S.L
CENTRALE
S´ eance 4
Optimisation sous contraintes
P. Laurent Math´ ematiques 2
28 septembre 2005
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Plan
1 L’optimisation sous contraintes d’´ egalit´ e Le probl` eme
Th´ eor` eme de Lagrange
Interpr´ etation des multiplicateurs Exemples
2 Dualit´ e
Fonction objectif convexe Dualit´ e
Algorithme P´ enalisation
3 Conclusion
S.L
CENTRALE
Optimisation sous contraintes
1 L’optimisation sous contraintes d’´ egalit´ e Le probl` eme
Th´ eor` eme de Lagrange
Interpr´ etation des multiplicateurs Exemples
2 Dualit´ e
Fonction objectif convexe Dualit´ e
Algorithme P´ enalisation
3 Conclusion
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Optimisation sous contraintes
Devise du cours de math´ ematiques 2
Il est (peut ˆ etre) trop tard pour apprendre des maths,
il n’est pas trop tard pour apprendre ` a s’en servir.
S.L
CENTRALE
Optimisation sous contraintes
Notations
V : Espace vectoriel
F (x), F i (x ), i = 1, . . . , p, : ∈ C 1 (V )
D´ efinition
F i (x) : Contraintes, liaisons
C : Ensemble des solutions r´ ealisables : ou ensemble des contraintes F (x) : Fonction objectif
¯
x : Solution
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Optimisation sous contraintes
Le probl` eme formel
C = {x ∈ V tel que F j (x) = 0 , j = 1, . . . , p}
∀x ∈ C F (¯ x) ≤ F (x)
(1)
D´ efinition
F i (x) : Contraintes, liaisons
C : Ensemble des solutions r´ ealisables : ou ensemble des contraintes F (x) : Fonction objectif
¯
x : Solution
S.L
CENTRALE
Optimisation sous contraintes
Le probl` eme formel
C = {x ∈ V tel que F j (x) = 0 , j = 1, . . . , p}
∀x ∈ C F (¯ x) ≤ F (x)
(1)
D´ efinition
F i (x) : Contraintes, liaisons
C : Ensemble des solutions r´ ealisables : ou ensemble des contraintes F (x) : Fonction objectif
¯
x : Solution
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Optimisation sous contraintes
Exemples (Dimension finie)
V = R n F (x) = 1
2 hAx, xi − hb, xi F i (x) = hB i , xi − c i Exemples (Dimension infinie)
V = C 1 ([0, 1]) F (u) =
Z 1
0
u 0 (t) 2
2 + u(t ) 2
2 dt
F (u) = u(t ) − c
S.L
CENTRALE
Optimisation sous contraintes
Exemples (Dimension finie)
V = R n F (x) = 1
2 hAx, xi − hb, xi F i (x) = hB i , xi − c i Exemples (Dimension infinie)
V = C 1 ([0, 1]) F (u) =
Z 1 0
u 0 (t) 2
2 + u(t ) 2 2 dt F i (u) = u(t i ) − c i
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Multiplicateurs de Lagrange
Th´ eor` eme (Th´ eor` eme de Lagrange)
¯
x est solution du Pb. d’optimisation sous contraintes (1)
⇒
∃ λ ¯ j ∈ R , j = 1, . . . , p,
appel´ es multiplicateurs de Lagrange
DF (¯ x) +
p
X
j=1
λ ¯ j DF j (¯ x) = 0
F j (¯ x) = 0, j = 1, . . . , p
(2)
Les conditions de Lagrange sont n´ ecessaires mais elles ne sont pas
suffisantes.
S.L
CENTRALE
Multiplicateurs de Lagrange
Th´ eor` eme (Th´ eor` eme de Lagrange)
¯
x est solution du Pb. d’optimisation sous contraintes (1)
⇒
∃ λ ¯ j ∈ R , j = 1, . . . , p,
appel´ es multiplicateurs de Lagrange
DF (¯ x) +
p
X
j=1
λ ¯ j DF j (¯ x) = 0
F j (¯ x) = 0, j = 1, . . . , p
(2)
Les conditions de Lagrange sont n´ ecessaires mais elles ne sont pas suffisantes.
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Mise en ´ equations
V = R n
Th´ eor` eme de Lagrange ⇒ syst` eme de n + p ´ equations ` a n + p inconnues
Th´ eor` eme (Lagrange : ´ equations)
∇ F (x) +
p
X
j=1
λ j ∇ F j (x) = 0 F j (x) = 0, j = 1, . . . , p
(3)
C’est un syst` eme de n + p ´ equations ` a n + p inconnues (x 1 , ..., x n , λ 1 , ..., λ p ).
