contraintes peut être vue comme un critère permettant de sélectionner de "bonnes"
représentations de X par g.
Remarque 3.1 La plupart des algorithmes échouent lorsqu’ils doivent résoudre un pro-
blème dont les contraintes ne sont pas qualifiées en la solution. Il est dans ce cas préférable
de changer la description de l’ensemble X des contraintes avant de chercher à résoudre le
problème.
Une fois de plus, cette condition est difficile à vérifier en pratique et couramment rem-
placée par des conditions suffisantes de qualification des contraintes :
Proposition 3.6 (CS de qualification des contraintes) Les contraintes gj Æ

0, j = 1, . . . , q, sont qualifiées en un point x œ X s’il existe un vecteur v ”= 0
tel que pour toute contrainte active gj (x) = 0, on ait :
• soit gj est affine et : ÈÒgj (x), vÍ = 0,
• soit : ÈÒgj (x), vÍ < 0.
Démonstration. Soit v œ Rn tel que pour toute contrainte j active en x, on ait :

ÈÒgj (x), vÍ Æ 0.
Soit u un vecteur de Rn assurant la qualification des contraintes en x. On se donne une
suite (Án )n quelconque de réels strictement positifs, de limite nulle et un réel ÷ > 0. On
pose :
xn = x + Án (v + ÷u).
xn ≠ x
La suite (xn )n ainsi définie converge vers x et : lim = v + ÷u. Pour que v soit une
næ+Œ Án
direction tangente à X en x, il suffit de montrer que : xn œ X à partir d’un certain rang.
1er cas : la contrainte j n’est pas active en x. Alors : gj (x) < 0. De plus la suite (xn )n
converge vers x, d’où par continuité de gj : il existe un entier N œ N tel que : ’n Ø
N, gj (xn ) Æ 0.
2nd cas : la contrainte j est active en x. Alors : gj (x) = 0 et deux sous-cas se présentent :
— soit gj est affine et : ÈÒgj (x), uÍ = 0. Dans ce cas :
gj (xn ) = gj (x) + Án ÈÒgj (x), v + ÷uÍ = Án ÈÒgj (x), vÍ Æ 0
— soit : ÈÒgj (x), uÍ < 0. Sachant que : gj (x) = 0, le développement de Taylor d’ordre
1 de gj au voisinage de x, s’écrit :
gj (xn ) = Án ÈÒgj (x), v + ÷uÍ + o(Án ) = Án ÈÒgj (x), vÍ + ÷Án ÈÒgj (x), uÍ + o(Án )
< ÷Án ÈÒgj (x), uÍ + o(Án ) Æ 0 à partir d’un certain rang.
Dans tous les cas : xn œ X à partir d’un certain rang, soit : v + ÷u œ Tx (X) pour tout
÷ > 0. Par passage à la limite quand ÷ tend vers 0+ , le cône Tx (X) étant fermé, on en
conclut : v œ Tx (X). 2
Une autre condition suffisante (un peu plus restrictive) est souvent utilisée en pratique :
Proposition 3.7 Les contraintes gj Æ 0, j = 1, . . . , q sont qualifiées au point x œ X

si les gradients des contraintes actives en x sont linéairement indépendants.
A noter que, dans le cas convexe, ces conditions de qualification des contraintes s’écrivent
plus simplement sous la forme :
Proposition 3.8 Supposons les fonctions gj , j = 1, . . . , q, convexes. Les contraintes

gj Æ 0, j = 1, . . . , q sont qualifiées en tout point de X s’il existe un point x0 œ X tel
que pour tout j = 1, . . . , q, on a :
• soit gj (x0 ) < 0
• soit gj est affine.
Etape 2 : Condition nécessaire d’optimalité

Si x est solution du problème (PI ) avec contraintes d’inégalités et si ces contraintes
sont qualifiées en x au sens de la Proposition 3.6, alors la condition nécessaire d’optimalité
(3.2) s’écrit :
5 6
’v œ Rn , ’j actif en x, ÈÒgj (x), vÍ Æ 0 , ∆ ÈÒf (x), vÍ Ø 0.
En utilisant le lemme de Farkas (ici admis) :
Lemme 3.1 (Lemme de Farkas) Soient v1 , . . . , vl un ensemble de vecteurs de Rn et

u œ Rn . Alors les propositions
5 suivantes sont équivalentes
6 :
i. ’x œ Rn , ’j = 1, . . . , l, Èvj , xÍ Æ 0 , ∆ Èu, xÍ Ø 0.
l
ÿ
ii. Il existe des réels ⁄1 , . . . , ⁄l positifs tels que : u = ≠ ⁄j v j .
j=1
on obtient immédiatement la formulation suivante :

Théorème 3.3 (CN d’optimalité du 1er ordre sous contraintes d’inégalités)
Soit xı œ X. Supposons f et g différentiables en xı et les contraintes qualifiées
en xı . Si xı est un point de minimum local de f sur X, alors il existe des réels
positifs ou nuls ⁄ı1 , . . . , ⁄ıq tels que :
q
ÿ
Òf (x ) +
ı
⁄ıj Ògj (xı ) = 0,
j=1
avec pour tout j = 1, . . . , q, ⁄ıj Ø 0 et ⁄ıj gj (xı ) = 0.
Terminologie :
• Le vecteur ⁄ı est aussi appelé solution duale du problème (PI ), xı solution primale
de (PI ) et (xı , ⁄ı ) solution primate-duale de (PI ).
• On appelle point stationnaire du problème (PI ) tout point x̄ vérifiant les conditions
nécessaires d’optimalité du premier ordre :
Y q
_ ÿ
_
_
_
_ Òf (x̄) + ⁄i Ògj (x̄) = 0
] j=1
_
_ ⁄j Ø 0, j = 1, . . . , q,
_
_
_
[
⁄j gj (x̄) = 0, j = 1, . . . , q.
pour un certain multiplicateur ⁄ œ Rq .
• Les relations : ⁄j gj (x̄) = 0 sont appelées relations de complémentarité et signifie :
Soit : ⁄j = 0, soit : gj (x̄) = 0.
Ces relations sont trivialement satisfaites par toute contrainte j active en x̄ et in-
diquent que pour toute contrainte inactive, le multiplicateur ⁄j correspondant est
nul. Cela signifie que toute contrainte inactive à l’optimum aurait pu être relaxée.
Réécriture des conditions d’optimalité à l’aide du Lagrangien

En pratique, on retrouve les conditions d’optimalité du problème (PI ) en introduisant
le Lagrangien associé au problème (PI ) :
ÿ
L(x; ⁄) = f (x) + ⁄j gj (x), x œ Rn , ⁄ œ Rq .
j=1
Sous hypothèse de qualification des contraintes, les conditions nécessaires d’optimalité du

premier ordre du problème (PI ) s’écrivent alors :
Y
_
] Òx L(x; ⁄) = 0
⁄j gj (x) = 0, j = 1, . . . , q
_
[
⁄j Ø 0, j = 1, . . . , q.
Remarque 3.2 Concernant les conditions d’optimalité du second ordre, le cas des pro-
blèmes avec des contraintes d’inégalité est délicat et ne figure pas dans ce cours.
3.3.3 Problèmes avec contraintes d’égalité et d’inégalité

Considérons un problème d’optimisation avec des contraintes d’égalité et d’inégalité :
(P ) min f (x)
s.c. hi (x) = 0, i = 1, . . . , p, gj (x) Æ 0, j = 1, . . . , q.
Notons X le domaine des contraintes. Les contraintes sont dites qualifiées au point x œ X
si chacune est qualifiée au sens des définitions vues précédemment à savoir :
Définition 3.6 Les contraintes du problème (P ) sont dites qualifiées au point x œ X

si g et h sont différentiables au point x et si :
Tx (X) = {v œ Rn ; ’i = 1, . . . , p, ÈÒhi (x), vÍ = 0

et pour toute contrainte j active, ÈÒgj (x), vÍ Æ 0}.
Cette condition est rarement utilisée en pratique car difficile à vérifier. Il existe plu-
sieurs conditions suffisantes de qualification des contraintes utilisées dans la littérature (cf
qualification de Slater, de Mangasarian-Fromovitz e.g.) ; la plus simple est la suivante :
Proposition 3.9 (CS de qualification des contraintes) Les contraintes du

problème (P ) sont qualifiées au point x œ X si les gradients des contraintes actives
en x :
{Òhi (x); i = 1, . . . , p} fi {Ògj (x); j œ {1, . . . , q} active},
sont linéairement indépendants.
On introduit le Lagrangien associé au problème (P ) :

p
ÿ q
ÿ
L(x; ⁄, µ) = f (x) + ⁄i hi (x) + µj gi (x), x œ Rn , ⁄ œ Rp , µ =œ Rq .
i=1 j=1
Théorème 3.4 (CN d’optimalité de Karush-Kuhn-Tucker (1951)) Soit

xı œ X un point admissible du problème (P ). Supposons f , g et h différentiables en
xı et les contraintes qualifiées au point xı . Si xı est un point de minimum local de
f sur X alors il existe ⁄ı œ Rp et µı œ Rq tels que :
Y
_
_ Òx L(xı ; ⁄ı , µı ) = 0
_
] hi (xı ) = 0, i = 1, . . . , p
_
_
_
µ ı
g
j j (x ı
) = 0, j = 1, . . . , q
[ ı
µj Ø 0, j = 1, . . . , q.
Si de plus le problème (P ) est convexe, alors les conditions de KKT sont suffisantes
pour que xı soit un point de minimum global de f sur X.
Remarque 3.3 Attention ! Le signe des multiplicateurs associés aux contraintes d’inégalité
peut changer si le problème n’est pas sous forme standard !
Chapitre 4
Méthodes de descente en
optimisation différentiable sans
contrainte
Nous nous intéressons dans ce chapitre à la conception de méthodes numériques pour

la résolution de problèmes d’optimisation différentiable sans contrainte. Autrement dit, le
domaine X des contraintes est un ouvert de Rn . Sans perte de généralité, nous supposerons
dans ce chapitre que : X = Rn . Nous cherchons donc à résoudre le problème :
(P ) min f (x).
xœRn
où f est une fonction définie sur Rn à valeurs réelles supposée différentiable, voire même
deux fois différentiable. Les conditions nécessaires d’optimalité du premier et du second
ordre expriment le fait qu’il n’est pas possible de “descendre” à partir d’un point de mini-
mum (local ou global). Cette observation va servir de point de départ à l’élaboration des
méthodes dites de descente étudiées dans ce chapitre.
4.1 Principe général des méthodes de descente

Partant d’un point x0 arbitrairement choisi, un algorithme de descente va chercher à
générer une suite d’itérés (xk )kœN définie par :
xk+1 = xk + sk dk
et telle que :
’k œ N, f (xk+1 ) Æ f (xk ).
Un tel algorithme est ainsi déterminé par deux éléments : le choix de la direction dk appelée
direction de descente, et le choix de la taille du pas sk à faire dans la direction dk . Cette
étape est appelée recherche linéaire.
43
44 4.1. Principe général des méthodes de descente
Définition d’une direction de descente
Un vecteur d œ Rn est une direction de descente pour f à partir d’un point x œ Rn si

t ‘æ f (x + td) est décroissante en t = 0, c’est-à-dire s’il existe ÷ > 0 tel que :
’t œ]0, ÷], f (x + td) < f (x). (4.1)
Il est donc important d’analyser le comportement de la fonction f dans certaines direc-

tions. Lorsqu’elle existe, la dérivée directionnelle donne des informations sur la pente de la
fonction dans la direction d.
Proposition 4.1 Le vecteur d œ Rn est une direction de descente de f au point

x œ Rn si f Õ (x; d) < 0.
Dans le cas où f est différentiable, on obtient une définition plus pratique d’une direction
de descente :
Proposition 4.2 Supposons f : Rn æ R différentiable. Un vecteur d œ Rn est une

direction de descente de f au point x ssi :
f Õ (x; d) = Òf (x)€ d < 0. (4.2)
De plus pour tout — < 1, il existe ÷¯ > 0 tel que :
’t œ]0, ÷¯], f (x + td) < f (x) + t—Òf (x)€ d < f (x). (4.3)
Cette dernière inégalité garantit une décroissance minimum de la fonction f dans la

direction d. Le schéma général d’un algorithme de descente est alors le suivant :
Algorithme de descente modèle.

Données: f : Rn æ R différentiable, x0 point initial arbitraire.
Sortie: une approximation de la solution du problème : minn f (x).
xœR
1. k := 0
2. Tant que “test d’arrêt” non satisfait,
(a) Trouver une direction de descente dk telle que : Òf (xk )€ dk < 0.
(b) Recherche linéaire : Choisir un pas sk > 0 à faire dans cette direction et tel que :
f (xk + sk dk ) < f (xk ).
(c) Mise à jour : xk+1 = xk + sk dk ; k := k + 1 ;

3. Retourner xk .
Chapitre 4. Méthodes de descente en optimisation différentiable sans contrainte 45
Choix de la direction de descente

Une fois la théorie bien maîtrisée, calculer une direction de descente est relativement
simple. Dans le cas différentiable, il existe deux grandes stratégies de choix de direction de
descente :
• la stratégie de Cauchy : dk = ≠Òf (xk ), conduisant aux algorithmes de gradient
décrits au paragraphe 4.3.
• la stratégie de Newton : d = ≠H[f ](xk )≠1 Òf (xk ), conduisant aux algorithmes New-
toniens décrits au paragraphe 4.4.
Remarquons que si xk est un point stationnaire (Òf (xk ) = 0) non optimal alors toutes
ces directions sont nulles et aucun de ces algorithmes ne pourra progresser. Ce problème
peut être résolu en utilisant des approches de type région de confiance qui ne seront pas
étudiées dans le cadre de ce cours.
Critère d’arrêt
Soit xı un minimum local du critère f à optimiser. Supposons que l’on choisisse comme
test d’arrêt dans l’algorithme de descente modèle, le critère idéal : “xk = xı ”. Dans un
monde idéal (i.e. en supposant tous les calculs exacts et la capacité de calcul illimitée), soit
l’algorithme s’arrête après un nombre fini d’itérations, soit il construit (théoriquement) une
suite infinie x0 , x1 , . . . , xk , . . . de points de Rn qui converge vers xı .
En pratique, un test d’arrêt devra être choisi pour garantir que l’algorithme s’arrête
toujours après un nombre fini d’itérations et que le dernier point calculé soit suffisamment
proche de xı .
Soit Á > 0 la précision demandée. Plusieurs critères sont à notre disposition : tout
d’abord (et c’est le plus naturel), un critère d’optimalité basé sur les conditions nécessaires
d’optimalité du premier ordre présentées dans le chapitre 3 : en optimisation différentiable
sans contrainte, on testera si
ÎÒf (xk )Î < Á, (4.4)
auquel cas l’algorithme s’arrête et fournit l’itéré courant xk comme solution.
En pratique, le test d’optimalité n’est pas toujours satisfait et on devra faire appel à
d’autres critères (fondés sur l’expérience du numérique) :
• Stagnation de la solution : Îxk+1 ≠ xk Î < Á(1 + Îxk Î).
• Stagnation de la valeur courante : Îf (xk+1 ) ≠ f (xk )Î < Á(1 + |f (xk )|).
• Nombre d’itérations dépassant un seuil fixé à l’avance : k < IterMax.
et généralement une combinaison de ces critères :
Critère d’arrêt = Test d’optimalité satisfait

OU (Stagnation de la valeur courante & Stagnation de la solution)
OU Nombre d’itérations maximum autorisé dépassé.
Remarque 4.1 En pratique, on préférera travailler avec les erreurs relatives plutôt qu’avec
les erreurs absolues, trop dépendantes de l’échelle.
46 4.2. La recherche linéaire
4.2 La recherche linéaire

Supposons pour l’instant résolu le problème du choix de la direction de descente et
intéressons nous uniquement au calcul du pas : c’est la phase de recherche linéaire.
Soit x œ Rn un point de Rn non critique et d une direction de descente de f en x. Nous
cherchons à calculer un pas s > 0 de sorte que :
f (x + sd) < f (x).
Le choix de ce pas répond généralement à deux objectifs souvent contradictoires : trouver

le meilleur pas possible et effectuer le moins de calculs possibles. Ces deux objectifs ont
donné naissance à deux grandes familles : les algorithmes à pas fixe et ceux à pas optimal.
Recherche linéaire : pas fixe. sk = sk≠1
Recherche linéaire : pas optimal. sk solution du problème min f (xk + sdk )

s>0
Illustrées par les méthodes de descente de gradient, aucune de ces deux stratégies ne
s’est révélée réellement convaincante : si la première peut être “risquée” du point de vue de
la convergence, la seconde est souvent loin d’être triviale à mettre en oeuvre (sauf dans le
cas quadratique) et généralement inutilement coûteuse : en effet, à quoi bon calculer très
précisément un pas optimal dans une direction qui n’est peut-être pas la bonne ? (comme
c’est par exemple le cas pour la méthode de plus profonde descente). Les recherches li-
néaires modernes reposent sur l’idée qu’un pas de descente acceptable est un pas qui fait
“suffisamment” décroître la fonction objectif. Reste alors à définir les pas qui sont accep-
tables et ceux qui ne le sont pas.
On notera dans la suite Ï : s œ R ‘æ f (x + sd) la fonction dite de mérite associée à f .

