0% ont trouvé ce document utile (0 vote)

4 vues37 pages

Optimisationdyn

Ce document est un cours sur l'optimisation dynamique, structuré en plusieurs sections incluant des rappels de définitions préliminaires, des équations différentielles, et des concepts d'optimisation statique et dynamique. Il aborde des théorèmes fondamentaux, les extrema avec et sans contraintes, ainsi que des applications pratiques. Le contenu est destiné aux étudiants de Master 1, encadré par Dr ZOUNGRANA Christ Roi Malick.

Transféré par

siabowinne

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

4 vues37 pages

Optimisationdyn

Transféré par

siabowinne

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

COURS SUR OPTIMISATION DYNAMIQUE

M1/S7
Enseignant : Dr ZOUNGRANA Christ Roi Malick
Table des matières

1 RAPPELS 3
1.1 Définitions préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Déterminant d’une matrice : . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Mineurs principaux d’une matrice : . . . . . . . . . . . . . . . . . . . . . 3
1.1.3 Mineurs principaux diagonaux d’une matrice : . . . . . . . . . . . . . . . 4
1.1.4 Matrice hessienne : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.5 Matrice hessienne bordée . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.6 Matrice jacobienne : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.7 Matrices (semi) définies négatives, matrice (semi) définies positives . . . 5
1.1.8 Caractérisation : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.9 Ensembles convexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.10 Fonctions concaves, fonctions convexes . . . . . . . . . . . . . . . . . . . 6
1.1.11 Propriétés importantes : . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.12 Caractérisation pour les fonctions à plusieurs variables : . . . . . . . . . . 7
1.1.13 Fonctions quasi-concaves, fonctions quasi-convexes . . . . . . . . . . . . 7
1.2 Equations différentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Equations différentielles du 1er ordre . . . . . . . . . . . . . . . . . . . . 8
1.2.2 Equations différentielles linéaires du second ordre à coefficients
constants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.3 Systèmes différentiels linéaires . . . . . . . . . . . . . . . . . . . . . . . 12

2 Optimisation Statique 14
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Théorèmes fondamentaux d’optimisation . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Rappels des résultats principaux . . . . . . . . . . . . . . . . . . . . . . 14
2.2.2 Cas de l’extremum libre . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.3 Cas de l’extremum lié . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Maxima et minima globaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Extrema avec contraintes sous forme d’égalités . . . . . . . . . . . . . . . . . . . 16
2.4.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.2 Méthode de résolution : technique de Lagrange . . . . . . . . . . . . . . 17
2.4.3 Conditions nécessaires et suffisantes . . . . . . . . . . . . . . . . . . . . 18
2.4.4 Conditions du premier ordre suffisantes . . . . . . . . . . . . . . . . . . 19
2.5 Extrema avec contraintes sous forme d’inégalités . . . . . . . . . . . . . . . . . 20
2.5.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.2 Méthode de résolution : conditions de Khun et Tucker . . . . . . . . . . 21

3 Optimisation Dynamique 23
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Extrémale libre en temps continu . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

1
TABLE DES MATIÈRES

3.2.2 Méthode de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3.3 Extrémale contrainte en temps continu . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.2 Méthodes de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.5 Extrémale en temps discret : introduction . . . . . . . . . . . . . . . . . . . . . 33
3.5.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.5.2 Méthode de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

IUFIC 2 Dr ZOUNGRANA Christ Roi Malick ©

2025
Chapitre 1

RAPPELS

1.1 Définitions préliminaires

Soit f : U → R une fonction de n variables (x1 , x2 , . . . , xn ) à valeurs réelles dont l’ensemble
de définition U constitue un sous-ensemble de Rn . On supposera toujours que f est continue et
deux fois différentiable.
On note fi0 la dérivée partielle de f par rapport à xi fi0 = ∂f (x1 ,x 2 ,...,xn )
∂xi
; on note fij00 la
2

dérivée croisée de f par rapport à xi et xj fij00 = ∂ f (x∂x1 ,xi ∂x
2 ,...,xn )
j