Question
S.L
CENTRALE
Mise en ´ equations
V = R n
Th´ eor` eme de Lagrange ⇒ syst` eme de n + p ´ equations ` a n + p inconnues
Th´ eor` eme (Lagrange : ´ equations)
∇ F (x) +
p
X
j=1
λ j ∇ F j (x) = 0 F j (x) = 0, j = 1, . . . , p
(3)
C’est un syst` eme de n + p ´ equations ` a n + p inconnues (x 1 , ..., x n , λ 1 , ..., λ p ).
Question
Comment r´ esoudre ce syst` eme ?
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Introduction du lagrangien
Notations
Λ = (λ 1 , . . . , λ p ) ∈ R p D´ efinition (Lagrangien)
L(x, Λ) = F (x) +
p
X
j =1
λ j F j (x)
Th´ eor` eme (Lagrange) (¯ x, Λ) ¯ v´ erifie
D x L(¯ x, ¯ Λ) = 0
F j (¯ x) = 0, j = 1, . . . , p (4)
S.L
CENTRALE
Introduction du lagrangien
Notations
Λ = (λ 1 , . . . , λ p ) ∈ R p D´ efinition (Lagrangien)
L(x, Λ) = F (x) +
p
X
j =1
λ j F j (x)
Th´ eor` eme (Lagrange) (¯ x, Λ) ¯ v´ erifie
D x L(¯ x, ¯ Λ) = 0
F j (¯ x) = 0, j = 1, . . . , p (4)
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Introduction du lagrangien
Notations
Λ = (λ 1 , . . . , λ p ) ∈ R p D´ efinition (Lagrangien)
L(x, Λ) = F (x) +
p
X
j =1
λ j F j (x)
Th´ eor` eme (Lagrange) (¯ x, Λ) ¯ v´ erifie
D x L(¯ x, ¯ Λ) = 0
F j (¯ x) = 0, j = 1, . . . , p (4)
S.L
CENTRALE
Th´ eor` eme de Lagrange : forme diff´ erentielle
Remarques
D Λ L(¯ x , Λ) = (F ¯ 1 (x), . . . , F p (x)) t On peut donc ´ ecrire aussi Th´ eor` eme
(¯ x, Λ) ¯ v´ erifie
D x L(¯ x, Λ) = 0 ¯
D Λ L(¯ x, Λ) = 0 ¯ (5)
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Th´ eor` eme de Lagrange : forme diff´ erentielle
Remarques
D Λ L(¯ x , Λ) = (F ¯ 1 (x), . . . , F p (x)) t On peut donc ´ ecrire aussi Th´ eor` eme
(¯ x, Λ) ¯ v´ erifie
D x L(¯ x, Λ) = 0 ¯
D Λ L(¯ x, Λ) = 0 ¯ (5)
S.L
CENTRALE
Th´ eor` eme de Lagrange : exemple
Exemples (Fonction quadratique, contraintes lin´ eaires)
C = {x ∈ V tel que Bx = c } F (x) = 1
2 hAx, xi − hb, xi
∀x ∈ C F (¯ x) ≤ F (x)
(6)
Th´ eor` eme (Conditions d’optimalit´ e) A¯ x +B t Λ ¯ = b
B¯ x = c (7)
Question
Comment r´ esoudre ce syst` eme ?
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Th´ eor` eme de Lagrange : exemple
Exemples (Fonction quadratique, contraintes lin´ eaires)
C = {x ∈ V tel que Bx = c } F (x) = 1
2 hAx, xi − hb, xi
∀x ∈ C F (¯ x) ≤ F (x)
(6)
L(x, Λ) = 1
2 hAx, xi − hb, xi + hΛ, Bxi = 1
2 hAx, xi − hb − B t Λ, xi Th´ eor` eme (Conditions d’optimalit´ e)
A¯ x +B t Λ ¯ = b
B¯ x = c (7)
Question
S.L
CENTRALE
Th´ eor` eme de Lagrange : exemple
Exemples (Fonction quadratique, contraintes lin´ eaires)
C = {x ∈ V tel que Bx = c } F (x) = 1
2 hAx, xi − hb, xi
∀x ∈ C F (¯ x) ≤ F (x)
(6)
L(x, Λ) = 1
2 hAx, xi − hb, xi + hΛ, Bxi = 1
2 hAx, xi − hb − B t Λ, xi Th´ eor` eme (Conditions d’optimalit´ e)
A¯ x +B t Λ ¯ = b
B¯ x = c (7)
Question
Comment r´ esoudre ce syst` eme ?