La fonction f étant supposée au moins différentiable, Ï est dérivable sur R, de dérivée :
ÏÕ (s) = Òf (x + sd)€ d et :
ÏÕ (0) = Òf (x)€ d < 0. (4.5)
4.2.1 Recherches linéaires élémentaires

Commençons par décrire quelques améliorations des recherches linéaires à pas fixe et à
pas optimal. Le problème majeur des algorithmes à pas fixe est la convergence, en particulier
si le pas est trop grand. Il est possible d’assurer la convergence par des stratégies de
rebroussement (“backtracking” en anglais) de la façon suivante :
Recherche linéaire avec rebroussement.

sk = sk≠1
Tant que f (xk + sk dk ) Ø f (xk ) :
sk = sk /2
On peut également réduire le coût de la recherche linéaire à pas optimal en réduisant

l’ensemble sur lequel la recherche linéaire est faite :
Recherche linéaire partielle.

Données: sk≠1 , T = [1 a1 a2 . . . ak ] un tableau de réels > 0 contenant 1.
Sortie: sk .
S = sk≠1 ú T = [sk≠1 sk≠1 ú a1 sk≠1 ú a2 . . . sk≠1 ú ak ].
sk = arg min f (xk + sdk ).
sœS
4.2.2 Condition de Armijo ou comment éviter les pas trop grands

Commençons par illustrer sur un exemple simple le fait que la condition de descente :
f (xk + sk dk ) < f (xk )
n’est pas suffisante pour que le pas sk soit considéré comme acceptable.
Exemple numérique
Soit f : x œ R ‘æ 12 x2 à minimiser sur R. Appliquons une méthode de descente de
gradient normalisée à pas variable, à partir du point x0 = 2, définie par :
(A1 ) • Direction de descente normalisée : dk = ≠f Õ (xk )/|f Õ (xk )| = ≠sgn(xk ).
3
• Pas de descente : sk = 2 + k+1 .
2
Figure 4.1 – 1000 premiers itérés (f (xk ))k générés par l’algorithme de gradient (A1 ).
Les résultats sont présentés sur la figure 4.1. On “voit” qu’il s’agit bien d’un algorithme
de descente puisque la suite (f (xk ))k est décroissante, mais la convergence ne semble pas
vérifiée.
Vérifions analytiquement ces observations numériques. On démontre par récurrence (en

distinguant les cas k pair/k impair) que :
1
xk = (≠1)k (1 + k ).
2
Pour tout k œ N : f (xk+1 ) < f (xk ) : on a donc bien un algorithme de descente mais la suite
(xk )kœN ne converge pas : elle possède deux points d’accumulation en x = 1 et x = ≠1 et
aucun de ces deux points n’est un extremum de f .
L’échec de l’algorithme (A1 ) tient au fait que la notion de direction de descente est
une notion locale, i.e. qui ne s’applique qu’au voisinage de l’itéré courant. Si jamais on
choisit un pas de descente “trop grand”, trouver un meilleur itéré sera uniquement le fait
du hasard.
Condition de Armijo
Au lieu de chercher à minimiser Ï, on préfère imposer des conditions moins restrictives
(et moins coûteuses à mettre en oeuvre) : une première condition est dû à Armijo (1966) :
1 2
f (x + sd) Æ f (x) + Ás Òf (x)€ d , 0<Á<1 (4.6)
et est appelée condition de Armijo ou encore condition de décroissance linéaire.
1
Ï(0)
ÁÏÕ(0)
Ï(s)
s
0 pas s acceptables
Ï(0) + ÁÏÕ(0)s
Figure 4.2 – Règle d’Armijo
Autrement dit, on demande à ce que f décroisse au moins autant que ce que ferait
son modèle linéaire en x. En pratique la constante Á est choisie très petite de manière à
satisfaire (4.6) le plus facilement possible ; typiquement : Á = 10≠4 .
Remarque 4.2 D’après la définition (4.1) d’une direction de descente, il existe tout un
intervalle de pas satisfaisant la condition d’Armijo (4.6).
4.2.3 Conditions de Wolfe ou comment éviter les pas trop petits

Reprenons le même exemple que précédemment et testons un autre algorithme de des-
cente :
(A2 ) • Direction de descente normalisée : dk = ≠f Õ (xk )/|f Õ (xk )| = ≠sgn(xk ).
1
• Pas de descente : sk = k+1 .
2
En effet, compte tenu de notre dernière tentative, on essaie cette fois-ci un pas très
petit dans l’espoir de garantir la convergence de l’algorithme.
Commençons par tester numériquement l’algorithme (A2 ), cf figure 4.3. On “s’aperçoit”
à nouveau qu’il s’agit bien d’un algorithme de descente puisque la suite (f (xk ))k est dé-
croissante, mais les itérés semblent converger vers le point x = 1 qui n’est pas un extremum
de f !
Figure 4.3 – 1000 premiers itérés (f (xk ))k générés par l’algorithme de gradient (A2 ).
Vérifions analytiquement ces observations numériques. Les itérés générés par l’algo-
rithme (A2 ) à partir de x0 = 2, sont tous positifs et vérifient :
1 1
’k œ N, xk+1 = xk ≠ sgn(xk ) = xk ≠ .
2k+1 2k+1
On en déduit alors la suite des itérés est décroissante, d’où : ’k œ N, f (xk+1 ) < f (xk ).
L’algorithme (A2 ) est donc bien un algorithme de descente. Calculons maintenant par
récurrence l’expression explicite des xk :
1 1 1 ÿk
1
xk = xk≠1 ≠ = x ≠ ≠ = · · · = x 0 ≠
2 2 2 i=1 2
k k≠2 k≠1 k i
1 1
= 2 ≠ (1 ≠ k ) = 1 + k
2 2
ce qui prouve bien la convergence de la suite des itérés vers le point x = 1 qui n’est pas
un extremum local de f . La raison de ce second échec réside dans le fait que les pas de
descente deviennent arbitrairement proches de 0, ce qui fait que la méthode ne peut plus
progresser.
En plus de la condition d’Armijo, il est donc important d’imposer une condition qui
permettent d’éviter les pas trop petits. Remarquons que si on note sı le pas optimal à faire
en x dans la direction d, on a :
Òf (x)€ d < 0 et Òf (x + sı d)€ d = 0.
La dérivée : s ‘æ Òf (x + sd)€ d augmente donc par rapport à sa valeur négative initiale.

Afin d’assurer des pas suffisamment grands, l’idée va être de demander à la dérivée direc-
tionnelle d’augmenter suffisamment.
Ces deux conditions sont regroupées sous le nom de conditions de Wolfe et consti-
tuent les fondamentaux de la recherche linéaire moderne :
1 2
f (x + sd) Æ f (x) + Á1 s Òf (x)€ d (4.7)
1 2
Òf (x + sd)€ d Ø Á2 Òf (x)€ d (4.8)
où les constantes Á1 et Á2 sont choisies telles que :
0 < Á1 < Á2 < 1.
pente ÏÕ(0)
pas s acceptables
Ï(s)
0 s
Ï(0) + ÁÏÕ(0)s
pente Á2 ÏÕ(0)
Figure 4.4 – Conditions de Wolfe
En pratique, on prend souvent : Á1 = 10≠4 et Á2 = 0.99. Un pas vérifiant ces deux

conditions est appelé pas de Wolfe.
Remarque 4.3 La seconde condition de Wolfe n’est pas vérifiée pour s = 0, ce qui implique
par la continuité supposée de la fonction mérite ÏÕ , qu’elle n’est pas non plus vérifiée par
de trop petits pas sk > 0.
Proposition 4.3 (Validité des conditions de Wolfe) Soit dk une direction de

descente de f en xk . Supposons la fonction mérite : Ïk : s œ R ‘æ f (xk + sdk ) déri-
vable et bornée inférieurement. Alors il existe un pas sk > 0 vérifiant les conditions
de Wolfe (4.7) et (4.8).

Le premier algorithme de recherche linéaire selon les conditions de Wolfe, attribué à
Fletcher (1980) et Lemaréchal (1981), est décrit ci-après.
Recherche linéaire de Wolfe.

Données: f de classe C 1 , x œ Rn point courant, d direction de descente de f en x, s0
première approximation de la solution, Á1 > 0 et Á2 > 0 tels que : 0 < Á1 < Á2 < 1
.
Sortie: un pas sı vérifiant les conditions de Wolfe.
1. k := 0 ; s≠ = 0 ; s+ = +Œ ;
2. Tant que sk ne vérifie pas les deux conditions de Wolfe,
(a) Si sk ne vérifie pas (4.7), alors le pas est trop long et :
s≠ + s+
s+ = sk et sk+1 = .
2
(b) Si sk vérifie (4.7) mais pas (4.8), alors le pas est trop court et :
Y
] s≠ + s+
si s+ < +Œ
s≠ = sk et sk+1 = [ 2
2sk sinon.
(c) k := k + 1 ;
3. Retourner sk .
On admet sans démonstration le résultat suivant :
Théorème 4.1 Soit f : Rn æ R une fonction supposée différentiable. Soient xk œ
Rn et dk une direction de descente de f en xk . On suppose f bornée inférieurement
dans la direction dk . Alors l’algorithme de recherche linéaire de Wolfe se termine en
un nombre fini d’itérations.
L’algorithme présenté ci dessus est très simple (interpolation par dichotomie) mais aussi
très lent. La recherche linéaire étant exécutée à chaque itération de minimisation, il est es-
sentiel d’accélérer le procédé. L’idée générale est de sélectionner des valeurs précédemment
testées du pas s, puis d’interpoler la fonction mérite Ï : s ‘æ f (x + sd) par une fonction
simple (un polynôme) passant par les points sélectionnés pour enfin calculer sú qui mini-
mise cette fonction. Cette recherche linéaire de Wolfe par interpolation cubique sera vue
en TP.
4.2.4 Convergence globale des algorithmes avec pas de Wolfe

On s’intéresse maintenant à la convergence globale des algorithmes de descente avec
recherche linéaire. Il s’agit de montrer que :
lim ÎÒf (xk )Î = 0.

kæ+Œ
Ce résultat signifie que tout point d’accumulation x̄ de la suite (xk )kœN est un point critique
de f (Òf (x̄) = 0) (le démontrer !).
Remarque 4.4 La convergence globale des méthodes de descente avec recherche linéaire
ne garantit que la convergence de sous-suites des itérés vers un point critique, alors que la
convergence de la suite elle-même n’est pas garantie, cf [4, Proposition 1.2.1] ou [25, Theo-
rem 3.2]. Ces résultats ont été obtenus pour les fonctions de classe C 1,1 ou C 2 . Récemment,
P.A. Absil, R. Mahoney et B. Andrews [1] ont démontré la convergence des itérés générés
par une méthode de descente, vers un point limite pour des fonctions analytiques.
Principe de démonstration
Une technique classique en optimisation pour obtenir des résultats de convergence glo-
bale consiste à montrer que l’algorithme de descente considéré vérifie une inégalité du
type :
f (xk ) ≠ f (xk+1 ) Ø cÎÒf (xk )Î2 , (4.9)
où c > 0 est une constante réelle. En sommant ces inégalités pour k variant de 0 à N ≠ 1,
on obtient :
N
ÿ ≠1
’N œ N, f (x0 ) ≠ f (xN ) Ø c ÎÒf (xk )Î2 .
n=0
¸ ˚˙ ˝
somme partielle d’une série à termes positifs
Si f est bornée inférieurement, alors nécessairement f (x0 ) ≠ f (xN ) est majorée et donc la
q
somme partielle est majorée, et donc la série ÎÒf (xk )Î2 converge, ce qui implique :
lim Òf (xk ) = 0.
kæ+Œ
Convergence globale des algorithmes de descente avec pas de Wolfe

On dispose toutefois d’un résultat général de convergence globale pour les algorithmes
de descente avec pas de Wolfe. Ce résultat énoncé ci-après fait intervenir l’angle ◊k entre
la direction de descente dk et la direction du gradient défini par :
È≠Òf (xk ), dk Í
cos(◊k ) = .
ÎÒf (xk )ÎÎdk Î
Théorème 4.2 (Théorème de Zoutendijk) Soit f : Rn æ R supposée différen-

tiable, de gradient Lipschitz et bornée inférieurement. Soit A un algorithme générant
des itérés définis par :
xk+1 = xk + sk dk ,
où dk est une direction de descente de f en xk et sk > 0 un pas vérifiant les conditions
de Wolfe. Alors : ÿ
cos(◊k )2 ÎÒf (xk )Î2 converge.

Ce théorème implique que si la direction de descente dk n’est pas orthogonale à la
direction de ≠Òf (xk ) à l’infini i.e. si :
÷c > 0, ’k œ N, cos(◊k ) Ø c,
q
alors la série ÎÒf (xk )Î2 converge, et on obtient ainsi la convergence globale de l’algo-
rithme de descente considéré.
4.3 Algorithmes de type gradient

Supposons la fonction f : Rn æ R différentiable. Un algorithme de type gradient utilise
comme direction de descente l’opposée de la direction du gradient de f au point courant :
x0 œ Rn quelconque, xk+1 = xk ≠ sk Òf (xk ) (4.10)
où le pas sk > 0 est déterminé par l’une des stratégies de recherche linéaire présentées au
paragraphe précédent. On rappelle que dk = ≠Òf (xk ) est bien une direction de descente
de f en xk , et que c’est la direction de “plus forte pente” de f en xk .
Exercice 4.3.1 (Rappels de 3ème année) Démontrer que dk = ≠Òf (xk ) est bien une
direction de descente de f en xk , et que c’est la direction de “plus forte pente” de f en xk .
Dans ce paragraphe nous nous intéressons aux conditions suffisantes de convergence de ce

type d’algorithmes. On supposera pour cela que la fonction objectif f est bornée inférieu-
rement, de classe C 1 à gradient Lipschitz de constante L > 0 sur Rn .
4.3.1 CS pour qu’un algorithme de gradient soit une méthode

de descente
On cherche une une condition suffisante sur le pas sk pour que l’algorithme (4.10) soit
une méthode de descente, i.e. :
’k œ N, f (xk+1 ) < f (xk ).