1.1.1 Déterminant d’une matrice :

Le déterminant d’une matrice est défini par induction :
- Une matrice (1, 1) est juste
un scalaire
a. Le déterminant de cette matrice est égal à a.
a b a b
- Matrice (2,2) : soit M = . Le déterminant de M s’écrit = ad − bc.
 c d  c d
a11 a12 · · · a1n
 a21 a22 · · · a2n 
- Matrice (n, n) : soit M =  .. ..  Pour calculer le déterminant de M , il suffit
 
.. . .
 . . . . 
an1 an2 · · · ann
d’utiliser la méthode dite du ” développement selon la première ligne ” :
1. on associe à chaque coefficient a1i de la première ligne de la matrice M un signe + si i est
impair et un signe - si i est pair.
2. Le déterminant de M peut s’écrire comme la somme des n déterminants d’ordre n − 1 obtenus
en éliminant de la matrice M la ligne et la colonne contenant le coefficient a1i . Chacun de ces
déterminants est multiplié par (−1)1+i a1i

1.1.2 Mineurs principaux d’une matrice :

Soit M une matrice carré symétrique de dimension (n, n). Un mineur principal d’ordre k est
le déterminant de la sous-matrice de M d’ordre k obtenue en supprimant n − k lignes et les n − k
colonnes correspondantes dans M .
 
a11 a12 a13
Exemple : soit M =  a21 a22 a23 .
a31 a32 a33

3
CHAPITRE 1. RAPPELS

Les trois mineurs principaux d’ordre 1 de M sont a11 , a22 et a33 .

a22 a23 a11 a13 a11 a12
Les trois mineurs principaux d’ordre 2 de M sont : et
a32 a33 a31 a33 a21 a32
a11 a12 a13
Le mineur principal d’ordre 3 de M est : a21 a22 a23 .
a31 a32 a33

1.1.3 Mineurs principaux diagonaux d’une matrice :

Soit M une matrice carré symétrique de dimension (n, n). Le mineur principal diagonal
d’ordre k (noté Dk ) de la matrice M est le déterminant de la matrice de taille (k, k) obtenue
en éliminant les n − k dernières lignes et n − k dernières colonnes de la matrice M . Une matrice
carré d’ordre n admet n mineurs principaux diagonaux.
N.B. : Le mineur principal diagonal d’ordre k d’une matrice est l’un de ses mineurs principaux
d’ordre k.  
a11 a12 a13
Exemple : soit M =  a21 a22 a23 .
a31 a32 a33
Le mineur principal diagonal d’ordre 1 de M est a11 .
a11 a12
Le mineur principal diagonal d’ordre 2 est ;
a21 a22
a11 a12 a13
le mineur principal diagonal d’ordre 3 est a21 a22 a23 .
a31 a32 a33

1.1.4 Matrice hessienne :

On appelle matrice hessienne H (x1 , x2 , . . . , xn ) de f la matrice des dérivées secondes de f
évaluées au point (x1 , x2 , . . . , xn ) :
 
00 00 00
f11 f12 ··· f1n
 f 00 f 00 ··· 00
f2n 
 21 12
H (x1 , x2 , . . . , xn ) =  ..

.. ... .. 
 . . . 
00 00 00
fn1 fn2 ··· fnn

Comme fij00 = fji00 ∀(i, j), la matrice hessienne de f est une matrice symétrique d ’ordre n.

exemple
soit g(x, y, z) = 8x3 + y 3 − 12xyz + 10z 3 − 6z
Déterminer la matrice hessienne de g

IUFIC 4 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 1. RAPPELS

1.1.5 Matrice hessienne bordée

On appelle matrice hessienne bordée H̄ (x1 , x2 , . . . , xn ) de f la matrice des dérivées secondes
de f , bordée par la matrice des dérivées premières de f :
 
0 f10 f20 · · · fn0
 f 0 f 00 f 00 · · · f 00 
 1 11 12 1n 
 0 00 00 00 
H̄ (x1 , x2 , . . . , xn ) =  f2 f21 f12 · · · f2n 
 .. .. .. . . .. 
 . . . . . 
0 00 00 00
fn fn1 fn2 · · · fnn

La matrice hessienne bordée de f est une matrice symétrique carrée d’ordre n + 1.