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Th´ eor` eme de Lagrange : exemple
Exemples (Fonction quadratique, contraintes lin´ eaires)
C = {x ∈ V tel que Bx = c } F (x) = 1
2 hAx, xi − hb, xi
∀x ∈ C F (¯ x) ≤ F (x)
(6)
Th´ eor` eme (Conditions d’optimalit´ e) A¯ x +B t Λ ¯ = b
B¯ x = c (7)
Question
Comment r´ esoudre ce syst` eme ?
S.L
CENTRALE
Interpr´ etation des multiplicateurs
On perturbe une contrainte F 1 (x) = 0 → F 1 (x) + = 0.
L (x, Λ) = F (x) + λ 1 (F 1 (x) + ) + P p
j =2 λ j F j (x) (x(), Λ()) la solution correspondante.
Th´ eor` eme
λ 1 = d
d F (x())| =0 (8)
Interpr´ etation des multiplicateurs
Les multiplicateurs mesurent la sensibilit´ e de la valeur optimale par rapport ` a la variation d’une contrainte.
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Interpr´ etation des multiplicateurs
On perturbe une contrainte F 1 (x) = 0 → F 1 (x) + = 0.
L (x, Λ) = F (x) + λ 1 (F 1 (x) + ) + P p
j =2 λ j F j (x) (x(), Λ()) la solution correspondante.
Th´ eor` eme
λ 1 = d
d F (x())| =0 (8)
Interpr´ etation des multiplicateurs
Les multiplicateurs mesurent la sensibilit´ e de la valeur optimale par
rapport ` a la variation d’une contrainte.
S.L
CENTRALE
Interpr´ etation des multiplicateurs
On perturbe une contrainte F 1 (x) = 0 → F 1 (x) + = 0.
L (x, Λ) = F (x) + λ 1 (F 1 (x) + ) + P p
j =2 λ j F j (x) (x(), Λ()) la solution correspondante.
Th´ eor` eme
λ 1 = d
d F (x())| =0 (8)
Interpr´ etation des multiplicateurs
Les multiplicateurs mesurent la sensibilit´ e de la valeur optimale par rapport ` a la variation d’une contrainte.
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Un probl` eme de gestion
Ressources 1
Produits 1
Produits 2
Produits 3 Ressources 2
Ressources 3
Ressources 4
Quantité x1 Quantité x1
Quantité x2
Quantité x3 b11 x1+ b12 x2 < Q1
b21 x1+ b22 x2+b23 x3 < Q2
b31 x1+ b33 x3 < Q3
b41 x1+ b42 x2+ b43 x3 < Q4
S.L
CENTRALE
Un probl` eme de gestion
Optimisation d’un coˆ ut
Maximisation de la valeur F (x ) de produits fabriqu´ es en quantit´ e x = (x 1 , ..., x i , ..., x n ) t en utilisant p resources sous p contraintes sur les quantit´ es de ressources ` a utiliser
F j (x) = X
i
b ij x i = Q j
Introduction des multiplicateurs L(x, Λ) = F (x) + P p
j =1 λ j (Q j − F j (x)) λ j : coˆ ut d’une mati` ere premi` ere manquante.
Interpr´ etation des multiplicateurs comme prix marginal.
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Un probl` eme de gestion
Optimisation d’un coˆ ut
Maximisation de la valeur F (x ) de produits fabriqu´ es en quantit´ e x = (x 1 , ..., x i , ..., x n ) t en utilisant p resources sous p contraintes sur les quantit´ es de ressources ` a utiliser
F j (x) = X
i
b ij x i = Q j
Introduction des multiplicateurs L(x, Λ) = F (x) + P p
j =1 λ j (Q j − F j (x)) λ j : coˆ ut d’une mati` ere premi` ere manquante.
Interpr´ etation des multiplicateurs comme prix marginal.
S.L
CENTRALE
Un probl` eme de m´ ecanique
(x1,y1) (x2,y2)
(xn,yn) λ nn
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Un probl` eme de m´ ecanique
´ Equilibre d’un treillis
Un treillis de barres, avec contact bilat´ eral.
