Anum td11

3.4. OPTIMISATION SOUS CONTRAINTES CHAPITRE 3.
OPTIMISATION
3.4.5 Exercices (optimisation avec contraintes)

Exercice 125 (Sur l’existence et l’unicité). Corrigé en page 268
Etudier l’existence et l’unicité des solutions du problème (3.48), avec les données suivantes : E = IR, f : IR → IR
est définie par f (x) = x2 , et pour les quatre différents ensembles K suivants :
(i) K = {|x| ≤ 1} ; (ii) K = {|x| = 1}

(3.55)
(iii) K = {|x| ≥ 1} ; (iv) K = {|x| > 1}.
Exercice 126 (Aire maximale d’un rectangle à périmètre donné). Corrigé en page 268
1. On cherche à maximiser l’aire d’un rectangle de périmètre donné égal à 2. Montrer que ce problème peut se
formuler comme un problème de minimisation de la forme (3.48), où K est de la forme K = {x ∈ IR 2 ; g(x) =
0}. On donnera f et g de manière explicite.
2. Montrer que le problème de minimisation ainsi obtenu est équivalent au problème

x̄ = (x̄1 , x̄2 )t ∈ K̃
(3.56)
f (x̄1 , x̄2 ) ≤ f (x1 , x2 ), ∀ (x1 , x2 )t ∈ K̃,
où K̃ = K ∩ [0, 1]2 , K et f étant obtenus à la question 1. En déduire que le problème de minimisation de l’aire
admet au moins une solution.
3. Calculer Dg(x) pour x ∈ K et en déduire que si x est solution de (3.56) alors x = (1/2, 1/2). En déduire que
le problème (3.56) admet une unique solution donnée par x̄ = (1/2, 1/2).
Exercice 127 (Fonctionnelle quadratique). Suggestions en page 244, corrigé en page 269
1
Soit f une fonction quadratique, i.e. f (x) = Ax · x − b · x, où A ∈ Mn (IR) est une matrice symétrique
2
définie positive et b ∈ IR n . On suppose que la contrainte g est une fonction linéaire de IR n dans IR, c’est-à-dire
g(x) = d · x − c où c ∈ IR et d ∈ IR n , et que d 6= 0. On pose K = {x ∈ IR n , g(x) = 0} et on cherche à résoudre
le problème de minimisation (3.48).
1. Montrer que l’ensemble K est non vide, fermé et convexe. En déduire que le problème (3.48) admet une unique
solution.
2. Montrer que si x̄ est solution de (3.48), alors il existe λ ∈ IR tel que y = (x̄, λ)t soit l’unique solution du
système :     
A d x̄ b
  =  (3.57)
dt 0 λ c
Exercice 128 (Minimisation sans dérivabilité).
Soient A ∈ Mn (IR) une matrice s.d.p., b ∈ IR n , j : IR n → IR une fonction P continue et convexe, à valeurs
positives ou nulles (mais non nécessairement dérivable, par exemple j(v) = nj=1 αi |vi |, avec αi ≥ 0 pour tout
i ∈ {1, . . . , n}). Soit U une partie non vide, fermée convexe de IR n . Pour v ∈ IR n , on pose J(v) = (1/2)Av · v −
b · v + j(v).
1. Montrer qu’il existe un et un seul u tel que :
u ∈ U, J(u) ≤ J(v), ∀v ∈ U. (3.58)
2. Soit u ∈ U , montrer que u est solution de (3.58) si et seulement si (Au − b) · (v − u) + j(v) − j(u) ≥ 0, pour
tout v ∈ U .
Exercice 129 (Utilisation du théorème de Lagrange).
1. Pour (x, y) ∈ IR 2 , on pose : f (x, y) = −y, g(x, y) = x2 + y 2 − 1. Chercher le(s) point(s) où f atteint son
maximum ou son minimum sous la contrainte g = 0.
Analyse numérique I, télé-enseignement, L3 266 Université d’Aix-Marseille, R. Herbin, 16 septembre 2016