Déterminer la matrice hessienne bordée de la fonction f définie par f (x, y) = xy

1.1.6 Matrice jacobienne :

soit G = (g1 , g2 , . . . , gm ) une fonction définie de Rn dans Rm . A tout vecteur x̃ = (x1 , x2 , . . . , xn ),
la fonction G associe le vecteur de fonctions (g1 (x̃), g2 (x̃), . . . , gm (x̃)). On appelle matrice jaco-
bienne de G la matrice de dimension (m, n) JG (x1 , x2 , . . . xn ) des dérivées partielles des m
fonctions qui composent G :
 ∂g1 ∂g1 ∂g1 
∂x1
(e
x) ∂x2
(x̃) . . . ∂x n
(e
x )
 ∂g2 (e ∂g2 ∂g2
 ∂x1 x) ∂x2 (e x) . . . ∂x n
(e
x) 
JG (x1 , x2 , . . . , xn ) = 

.
. .
. . . .
. 
 . . . . 
∂gm ∂g1 ∂gm
∂x1
(e
x) ∂x2
(e
x) ··· ∂xn
(e
x)

exemple
soit f (x, y) = xy, 21 x2 + y, ln (1 + x2 )

Déterminer la matrice jacobienne de f

1.1.7 Matrices (semi) définies négatives, matrice (semi) définies po-

sitives
Matrice définie positive : Soit M une matrice carrée symétrique. Soit A un vecteur colonne
quelconque. On note A0 sa transposée. M est dite définie positive si et seulement si :

A0 M A > 0 ∀A 6= 0

N.B. : Les éléments diagonaux aii d’une matrice définie positive sont tous > 0.
Matrice semi-définie positive : Soit M une matrice carrée symétrique. Soit A un vecteur
colonne quelconque. On note A0 sa transposée. Une matrice M est dite semi-définie positive si
et seulement si :
A0 M A > 0 ∀A

N.B. : Les éléments diagonaux aii d’une matrice semi-définie positive sont tous ≥ 0.
Matrice définie négative : Soit M une matrice carrée symétrique. Soit A un vecteur colonne
quelconque. On note A0 sa transposée. M est dite définie négative si et seulement si :

A0 M A < 0 ∀A 6= 0

N.B. : Les éléments diagonaux aii d’une matrice définie négative sont tous < 0.

IUFIC 5 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 1. RAPPELS

Matrice semi-définie négative : Soit M une matrice carrée symétrique. Soit A un vecteur
colonne quelconque. On note A0 sa transposée. M est dite semi-définie négative si et seulement
si :
A0 M A 6 0 ∀A

N.B. : Les éléments diagonaux aii d’une matrice semi-définie négative sont tous ≤ 0.

1.1.8 Caractérisation :
Soit M une matrice carrée symétrique d’ordre n.
- M définie positive ⇔ ses n mineurs principaux diagonaux Dk sont > 0.
- M semi-définie positive ⇔ tous ses mineurs diagonaux (et pas seulement diagonaux !) Dk sont
> 0.
- M définie négative ⇔ ses n mineurs principaux diagonaux Dk sont alternativement < 0 ( k
impair) et > 0 ( k pair).
- M semi-définie négative ⇔ tous ses mineurs principaux Dk (et pas seulement diagonaux !) sont
alternativement 6 0 ( k impair) et > 0 ( k pair).

1.1.9 Ensembles convexes

Ensemble convexe : Un ensemble S de Rn est convexe ssi, ∀(x, y) ∈ S 2 :
(1 − λ)x + λy ∈ S, ∀λ ∈ [0, 1]

Ensemble strictement convexe : Un ensemble S de Rn est strictement convexe ssi,

∀(x, y) ∈ S 2 :
(1 − λ)x + λy ∈ intérieur S, ∀λ ∈]0, 1[

N.B. : La notion ”d’ensemble concave ” n’existe pas.