54 4.3. Algorithmes de type gradient
Proposition 4.4 Soit f une fonction bornée inférieurement, de classe C 1 à gradient

Lipschitz de constante L > 0. Si sk < L2 , ’k, alors l’algorithme :
x0 œ Rn quelconque, xk+1 = xk ≠ sk Òf (xk )
est bien un algorithme de descente i.e. : ’k œ N, f (xk+1 ) < f (xk ).
4.3.2 Résultats de convergence globale

Supposons maintenant que le pas sk vérifie bien : ’k œ N, sk < L2 . On souhaite
démontrer la convergence globale de l’algorithme (4.10) i.e. montrer que :
lim ÎÒf (xk )Î = 0.
kæ+Œ
Théorème 4.3 Soit f une fonction bornée inférieurement, de classe C 1 à gradient

Lipschitz de constante L > 0. Alors :
1. Si ’k, sk := s < L2 , l’algorithme de descente de gradient à pas constant
converge globalement et :
3 4
L
0 < s 1 ≠ s ÎÒf (xk )Î2 Æ f (xk ) ≠ f (xk+1 ).
2
De plus, le pas constant assurant la meilleure décroissance possible est : sk =
1
L
.
2. L’algorithme de gradient à pas optimal converge globalement et :
1
ÎÒf (xk )Î2 Æ f (xk ) ≠ f (xk+1 ).
2L
3. L’algorithme de gradient avec pas de Wolfe converge globalement.
Démonstration. En exercice.
2
4.3.3 Tests numériques : pas fixe/pas optimal vs Pas de Wolfe

L’objet de ce paragraphe est de mettre en évidence la performance des méthodes de
recherche linéaire modernes par rapport aux stratégies pas fixe et pas optimal. Pour cela,
nous allons mettre en œuvre les algorithmes de gradient à pas fixe, à pas optimal et à pas
de Wolfe sur l’exemple (quadratique) suivant :
1 7
min 2 f (x, y) = x2 + y 2 ,
(x,y)œR 2 2
Sans trop d’effort, on vérifie que la fonction f est deux fois différentiable sur R2 , strictement
convexe et qu’elle admet un unique point de minimumÔ (global) en (0, 0). De plus, le gradient
Òf est bien Lipschitzien de constante L = 5 2 (le vérifier !).
D’un point de vue numérique, soit Xk = (xk , yk ) œ R2 l’itéré courant supposé non
stationnaire (i.e. : Òf (xk , yk ) ”= 0). La direction de recherche est donnée :
A B
≠xk
dk = ≠Òf (Xk ) = .
≠7yk
Les algorithmes de gradient à pas fixe et à pas optimal sont définis de la façon suivante :
• Descente de gradient à pas fixe. On fixe sk = s et à chaque itération de l’algo-
rithme on a :
xk+1 = xk ≠ sÒf (xk ).
Rappelons que, d’après la proposition 4.4, l’algorithme de gradient à pas fixe est un
algorithme de descente si le pas s est choisi inférieur à L2 ƒ 0.2828. Le Tableau 4.1
illustre le comportement de cet algorithme pour différentes valeurs du pas s.
pas 0.325 0.25 0.125 0.05 0.01

Nb d’itérations DV 49 101 263 1340
Table 4.1 – Nombres d’itérations de l’algorithme de gradient à pas fixe pour approcher le
point de minimum global de f à 10≠5 près, en fonction du pas - Point initial : x0 = (7, 1.5).
• Descente de gradient à pas optimal. A chaque itération, on calcule le pas

optimal sk solution de :
1 7
min f (Xk + sdk ) = min x2k (1 ≠ s)2 + yk2 (1 ≠ 7s)2 .
s>0 s>0 2 2
dont la solution est :
x2k + 72 yk2
sk = .
x2k + 73 yk2
On retrouve sur la Figure 4.5 le comportement caractéristique des méthodes de gradient
à pas fixe ou optimal, à savoir :
• La non-garantie de convergence pour l’algorithme de gradient à pas fixe.
• la lenteur de la méthode de plus profonde descente, caractérisée par le comportement
en zigzag des itérés lorsque l’on se rapproche de la solution (deux directions de
descente successives sont orthogonales).
En revanche, l’intérêt de la recherche linéaire de Wolfe apparaît clairement sur la Figure
4.6 : elle permet de forcer la convergence et d’accélérer la vitesse de convergence des itérés.
56 4.3. Algorithmes de type gradient
Figure 4.5 – Itérations des algos de gradient pas fixe et optimal, générées à partir du
point (7, 1.5).
Figure 4.6 – 23 it. de l’algorithme de plus profonde descente (en rouge) vs 3 it. l’algorithme
de gradient avec recherche linéaire de Wolfe (en bleu) à partir de (x0 , y0 ) = (4, 1.5).
4.4 Méthodes de type Newton

L’algorithme de Newton en optimisation est une application directe de l’algorithme de
Newton pour la résolution d’équations du type : F (x) = 0. En optimisation sans contrainte,
l’algorithme de Newton cherche les solutions de l’équation :
Òf (x) = 0,
autrement dit, les points critiques de la fonction f à minimiser. En supposant f de classe
C 2 et la matrice hessienne H[f ](xk ) inversible, une itération de l’algorithme de Newton
s’écrit :
xk+1 = xk ≠ H[f ](xk )≠1 Òf (xk ), (4.11)
où dk = ≠H[f ](xk )≠1 Òf (xk ) est appelée direction de Newton. La direction dk est
également l’unique solution du problème :
1
arg min f (xk ) + ÈÒf (xk ), dÍ + ÈHf (xk )d, dÍ.
dœRn 2
Autrement dit, dk est le point de minimum global de l’approximation de second ordre de
f au voisinage du point courant xk .
A condition que la matrice H[f ](xk ) soit définie positive à chaque itération, la méthode
de Newton est bien une méthode de descente à pas fixe égal à 1. Les propriétés remarquables
de cet algorithme sont :
, sa convergence quadratique (le nombre de décimales exactes est multiplié par 2 à
chaque itération).
/ les difficultés et le coût de calcul de la hessienne H[f ](xk ) : l’expression analytique
des dérivées secondes est rarement disponible dans les applications.
/ le coût de résolution du système linéaire H[f ](xk )(xk+1 ≠ xk ) = Òf (xk ).
/ l’absence de convergence si le premier itéré est trop loin de la solution, ou si la
hessienne est singulière.
/ Pas de distinction entre minima, maxima et points stationnaires.
La question que l’on se pose dans cette partie est donc : comment forcer la convergence glo-
bale de l’algorithme de Newton ? L’idée des méthodes de type Newton consiste à reprendre
l’algorithme de Newton en remplaçant les itérations par :
xk+1 = xk ≠ sk Hk≠1 Òf (xk ),
où
• la matrice Hk est une approximation de la hessienne H[f ](xk ).
• sk > 0 est le pas calculé par une recherche linéaire bien choisie.
Plusieurs questions se posent alors : comment déterminer une matrice Hk qui soit une
“bonne” approximation de la hessienne à l’itération k sans utiliser les informations de
second ordre et garantir que ≠Hk≠1 Òf (xk ) soit bien une direction de descente de f en
xk , sachant que la direction de Newton, si elle existe, n’en est pas nécessairement une ?
Comment conserver les bonnes propriétés de l’algorithme de Newton ?
58 4.4. Méthodes de type Newton
4.4.1 Méthode de Newton avec recherche linéaire

Considérons une itération de type Newton très générale :
xk+1 = xk ≠ sk Hk≠1 Òf (xk ),
On veut imposer à Hk d’être définie positive afin de garantir que ≠Hk≠1 Òf (xk ) est bien
une direction de descente de f en xk .
1. Si la matrice H[f ](xk ) est définie positive, alors :
Hk = H[f ](xk ).
Si le pas de Newton (sk = 1) est acceptable au sens des conditions de Wolfe, alors
l’algorithme effectue une itération de Newton ; sinon il exécute une recherche linéaire
de Wolfe initialisée par un pas égal à 1.
2. Sinon la technique la plus utilisée consiste à générer une matrice E telle que :
Hk = H[f ](xk ) + E
soit définie positive. Remarquons que ceci est toujours possible si l’on choisit E de
la forme –I.
Remarque 4.5 Effectuer une itération de Newton dès que c’est possible, permet de béné-
ficier de la rapidité de convervence de cet algorithme.
Pour terminer appliquons les algorithmes de Newton avec et sans recherche linéaire aux
problèmes suivants :
(P1 ) min 2 f (x, y) = 100(y ≠ x2 )2 + (1 ≠ x)2 fonction de Rosenbrock.

(x,y)œR
1
(P2 ) min 2 g(x, y) = x2 + x cos y.
(x,y)œR 2
Le problème (P1 ) admet un unique point critique au point (1, 1) qui est un point de
minimum global de f , tandis que le problème (P2 ) admet une infinité de points critiques :
((≠1)k+1 , kfi), k œ Z points de minimum local de g

fi
(0, + kfi), k œ Z points selle de g
2
Les résultats sont présentés sur les figures 4.7 et 4.8. Comme attendu, la supériorité
de la méthode de Newton est évidente par rapport aux méthodes de gradient, que ce soit
avec recherche linéaire ou non (voir figure 4.7). La figure 4.8 met également en évidence la
globalisation de la méthode de Newton grâce à la recherche linéaire qui force la convergence
vers un point de minimum local alors que la méthode de Newton seule se retrouve piégée
dans un point selle de la fonction.
Figure 4.7 – Itérations des algorithmes de gradient optimal (stoppé à 10000 itérations !),
de Newton (5 itérations), de gradient avec pas de Wolfe (8080 itérations) et de Newton
avec pas de Wolfe (19 itérations) pour la minimisation de la fonction de Rosenbrock.
Figure 4.8 – Itérations des algorithmes de Newton (10 itérations) et de Newton avec
recherche linéaire de Wolfe (6 itérations) pour la minimisation de la fonction g : (x, y) ‘æ
1 2
x + x cos y.
2
Remarque 4.6 D’un point de vue algorithmique, on calcule en général une factorisation
de Cholesky Lk L€ k de H[f ](xk ) + –I où le paramètre – > 0 est augmenté jusqu’à ce que la
factorisation soit rendue possible : on initialise – de la façon suivante :
1
–0 = 0 si H[f ](xk ) est définie positive, = ÎH[f ](xk )Î2F sinon.
2
On résout ensuite :
Lk zk = Òf (xk ) et k dk = ≠zk .
L€
L’avantage est que la hessienne au point courant devient définie positive, et on retrouve
l’algorithme de Newton et la convergence quadratique de cette méthode.
Convergence globale de l’algorithme de Newton avec recherche linéaire

Supposons f de classe C 1 à gradient Lipschitz et bornée inférieurement. Le choix de la
direction de descente dans cet algorithme est le suivant :
dk = ≠Hk≠1 Òf (xk ),
où Hk est une matrice symétrique définie positive. Couplée avec une recherche linéaire de
Wolfe, nous sommes exactement dans le cadre d’application du théorème de Zoutendijk
qui nous donne le résultat suivant :
Proposition 4.5 (CS de convergence globale) Si le conditionnement de la ma-

trice Hk reste borné au cours des itérations, i.e. si :
÷M > 0, ’k œ N, Ÿ2 (Hk ) = ÎHk Î2 ÎHk≠1 Î2 Æ M,
alors l’algorithme de Newton avec pas de Wolfe converge globalement.
4.4.2 Méthodes de quasi-Newton

Le couplage de la méthode de Newton avec la recherche linéaire de Wolfe a permis de
construire une méthode globalement convergente. Les méthodes de quasi-Newton ont été
développées pour pallier d’autres inconvénients de la méthode de Newton : en particulier
le problème du calcul de la matrice hessienne qui n’est pas toujours possible ou conseillé.
Ces méthodes se concentrent donc sur la construction itérative de matrices Hk approchant
la hessienne, ou de matrices Bk approchant l’inverse de la hessienne.
Equation de sécante et approximation

Comment calculer une approximation Hk+1 de la matrice hessienne H[f ](xk+1 ) connais-
sant xk et xk+1 , Òf (xk ) et Òf (xk+1 ) ?
Ecrivons le développement limité de Òf au voisinage de xk+1 et appliqué en xk :
Òf (xk ) = Òf (xk+1 ) + H[f ](xk+1 )(xk ≠ xk+1 ) + o(xk ≠ xk+1 ).
D’où :
H[f ](xk+1 )(xk ≠ xk+1 ) ƒ Òf (xk+1 ) ≠ Òf (xk ).
On construit une approximation Hk+1 de H[f ](xk+1 ) comme solution de l’équation :
Òf (xk+1 ) ≠ Òf (xk ) = Hk+1 (xk+1 ≠ xk ), (4.12)
appelée équation de sécante ou équation de quasi-Newton. De façon similaire, on

peut construire une approximation Bk+1 de H[f ](xk+1 )≠1 comme solution de l’équation :
Bk+1 (Òf (xk+1 ) ≠ Òf (xk )) = xk+1 ≠ xk , (4.13)
Dans les deux cas, les équations de quasi-Newton forment un système sous-déterminé à
n équations et n2 inconnues. Il existe donc une infinité de matrices Hk+1 pouvant convenir.
Mises à jour DFP et BFGS

L’idée proposée par Broyden (1965) est de choisir parmi ce nombre infini de modèles
linéaires celui qui est le plus proche du modèle établi à l’itération précédente, conservant
ainsi le plus possible ce qui a déjà été calculé. On cherche donc à résoudre :
1
min 2
ÎH ≠ Hk Î2F
H
s.t. Òf (xk+1 ) ≠ Òf (xk ) = H(xk+1 ≠ xk )
où Î · ÎF désigne la norme de Frobenius. Il s’agit là d’un problème quadratique strictement

convexe dont l’unique solution est donnée par :
I
(yk ≠ Hk ‡k )‡k€ ‡k = xk+1 ≠ xk
Hk+1 = Hk + , où :
‡k€ ‡k yk = Òf (xk+1 ) ≠ Òf (xk ),
Le problème de cette méthode est que la matrice Hk ainsi construite, n’est en général pas
symétrique, ni définie positive. La hessienne d’une fonction de classe C 2 étant symétrique,
il est naturel d’imposer à son approximation de l’être également. Nous cherchons donc
Hk+1 comme solution du problème :
1
min 2
ÎH ≠ Hk Î2
(P ) H
s.t. yk = H‡k , H € = H.
De nombreuses normes matricielles peuvent être utilisées, et conduisent à des méthodes

de quasi-Newton différentes. Les méthodes les plus utilisées aujourd’hui sont les méthodes
DFP et BFGS obtenues en choisissant comme des normes de la forme :
1 1
ÎAÎW = ÎW 2 AW 2 ÎF
où W est une matrice symétrique inversible vérifiant : yk = W ‡k . La résolution (longue et

technique) du problème (P ) conduit alors aux formules de mise à jour suivantes :
Méthode DFP (Davidson, Fletcher, Powell. 1959-63)
yk yk€ Hk ‡k ‡k€ Hk
Hk+1 = Hk + ≠ .
yk€ ‡k ‡k€ Hk ‡k
Méthode BFGS (Broyden, Fletcher, Goldfarb, Shannon. 1969-70)

A B€ A B
‡k y € ‡k y € ‡k ‡k€
Bk+1 = I≠ € k Bk I≠ € k + .
yk ‡k yk ‡k yk€ ‡k
Ces deux formules sont duales l’une de l’autre dans le sens où l’on obtient la formule
BFGS en inversant la relation DFP avec : Hk = Bk≠1 . On a alors également : Hk+1 = Bk+1
≠1
.
Exercice 4.4.1 Vérifier que les matrices Hk+1 et Bk+1 sont bien symétriques et satisfont
leurs équations de quasi-Newton respectives :
Il reste donc maintenant à vérifier que les directions de quasi-Newton ainsi définies sont
bien des directions de descente.
Proposition 4.6 Si Bk est définie positive et yk€ ‡k > 0, alors Bk+1 est définie
positive.
Démonstration. Supposons Bk définie positive ; soit x œ Rn quelconque.

A B€ A B
‡k y € ‡k y € x€ ‡k ‡k€ x
x Bk+1 x = x I ≠ € k
€ €
Bk I ≠ € k x +
yk ‡k yk ‡k yk€ ‡k
(‡k€ x)2
= u€ Bk u + €
yk ‡k
A B
‡k y €
en posant : u = I ≠ € k x. A condition que :
yk ‡k
yk€ ‡k > 0,
on a donc : x€ Bk+1 x Ø 0 pour tout x œ Rn , soit Bk+1 semidéfinie positive. Il reste à

montrer que x€ Bk+1 x ne s’annule que pour x = 0 :
(‡k€ x)2
x€ Bk+1 x = 0 ∆ u€ Bk u + =0
yk€ ‡k
∆ u€ Bk u = 0 et ‡k€ x = 0 ∆ u = 0 et ‡k€ x = 0
A B
‡k y €
puisque Bk est supposée définie positive. Or : u = I ≠ € k x. Donc :
yk ‡k
yk€
x€ u = 0 et x€ u = x€ x ≠ x€ ‡k = x€ x.
¸ ˚˙ ˝ y € ‡k
k
=0
On en déduit : x€ x = ÎxÎ2 = 0, d’où : x = 0. 2
4.4.3 Propriétés et convergence de l’algorithme BFGS

D’après ce qui précède, l’algorithme BFGS sera un algorithme de descente à condition
de l’initialiser avec une matrice H0 symétrique définie positive et en maintenant au fil des
itérations la condition :
(Òf (xk+1 ) ≠ Òf (xk ))€ (xk+1 ≠ xk ) > 0.
Remarquons que cette inégalité est satisfaite dès lors qu’on utilise la recherche linéaire de
Wolfe pour le calcul du pas (le démontrer !).
Algorithme BFGS.
Données: f : Rn æ R , x0 point initial et H0 matrice symétrique définie positive
arbitraires.
Sortie: une approximation de la solution du problème : minn f (x).
xœR
1. k := 0
2. Tant que “test d’arrêt” non satisfait,
(a) Choix de la direction : dk = ≠Hk≠1 Òf (xk ).
(b) Recherche linéaire de Wolfe pour calculer un pas sk > 0.
(c) Nouvel itéré :
xk+1 = xk ≠ sk Hk≠1 Òf (xk )
(d) Mise à jour de la matrice Hk en Hk+1 par la formule BFGS ; k := k + 1 ;
3. Retourner xk .
Théorème 4.4 Supposons f convexe, de gradient lipschitzien sur le domaine {x œ

Rn ; f (x) Æ f (x0 )}. Alors l’algorithme BFGS vérifie :
— soit f est non bornée inférieurement,
— soit lim inf Òf (xk ) = 0.
kæŒ
Cet algorithme est considéré de nos jours comme le plus performant. Bien qu’il n’existe
pas de résultat de convergence de cet algorithme dans le cas non convexe, rien n’interdit
son utilisation : les itérations restent bien définies et les résultats numériques sont souvent
remarquables.
64 4.5. Algorithmes pour la régression non-linéaire
4.5 Algorithmes pour la régression non-linéaire