La position d’´ equilibre minimise l’´ energie potentielle min x
1
2 hKx, xi − hb, xi avec les condition de liaison avec des appuis
F i (x) = 0
S.L
CENTRALE
Un probl` eme de m´ ecanique
´ Equilibre d’un treillis
Un treillis de barres, avec contact bilat´ eral.
La position d’´ equilibre minimise l’´ energie potentielle min x
1
2 hKx, xi − hb, xi avec les condition de liaison avec des appuis
F i (x) = 0
Les multiplicateurs sont des forces de r´ eaction.
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Un probl` eme de m´ ecanique : ´ equilibre d’une chaˆıne pesante
(x2,y2) (x1,y1) (x0,y0)
(x3,y3)
(xn,yn)
(xn+1,yn+1))
E = {x ∈ R 2n / (x i − x i−1 ) 2 + (y i − y i−1 ) 2 = L 2 , i = 1, . . . , n + 1}
min hP , xi
S.L
CENTRALE
Un probl` eme de m´ ecanique : ´ equilibre d’une chaˆıne pesante
Mise sous forme de probl` eme d’optimisation
C = {x / hB j x, xi = b j } (9)
min x∈C hP , x i (10)
L(x, Λ) = hP , xi + X
j
λ j (hB j x, xi − b j ) (11)
Le Lagrangien est quadratique ⇒ Le calcul de x(Λ) est un probl` eme lin´ eaire.
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Optimisation sous contraintes
1 L’optimisation sous contraintes d’´ egalit´ e Le probl` eme
Th´ eor` eme de Lagrange
Interpr´ etation des multiplicateurs Exemples
2 Dualit´ e
Fonction objectif convexe Dualit´ e
Algorithme P´ enalisation
3 Conclusion
S.L
CENTRALE
Fonction objectif convexe
Hypoth` eses
F (x) est strictement convexe, F i (x) lin´ eaires, donc
F i (x) = 0, i = 1, . . . , p s’´ ecrit aussi Bx = c
D´ efinition (Optimisation convexe sous contraintes lin´ eaires) C = {x ∈ V tel que B¯ x = c }
∀x ∈ C F (¯ x) ≤ F (x) (12)
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Fonction objectif convexe
Hypoth` eses
F (x) est strictement convexe, F i (x) lin´ eaires, donc
F i (x) = 0, i = 1, . . . , p s’´ ecrit aussi Bx = c
D´ efinition (Optimisation convexe sous contraintes lin´ eaires) C = {x ∈ V tel que B¯ x = c }
∀x ∈ C F (¯ x) ≤ F (x) (12)
S.L
CENTRALE
Fonction objectif convexe
Th´ eor` eme (Lagrange)
∃ Λ = ( ¯ ¯ λ 1 , . . . , λ ¯ p ), tels que
∀x ∈ V L(¯ x, Λ) ¯ ≤ L(x, Λ)
B¯ x = c (13)
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Fonction objectif convexe
D´ efinition Soit Λ ∈ R p .
On appelle probl` eme primal le probl` eme
min x L(x, Λ) (14)
D´ efinition
On appelle fonction duale du probl` eme d’optimisation (12) la fonction de R p dans R d´ efinie par
Φ(Λ) = min
x L(x, Λ) (15)
S.L
CENTRALE
Fonction objectif convexe
D´ efinition Soit Λ ∈ R p .
On appelle probl` eme primal le probl` eme
min x L(x, Λ) (14)
D´ efinition
On appelle fonction duale du probl` eme d’optimisation (12) la fonction de R p dans R d´ efinie par
Φ(Λ) = min
x L(x, Λ) (15)
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Principe de dualit´ e
Th´ eor` eme (Point selle)
(¯ x, Λ) ¯ est un point selle du Lagrangien :
∀x ∈ V , ∀Λ ∈ R p , L(¯ x, Λ) ≤ L(¯ x, Λ) ¯ ≤ L(x, Λ) ¯ (16) Th´ eor` eme (Probl` eme dual)
Φ(Λ) est concave.
∇ Φ(Λ) = Bx(Λ) − c (17)
o` u x (Λ) est la solution du probl` eme primal.
∀Λ ∈ R p , Φ(Λ) ≤ Φ(¯ Λ)
S.L
CENTRALE
Principe de dualit´ e
Th´ eor` eme (Point selle)
(¯ x, Λ) ¯ est un point selle du Lagrangien :
∀x ∈ V , ∀Λ ∈ R p , L(¯ x, Λ) ≤ L(¯ x, Λ) ¯ ≤ L(x, Λ) ¯ (16) Th´ eor` eme (Probl` eme dual)
Φ(Λ) est concave.