1.1.10 Fonctions concaves, fonctions convexes

Soit f une fonction de plusieurs variables définie sur un ensemble convexe S. Fonction
concave : f est concave sur S ssi, ∀(x, y) ∈ S 2 et ∀λ ∈ [0, 1], on a :
f ((1 − λ)x + λy) > (1 − λ)f (x) + λf (y)
f est strictement concave sur S ssi :
f ((1 − λ)x + λy) > (1 − λ)f (x) + λf (y)

Fonction convexe : f est convexe sur S ssi, ∀(x, y) ∈ S 2 et ∀λ ∈ [0, 1], on a :

f ((1 − λ)x + λy) 6 (1 − λ)f (x) + λf (y)
f est strictement convexe sur S ssi :
f ((1 − λ)x + λy) < (1 − λ)f (x) + λf (y)

N.B. : Il est important de ne pas confondre la notion d’ensemble convexe avec celle de fonction
convexe.

IUFIC 6 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 1. RAPPELS

1.1.11 Propriétés importantes :

- f concave ⇔ −f convexe
- Si f et g sont des fonctions concaves (resp. convexes), alors ∀(a, b) ∈ R2+ , (a.f + b.g) est une
fonction concave (resp. convexe).
- Si f est une fonction concave et g est une fonction croissante et concave, alors la fonction
g(f (x)) est concave.
- Si f est une fonction convexe et g est une fonction croissante et convexe, alors la fonction
g(f (x)) est convexe.
- Une fonction affine est à la fois concave et convexe.

1.1.12 Caractérisation pour les fonctions à plusieurs variables :

- f concave ⇔ la matrice hessienne de f est semi-définie négative ∀x̃ ∈ Rn .
- la matrice hessienne de f est définie négative ∀x ∈ Rn ⇒ f strictement concave (attention : la
réciproque n’est pas nécessairement vraie).
- f convexe ⇔ la matrice hessienne de f est semi-définie positive ∀x ∈ Rn .
- la matrice hessienne de f est définie positive ∀x ∈ Rn ⇒ f strictement convexe (attention : la
réciproque n’est pas nécessairement vraie).

Exemple : Montrer que la fonction f (x, y, z) = x2 + 2y 2 + 3z 2 + 2xy + 2xz est strictement

convexe. Solution : Soit H La matrice hessienne de f . Elle s’écrit :
 00 00 00
  
fxx fxy fxz 2 2 2
00 00 00 
H(x, y, z) =  fyx fyy fyz = 2 4 0 
00 00 00
fzx fzy fzz 2 0 6

Noter qu’ici, la matrice hessienne est indépendante de ses arguments x, y et z (ce n’est pas
toujours le cas). Les mineurs principaux diagonaux de H sont D1 = 2 > 0, D2 = 4 > 0 et
D3 = 8 > 0, donc H est définie positive, donc f est strictement convexe.

1.1.13 Fonctions quasi-concaves, fonctions quasi-convexes

Caractérisation :
- f quasi-concave ⇒ les mineurs principaux diagonaux Dk de la matrice hessienne bordée de f
alternent en signe à partir de k = 3, avec Dk > 0 pour k impair et Dk 6 0 ( k pair) ∀e x ∈ Rn
(attention : la réciproque n’est pas nécessairement vraie).
- Les mineurs principaux diagonaux Dk de la matrice hessienne bordée de f alternent en signe
à partir de k = 2, avec Dk > 0 pour k impair et Dk < 0 ( k pair) ∀x̃ ∈ Rn ⇒ f quasi-concave.
- f quasi-convexe ⇒ les mineurs principaux diagonaux Dk de la matrice hessienne bordée de f
sont tous 6 0 partir de k = 3 ∀e x ∈ Rn (attention : la réciproque n’est pas nécessairement vraie).
- Les mineurs principaux diagonaux Dk de la matrice hessienne bordée de f sont tous < 0 à
partir de k = 2 ∀x̃ ∈ Rn ⇒ f quasi-convexe.