Terminons ce chapitre par le cas particulier des problèmes de moindres carrés rencon-
trés fréquemment en pratique dans le cadre de l’identification de paramètres en fouille de
données, en problèmes inverses ou encore en analyse statistique. Un problème de moindres
carrés est un problème d’optimisation de la forme :
1
minn r(x) := ÎF (x)Î22 , (4.14)
xœR 2
où F désigne une application de Rn dans Rm , en supposant m Ø n. Les variables d’opti-
misation xi sont les paramètres du modèle physique non linéaire proposé. On effectue m
mesures et on cherche les xi qui permettent d’ajuster au mieux le modèle aux mesures. Re-
marquons que si le système F (x) = 0 a des solutions, alors ce sont également les solutions
du problème (4.14).
4.5.1 Problèmes de moindres carrés linéaires (rappels)

On se place dans le cas où la fonction F est linéaire, i.e. :
F (x) = A x ≠ b, avec A œ Mn,p (R),
et on résout donc le problème de moindres carrés linéaire suivant :

1
min r(x) := ÎAx ≠ bÎ22 (4.15)
xœRn 2
On calcule la jacobienne de F en tout point : JF (x) = A, puis on en déduit :
Òr(x) = A€ (Ax ≠ b) et Hr (x) = JF (x)€ JF (x) = A€ A.
La hessienne de r est positive en tout point, le problème de moindres carrés linéaire est
donc convexe. Cherchons les points critiques du problème (4.15) i.e. vérifiant : Òr(x) = 0,
d’où le système suivant à résoudre :
A€ Ax = A€ b Equations normales
appelé système d’équations normales du problème de moindres carrés linéaire (4.15). Ainsi :
xı est solution du problème (4.15) si et seulement si : A€ Axı = A€ b.
De plus si A est de rang plein, alors la fonction r est strictement convexe et xı est
l’unique solution de (4.15).
Appliquons maintenant la méthode de Newton au problème (4.15) : la direction de

Newton dk = xk+1 ≠ xk est solution du système :
A€ Adk = ≠A€ (Axk ≠ b), d’où : A€ Axk+1 = A€ b,

et ceci quel que soit xk . On reconnaît ici le système d’équations normales du problème
(4.15). Ceci signifie donc que la méthode de Gauss-Newton identifie la solution en une
seule itération lorsque la fonction F est linéaire.
Exercice 4.5.1 Soit F : R3 ≠æ Rn une application définie par :
Fi (x0 , x1 , x2 ) = ci ≠ x0 ≠ x1 e≠x2 ti , i = 1, . . . , n.
1. Calculer ÒFi et H[Fi ].

2. En déduire : Jr et Hr où r(x) = 12 F (x)€ F (x).
4.5.2 Algorithme de Gauss-Newton

Revenons au problème de moindres carrés non linéaire général (4.14) :
1
minn r(x) = ÎF (x)Î22 .
xœR 2
Il existe deux façons de présenter l’algorithme de Newton : l’une (vue en cours en 3MIC)
consiste à appliquer la méthode de Newton au problème (4.14) en négligeant le terme de
q
second ordre m i=1 Fi (x)HFi (x) dans la hessienne de r. En effet, le terme JF (x) JF (x)
€
est souvent prépondérant par rapport au second terme à cause de la presque linéarité du
modèle au voisinage de la solution (i.e. HFi (x) petit), et/ou du résidu Fj petit au voisinage
de la solution. Nous ne reviendrons pas sur cette approche, nous nous intéressons ici à
une autre : l’idée est de remplacer à chaque itération le problème de moindres carrés non
linéaire par un problème approché de moindres carrés linéaires.
Soit xk œ Rn le point courant. Remplaçons au voisinage de xk le problème (4.14) par :
1
min rÂ(y) = ÎF (xk ) + JF (xk )(y ≠ xk )Î22 , (4.16)
yœRn 2
où l’on a remplacé F par une approximation du premier ordre en xk . Le problème (4.16)
est un problème de moindres carrés linéaire dont les solutions xk+1 vérifient les équations
normales associées, à savoir :
JF (xk )€ JF (xk )(xk+1 ≠ xk ) = ≠JF (xk )€ F (xk ).
La direction dk = xk+1 ≠ xk ainsi définie, est appelée direction de Gauss-Newton.

66 4.5. Algorithmes pour la régression non-linéaire
Algorithme de Gauss-Newton.
Données: F fonction différentiable, x0 point initial, Á > 0 précision demandée.
Sortie: une approximation de la solution du problème de moindres carrés :
1
minn r(x) = F (x)€ F (x).
xœR 2
.
1. k := 0 ;
2. Tant que critère d’arrêt à définir,
(a) Calcul d’une direction de recherche : calculer dk solution de :
JF (xk )T JF (xk ) d = ≠JF (xk )€ F (xk ).
(b) xk+1 = xk + dk ;
(c) k := k + 1 ;
3. Retourner xk .
Les avantages de cette méthode par rapport à la méthode de Newton sont les suivants :
1. L’approximation faite ne nécessite pas le calcul des dérivées secondes.
2. Dans de nombreuses applications, cette approximation est de bonne qualité.
3. Si JF (xk ) est de rang plein et si Òr(xk ) est non nul, alors la direction de Gauss-
Newton est une direction de descente de r en xk et donc adaptée pour l’utilisation
d’un algorithme de recherche linéaire.
La vitesse de convergence de l’algorithme de Gauss-Newton dépend de la qualité de
l’approximation faite du problème initial. Dans le cas où le résidu est effectivement petit
au voisinage de la solution, la convergence est rapide. Si la hessienne de F est nulle à la
solution, alors la convergence est quadratique.
Sous des hypothèses supplémentaires (par exemple dans [25], valeurs singulières de
JF (xk ) uniformément bornées hors d’un voisinage de l’origine et pas de Wolfe), on peut
démontrer la convergence globale des itérés vers un point stationnaire de r. Un désavantage
de la méthode de Gauss-Newton est que l’on n’a pas de résultat de convergence lorsque la
jacobienne de F en xk n’est pas de rang plein. Pour pallier cet inconvénient, on a recours
à la méthode de Levenberg-Marquardt.
4.5.3 Algorithme de Levenberg-Marquardt

L’algorithme de Levenberg-Marquardt peut être vu comme une régularisation de l’algo-
rithme de Gauss-Newton, en particulier lorsque la jacobienne de F n’est pas de rang plein.
Toutefois il existe un lien étroit avec les méthodes dites de région de confiance et c’est par
cet aspect là que nous abordons ici la description de cet algorithme.
Soit xk l’itéré courant. Comme pour la méthode de Gauss-Newton, on remplace, au

voisinage de xk , le problème (4.14) de moindres carrés non linéaires par le problème suivant :
1
minn ÎF (xk ) + JF (xk )(y ≠ xk )Î22 ,
yœR 2
mais en ajoutant cette fois-ci la contrainte : Îy ≠ xk Î2 Æ k . Le paramètre k > 0 est

appelé rayon de la région de confiance. A chaque itération, le problème initial est remplacé
par le problème quadratique suivant :
1
(Pk ) minn 2
ÎF (xk ) + JF (xk )(y ≠ xk )Î22
yœR
sous : Îy ≠ xk Î2 Æ k.
En introduisant le Lagrangien associé au problème (Pk ) :

1 1
Lk (y; ⁄) = ÎF (xk ) + JF (xk )(y ≠ xk )Î22 + ⁄(Îy ≠ xk Î2 ≠ 2k ), ⁄ œ R
2 2
on peut écrire les conditions nécessaires d’optimalité du premier ordre, à savoir :
(JF (xk )€ JF (xk ) + ⁄I)d = ≠JF (xk )€ F (xk )
⁄=0 ou Îy ≠ xk Î = k
⁄Ø0
Dans le cas où la contrainte de région de confiance est inactive (i.e. Îy ≠ xk Î < k et
⁄ = 0), on retrouve une itération de l’algorithme de Gauss-Newton. Dans le cas contrainte
(Îy ≠ xk Î = k ), la solution est sur le bord de la région de confiance. Le pas effectué
peut être vu comme une régularisation du pas de Gauss-Newton dans le sens où la matrice
(JF (xk )€ JF (xk ) + ⁄I) est maintenant définie positive : le pas effectué est alors un pas de
descente de la fonction r en xk .
Algorithme de Levenberg-Marquardt.
Données: F fonction différentiable, x0 point initial, Á > 0 précision demandée.
Sortie: une approximation de la solution du problème de moindres carrés :
1
minn r(x) = F (x)€ F (x).
xœR 2
.
1. k := 0 ;
2. Tant que critère d’arrêt à définir,
(a) Calcul d’une direction de recherche : calculer dk solution de :
(JF (xk )T JF (xk ) + ⁄I) d = ≠JF (xk )€ F (xk ).
(b) xk+1 = xk + dk ;
(c) Mise à jour du paramètre ⁄.
(d) k := k + 1 ;
3. Retourner xk .
Le paramètre ⁄ Ø 0 peut être choisi fixe ou ajusté de manière heuristique : augmenté
ou diminué d’un facteur suivant la qualité du pas proposé.
Chapitre 5
Algorithmes pour l’optimisation

différentiable sous contrainte
Dans ce chapitre, nous nous intéressons au problème d’optimisation suivant :
(P ) min f (x)
xœRn
s.t. : gj (x) Æ 0, j = 1, . . . , q
hi (x) = 0, i = 1, . . . , p.
où les fonctions f , gj et hi sont supposées à valeurs réelles et de classe C 1 .

Trouver une solution d’un problème d’optimisation sous contraintes fonctionnelles consiste
à déterminer un point optimal xı et des multiplicateurs associés (⁄ı , µı ). Deux grandes fa-
milles de méthodes peuvent être définies pour la résolution des problèmes d’optimisation
sous contraintes : les méthodes primales et les méthodes duales. Les approches primales
se concentrent sur la détermination du point xı , les multiplicateurs (⁄, µ) ne servant sou-
vent qu’à vérifier l’optimalité de xı Les méthodes duales quant à elles mettent l’accent sur
la recherche d’un multiplicateur en travaillant sur un problème d’optimisation déduit du
problème initial par dualité.
5.1 Introduction à la dualité lagrangienne

On définit le Lagrangien (ou fonction lagrangienne) associé à (P ) et défini par :
L : Rn ◊ Rp ◊ (R+ )q æ R
p
ÿ q
ÿ
(x, ⁄, µ) ‘æ L(x; ⁄, µ) = f (x) + ⁄i hi (x) + µj gj (x),
i=1 j=1
= f (x) + È⁄, h(x)ÍRp + Èµ, g(x)ÍRq .
où l’on note ⁄ et µ les vecteurs de coordonnées respectives (⁄1 , . . . , ⁄p ) et (µ1 , . . . , µq ).
69
70 5.1. Introduction à la dualité lagrangienne
5.1.1 Problème primal - Problème dual

Commençons par observer que le problème primal (P ) peut se réécrire à l’aide du
Lagrangien de la façon suivante :
A B
inf f (x) = infn sup L(x; ⁄, µ) Problème primal
xœX xœR (⁄,µ)œRp ◊(R+ )q
On définit alors :
• la fonction primale f¯ : Rn æ R fi {+Œ} associée au problème (P ) :
I
f (x) si x œ X
f¯(x) = sup L(x; ⁄, µ) =
(⁄,µ)œRp ◊(R+ )q +Œ sinon.
• le domaine admissible primal :

Ó Ô
x œ Rn : f¯(x) < +Œ = X
sur lequel la fonction primale est à valeurs finies.
Le problème dual du problème (P ) est obtenu en échangeant l’inf et le sup :

3 4
sup inf L(x; ⁄, µ) = sup f ı (⁄, µ) Problème dual
(⁄,µ)œRp ◊(R+ )q xœRn (⁄,µ)œX ı
où l’on définit :
• la fonction duale du problème (P ) :
f ı (⁄, µ) = infn L(x; ⁄, µ).

xœR
• le domaine admissible dual :

; <
X = (⁄, µ) œ R ◊ (R+ ) : infn L(x; ⁄, µ) > ≠Œ ,
ı p q
xœR
sur lequel la fonction duale est à valeurs finies.

La question de la dualité est savoir si l’on change les solutions du problème primal en
échangeant l’inf et le sup. D’un point de vue théorique, le problème dual est beaucoup
plus simple à résoudre car il s’agit, sous sa forme standard, d’un problème d’optimisation
convexe. En effet :
Proposition 5.1 La fonction duale f ı est toujours concave et le domaine admissible
dual X ı convexe.
Exercice 5.1.1 Le démontrer !

Chapitre 5. Algorithmes pour l’optimisation différentiable sous contrainte 71
5.1.2 Liens entre problème primal et problème dual
Principe de dualité faible.

3 4 A B
sup inf L(x; ⁄, µ) Æ infn sup L(x; ⁄, µ) .
(⁄,µ)œRp ◊(R+ )q xœRn xœR (⁄,µ)œRp ◊(R+ )q
Dans le cadre de la dualité Lagrangienne, on appelle saut de dualité la différence positive

entre les deux quantités précédentes, à savoir :
A B 3 4
infn sup L(x; ⁄, µ) ≠ sup infn L(x; ⁄, µ) .
xœR (⁄,µ)œRp ◊(R+ )q (⁄,µ)œRp ◊(R+ )q xœR
Si le saut de dualité est non nul, cela signifie que les solutions des problèmes primal et dual
n’ont a priori rien à voir entre elles. En l’absence de saut de dualité, les problèmes sont
équivalents (même ensemble de solutions) et l’existence de solutions primale et duale dans
ce cas est étroitement liée à l’existence de points selle du Lagrangien.
Définition 5.1 (Point-selle du Lagrangien) Soit x̄ œ Rn et (⁄̄, µ̄) œ Rp ◊ (R+ )q .

Le point (x̄, ⁄̄, µ̄) est un point-selle du Lagrangien si :
Y
_
] ’(⁄, µ) œ Rp ◊ (R+ )q , L(x̄; ⁄, µ) Æ L(x̄; ⁄̄, µ̄)
_
[
’x œ Rn , L(x; ⁄̄, µ̄) Ø L(x̄; ⁄̄, µ̄)
Autrement dit, si :
f (x̄) = sup L(x̄; ⁄, µ) = L(x̄; ⁄̄, µ̄) = minn L(x; ⁄̄, µ̄) = f ı (⁄̄, µ̄).
(⁄,µ)œRp ◊(R + )q xœR
Théorème 5.1 (Théorème de dualité) Le point (x̄, ⁄̄, µ̄) est un point-selle du
Lagrangien si et seulement si :
i. x̄ est solution du problème primal.
ii. (⁄̄, µ̄) est solution du problème dual.
iii. le saut de dualité est nul c’est-à-dire :
3 4 A B
sup inf L(x; ⁄, µ) = inf sup L(x; ⁄, µ) .
(⁄,µ)œX ı xœRn xœX (⁄,µ)œRp ◊(R+ )q
Dans ce cas, on a en plus :
f (x̄) = inf f (x) = infn L(x; ⁄̄, µ̄)

xœX xœR
3 4 A B
= sup inf L(x; ⁄, µ) = inf sup L(x; ⁄, µ) .
(⁄,µ)œX ı xœRn xœX (⁄,µ)œRp ◊(R+ )q
72 5.1. Introduction à la dualité lagrangienne

En pratique le théorème de dualité ne nous dit pas comment calculer les points selle du
Lagrangien (puisqu’il faudrait déjà connaitre les solutions optimales des problèmes primal
et dual !).
Théorème 5.2
1. Si le problème primal (P ) admet une solution optimale, alors le problème dual
associé admet une solution optimale de coût égal.
2. Pour que x̄ soit une solution optimale du problème primal et que (⁄̄, µ̄) soit
une solution optimale du problème dual associé, il est nécessaire et suffisant
d’avoir les trois conditions suivantes :
(a) x̄ soit admissible pour (P ) (i.e. x̄ œ X).
(b) µ̄ Ø 0.
(c) f (x̄) = L(x̄; ⁄̄, µ̄) = infn L(x; ⁄̄, µ̄).
xœR
L’intérêt du problème dual est double : il est concave et les contraintes sont simples à
prendre en compte (contraintes de positivité dans le cas général, pas de contrainte dans le
cas de contraintes d’égalité). Pour le résoudre, on peut par exemple utiliser :
• une méthode de gradient dans le cas de contraintes d’égalité : c’est l’algorithme
d’Uzawa.
• une méthode de gradient projeté dans le cas de contraintes d’inégalité.
• des méthodes de type Newton.
5.1.3 Cas convexe - Multiplicateurs de Kuhn-Tucker