3.4. OPTIMISATION SOUS CONTRAINTES CHAPITRE 3. OPTIMISATION
Pn 2
2. Soit a =P(a1 , . . . , an ) ∈ IR n , a 6= 0. Pour x = (x1 , . . . , xn ) ∈ IR n , on pose : f (x) = i=1 |xi − ai | ,
2
g(x) = n
i=1 |xi | . Chercher le(s) point(s) où f atteint son maximum ou son minimum sous la contrainte
g = 1.
3. Soient A ∈ Mn (IR) symétrique, B ∈ Mn (IR) s.d.p. et b ∈ IR n . Pour v ∈ IR n , on pose f (v) = (1/2)Av·v−b·v
et g(v) = Bv · v. Peut-on appliquer le théorème de Lagrange et quelle condition donne-t-il sur u si f (u) =
min{f (v), v ∈ K} avec K = {v ∈ IR n ; g(v) = 1} ?
Exercice 130 (Contre exemple aux multiplicateurs de Lagrange).
Soient f et g : IR 2 → IR, définies par : f (x, y) = y, et g(x, y) = y 3 − x2 . On pose K = {(x, y) ∈ IR 2 ; g(x, y) =
0}.
1. Calculer le minimum de f sur K et le point (x, y) où ce minimum est atteint.
2. Existe-t-il λ tel que Df (x, y) = λDg(x, y) ?
3. Pourquoi ne peut-on pas appliquer le théorème des multiplicateurs de Lagrange ?
4. Que trouve-t-on lorsqu’on applique la méthode dite “de Lagrange" pour trouver (x, y) ?
Exercice 131 (Application simple du théorème de Kuhn-Tucker). Corrigé en page 269
Soit f la fonction définie de E = IR 2 dans IR par f (x) = x2 + y 2 et K = {(x, y) ∈ IR 2 ; x + y ≥ 1}.
Justifier l’existence et l’unicité de la solution du problème (3.48) et appliquer le théorème de Kuhn-Tucker pour la
détermination de cette solution.
Exercice 132 (Exemple d’opérateur de projection). Correction en page 270
1. Soit K = C + = {x ∈ IR n , x = (x1 , . . . , xk )t , xi ≥ 0, ∀i = 1, . . . , N }.
(a) Montrer que K est un convexe fermé non vide.
(b) Montrer que pour tout y ∈ IR n , on a : (pK (y))i = max(yi , 0).
2. Soit (αi )i=1,...,n ⊂ IR n et (βi )i=1,...,n ⊂ IR n tels que αi ≤ βi pour tout i = 1, . . . , n. Soit K = {x =
(x1 , . . . , xn )t ; αi ≤ βi , i = 1, . . . , n}.
(a) Montrer que K est un convexe fermé non vide.
(b) Soit pK l’opérateur de projection définie à la proposition 3.40 page 270. Montrer que pour tout y ∈ IR n , on
a:
(pK (y))i = max(αi , min(yi , βi )), ∀i = 1, . . . , n.
Analyse numérique I, télé-enseignement, L3 267 Université d’Aix-Marseille, R. Herbin, 16 septembre 2016

Anum td11

Transféré par

Droits d'auteur :

Formats disponibles

Anum td11

Transféré par

Informations du document

Description originale:

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

Anum td11

Transféré par

Droits d'auteur :

Formats disponibles

3.4. OPTIMISATION SOUS CONTRAINTES CHAPITRE 3.

3.4.5 Exercices (optimisation avec contraintes)

(i) K = {|x| ≤ 1} ; (ii) K = {|x| = 1}

u ∈ U, J(u) ≤ J(v), ∀v ∈ U. (3.58)

Analyse numérique I, télé-enseignement, L3 266 Université d’Aix-Marseille, R. Herbin, 16 septembre 2016

Analyse numérique I, télé-enseignement, L3 267 Université d’Aix-Marseille, R. Herbin, 16 septembre 2016

Vous aimerez peut-être aussi