1.2 Equations différentielles

Définition 1.2.1. On appelle équation différentielle, toute équation établissant une relation
entre la variable indépendante x, la fonction inconnue y = f (x) et ses dérivées successives
y 0 , y ” , . . . , y (n) . On la note symboliquement

F (x, y, y 0 , y ” , . . . , y (n) ) = 0.

IUFIC 7 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 1. RAPPELS

On appelle ordre d’une équation différentielle, l’ordre de la dérivée la plus élévée contenue dans
cette équation.

Exemples
2x2 y 0 + ex y 3 + 1 = 0 est une équation différentielle du 1er ordre tandis que y ” + y = 3x est une
équation différentielle du second ordre.

Définition 1.2.2. Résoudre ou intégrer une équation différentielle, c’est trouver l’ensemble des
fonctions y = f (x) vérifiant identiquement cette équation. La solution obtenue est dite solution
générale qu’on note yG . Si on connait une fonction particulière qui vérifie l’équation différentielle,
on parle de solution particulière qu’on note yp .

1.2.1 Equations différentielles du 1er ordre

Une équation différentielle du 1er ordre est de la forme F (x, y, y 0 ) = 0.
Nous donnons dans cette partie quelques types d’équations différentielles du 1er ordre.

Equations linéaires
Ce sont des équations de la forme

y 0 + a(x)y = b(x) (1) ,

où a, b sont des fonctions continues de la variable réelle x.

Remarque : Lorsque b(x) = 0, on dit que (1) est homogène ou sans second membre.

Proposition 1.2.3. L’ensemble des solutions yG de (1) est la somme de l’ensemble des solutions
sans second membre yH et d’une solution particulière yp .

yG = yH + yp .

Principe de résolution de (1)

(i) Résolution de l’équation sans second membre
y 0 + a (x) y = 0 (2)
Soit y (x) 6= 0 une solution alors on a :
y = ±ecste e−A(x) = Ke−A(x)
(ii) Résolution de l’équation avec second membre par la méthode de la variation
de la constante :
de y = k (x) e−A(x) où A0 = a, on déduit que y 0 = k 0 (x) e−A(x) − k (x) a (x) e−A(x) =
(k 0 − ak) e−λ
l’équation (1) est équivalente à : (k 0 − ak) e−A + ake−A = b
ou encore k 0 (x) = b (x)ReA(x)
qui s’intègre en k (x) = b (x) eA(x) [Link] solution générale de (1) est donc : y = e−A(x) e−A(x) b (x) dx
R

On dit qu’on a ramené la résolution de l’équation (1) à une quadrature (c’est-à-dire au calcul
d’une primitive).
Exemple
Intégrer : y 0 + y = 3x2 + x − 4
La solution générale de l’équation sans second membre est y = ke−x
• Méthode de la devinette vérification :
Cherchons y1 sous la forme d’une fonction polynôme de degré 2 : y1 (x) = αx2 + βx + γ d’où
0
y1 = 2αx + β et

IUFIC 8 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 1. RAPPELS

y 0 + y = αx2 + (2α + β) + (β + γ) on aura une solution particulière pour α = 3, 2α + β = 1

et β + γ = −4, soit α = 3, β = −5 et γ = 1.
La solution générale cherchée est donc : y = 3x2 − 5x + 1 + ke−x .
• Méthode de la variation de la constante :
Posons y = ke−x d’où y 0 = 0 −x −x 0 −x 2
R
k
R x e −ke et k
R e = 3x +n−4, soi
R k (x) = (3x2 + xR− 4) ex dx
en intégrant par parties xe dx = xex − ex dx = (x − 1) ex , x2 ex dx = x2 ex − 2 xex dx =
(x − 2x + 2) ex
2

d’où k (x) = [3 (x2 − 2x + 2) + (x − 1) − 4] ex + k = (3x2 − 5x + 1) ex + k

Equations à variables séparées

Ce sont les équations qui peuvent se mettre sous la forme f (y) y 0 = g (x) où f et g sont
deux fonctions continues de la variable réelle x et y respectivement ; ce que l’on écrit d’habitude
f (y) dy = g (x) dx. Le théorème du changement de variable montre que si F est une primitive
de f et G une primitive de g alors, toute solution vérifie F (y) = G (x) + constante.