Plaçons nous dans le cas particulier où la fonction objectif f et les contraintes gj ,
j = 1, . . . , q, sont convexes et les fonctions hi , i = 1, . . . , p affines. Le problème :
(P ) minxœRn f (x) s.c. gj (x) Æ 0, j = 1, . . . , q,

hi (x) = 0, i = 1, . . . , p,
est donc convexe.
Définition 5.2 (CS de qualification convexe : condition de Slater) On

dit que les contraintes associées au problème (P ) sont qualifiées au sens de la
qualification convexe s’il existe x0 œ X tel que :
’j = 1, . . . , q, gj (x0 ) < 0,
’i = 1, . . . , p, hi (x0 ) = 0.
Théorème 5.3 (Théorème de dualité forte) Si x̄ est un point solution de (P )

et si la condition de Slater est vérifiée, alors le saut de dualité est nul et il existe au
moins un multiplicateur de Lagrange ⁄̄ œ (R+ )q tel que (x̄, ⁄̄) soit un point-selle du
Lagrangien et :
q
ÿ
Òf (x̄) + ⁄̄j Ògj (x̄) = 0.
j=1
Les ⁄̄j , j = 1, . . . , q, sont appelés multiplicateurs de Kuhn-Tucker.
Démonstration. Soit x̄ une solution du problème (P ). L’hypothèse de qualification convexe

impliquant la qualification des contraintes énoncée pour les problèmes avec contraintes d’in-
égalité, il existe ⁄̄ œ (R+ )q tel que :
q
ÿ
Òf (x̄) + ⁄̄j Ògj (x̄) = 0 soit : Òx L(x̄; ⁄̄) = 0.
j=1
Donc x̄ est un point critique de l’application : Â : x œ Rn ‘æ L(x; ⁄̄). Or Â est convexe

comme combinaison linéaire de fonctions convexes, donc x̄ est un point de minimum global
de x œ Rn ‘æ L(x; ⁄̄).
De plus : Ò⁄ L(x̄; ⁄) = g(x̄) Æ 0 pour ⁄ œ (R+ )q . Donc l’application ⁄ ‘æ L(x̄; ⁄) est
maximum en tout point ⁄ œ (R+ )q vérifiant : ⁄€ g(x̄) = 0, et donc en particulier en ⁄̄.
En conclusion, le point x̄ est bien un point selle du Lagrangien. 2
5.2 Méthode du gradient projeté

Revenons au problème général suivant :
(P ) min f (x)
xœRn
s.t. : x œ X.
La méthode du gradient projeté s’inspire des méthodes de gradient décrites dans le
chapitre précédent. L’idée de base consiste à suivre la direction de plus profonde descente,
comme dans le cas sans contrainte :
xk+1 = xk ≠ sk Òf (xk )
où sk > 0 est choisi de sorte que : f (xk + sk dk ) < f (xk ). Toutefois, si xk œ X, rien ne
garantit que xk+1 appartienne également à X. Dès que l’on obtient un point non admissible,
on projette celui-ci sur l’ensemble de contraintes X.
Projection sur un convexe. Soit X un convexe fermé, non vide de Rn . La projec-

tion d’un point x œ Rn sur X, notée pX (x), est obtenue comme solution du problème
d’optimisation suivant :
1
Minimiser Îx ≠ yÎ22 sous la contrainte : yœX (5.1)
2
74 5.2. Méthode du gradient projeté
La fonctionnelle : y œ Rn ‘æ 12 Îx ≠ yÎ22 étant convexe et Òf (y) = y ≠ x, le corollaire 3.3

nous donne une condition nécessaire et suffisante pour que xı = pX (x) soit solution de
(5.1) :
’y œ X, (xı ≠ x)€ (y ≠ xı ) Ø 0. (5.2)
On remarque en particulier que si x œ X, alors nécessairement : xı = x.
Principe de l’algorithme.
Algorithme du gradient projeté.

Données: f , pX un opérateur de projection sur X, x0 point initial Á > 0 précision
demandée.
Sortie: une approximation xı de la solution.
1. k := 0 ;
2. Tant que critère d’arrêt non satisfait,
(a) yk = xk ≠ sÒf (xk ) où s est le pas calculé par la méthode de gradient choisie ;
(b) Projection sur X : xk+1 = pX (yk ) ; k := k + 1 ;
3. Retourner xk .
Remarque 5.1 Il est important de remarquer que le calcul à l’étape 2(a) du projeté sur X,
peut parfois être aussi difficile que le problème initial. En effet yk est obtenu en résolvant
le problème :
1
min Îxk ≠ sÒf (xk ) ≠ yÎ22
yœRn 2
s.c. x œ X.
Il s’agit donc de résoudre un problème d’optimisation sur un convexe, avec une fonction
objectif convexe. Lorsque le domaine X des contraintes est simple (contraintes de bornes
en particulier), c’est faisable. Dès que les contraintes ne sont pas des contraintes de bornes,
le calcul de la projection devient beaucoup plus délicat.
Vérifions que la direction dk = xk+1 ≠ xk , si elle est non nulle, est bien une direction de
descente de f en xk .
Lemme 5.1 Soit f : Rn æ R supposée différentiable et X µ Rn un convexe fermé,

non vide. Notons xk l’itéré courant et :
d(s) = pX (xk ≠ sÒf (xk )) ≠ xk , s > 0
Si d(s) est non nulle, alors d(s) est une direction de descente pour tout s > 0.
Remarque 5.2 La direction d(s) possède les propriétés suivantes :

1. Si d(s) = 0, alors : pX (xk ≠ sÒf (xk )) = xk . Cela signifie que la direction choisie
par l’algorithme de gradient est orthogonale à l’ensemble X des contraintes en xk .
Le point xk est alors un point stationnaire car la condition nécessaire d’optimalité
(3.3) est satisfaite.
2. Supposons d(s) ”= 0. Alors xk et pX (xk ≠ sÒf (xk )) sont des points admissibles du
problème (P). La convexité de X nous garantit alors : ’– œ [0, 1], xk + –d(s) œ X.
Convergence de l’algorithme de gradient projeté

Soit f : Rn æ R convexe, différentiable de gradient supposé Lipschitz de constante
L > 0, i.e. :
’(x, y) œ Rn ◊ Rn , ÎÒf (y) ≠ Òf (x)Î Æ LÎy ≠ xÎ.
Soit (xk )kœN une suite d’itérés générés par un algorithme de gradient projeté selon le
schéma :
xk+1 = pX (xk ≠ sk Òf (xk )) .
De même que pour les méthodes de descente de gradient, une condition suffisante de
convergence est la suivante :
2
Proposition 5.2 Si 0 < sk < alors la suite (xk )k générée par l’algorithme de
L
gradient projeté converge vers un point de minimum de f .
5.3 Algorithmes newtoniens - Méthode SQP

Les algorithmes newtoniens sont basés sur la linéarisation d’équations caractérisant les
solutions que l’on cherche, fournies par les conditions d’optimalité d’ordre 1. Ces algo-
rithmes sont primaux-duaux dans le sens où ils génèrent à la fois une suite primale (xk )
convergeant vers une solution x̄ du problème considéré, et une suite duale (⁄k ) de multi-
plicateurs convergeant vers un multiplicateur optimal ⁄̄ associé à x̄.
Contraintes d’égalité
Considérons un problème d’optimisation (différentiable) avec contraintes d’égalité :
min f (x)
xœRn (5.3)
s.t. : hi (x) = 0, i = 1, . . . , p.
où f : Rn æ R et hi : Rn æ R, i = 1, . . . , p, sont supposées au moins différentiables.

D’après ce qui a été vu au chapitre 3, les conditions d’optimalité de Lagrange s’écrivent :
Q p R
ÿ
c Òf (x) + ⁄i Òhi (x) d
ÒL(x; ⁄) = 0 soit : a i=1 b = 0.
h(x)
76 5.3. Algorithmes newtoniens - Méthode SQP
Pour résoudre ce système d’équations, utilisons la méthode de Newton dont une itéra-
tion s’écrit ici : A B
k+1 k
x ≠ x
H[L](xk ; ⁄k ) = ≠ÒL(xk ; ⁄k ), (5.4)
⁄k+1 ≠ ⁄k
soit : A BA B A B
Hx [L](xk ; ⁄k ) Dh(xk )€ xk+1 ≠ xk Òx L(xk ; ⁄k )
=≠
Dh(xk ) 0 ⁄k+1 ≠ ⁄k h(xk )
où Dh(x) désigne la matrice jacobienne de l’application h : Rn æ Rp définie par :
Dh(x)€ = [Òh1 (x)| . . . |Òhp (x)] .
Posons : Hk = Hx [L](xk ; ⁄k ), d = xk+1 ≠ xk et µ = ⁄k+1 . L’itération (5.4) s’écrit donc :

A BA B A B
Hk Dh(xk )€ d Òx L(xk ; ⁄k )
=≠
Dh(xk ) 0 µ ≠ ⁄k h(xk )
et est bien définie à condition que la matrice H[L](xk ; ⁄k ) soit inversible. Ce sera le cas si :
(i) Les colonnes Òh1 (x), . . . , Òhp (x) de Dh(xk )€ sont linéairement indépendants : c’est
l’hypothèse de qualification des contraintes.
(ii) Quel que soit d ”= 0 tel que Dh(xk )d = 0, d€ Hk d > 0 : c’est la condition suffisante
d’optimalité du second ordre dans le cas de contraintes d’égalité.
Revenons à l’itération (5.4). Elle s’écrit encore :

Y p
_ ÿ
_
] Hk d + (µi ≠ ⁄ki )Òhi (xk ) = ≠Òx L(xk ; ⁄k )
_ i=1
_
[
Òhi (xk )€ d + hi (xk ) = 0, i = 1, . . . , p
p
ÿ
Or : Òx L(xk ; ⁄k ) = Òf (xk ) + ⁄ki Òhi (xk ), d’où :
i=1
Y p
_ ÿ
_
] Hk d + µi Òhi (xk ) = ≠Òf (xk )
i=1
_
_
[
Òhi (x ) d + hi (xk ) = 0,
k €
i = 1, . . . , p
On reconnait dans le système ci-dessus les conditions d’optimalité de Lagrange du
problème quadratique suivant :
1
minn Òf (xk )€ d + d€ Hk d
(QPk ) dœR 2
s.t. hi (xk ) + Òhi (xk )€ d = 0.
Le problème (QPk ) peut être vu comme la minimisation d’une approximation quadratique

du Lagrangien de (PE ) avec une approximation linéaire des contraintes.
Comme son nom l’indique, la méthode SQP (Sequential Quadratic Programming)

consiste à remplacer le problème initial par une suite de problèmes quadratiques sous
contraintes linéaires plus faciles à résoudre. L’algorithme est le suivant :
Algorithme SQP avec contraintes d’égalité.

Données: f : Rn æ R, h : Rn æ Rp différentiables, x0 point initial, ⁄0 œ Rp multipli-
cateur initial, Á > 0 précision demandée.
1. k := 0 ;
2. Tant que ÎÒL(xk ; ⁄k )Î > Á,
(a) Résoudre le sous-problème quadratique :
1
min Òf (xk )€ d + d€ Hk d
(QPk ) dœRn 2
s.t. hi (xk ) + Òhi (xk )€ d = 0.
et obtenir la solution primale dk et le multiplicateur ⁄Õ associé à la contrainte

d’égalité.
(b) xk+1 = xk + dk ; ⁄k+1 = ⁄Õ ; k = k + 1 ;
3. Retourner xk .
Contraintes d’inégalité
Intéressons nous maintenant aux problèmes avec contraintes d’égalité et d’inégalité :
min f (x)
xœRn
s.t. : gj (x) Æ 0, j = 1, . . . , q, (5.5)
hi (x) = 0, i = 1, . . . , p.
Selon le même principe qu’avec contraintes d’égalité seules, on linéarise les contraintes
et on utilise une approximation quadratique du lagrangien :
L(x; ⁄, µ) = f (x) + ⁄€ g(x) + µ€ h(x), avec : ⁄j Ø 0, j = 1, . . . , q.
Algorithme SQP avec contraintes d’égalité et d’inégalité.

Données: f : Rn æ R, g : Rn æ Rq , h : Rn æ Rp différentiables, x0 point initial,
⁄0 œ Rq+ et µ0 œ Rp multiplicateurs initiaux, Á > 0 précision demandée.
1. k := 0 ;
2. Tant que ÎÒL(xk ; ⁄k )Î > Á,
78 5.4. Méthodes de pénalisation
(a) Résoudre le sous-problème quadratique :
1
minn Òf (xk )€ d + d€ Hk d
dœR 2
(QPk )
s.t. gj (xk ) + Ògj (xk )€ d = 0, i = 1, . . . , q,
hi (xk ) + Òhi (xk )€ d = 0, i = 1, . . . , p.
et obtenir la solution primale dk et les multiplicateurs ⁄Õ et µÕ associés aux

contraintes d’inégalité et d’égalité respectivement.
(b) xk+1 = xk + dk ; ⁄k+1 = ⁄Õ ; µk+1 = µÕ ; k = k + 1 ;
3. Retourner xk .
Afin que le sous-programme quadratique (QP ) admette une unique solution, la plupart des
implémentations actuelles de SQP utilisent une approximation du hessien Hk du Lagrangien
qui soit définie positive, en particulier celle fournie par les techniques quasi-newtonienne
(BFGS) par exemple.
Etant une méthode newtonienne, l’algorithme SQP converge localement quadratique-

ment pourvu que les points initiaux (x0 , ⁄0 ) (resp. (x0 , ⁄0 , µ0 )) soient dans un voisinage
d’un point stationnaire x̄ et de ses multiplicateurs associés ⁄̄ (resp. (⁄̄, µ̄)). Bien entendu,
il est possible de globaliser l’algorithme en ajoutant une étape de recherche linéaire comme
cela a été fait au chapitre 4.
5.4 Méthodes de pénalisation

La pénalisation est un concept simple qui permet de transformer un problème d’op-
timisation avec contraintes en un problème ou en une suite de problèmes d’optimisation
sans contrainte.
D’un point de vue théorique, une approche par pénalisation peut être utilisée pour
étudier un problème d’optimisation dont les contraintes sont difficiles à prendre en compte,
alors que le problème pénalisé a des propriétés mieux comprises ou plus simples à mettre
en évidence.
D’un point de vue numérique, cette transformation en problèmes sans contrainte permet
d’utiliser des algorithmes d’optimisation sans contrainte pour obtenir la solution de pro-
blèmes dont l’ensemble admissible peut avoir une structure complexe. Cette approche est
très souvent utilisée : elle permet d’obtenir une solution de qualité suffisante rapidement
sans avoir à entrer dans l’algorithmique sophistiquée de l’optimisation avec contraintes.
Ce n’est cependant pas une technique universelle, car elle a ses propres inconvénients :
non-différentiabilité ou nécessité de minimiser une suite de fonctions de plus en plus mal
conditionnées.
5.4.1 Principe général

Le principe de la pénalisation consiste à remplacer le problème sous contraintes (P ) min f (x)
xœX
initial par un problème (ou une suite de problèmes) de la forme :
(Pc ) min f (x) + cfi(x),

xœRn
où c > 0 est appelé paramètre de pénalisation et fi : Rn æ R la fonction de pénalisation à

choisir (souvent choisie à valeurs positives). Plus le paramètre c est grand, plus on accorde
de l’importance à la pénalisation. L’intérêt du problème (Pc ) est de pouvoir être résolu par
une méthode de l’optimisation sans contrainte.
La question qui se pose alors est si résoudre le problème (Pc ) permettra de résoudre le
problème (P ). Ou autrement dit, si les ensembles de solutions des deux problèmes coïn-
cident. Cela dépendra bien évidemment du choix de c et fi.
Définition 5.3 Une pénalisation est dite exacte si toute solution du problème (P ) initial
est solution du problème pénalisé (Pc ), et inexacte dans le cas contraire.
Un exemple simple de pénalisation exacte mais peu satisfaisant

I
0 si x œ X
fi(x) =
+Œ sinon.
On a alors bien équivalence du problème initial et du problème pénalisé mais ce

choix est très peu utilisé en pratique car les algorithmes classiques de l’optimisation
ne peuvent pas être utilisés sur des fonctions valant +Œ au cours des itérations.
Pénalisation extérieure Il s’agit de définir une fonction p qui pénalise la violation
des contraintes : Y
_ fi continue sur R
n
_
]
’x œ Rn , fi(x) Ø 0
_
_
[
fi(x) = 0 … x œ X
Pénalisation intérieure Dans certains cas, il n’est pas envisageable que les itérés
n’appartiennent pas au domaine X des contraintes, en particulier quand la fonction
objectif n’est pas définie en dehors de X. Dans ce cas, l’idée est d’utiliser un terme
de pénalisation qui tend vers +Œ lorsque x se rapproche de la frontière ˆX de X.
Y
_
_ fi continue sur int X
]
’x œ int X, fi(x) Ø 0
_
_
[
fi(x) æ +Œ lorsque x se rapproche de ˆX
Le Lagrangien Plaçons nous dans le cas de contraintes fonctionnelles. Le Lagrangien

associé au problème (P ) est alors une fonction de pénalisation exacte du problème
initial à condition que le problème soit convexe et si le multiplicateur utilisé est
optimal (le vérifier !). Tout le problème est justement de connaître ce multiplicateur
80 5.4. Méthodes de pénalisation
optimal.
La relaxation lagrangienne est une approche classique consistant à chercher une

solution de (P ) en minimisant L(·, ⁄, µ) pour une suite de multiplicateurs (⁄, µ) que
l’on fait converger vers un multiplicateur optimal. Deux problèmes se pose alors :
comment mettre à jour ces multiplicateurs et comment étendre cette approche au
cas non convexe.
5.4.2 Le Lagrangien augmenté