∇ Φ(Λ) = Bx(Λ) − c (17)
o` u x (Λ) est la solution du probl` eme primal.
∀Λ ∈ R p , Φ(Λ) ≤ Φ(¯ Λ)
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Algorithme
Algorithme d’Uzawa
Choisir une estimation de Λ 0 et de ρ > 0 (assez petit), Faire :
Chercher x k solution du probl` eme primal :
∀x ∈ V , L(x k , Λ k ) ≤ L(x, Λ k ) F k = L(x k , Λ k )
Tester F k > F k−1 sinon diminuer ρ g k = Bx k − c
Λ k+1 = Λ k + ρg k
Tant que kg k k ≥ epskg 0 k
S.L
CENTRALE
P´ enalisation
D´ efinition (Probl` eme p´ enalis´ e)
F (x) = F (x) + X
i
F i (x) 2 2
∀x ∈ V F (x ) ≤ F (x)
(18)
Remarques
doit ˆ etre petit, mais : probl` eme des erreurs de troncature.
Pr´ ecision en √ . Interpr´ etation.
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
P´ enalisation
D´ efinition (Probl` eme p´ enalis´ e)
F (x) = F (x) + X
i
F i (x) 2 2
∀x ∈ V F (x ) ≤ F (x)
(18)
Remarques
doit ˆ etre petit, mais : probl` eme des erreurs de troncature.
Pr´ ecision en √
.
Interpr´ etation.
S.L
CENTRALE
Optimisation sous contraintes
1 L’optimisation sous contraintes d’´ egalit´ e Le probl` eme
Th´ eor` eme de Lagrange
Interpr´ etation des multiplicateurs Exemples
2 Dualit´ e
Fonction objectif convexe Dualit´ e
Algorithme P´ enalisation
3 Conclusion
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Conclusion
Plusieurs approches :
1
G´ eom´ etrique.
2
M´ ecanique.
3
Economique. ´
Conclusion
1
Chaque interpr´ etation a ses avantages.
2
Il faut savoir passer de l’une ` a l’autre.
3
La dualit´ e : nous n’avons vu que le d´ ebut de l’histoire...
S.L
CENTRALE
Conclusion
Plusieurs approches :
1
G´ eom´ etrique.
2
M´ ecanique.
3
Economique. ´
Conclusion
1
Chaque interpr´ etation a ses avantages.
2
Il faut savoir passer de l’une ` a l’autre.
3
La dualit´ e : nous n’avons vu que le d´ ebut de l’histoire...
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Conclusion
Plusieurs approches :
1
G´ eom´ etrique.
2
M´ ecanique.
3
Economique. ´
Conclusion
1
Chaque interpr´ etation a ses avantages.
2
Il faut savoir passer de l’une ` a l’autre.
3
La dualit´ e : nous n’avons vu que le d´ ebut de l’histoire...
S.L
CENTRALE
Conclusion
Plusieurs approches :
1
G´ eom´ etrique.
2
M´ ecanique.
3
Economique. ´
Conclusion
1
Chaque interpr´ etation a ses avantages.
2
Il faut savoir passer de l’une ` a l’autre.
3
La dualit´ e : nous n’avons vu que le d´ ebut de l’histoire...
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Conclusion
Plusieurs approches :
1
G´ eom´ etrique.
2
M´ ecanique.
3
Economique. ´ Conclusion
1
Chaque interpr´ etation a ses avantages.
2
Il faut savoir passer de l’une ` a l’autre.
3
La dualit´ e : nous n’avons vu que le d´ ebut de l’histoire...
S.L
CENTRALE
Conclusion
Plusieurs approches :
1
G´ eom´ etrique.
2
M´ ecanique.
3
Economique. ´ Conclusion
1
Chaque interpr´ etation a ses avantages.
2
Il faut savoir passer de l’une ` a l’autre.
3
La dualit´ e : nous n’avons vu que le d´ ebut de l’histoire...
P. Laurent Math´ematiques 2 S´eance 4 Optimisation sous contraintes
S.L
CENTRALE
Conclusion
Plusieurs approches :
1
G´ eom´ etrique.
2
M´ ecanique.
3
Economique. ´ Conclusion
1
Chaque interpr´ etation a ses avantages.
2
Il faut savoir passer de l’une ` a l’autre.
3