Exemple 1.2.4. Intégrer y 0 − 1 − x22 y = 0

on a : dy 2
dx d’où ln |y| = x + x2 + c

y
= 1 − x 2
2
y = ke(x+ x )

Equations homogènes
Ce sont des équations de la forme y 0 = f xy on se ramène à une équation à variables séparés

en posant xy = t, par y 0 = t0 x + t d’où t0 x + t = f (t) et f (t)−t

dt
= dx
x
p
Exemple 1.2.5. Intégrer xy 0 − y = x2 + y 2 pour x > 0
q 2
y − x = 1 + xy
0 y
√
Soit pour t = xy : t0 x + t − t = 1 + t2
√ dt = dx
1+t2 x √

d’où ln t + 1 + t2 = ln x + Cste
√
Soit √t + 1 + t2 = kx
y x2 +y 2
x
+ x
= kx
p
x2 + y 2 = kx2 − y
( k2 x2 −1 )
ou encore y : 2k
q
0 y 2

pour x < 0, y − y (x) = − 1 + x

Equations de Bernoulli
Ce sont les équations de la forme y 0 + a (x) y = b (x) y α où α ∈ Z (on peut aussi supposer
α ∈ R, en ne cherchant que les solutions vérifiant y ≥ 0) a et b deux fonctions réelles. Si
α = 0 l’équation est linéaire, si α = 1 elle est linéaire et homogène. Dans les autres cas on se
ramène à une équation linéaire en U, où on a posé U = y 1−α
Exemple : intégrer y 0 = 3yx−1 − y 3 x−5
xy 0 + 3y = x2 y 2

IUFIC 9 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 1. RAPPELS

Equations de Riccatti
Ce sont les équations de la forme
y 0 = a (x) y 2 + b (x) y + e (x)
où a, b, c sont des fonctions réelles de variables réelles définie sur un même intervalle de R.
Ces équations se ramènent à une équation de Bernoulli avec α = 2 si on connaı̂t une solution
particulière y1 en faisant le changement de fonction inconnue y = y1 + z :
z 0 = a (x) z 2 + [2a (x) y1 + b (x)] z

Exercice 1.2.6. Intégrer y 0 = x−1 y 2 − (2 + x−1 ) y + x + 2. On vérifiera d’abord que y1 = x est

solution.

1.2.2 Equations différentielles linéaires du second ordre à coefficients

constants
Equations sans second membre
On appelle équation différentielle linéaire du second ordre à coefficients constants sans second
membre toute équation différentielle de la forme :
az 00 + bz 0 + cz = 0 (1)
Où a, b, c ∈ R, a 6= 0, z : R −→ C
Le polynôme P (r) = ar2 + br + c s’appelle le polynôme caractéristique associé. Soit r1 , r2 ses
racines (r0 si double). On pose 4 = b2 − 4ac.
Principaux résultats
a. Les solutions complexes de (1) sont de la forme :
1. Si 4 = 6 0, z (t) = Aer1 t + Ber2 t A, B ∈ C
r0 t
2. si 4 = 0, z (t) = (A + Bt) e A, B ∈ C
b. Les solutions réelles de (1) sont de la forme :
1. Si 4 > 0, z (t) = Aer1 t + Ber2 t A, B ∈ R
r0 t
2. Si 4 = 0, z (t) = (A + Bt) e A, B ∈ R
3. Si 4 < 0 et si r1 = α + βi, r2 = α − βi
Alors : z (t) = eαt (A cos(βt) + B sin(βt)) A, B ∈ R
αt
Ou encore z (t) = Ce cos (t − ϕ) , C, ϕ ∈ R