Dans ce paragraphe, nous nous intéressons au Lagrangien augmenté de problèmes d’op-
timisation avec contraintes d’égalité uniquement. La méthode présentée ci-après se géné-
ralise aux problèmes avec contraintes d’inégalité mais est un peu plus technique (cf [25] ou
[6] entre autres).
Considérons le problème suivant :
min f (x)
(P ) xœRn
s.t. : hi (x) = 0, i = 1, . . . , p.
Soit c > 0 une constante arbitraire. On pénalise le problème (P ) de la façon suivante :
c
minn g(x) := f (x) + Îh(x)Î22
xœR 2
s.t. : hi (x) = 0, i = 1, . . . , p.
Le Lagrangien du problème pénalisé :
c
Lc (x; ⁄) = f (x) + È⁄, h(x)Í + Îh(x)Î22 (5.6)
2
est appelé Lagrangien augmenté associé au problème (P ).
L’intérêt de cette approche est qu’il existe une valeur seuil c̄ du paramètre de pénalité
telle que pour tout c > c̄, tout minimum local du problème initial est un minimum local
du Lagrangien augmenté.
Théorème 5.4 ([6], chapitre 16) Soit x̄ un point de minimum local de f sur X.
On suppose qu’il existe ⁄̄ œ Rp tel que : Òx Lc (x̄, ⁄̄) = 0 et tel que la condition
suffisante de second ordre soit satisfaite, i.e. :
’v œ KerDh(x̄) ≠ {0}, Èv, Hxx [L](x̄, ⁄̄)vÍ > 0.
Alors il existe c̄ > 0 tel que pour tout c Ø c̄, le Lagrangien augmenté Lc admet un
minimum local strict en x̄.
Exercice 5.4.1 Soit :

1
min2 (≠x21 + x22 ) sous x1 = 1. (5.7)
xœR 2
1. Calculer la solution optimale xı du problème (5.7) et le multiplicateur ⁄ı associé.

2. Ecrire le Lagrangien augmenté Lc (x; ⁄) associé au problème (5.7).
3. A quelle condition sur c > 0, xı est-il un point de minimum local strict de Lc ?
La fonction duale associée au problème pénalisé :
fcık (⁄) = minn Lck (x; ⁄).

xœR
Supposons que le problème minn Lck (x; ⁄) admette une solution x(⁄) différentiable par
xœR
rapport à ⁄. Alors :
fcık (⁄) = Lck (x(⁄); ⁄).
Sachant que x(⁄) minimise Lck (x; ⁄) par rapport à x, on a nécessairement : Òx Lck (x(⁄); ⁄) =
0. Calculons maintenant le gradient de la fonction duale :
Òfcık (⁄) = Òx Lck (x(⁄); ⁄)dx(⁄) + Ò⁄ Lck (x(⁄); ⁄)

= h(x(⁄)).
La direction Òfcık (⁄) = h(x(⁄)) est la direction de plus forte pente de la fonction duale en
⁄, ce qui justifie une itération de la forme :
⁄k+1 = ⁄k + ck h(x(⁄k )).
L’algorithme est le suivant : étant donnée une suite (ck )kœN croissante de réels stricte-
ment positifs telle que : lim ck = +Œ :
kæ+Œ
1. Initialisation : x0 et ⁄0 arbitraires, Á > 0 précision.
2. Tant que ÎÒLck (xk ; ⁄k )Î > Á,
(a) Approximation de la fonction duale en ⁄k . Résoudre approximativement :
(Qk ) min Lck (x; ⁄k )

xœRn
On note xk la solution approchée.

(b) Itération du gradient pour la maximisation de la fonction duale.
⁄k+1 = ⁄k + ck h(xk );
Troisième partie
Introduction à l’optimisation convexe

non différentiable
83
Chapitre 6
Compléments d’analyse convexe
Dans ce chapitre, nous nous introduisons les outils spécifiques à l’optimisation non
différentiable tels que le sous-différentiel et l’opérateur proximal. Nous verrons également
comment s’écrivent les conditions nécessaires d’optimalité dans le cadre non lisse.
6.1 Sous-différentiel d’une fonction convexe

6.1.1 Définition et propriétés
Définition 6.1 (Sous-gradient et sous-différentiel) Soit f : Rn æ R une fonc-

tion convexe. Un vecteur ÷ œ Rn est appelé sous-gradient de f au point x0 œ dom(f )
si
’x œ dom(f ), f (x) Ø f (x0 ) + È÷, x ≠ x0 Í. (6.1)
L’ensemble de tous les sous-gradients en x0 est appelé sous-différentiel de f en x0 et
noté ˆf (x0 ).
L’interprétation géométrique du sous-différentiel est la suivante. Il est formé par toutes

les directions des hyperplans qui passent par le point (x, f (x)) et restent “sous” le graphe
de la fonction f . Ces hyperplans sont appelés hyperplans support ou hyperplans d’appui au
graphe de f en x.
Exemple 6.1.1 Soit f : x œ R ‘æ |x|. Calculer le sous-différentiel de f en tout point
x œ R.
Lemme 6.1 Le sous-différentiel ˆf (x0 ) = {÷ œ Rn , | ’x œ Rn , f (x) Ø f (x0 ) +

È÷, x ≠ x0 Í} est un ensemble convexe fermé.
Théorème 6.1 Soit f une fonction convexe s.c.i. et x0 œ int(dom(f )). Alors ˆf (x0 )
est un ensemble non vide, convexe, borné.
85
86 6.1. Sous-différentiel d’une fonction convexe
Démonstration. Notons d’abord que le point (f (x0 ), x0 ) appartient à la frontière de

epi(f ). D’après le théorème de séparation de Hahn-Banach, il existe donc un hyperplan
d’appui à epi(f ) au point (f (x0 ), x0 ) :
≠–· + Èd, xÍ Æ ≠–f (x0 ) + Èd, x0 Í (6.2)
pour tout (·, x) œ epi(f ). On peut choisir
ÎdÎ22 + –2 = 1. (6.3)
Puisque pour tout · Ø f (x0 ) le point (·, x0 ) appartient à epi(f ), on conclut que – Ø 0.
D’après le lemme 1.2, il existe ‘ > 0 et M > 0 tels que B2 (x0 , ‘) ™ dom(f ) et
f (x) ≠ f (x0 ) Æ M Îx ≠ x0 Î
pour tout x œ B2 (x0 , ‘). Ainsi, d’après (6.2), pour tout x dans cette boule on a
Èd, x ≠ x0 Í Æ –(f (x) ≠ f (x0 )) Æ –M Îx ≠ x0 Î2 .
En choisissant x = x0 + ‘d on obtient ÎdÎ22 Æ M –ÎdÎ2 . En utilisant la condition de

normalisation (6.3), on obtient
1
–Ø Ô .
1 + M2
Ainsi, en choisissant g = d/– on obtient pour tout x œ dom(f )
f (x) Ø f (x0 ) + Èg, x ≠ x0 Í.
Finalement, si g œ ˆf (x0 ) et g ”= 0, alors en choisissant x = x0 + g/ÎgÎ2 on obtient
‘ÎgÎ2 = Èg, x ≠ x0 Í Æ f (x) ≠ f (x0 ) Æ M Îx ≠ x0 Î2 = M ‘.
Ainsi ˆf (x0 ) est borné. 2
Remarque 6.1 Le sous-différentiel

Ô peut ne pas exister sur le bord du domaine. Par exemple
la fonction f (x) = ≠ x sur R+ est convexe et fermée, mais le sous-différentiel n’existe pas
en 0 car limxæ0+ f (x) = ≠Œ.
Chapitre 6. Compléments d’analyse convexe 87
6.1.2 Règles de calcul sous-différentiel
Lemme 6.2 Soit f une fonction convexe s.c.i.. On a :

i. Si f est différentiable sur son domaine, alors :
’x œ int(dom(f )), ˆf (x) = {Òf (x)}.
ii. Si dom(f ) ™ Rn , A : Rm æ Rn un opérateur linéaire et b œ Rn , alors la

fonction „(x) = f (Ax + b) est convexe s.c.i. et :
’x œ int(dom(„)), ˆ„(x) = A€ ˆf (Ax + b).
iii. Si f (x) = –1 f1 (x) + –2 f2 (x) avec f1 et f2 convexes s.c.i. sur Rn et (–1 , –2 ) œ

R+ ◊ R+ . Alors :
ˆf (x) = –1 ˆf1 (x) + –2 ˆf2 (x)

= {÷ œ Rn , ÷(x1 , x2 ) œ ˆf1 (x1 ) ◊ ˆf2 (x2 ), ÷ = x1 + x2 }.
iv. Soit g : Rfi+Œ æ Rfi+Œ une fonction convexe croissante. Notons : h = g¶f .
Alors ’x œ int(dom(f )),
ˆh(x) = {÷1 ÷2 | ÷1 œ ˆg(f (x)), ÷2 œ ˆf (x)}. (6.4)
Exemple 6.1.2 Soit f (x) = ÎxÎ2 , g(t) = 12 t2 et h(x) = g(f (x)) = 12 ÎxÎ22 . Démontrer que :
I Ó Ô
x
si x ”= 0,
ˆf (x) = ÎxÎ2 (6.5)
{x, ÎxÎ2 Æ 1} sinon.
En déduire le résultat connu : ˆh(x) = {x}.
Lemme 6.3 Soit (fi )i=1..m un ensemble de fonctions convexes s.c.i. Alors la fonction
f (x) = max fi (x)

i=1..m
est aussi convexe s.c.i. de domaine dom(f ) = flm

i=1 dom(fi ) et :
’x œ int(dom(f )), ˆf (x) = conv (ˆfi (x), i œ I(x))
où I(x) = {i œ {1, .., m}, fi (x) = f (x)}.
Le lemme suivant se révèle souvent utile pour étudier les fonctions définies comme des
suprema 1 .
1. En réalité, toutes les fonctions convexes peuvent êtres représentées comme un supremum en utilisant
la transformée de Fenchel. Ce résultat est donc central. Le cours est trop court pour présenter cette théorie.
88 6.1. Sous-différentiel d’une fonction convexe
Lemme 6.4 Soit „(x, y) une fonction telle que ’y œ , la fonction x ‘æ „(x, y) est
convexe s.c.i. Alors la fonction
f (x) = sup „(x, y)

yœ
est convexe s.c.i.. De plus, dom(f ) = {x œ Rn , ÷“, „(x, y) Æ “, ’y œ } et
ˆf (x) ´ conv (ˆx „(x, y), y œ I(x), I(x) = {y, „(x, y) = f (x)}) .
6.1.3 Exemple 1 : Sous-différentiel d’une fonction indicatrice
Définition 6.2 Soit Q ™ Rn un ensemble convexe, fermé. Soit x0 œ ˆQ. On appelle

cône normal à Q en x0 et on note NQ (x0 ) l’ensemble suivant :
NQ (x0 ) = {÷ œ Rn , È÷, x ≠ x0 Í Æ 0, ’x œ Q}.
Lemme 6.5 (Sous-différentiel d’une indicatrice) Soit X œ Rn un ensemble

convexe fermé. On définit l’indicatrice de X comme :
I
0 si x œ X
‰X (x) =
+Œ sinon
Le sous-différentiel de ‰X au point x œ ˆX est le cône normal de X en x :
ˆ‰X (x) = NX (x).
6.1.4 Exemple 2 : Sous-différentiel d’une norme
Définition 6.3 (Norme duale) Soit Î · ÎX une norme sur Rn . On appelle norme
duale et on note Î · ÎX ú la fonction définie par :
ÎyÎX ú = sup Èx, yÍ. (6.6)

xœRn ,ÎxÎX Æ1
On peut montrer que la fonction Î · ÎX ú définit bien une norme sur Rn . De plus, par
définition, on obtient pour tout (x, y) œ Rn◊n :
|Èx, yÍ| Æ ÎxÎX ÎyÎX ú , (6.7)
qui généralise les inégalités de Cauchy-Schwartz et de Hölder.

Chapitre 6. Compléments d’analyse convexe 89
Exemple 6.1.3 Soit ÎxÎX = ÎxÎp où ÎxÎp est la norme ¸p usuelle sur Rn . Montrer que :
ÎyÎX ú = ÎxÎq ,
avec 1/p + 1/q = 1. En particulier, la norme ¸2 est égale à sa norme duale.
Définition 6.4 (Sous-différentielle d’une norme) Soit f (x) = ÎxÎX où Î · ÎX

est une norme arbitraire sur Rn . Alors :
ˆf (x) = arg maxÈx, yÍ. (6.8)

ÎyÎX ú Æ1
6.2 Condition d’optimalité

La notion de sous-différentiel est centrale car il permet notamment de caractériser les
minimiseurs d’une fonction. On considère le problème suivant :
Trouver xú tel que f (xú ) = minn f (x)

xœR
où f est une fonction convexe s.c.i.
Théorème 6.2 Soit f : Rn æ R fi {+Œ} une fonction convexe. Le point xú œ Rn

est un point de minimum global de f si et seulement si :
0 œ ˆf (xú ).
Chapitre 7
Algorithmes pour l’optimisation non

différentiable
Dans ce chapitre, nous nous intéressons aux méthodes d’optimisation adaptées au cas
où la fonction f à minimiser est convexe mais non différentiable. De manière générale,
les méthodes pour l’optimisation non différentiable s’inspirent largement des méthodes
différentiables. Pourquoi alors étudier des méthodes spéciales ? L’optimisation différentiable
présente des pièges dans lesquels un utilisateur non averti pourrait tomber :
1. Piège du test d’arrêt. La condition “Îgk Î Æ Á, gk œ ˆf (xk )", traduite directement
de la condition “Òf (xk ) Æ Á" dans le cas différentiable, peut ne jamais être vérifiée.
2. Piège des sous-gradients approchés. En pratique, le gradient (et même la fonc-
tion elle-même) n’est pas toujours calculé exactement : il est souvent obtenu par
différences finies. Cette approche n’est plus valable quand le sous-gradient n’est pas
continu.
3. Malédiction du sous-différentiable. L’application x ‘æ ˆf (x) n’étant pas conti-
nue une petite variation de xk peut entrainer de grandes variations de ˆf (xk ).
Basé sur l’information disponible du sous-différentiel, le calcul d’une direction de
recherche dk peut varier énormément et produire des xk+1 très différents.
7.1 Un rapide tour d’horizon en optimisation non lisse

Les problèmes d’optimisation non lisse, même en l’absence de contraintes, sont en gé-
néral très difficiles à résoudre. Il existe actuellement trois grandes familles de méthodes :
les méthodes de sous-gradients [26, 28], les méthodes de faisceaux [16, 31, 18, 11, 19] et
plus récemment les méthodes d’échantillonnage de gradient (sous-gradient) [7, 8].
Les méthodes de sous-gradients sont une généralisation naturelle des méthodes de gra-
dient au cas non différentiable en remplaçant le gradient par un sous-gradient arbitraire.
Ces méthodes (appelées méthodes de Kiev) ont été introduites dans les années 60 par N.Z.
Shor pour la minimisation sans contrainte de fonctions convexes, et l’on trouve les pre-
miers résultats de convergence dans les travaux de Y.M. Ermoliev [10] ou de B.T. Polyak
[26]. Une référence classique sur le sujet est le livre de N.Z. Shor [28]. Le succès de ces
91
92 7.1. Un rapide tour d’horizon en optimisation non lisse
méthodes est dû à la simplicité de leur mise en œuvre, en particulier en grande dimension.

