Optimisation_Etudiants

Optimisation_Etudiants - Optimisation Table des mati`res e...

Info iconThis preview shows pages 1–3. Sign up to view the full content.

View Full Document Right Arrow Icon
Optimisation Table des mati` eres 1 Petite taxinomie des probl` emes d’optimisation 2 2 Optimisation sans contraintes 3 2.1 Optimisation sans contrainte unidimensionnelle . . . . . . . . 3 2.1.1 Une approche sans d´ eriv´ ees : la section en proportion du nombre d’or . . . . . . . . . . . . . . . . . . . . . . 3 2.1.2 Une approche avec d´ eriv´ ees : la m´ ethode de Newton . . . . . . . . . . . . . . . . . . 5 2.2 Optimisation sans contrainte multidimensionnelle . . . . . . . 6 2.2.1 En utilisant la premi` ere d´ eriv´ ee seulement : ethode du gradient . . . . . . . . . . . . . . . . . . . 6 2.2.2 En utilisant les 1` ere et 2` eme d´ eriv´ ees : M´ ethode de Newton multidimensionnelle . . . . . . . . . . . . . . . 6 2.2.3 En n’utilisant que la premi` ere d´ eriv´ ee (bis !) : Les m´ ethodes quasi-Newton . . . . . . . . . . . . . . . 7 2.3 Crit` eres d’arrˆ et . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3 Optimisation avec contraintes 8 3.1 Optimisation avec contraintes : l’approche lagrangienne . . . . . . . . . . . . . . . . . . . . . . 8 3.2 Rappel des conditions d’optimalit´ e sous contraintes . . . . . . 8 4 Optimisation vs solution d’´ equations nonlin´ eaires 10 5 Fonctions pr´ e-programm´ ees en Matlab 11 5.1 Minimisation sans contraintes . . . . . . . . . . . . . . . . . . 11 5.2 Minimisation sous contraintes . . . . . . . . . . . . . . . . . . 11 1
Background image of page 1

Info iconThis preview has intentionally blurred sections. Sign up to view the full version.

View Full DocumentRight Arrow Icon
1 Petite taxinomie des probl` emes d’optimi- sation Espace des variables continu ou discret : – Optimisation continue – Optimisation discr` ete, en nombres entiers (e.g. blocs d’actions), en nombres binaires (e.g. pour mod´ eliser des contraintes logiques) Dimension de l’espace des variables : – fini (optimisation habituelle) – infini (contrˆ ole optimal ; analyse fonctionnelle (la variable est une fonction)) Optimisation d´ eterministe vs stochastique Note : l’optimisation dynamique est une technique, pas un type de probl` eme. Optimisation sans contrainte, avec contraintes Optimisation (continue, dimensions finies, avec contraintes) : – lin´ eaire : – quadratique : – nonlin´ eaire : Fonction-objectifs – diff´ erentiables au moins une fois – nondiff´ erentiables Optimisation locale vs globale (et convexe vs nonconvexe). ` A
Background image of page 2
Image of page 3
This is the end of the preview. Sign up to access the rest of the document.

Page1 / 11

Optimisation_Etudiants - Optimisation Table des mati`res e...

This preview shows document pages 1 - 3. Sign up to view the full document.

View Full Document Right Arrow Icon
Ask a homework question - tutors are online