Exercice 1.2.7. intégrer : y 00 − 2y 0 − 3y = 0; y 00 − 2y 0 + y = 0

y 00 + 6y 0 + 10y = 0

Equations avec second membre

On appelle équation linéaire du second ordre à coefficients constants avec second membre,
toute équation différentielle de la forme
az 00 + bz 0 + cz = f (t) a 6= 0 (2)
où f est une fonction complexe de la variable réelle l’équation az 00 + bz 0 + cz = 0 s’appelle
l’équation sans second membre associée et P (r) = ar2 + br + c le polynôme
caractéristique.
Principaux résultats
A. La solution de (2) s’obtient en ajoutant une solution particulière Zo de (2) à la solution
Z de l’équation sans second membre associée (1).
B. Etant donnés xo ∈ R, ξo ∈ C et ξo0 ∈ C il existe une solution et une seule de (2) telle
que z (xo ) = ξo et z 0 (xo ) = ξo0 .
C. Si pour k = 1, 2, ...n zk est une solution particulière de az 00 + bz 0 + cz = fk (t), alors
Z = z1 + · · · + zn est une solution particulière de az 00 + bz 0 + cz = f1 (t) + f2 (t) + · · · + fn (t).

IUFIC 10 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 1. RAPPELS

Recherche d’une solution particulière seconds membre remarquables

A. az 00 +bz 0 +cz = Pn (t) où Pn est une fonction polynome de degré n. Une solution particulière
est de la forme :
1. Si c 6= 0
Zo (t) = Qn (t) , deg Qn = n
2. Si c = 0 et b 6= 0
Zo (t) = Qn+1 (t) , deg Qn+1 = n + 1
3. Si c=b=0
Zo (t) = Qn+2 (t) , deg Qn+2 = n + 2
On détermine les coefficients de Q par identifications, sauf dans le cas 3, où on intègre
directement (de préférence).

Exercice 1.2.8. intégrer :

y 00 − 3y 0 + 2y = 2x2 − 5x + 3
y 00 − 4y 0 = x2 − 2x
y 00 = x2 + x − 3
B. az 00 + bz 0 + cz = Deλt , où D et λ sont des constantes. Une solution particulière est de la
forme.
D
1. Si λ n’est pas racine du polynôme caractéristique, Zo (t) = aλ2 +bλ+c eλt
D
2. Si λ est racine simple du polynôme caractéristique Zo (t) = 2aλ+b teλt
D 2 λt
3. Si λ est racine double du polynôme caractéristique Zo (t) = 2a te

Exercice 1.2.9. intégrer :

y 00 − 5y 0 + 6y = 3e4x

y 00 − 5y 0 + 6y = 5e2x
y 00 − 6y 0 + 9y = 5e3x
00 0
C. az + bz + cz = Pn (t) eλt où Pn est un polynôme de degré n, λ une constante. Une solution
particulière est de la forme.
1. Si λ n’est pas racine du polynôme caractéristique Zo (t) = eλt Qn (t) deg Qn = n
2. Si λ est racine simple du polynôme caractéristique Zo (t) = eλt Qn+1 (t) deg Qn+1 = n + 1
3. Si λ est racine double du polynôme caractéristique Zo (t) = eλt Qn+2 (t) deg Qn+2 = n + 2

Exercice 1.2.10. intégrer :

y 00 − y 0 − 2y = x2 e−3x

y 00 − 6y 0 + 9y = 5e3x
y 00 + 2y 0 − 8y = 4 (3x + 5) e2x
D. az 00 + bz 0 + cz = eλt (A cos ωt + B sin ωt) où λ, ω, A, B sont des constantes.
a. En posant 2 cos ωt = eiωt + e−iωt , 2i sin ωt = eiωt − e−iωt et en remplaçant, on a une
équation du type C.
b. Si on demande seulement les solutions réelles, pour éviter les calculs, il est préférable
de procéder comme suit :
1. Si λ+iω n’est pas racine du polynôme caractéristique une solution particulière est Zo (t) =
eλt (C cos ωt + D sin ωt)
2. Si λ + iω est racine du polynôme caractéristique une solution particulière est Zo (t) =
λt
te (C cos ωt + D sin ωt)
Dans les deux cas on détermine C et D par identification. Si au second membre on a : cosn t,
sinn t,ou bien on les transforme en exponentielles complexes, ou bien on linéarise.