Bien qu’elles soient largement utilisées en optimisation non lisse, elles souffrent de plusieurs
inconvénients : contrairement aux méthodes de gradient en optimisation différentiable, ce
ne sont pas des méthodes de descente. Cela peut conduire à des phénomènes oscillatoires
et à de mauvaises performances numériques. On ne dispose pas de critère d’arrêt naturel et
implémentable permettant de détecter l’optimalité. Enfin, leur vitesse de convergence est
en général assez faible (sous-linéaire) même s’il est possible de maintenir une convergence
linéaire par des techniques de dilatation en espace le long du gradient [28, Chapitre 3].
Les méthodes de faisceaux ont constitué une avancée majeure pour la résolution de
problèmes d’optimisation non différentiable. Historiquement, les méthodes de faisceaux
sont basées sur la méthode des plans sécants [9, 13], pour la minimisation sans contrainte
de fonctionnelles convexes. Le principe est le suivant : au lieu de faire appel à l’oracle
pour générer des candidats à la descente, on se sert des informations de premier ordre de
la fonction objectif f pour construire un modèle (convexe) de f , plus facile à minimiser.
Etant donné un faisceau d’informations : {(xi , fi = f (xi ), si œ ˆf (xi )) ; i = 1, . . . , k} ob-
tenu à partir des itérations précédentes, on construit une approximation convexe linéaire
par morceaux de la fonction f (cf Figure 7.1) :
’y œ Rn , „k (y) = max {fi + Èsi , y ≠ xi Í} (Æ f (y)).

i=1,...,k
f (y)
„k (y)
Figure 7.1 – Méthode des plans sécants - Construction d’un modèle convexe linéaire par
morceaux d’une fonction f convexe, non différentiable.
A chaque itération de l’algorithme, la minimisation du modèle „k donne un nouvel itéré

xk+1 qui va permettre d’enrichir le modèle courant par la donnée d’un nouveau plan sécant.
L’information passée est ainsi conservée au fil des itérations.
Ces méthodes souffrent de nombreuses limitations : en effet, pour des fonctions convexes
très générales, la méthode des plans sécants peut être très instable et avoir de mauvaises
performances numériques, [23, Chapitre 4, Section 4.3.6] et [6, Chapitre 9, Exemple 9.7].
Comme pour les algorithmes de sous-gradient, ce ne sont pas des méthodes de descente de
la fonction f . Une autre limitation provient de l’accumulation infinie de plans sécants dans
le faisceau ce qui augmente à chaque itération la complexité du problème d’optimisation à
résoudre, en termes de taille du problème à résoudre mais aussi de conditionnement.
Les méthodes de faisceaux sont des méthodes de stabilisation de la méthode des plans
coupants. Considérées en 2001 comme “l’outil le plus efficace et le plus prometteur pour
Chapitre 7. Algorithmes pour l’optimisation non différentiable 93
l’optimisation non lisse” [22], elles ont été largement éprouvées et ont fait leurs preuves
dans le cas convexe [16, 31, 18, 11, 22, 6]. L’hypothèse de convexité étant un élément clé
de ces méthodes, leur généralisation au cas non convexe est loin d’être immédiate et fait
l’objet de recherche actuelles.
Depuis 2002, une nouvelle approche basée sur des algorithmes d’échantillonnage de
gradient (ou sous-gradients) et développée par J.V. Burke, A.S. Lewis et M.L. Overton
[7, 8], s’est peu à peu imposée en méthode concurrente des méthodes de faisceaux, tant
sur le plan théorique que sur le plan des performances numériques. Cette méthode, qui
peut être vue comme une version stabilisée de l’algorithme de plus profonde descente, est
dédiée à la minimisation de fonctions localement lipschitziennes, supposées de classe C 1
sur un sous-ensemble ouvert dense de Rn . La fonction objectif est possiblement non lisse,
non convexe. L’idée centrale est d’approcher le sous-différentiel de la fonction objectif par
l’enveloppe convexe d’un échantillonnage aléatoire de gradients calculés dans un voisinage
du point courant. Un premier résultat de convergence avec une probabilité 1 a été démontré
dans [7, 8], puis généralisé par K.C. Kiwiel dans [14]. A noter également une extension de
cet algorithme au cas sans dérivée [15].
Une implémentation de ces méthodes est en accès libre 1 sous la forme d’un package
Matlab HANSO (Hybrid Algorithm for Non-Smooth Optimization). Sans entrer dans les
détails, les algorithmes utilisés dans HANSO mettent en œuvre en première phase un al-
gorithme de type BFGS (Broyden-Fletcher-Goldfarb-Shannon). Cet algorithme, appliqué
à des problèmes d’optimisation non lisses, se comporte relativement bien en pratique : la
convergence est rapide et conduit souvent à une approximation raisonnablement satisfai-
sante de l’optimum. Ce phénomène a tout d’abord été observé par plusieurs auteurs : C.
Lemaréchal en 1982 [17], L. Luköan et J. Vl ek en 1999 et 2001 [21, 29] avant d’être étudié
de façon plus approfondie par A. Lewis et M. Overton [20] très récemment. L’idée est que
les fonctions localement lipschitziennes sont différentiables presque partout et qu’en pra-
tique les itérés ne tombent pas sur les points de non-différentiabilité. C’est pour cela que
la plupart des codes existants applique en première phase un algorithme de type BFGS,
avant d’utiliser des méthodes plus sophistiquées de type faisceaux ou échantillonnage de
gradients.
7.2 Méthodes de sous-gradients

Sachant que le sous-différentiel n’est souvent pas connu dans son intégralité, supposons
que l’on dispose de l’oracle suivant :
Pour tout x œ Rn , on sait calculer la valeur f (x) de la fonction objectif f en x et au

moins un sous-gradient g œ ˆf (x).
Cet oracle fournira dans les algorithmes des candidats à la descente (et non pas nécessai-
rement des directions de descente.
1. http ://www.cs.nyu.edu/faculty/overton/software/hanso
94 7.2. Méthodes de sous-gradients
Dans cette partie, on s’intéresse aux méthodes de premier ordre appliquées à la classe
de problèmes suivante :
min f (x) (7.1)

xœX
où X µ Rn est un ensemble convexe, f : X æ R est convexe et f est Lipschitz de constante

L sur X. On note xú un minimiseur du problème (7.1). Notons que ce problème n’a pas de
raison particulière d’admettre un minimiseur unique.
7.2.1 Cas sans contrainte
Algorithm 1: Algorithme de sous-gradient dans le cas sans contrainte.

Input:
N : un nombre d’itérations.
x0 œ X : un point de départ.
Output:
xN : une solution approchée.
begin
for k allant de 0 à N do
Calculer gk œ ˆf (xk ).
Recherche linéaire : chercher un pas sk > 0 tel que :
gk
f (xk ≠ sk ) < f (xk ).
Îgk Î
gk
xk+1 = xk ≠ sk .
Îgk Î
On remarquera que le sous-gradient est ici normalisé, contrairement à la descente de

gradient. Il est facile de comprendre l’intérêt de cette normalisation de façon géométrique.
Dans le cas différentiable, le gradient tend vers 0 lorsqu’on se rapproche du minimiseur.
Dans le cas non différentiable, ce n’est pas le cas. Par exemple, la fonction f (x) = |x|
satisfait ˆf (x) = signe(x) pour x ”= 0. Le sous-gradient est donc de norme 1 même très
près du minimiseur.
On rappelle également que dans le cas non-différentiable, une direction opposée à un
sous-gradient n’est pas nécessairement une direction de descente. En conséquence, la re-
cherche linéaire peut échouer ! Bien que l’algorithme 2 ne soit pas de descente, un choix
adéquat des sk rend malgré tout la méthode convergente.
Théorème 7.1
1. Si la suite (sk )k vérifie :
+Œ
ÿ
lim sk = 0, sk = +Œ,
kæ+Œ
k=0
alors : lim inf f (xk ) = f (xú ). Si, de plus, l’ensemble des minimiseurs de f est
borné, alors : limkæ+Œ f (xk ) = f (xú ).
2. Si la suite (sk )k vérifie :
+Œ
ÿ +Œ
ÿ
sk = +Œ, s2k < +Œ,
k=0 k=0
alors la suite (xk )kœN converge vers un minimiseur de f .

q
Les deux conditions limkæ+Œ sk = 0 et Œ k=0 sk = +Œ indiquent que les 1pas2 doivent
1
tendre vers 0, mais pas trop rapidement. Par exemple, une décroissance en O k est trop
q 1 2
rapide car la série k12 converge. Par contre une décroissance en O Ô1k satisfait les deux
conditions. Si la suite (sk )kœN ne tendait pas vers 0, on observerait dans beaucoup de cas
des oscillations autour du minimum et pas de convergence. Par exemple, il est facile de
voir que la méthode de descente de sous-gradient à pas constant ne converge pas si on
l’applique à la fonction f (x) = |x|.
7.2.2 Méthodes de sous-gradient projeté

Revenons maintenant au problème :
min f (x).
xœX
On note PX (x) la projection orthogonale du point x œ Rn sur le domaine admissible X.

Comme l’ensemble X est convexe, la projection est univaluée. Notons que la projection est
facile à calculer dans le cas de contraintes de type “boite” mais très difficile à calculer dans
la plupart des cas.
Théorème 7.2 On note fkú = minkœ{0,··· ,k} f (xk ) et R le diamètre de l’ensemble X.

Alors : q
ú ú R2 + ki=0 h2i
fk ≠ f Æ L q .
2 ki=0 hi
En particulier si hk = ÔR ,
N +1
on a un taux “optimal” et :
LR
fkú ≠ f ú Æ Ô .
N +1
96 7.2. Méthodes de sous-gradients
Algorithm 2: Algorithme de sous-gradients dans le cas sous contrainte.

Input:
Output:
begin
Calculer gk œ ˆf (xk ).
gk
f (xk ≠ sk ) < f (xk ).
Îgk Î
gk
xk+1 = pX (xk ≠ sk ).
Îgk Î
Démonstration. On commence par montrer que le fait que f soit Lispchitz implique que
les sous-gradients de f sont bornés. On a ’(x, y) œ X 2 :
|f (x) ≠ f (y)| Æ LÎx ≠ yÎ
or par définition du sous-différentiel :
f (y) Ø f (x) + È÷, y ≠ xÍ
où ÷ œ ˆf (x). En combinant ces deux inégalités, on obtient :
|È÷, y ≠ xÍ| Æ LÎx ≠ yÎ, ’y œ X.
En particulier pour y = ÷ + x, on obtient Î÷Î Æ L. Les sous-gradients ont donc une norme
majorée par L.
Contrairement aux descentes de gradient, la preuve de convergence ne repose pas ici sur
la décroissance monotone de la fonction coût, mais sur le fait que la distance au minimiseur
diminue. On a :
÷k 2
Îxk+1 ≠ xú Î2 = Îxk ≠ xú ≠ hk Î
Î÷k Î
÷k
= Îxk ≠ xú Î2 + h2k ≠ 2hk Èxk ≠ xú , Í.
Î÷k Î
Or f (xú ) Ø f (xk ) + È÷k , xú ≠ xk Í (par définition du sous-gradient). Donc
hk
Îxk+1 ≠ xú Î2 Æ Îxk ≠ xú Î2 + h2k ≠ 2 (f (xk ) ≠ f (xú )).
Î÷k Î
En sommant de k = 0 à N et en utilisant le fait que Î÷Î Æ L on obtient :
N
ÿ 2hk
ÎxN +1 ≠ xú Î2 Æ Îx0 ≠ xú Î2 + h2k ≠ (f (xk ) ≠ f (xú ))
k=0 L
D’où :
N
ÿ ÿN
hk
2 (f (xk ) ≠ f (xú )) Æ ≠ÎxN +1 ≠ xú Î2 + Îx0 ≠ xú Î2 + h2k
k=0 L k=0
N
ÿ
Æ R2 + h2k .
k=0
Ce qui permet de conclure :

q
R2 + N 2
k=0 hk
min f (xk ) ≠ f (x ) Æ
ú
qN hk .
kœ{0,··· ,N } 2 k=0 L
7.2.3 Application aux problèmes duaux

Nous nous intéressons dans cette partie à des problèmes d’optimisation avec contraintes
fonctionnelles :
(P ) minn f (x) sous : g(x) Æ 0
xœR
h(x) = 0
Exercice 7.2.1 (Méthode de sous-gradients pour le problème dual)

1. Question préliminaire : soit X = {(⁄, µ) œ Rq ◊ Rp | ⁄ Ø 0}. Donner l’expression
de la projection pX : Rq ◊ Rp æ Rq ◊ Rp sur X.
2. A l’aide du Lagrangien, écrire le problème dual du problème (P ) sous forme standard.
On note f ú la fonction duale associée.
3. Calculer le sous-différentiel de (≠f ú ) et en déduire un sous-gradient de la fonction
(≠f ú ).
4. On note xk la solution optimale du problème :
min L(x; ⁄k , µk ).
xœRn
Décrire explicitement une itération de la méthode de sous-gradient appliquée au

problème dual.
98 7.3. Opérateur proximal
Algorithm 3: Algorithme de sous-gradient pour le problème dual.

Input:
Output:
begin
Calculer xk solution de : minn L(x; ⁄k , µk ).
xœR
Direction de recherche :
C D
g(xk ) 1
dk = , “k = .
h(xk ) Îdk Î
f (xk + sk dk ) < f (xk ).

1 2
⁄k+1 = max 0, ⁄k + sk “k g(xk ) .
µk+1 = µk + sk “k h(xk ).
L’approche duale est particulièrement intéressante pour des problèmes de grande taille
(le nombre de variables duales étant le nombre de contraintes dans le primal). Le point
clé de ces approches est de savoir calculer efficacement la fonction duale. En pratique, ce
calcul peut poser problème, en particulier quand la solution du problème minx L(x; ⁄k , µk )
n’est pas unique. Cette situation arrive typiquement en programmation linéaire.
Théorème 7.3 Supposons que la suite (sk )kœN est décroissante et vérifie :
+Œ
ÿ
lim sk = 0 et sk = +Œ.
kæ+Œ
k=1
Alors tout point d’accumulation de la suite (x̄k ) définie par :

qk
·i x i
x̄k = qi=1
k , k œ Nú ,
·
i=1 i
est une solution optimale du problème (P ).
7.3 Opérateur proximal

Considérons le problème
min f (x) (7.2)
xœRn
où f : Rn æ R fi {+Œ} une fonction convexe propre. Nous introduisons dans ce para-

graphe l’opérateur proximal qui va nous permettre de caractériser les solutions optimales
du problème (7.2).
7.3.1 Définition et propriétés

On introduit l’opérateur proximal défini de la façon suivante :
Définition 7.1 (Opérateur proximal) L’opérateur proximal de f est noté proxf

et il est défini pour tout x œ Rn par :
1
proxf (x) = arg min f (u) + Îu ≠ xÎ22 . (7.3)
uœRn 2
L’opérateur proximal peut être vu comme une généralisation de la notion de projection

sur un ensemble convexe. Prenons par exemple le cas de la fonction indicatrice ‰X d’un
ensemble X convexe fermé :
I
0 si x œ X
f (x) = ‰X (x) =
+Œ sinon,
L’opérateur proximal associé est exactement la projection euclidienne de x sur X.
Exercice 7.3.1 Voici quelques exemples d’opérateurs proximaux :

1. Si f (x) = 0, proxf (x) = x.
2. Si f (x) = –ÎxÎ1 , proxf est un seuillage doux de x :
Y
xi ≠ –
_
] si xi Ø –
(proxf (x))i = _ 0 si |xi | Æ – (7.4)
[
xi + – si xi Æ ≠–.
Proposition 7.1 Si f : Rn æ R fi {+Œ} une fonction convexe fermée, proxf (x)

existe et est unique pour tout x œ Rn . De plus il est caractérisé par les équations
suivantes :
p = proxf (x) … x ≠ p œ ˆf (p)
Ces opérateurs ont des propriétés très intéressantes qui les rend particulièrement adap-
tés pour la mise en place d’algorithmes de minimisation. En particulier, on peut démontrer
que les points de minimum global de f sont exactement les points fixes de l’opérateur
proximal associé à f :
100 7.3. Opérateur proximal
Proposition 7.2 Soit f : Rn æ R fi {+Œ} une fonction convexe propre et t > 0.

