Accueil🇫🇷Chercher

Optimisation non linéaire

En optimisation, vue comme branche des mathématiques, l'optimisation non linéaire (en anglais : nonlinear programming – NLP) s'occupe principalement des problèmes d'optimisation dont les données, i.e., les fonctions et ensembles définissant ces problèmes, sont non linéaires, mais sont aussi différentiables autant de fois que nécessaire pour l'établissement des outils théoriques, comme les conditions d'optimalité, ou pour la bonne marche des algorithmes de résolution qui y sont introduits et analysés. Cette sous-discipline de l'optimisation, à la frontière mal définie et l'introduction un peu artificielle, a aussi son existence liée à la communauté de chercheurs qui se sont spécialisés sur ces sujets et au type de résultats qui ont pu être obtenus.

Elle complémente l'optimisation non lisse (ou non différentiable), elle aussi liée à une communauté de chercheurs spécialisés. Ces deux disciplines se rassemblent pour former ce que l'on appelle l'optimisation continue, qui jouxte, quant à elle, d'autres sous-disciplines telles que l'optimisation combinatoire (ou discrète), l'optimisation stochastique, etc.

Formulation mathématique

On a une fonction , avec . L'objectif est de déterminer le vecteur x défini par :

.

De façon équivalente, on peut rechercher la valeur pour laquelle f est maximale :

.

Méthodes de résolution

Si la fonction est convexe ou concave, et l'ensemble des contraintes est convexe, alors il existe des méthodes spécialisées, appelées méthodes d'optimisation convexe.

Sinon, il existe plusieurs solutions. Par exemple, utilisant le principe de séparation et évaluation pour diviser et traiter séparément plusieurs paramètres.

L'algorithme peut également être arrêté avant d'aboutir, si on peut prouver qu'aucune solution ultérieure ne sera meilleure à un certain seuil de tolérance près. Les conditions de Karush-Kuhn-Tucker (KKT) garantissent qu'une solution ainsi obtenue est optimale.

On utilise des algorithmes de résolution tels que :

Contraintes

Si les contraintes s'expriment sous la forme d'inégalités

on peut utiliser la méthode de la « barrière logarithmique »[1]. Si ƒ est la fonction à minimiser, alors on définit la fonction

ainsi, lorsque x se rapproche de la frontière, la valeur de ln(h) tend vers –∞, ce qui pénalise la zone. On effectue plusieurs recherches en faisant tendre μ vers 0.

Exemples

En dimension 2

L'intersection d'une ligne avec l'ensemble des contraintes représente la solution.

Un problème simple peut être posé ainsi :

x1 ≥ 0
x2 ≥ 0
x12 + x22 ≥ 1
x12 + x22 ≤ 2

où l'on cherche à maximiser la fonction

f (x1, x2) = x1 + x2

En dimension 3

L'intersection de la surface avec l'espace des contraintes au centre représente la solution.

On peut formuler un problème ainsi :

x12x22 + x32 ≤ 2
x12 + x22 + x32 ≤ 10

où l'on cherche à maximiser la fonction :

f(x1, x2, x3) = x1x2 + x2x3

Notes et références

Voir aussi

Articles connexes

Bibliographie

  • (en) Cet article est partiellement ou en totalité issu de l’article de Wikipédia en anglais intitulé « Nonlinear programming » (voir la liste des auteurs).
  • (en) Avriel, Mordecai (2003), Nonlinear Programming: Analysis and Methods. Dover Publishing. (ISBN 0-486-43227-0).
  • (en) Bazaraa, Mokhtar et Shetty (1979), Nonlinear programming. Theory and algorithms. John Wiley & Sons. (ISBN 0-471-78610-1).
  • (en) Bertsekas, Dimitri (1999), Nonlinear Programming: 2d Edition. Athena Scientific. (ISBN 1-886529-00-0).
  • (en) J. F. Bonnans, J. Ch. Gilbert, C. Lemaréchal, C. Sagastizábal (2006), Numerical Optimization - Theoretical and Numerical Aspects [détail des éditions]
  • (en) Bonnans, J. F et Shapiro, A. (2000), Perturbation analysis of optimization problems. Springer. (ISBN 978-0-387-98705-7).
  • (en) Nocedal, Jorge et Wright, Stephen (1999), Numerical Optimization. Springer. (ISBN 0-387-98793-2).

Documentation

Implémentations

Cet article est issu de wikipedia. Text licence: CC BY-SA 4.0, Des conditions supplémentaires peuvent s’appliquer aux fichiers multimédias.