Alors :
x̄ œ arg minn f (x) ≈∆ x̄ = proxtf (x̄) .
xœR
Proposition 7.3 (Contraction et expansivité) Soit f : Rn æ R fi {+Œ} une

fonction convexe fermée. Alors proxf est un opérateur fortement non expansif :
Èproxf (x1 ) ≠ proxf (x2 ), x1 ≠ x2 Í Ø Îproxf (x1 ) ≠ proxf (x2 )Î22 . (7.5)
Il est Lipschitz continu de constante 1 :
Îproxf (x1 ) ≠ proxf (x2 )Î2 Æ Îx1 ≠ x2 Î2 . (7.6)
Démonstration. On a :
x1 ≠ proxf (x1 ) œ ˆf (proxf (x1 )) (7.7)
et
x2 ≠ proxf (x2 ) œ ˆf (proxf (x2 )) (7.8)
or si f est convexe fermée, l’opérateur multivalué ˆf est monotone, ce qui signifie que :
È÷1 ≠ ÷2 , u1 ≠ u2 Í Ø 0, ’÷1 œ ˆf (proxf (x1 )), ’÷2 œ ˆf (proxf (x2 )). (7.9)
(Cette inégalité permet d’exprimer le fait que dans le cas C 2 , la hessienne d’une fonction
convexe est semi-définie positive). L’inégalité (7.6) est obtenue en appliquant le théorème
de Cauchy-Schwartz. 2
Proposition 7.4 (Identité de Moreau) Soit f : Rn æ R fi {+Œ} une fonction

convexe fermée. On a alors :
x = proxf (x) + proxf ú (x), (7.10)
où f ı désigne la transformée de Legendre-Fenchel de f :
f ú (s) = sup Ès, xÍ ≠ f (x).

xœRn
Démonstration. On note u = proxf (x) et v = x≠u. Le vecteur u satisfait 0 œ ˆf (u)+x≠u

soit encore v œ ˆf (u). On a donc u œ ˆf ú (v) soit encore x ≠ v œ ˆf ú (v) ou v = proxf ú (x).
2
La fonction conjuguée, aussi appelée transformée de Fenchel ou transformée de Legendre-
Fenchel est utilisée pour :
• convexifier une fonction (en calculant la bi-conjuguée, i.e. la conjuguée de la conju-

guée).
• calculer le sous-différentiel d’une fonction convexe.
• calculer des problèmes “duaux”. Ces problèmes apportent souvent beaucoup d’in-
formations sur les problèmes “primaux”, i.e. ceux que l’on souhaite résoudre.
• passer de la mécanique lagrangienne à la mécanique hamiltonienne,...
Elle a été introduite par Mandelbrojt en 1939 puis précisée et améliorée par Fenchel en
1949. Cette transformée généralise la transformation de Legendre (1787). Cette notion est
illustrée sur la figure 7.2.
Figure 7.2 – f ú (u) est le supremum de la différence signée verticale entre le graphe de f
et celui de l’hyperplan défini par la fonction linéaire È·, uÍ.
Exemple 7.3.1 Soit L un sous-espace vectoriel de Rn et L‹ son complément orthogonal.

La propriété précédente n’est alors rien d’autre que la décomposition orthogonale :
x = PL (x) + PL‹ (x). (7.11)
7.3.2 Algorithme du point proximal

Rappelons que d’après la proposition 7.2, les points de minimum global de f sont les
points fixes de l’opérateur proximal associé. Le principe de l’algorithme du point proximal
est alors le suivant : étant donné un point initial x0 œ Rn et un pas t > 0, on définit
récursivement :
xk+1 = proxtf (xk ). (7.12)
Exercice 7.3.2 Convergence de l’algorithme du point proximal.

Soit x̄ un point de minimum global de f . Le but de cet exercice est de démontrer que la
suite (xk )kœN des itérés générés par l’algorithme du point proximal converge vers x̄.
102 7.4. Algorithme Forward-Backward : un algorithme de splitting
1. Ecrire la condition d’optimalité associée à l’itération (7.12).

2. Montrer que :
1
’k œ N, Îxk+1 ≠ xk Î2 Æ f (xk ) ≠ f (xk+1 ).
2
3. En déduire que l’algorithme du point proximal est un algorithme de descente et que :
lim Îxk+1 ≠ xk Î = 0.
kæ+Œ
4. Considérons maintenant la suite (Îxk ≠ x̄Î)kœN .

(a) Montrer que la suite (Îxk ≠ x̄Î)kœN est décroissante, et donc bornée.
(b) En déduire que la suite (xk )kœN converge vers x̄.
7.4 Algorithme Forward-Backward : un algorithme de

splitting
Dans cette partie, on considère le problème suivant :
min f (x) = g(x) + h(x) (7.13)

xœRn
où :
• g : Rn æ R est une fonction convexe, différentiable à gradient L-Lipschitz :
ÎÒg(x1 ) ≠ Òg(x2 )Î Æ LÎx1 ≠ x2 Î, ’(x1 , x2 ) œ Rn ◊ Rn . (7.14)
• h : Rn æ R fi {+Œ} est une fonction convexe, fermée.

On suppose que ce problème admet au moins une solution et on note X ú l’ensemble
(convexe fermé) des minimiseurs. Par convexité, la condition nécessaire d’optimalité du
problème (7.13) :
0 œ ˆh(x) + Òg(x),
est également suffisante et caractérise complètement les solutions du problème (7.13).
Comme pour l’algorithme du point proximal, les minima globaux de la fonction f sont
les points fixes d’un certain opérateur.
Proposition 7.5 Soit t > 0. On a :
0 œ ˆf (x) ≈∆ x = proxth (x ≠ tÒg(x)) .
L’algorithme Forward-Backward (aussi appelé algorithme de descente proximale) dans
sa version simple est défini de la façon suivante :
Définition 7.2 (Algorithme Forward-Backward (FB))
xk+1 = proxth (xk ≠ tÒg(xk )). (7.15)
Cet algorithme est un algorithme de descente qui consiste à effectuer alternativement un

pas de descente de gradient (correspondant à un pas explicite sur la partie différentiable de
f ), suivi d’un pas proximal (correspondant à un pas implicite sur la partie non-différentiable
de f . On peut démontrer la convergence de cet algorithme.
Théorème 7.4 Soit f = g +h avec g et h convexes, s.c.i. et bornées inférieurement.

On suppose de plus que g est différentiable à gradient Lipschitz. Soit x0 œ Rn un point
initial arbitrairement choisi. Si t < L2 , alors la suite (xk )kœN des itérés générés par
l’algorithme (FB) à partir de x0 converge vers un minimum global de f .
La fonction F n’est pas contractante en général, seulement non expansive. Les preuves
de convergence linéaires qui reposent sur des itérés de contractions ne fonctionnent donc
pas pour analyser ce schéma. De façon générale, on obtient tout de même des résultats de
convergence sous-linéaire :
Théorème 7.5 (admis) Le schéma de descente (7.15) assure que f (xk ) ≠ f (xú ) Æ
LÎx0 ≠xú Î22
k
pour t = L1 .
L’algorithme Forward-Backward a été utilisé dans de nombreux problèmes issus du

traitement du signal et de l’image, et plus particulièrement pour résoudre des problèmes
mettant en jeu une norme ¸2 au carré plus une norme ¸1 . Dans ce cadre particulier, l’algo-
rithme (FB) est aussi appelé Iterative Shrinkage Thresholding Algorithm (ISTA). A noter
qu’il existe une version accélérée de cet algorithme proposée par A. Beck et M. Teboulle [3]
en 2009 (Fast Iterative Shrinkage Thresholding Algorithm (FISTA)), ainsi que deux autres
algorithmes de splitting très utilisés et étudiés actuellement : l’algorithme de Douglas-
Rachford et l’algorithme ADMM (Alternating Descent Method of Multiplier).
Bibliographie
[1] P.-A. Absil, R. Mahony, and B. Andrews. Convergence of the iterates of descent
methods for analytic cost functions. SIAM Journal on Optimization, 16(2) :531–547,
2005.
[2] H. H. Bauschke and P. L. Combettes. Convex analysis and monotone operator theory
in Hilbert spaces. Springer Science & Business Media, 2011.
[3] A. Beck and M. Teboulle. A fast iterative shrinkage-thresholding algorithm for linear
inverse problems. SIAM journal on imaging sciences, 2(1) :183–202, 2009.
[4] D. Bertsekas. Nonlinear Programming. Athena Scientific, 2nd edition, 1999.
[5] M. Bierlaire. Introduction à l’optimisation différentiable. PPUR presses polytech-
niques, 2006.
[6] J. Bonnans, J. Gilbert, C. Lemaréchal, and C. Sagastizábal. Numerical optimization.
Universitext. Springer-Verlag, Berlin, second edition, 2006. Theoretical and practical
aspects.
[7] J. Burke, A. Lewis, and M. Overton. Approximating subdifferentials by random sam-
pling of gradients. Mathematics of Operations Research, 27(3) :567–584, 2002.
[8] J. Burke, A. Lewis, and M. Overton. A robust gradient sampling algorithm for nons-
mooth, nonconvex optimization. SIAM Journal on Optimization, 15(3) :751–779,
2005.
[9] E. W. Cheney and A. A. Goldstein. Newton’s method for convex programming and
Tchebycheff approximation. Numerische Mathematik, 1 :253–268, 1959.
[10] Y. Ermoliev. Stochastic programming methods. Nauka, Moscow, 7(136), 1976.
[11] J.-B. Hiriart-Urruty and C. Lemaréchal. Convex analysis and minimization algo-
rithms. II, volume 306 of Grundlehren der Mathematischen Wissenschaften [Funda-
mental Principles of Mathematical Sciences]. Springer-Verlag, 1993. Advanced theory
and bundle methods.
[12] J.-B. Hiriart-Urruty and C. Lemaréchal. Convex analysis and minimization algo-
rithms I : fundamentals, volume 305. Springer Science & Business Media, 2013.
[13] J. E. Kelley, Jr. The cutting-plane method for solving convex programs. Journal of
the Society for Industrial and Applied Mathematics, 8 :703–712, 1960.
[14] K. Kiwiel. Convergence of the gradient sampling algorithm for nonsmooth nonconvex
optimization. SIAM Journal on Optimization, 18(2) :379–388, 2007.
105
106 BIBLIOGRAPHIE
[15] K. Kiwiel. A nonderivative version of the gradient sampling algorithm for nonsmooth
nonconvex optimization. SIAM Journal on Optimization, 20(4) :1983–1994, 2010.
[16] K. C. Kiwiel. Methods of descent for nondifferentiable optimization, volume 1133 of
Lecture Notes in Mathematics. Springer-Verlag, Berlin, 1985.
[17] C. Lemaréchal. Numerical experiments in nonsmooth optimization. In E. e. Nur-
minski, editor, Progress in Nondifferentiable Optimization, pages 61–84. International
Institute for Applied Systems Analysis, 1982.
[18] C. Lemaréchal. Chapter VII Nondifferentiable optimization. In Optimization, vo-
lume 1 of Handbooks in Operations Research and Management Science, pages 529–
572. Elsevier, 1989.
[19] C. Lemaréchal and F. Oustry. Nonsmooth Algorithms to Solve Semidefinite Programs.
In L. El Ghaoui and S.-I. Niculescu, editors, Advances in Linear Matrix Inequality
Methods in Control, chapter 3. SIAM, 2000.
[20] A. Lewis and M. Overton. Nonsmooth optimization via quasi-newton methods. Ma-
thematical Programming, 141(1) :135–163, 2013.
[21] L. Luköan and J. Vl ek. Globally convergent variable metric method for convex nons-
mooth unconstrained minimization. Journal of Optimization Theory and Applications,
102(3) :593–613, 1999.
[22] M. M. Mäkelä. Survey of bundle methods for nonsmooth optimization. Optim. Me-
thods Softw., 17(1) :1–29, 2002.
[23] A. Nemirovskii and D. Yudin. Problem complexity and method efficiency in optimiza-
tion. In Discrete Mathematics (Original Russian : Nauka 1979). Wiley-Intersciences
Series, 1983.
[24] Y. Nesterov. Gradient methods for minimizing composite functions. Mathematical
Programming, 140(1) :125–161, 2013.
[25] J. Nocedal and S. Wright. Numerical optimization. Springer Series in Operations
Research. Springer-Verlag, New York, 1999.
[26] B. Polyak. Subgradient methods : a survey of Soviet research. In Nonsmooth opti-
mization (Proc. IIASA Workshop, Laxenburg, 1977), volume 3 of IIASA Proc. Ser.,
pages 5–29. Pergamon, Oxford-New York, 1978.
[27] R. T. Rockafellar. Convex analysis. Princeton university press, 2015.
[28] N. Z. Shor. Minimization methods for nondifferentiable functions, volume 3 of Sprin-
ger Series in Computational Mathematics. Springer-Verlag, Berlin, 1985. Translated
from the Russian by K. C. Kiwiel and A. RuszczyÒski.
[29] J. Vl ek and L. Luköan. Globally convergent variable metric method for nonconvex
nondifferentiable unconstrained minimization. Journal of Optimization Theory and
Applications, 111(2) :407–430, 2001.
[30] C. Zalinescu. Convex analysis in general vector spaces. World Scientific, 2002.
[31] J. Zowe. Nondifferentiable optimization. In Computational mathematical program-
ming (Bad Windsheim, 1984), volume 15 of NATO Advanced Science Institutes Series
F : Computer and Systems Sciences, pages 323–356. Springer, Berlin, 1984.

Poly GMM4

Transféré par

Droits d'auteur :

Formats disponibles

Poly GMM4

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Poly GMM4

Transféré par

Droits d'auteur :

Formats disponibles

Département Génie Mathématique et

Méthodes numériques pour l’optimisation

I Outils théoriques, concepts algorithmiques 7

2 Introduction à l’optimisation numérique 21

II Algorithmes classiques en optimisation différentiable 27

4 Méthodes de descente en optimisation différentiable sans contrainte 43

5 Algorithmes pour l’optimisation différentiable sous contrainte 69

III Introduction à l’optimisation convexe non différentiable 83

7 Algorithmes pour l’optimisation non différentiable 91

où la fonction f : Rn æ R est supposée différentiable dans la deuxième partie de ces notes,

Les fonctions convexes apparaissent abondamment dans l’ingénierie et permettent de

Remerciements à Denis Arzelier et Pierre Weiss pour leurs notes de cours

Outils théoriques, concepts

Eléments d’analyse convexe

1.1 Définitions et propriétés géométriques élémentaires

où dom(f ) est défini de la façon suivante :

dom(f ) = {x œ Rn , f (x) < +Œ}.

1.1.1 Ensembles et fonctions convexes

Voici quelques ensembles convexes remarquables :

Définition 1.3 (Combinaison convexe) Soient x1 , .., xm , m éléments de Rn . On

Définition 1.4 (Enveloppe convexe) Soit X ™ Rn un ensemble. On appelle en-

Quant aux fonctions à valeurs dans R ﬁ {+Œ}, la définition de la convexité reste

Définition 1.5 (Fonction convexe) Soit f : Rn æ R ﬁ {+Œ}.

• f est dite strictement convexe si :

’(x, y) œ dom(f )2 , x ”= y, ’⁄ œ [0, 1], f ((1≠⁄)x+⁄y) < (1≠⁄)f (x)+⁄f (y).

Lemme 1.1 (Inégalité de Jensen) Soit f : Rn æ R ﬁ {+Œ} une fonction

Figure 1.1 – Un exemple de fonction convexe

Corollaire 1.1 Soit f : Rn æ R ﬁ {+Œ} une fonction convexe et x œ Rn une

f (x) Æ max f (xk ).

Théorème 1.1 f est convexe si et seulement si son épigraphe

epi(f ) = {(x, t) œ dom(f ) ◊ R, t Ø f (x)}

Démonstration. Faite en cours. 2

Théorème 1.2 Si f est convexe alors ses ensembles de niveaux

Lf (—) = {x œ dom(f ), f (x) Æ —}

sont soit vides, soit convexes.

Caractérisation différentielle de la convexité

Théorème 1.3 Soit f : Rn æ R une fonction différentiable. Les propositions sui-

’(x, y) œ Rn ◊ Rn , f (y) Ø f (x) + ÈÒf (x), y ≠ xÍ.

(c) Le gradient de f est un opérateur monotone :

’(x, y) œ Rn ◊ Rn , ÈÒf (y) ≠ Òf (x), y ≠ xÍ Ø 0.

Remarque 1.2 Un opérateur F : Rn æ Rn est dit monotone si

Proposition 1.1 (Caractérisation de second ordre de la convexité)

(i.e. la hessienne de f est semi-définie positive en tous points).

1.1.2 Semi-continuité inférieure

’x œ Rn , ’xn ≠æ x, lim inf f (xn ) Ø f (x).

Proposition 1.2 Soit f : Rn æ R ﬁ {+Œ}. Les propositions suivantes sont équiva-

Exemple 1.1.1 Donnons quelques exemples de fonctions convexes fermées.

1.1.3 Opérations sur les fonctions convexes

Démonstration. En exercice (un peu difficile...). 2

Théorème 1.5 Soit „(y), y œ Rm une fonction convexe s.c.i. Soit A : Rn æ Rm

Démonstration. Faite en cours. 2

1.2 Continuité et différentiabilité des fonctions convexes

f (y) Æ (1 ≠ –)f (x0 ) + –f (z)

f (y) Ø f (x0 ) + –(f (x0 ) ≠ f (u))

Définition 1.7 (Dérivée directionnelle) Soit x œ dom(f ). On appelle dérivée

f (y) Ø f (x) + f Õ (x, y ≠ x). (1.2)

Lorsqu’elle existe, la dérivée directionnelle donne des informations sur la pente de la

Proposition 1.3 Soit f : Rn æ R différentiable et x œ Rn . Pour tout d œ Rn ,

f Õ (x; d) = ÈÒf (x), dÍ.