IUFIC 11 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 1. RAPPELS

Exercice 1.2.11. Intégrer les équations différentielles suivantes :

y 00 − 3y 0 + 2y = cos x
y 00 − 2y 0 + y = cos x
y 00 + 3y = cos3 x
y 00 + 4y = cos 2x
2y 00 − y 0 − 3y = 29e−x cos x

Equation linéaire d’ordre n à coefficients constants avec un second membre spécial.

Soit f (x) = Pn (x) eαx cos βx + Qm (x) eαx sin βx
Où Pn (x) et Qm (x) sont polynômes de x, alors y1 = Uγ (x) eαx cos βx + Vτ (x) eαx sin βx, τ =
moux (m, n)
Dans le cas où le nombre α + βi− n’est pas solution de l’équation caractéristique et y1 =
x (Uτ (x) eαx cos βx + Vτ (x) eαx sin βx) dans le cas où α + βi− racine d’ordre λ de la dite
λ

équation.

1.2.3 Systèmes différentiels linéaires

Un système différentiel linéaire d’ordre 1 dans Rn défini sur un intervalle ouvert U ⊂ R est
un système de la forme


 x01 (t) = a11 (t)x1 (t) + · · · + a1n (t)xn (t) + b1 (t)
 x0 (t) = a21 (t)x1 (t) + · · · + a2n (t)xn (t) + b2 (t)

2
(S) ..

 .
 x0 (t) = a (t)x (t) + · · · + a (t)x (t) + b (t)

n n1 1 nn n n

où les fonctions aij : U → R et bi : U → R sont données. Nous Supposerons Toujours qu’elles
sont continues sur l’intervalle
U.   
b1 (t) x1 (t)
Pour tout t ∈ U , soit B(t) =  ...  , A(t) = (aij (t)) ∈ Mn (R) et X(t) =  ... .
   
bn (t) xn (t)
Le système s’écrit
X 0 (t) = A(t) · X(t) + B(t)
Une solution de (S) est une fonction X : I → Rn , c’est-à-dire une courbe paramétrée de Rn ,
définie sur un intervalle ouvert I ⊂ U , dérivable en tout point t ∈ I et vérifiant ( S ) pour tout
t ∈ I (la fonction X est donc de classe C 1 sur I ). Le système homogène associé à (S) est le
système différentiel linéaire défini par

X 0 (t) = A(t) · X(t)

Systèmes différentiels linéaires à coefficients constants

Lorsque la matrice A(t) de (S) est une matrice constante A ∈ Mn (R), on dit que le système
différentiel linéaire est à coefficients constants. Le système s’écrit

X 0 (t) = A · X(t) + B(t)

Il est défini pour tout t ∈ U , l’intervalle ouvert où la fonction B est définie. Le système
homogène associé
X 0 (t) = A · X(t)
est, quant à lui, défini pour tout t ∈ R.

IUFIC 12 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 1. RAPPELS

Les vecteurs propres et les valeurs propres de A nous permettent de construire des solutions
du système homogène :
Soit A ∈ Mn (R), λ ∈ R une valeur propre de la matrice A et V ∈ Rn un vecteur propre associé.
Alors la fonction X : R → Rn définie par

X(t) = eλt V

est solution du système X 0 (t) = A · X(t).

En effet : X 0 (t) = λeλt V et

A · X(t) = A · eλt V = eλt A · V = eλt λV

Résolution du système homogène si sa matrice est diagonalisable

Soit A ∈ Mn (R) une matrice diagonalisable sur R. Soit B = (V1 , V2 , . . . , Vn ) une base de Rn
formée de vecteurs propres de A et λ1 , λ2 , . . . , λn les valeurs propres correspondantes. Alors, les
solutions maximales du système différentiel linéaire homogène à coefficients constants

X 0 (t) = A · X(t)

sont les fonctions X : R → Rn définies par

X(t) = α1 eλ1 t V1 + α2 eλ2 t V2 + · · · + αn eλn t Vn

pour tous α1 , α2 , . . . , αn ∈ R
Exemple 1.
Déterminons les solutions maximales à valeurs réelles du système différentiel
0
x (t) = 2x(t) − y(t)
(H)
y 0 (t) = 3x(t) + 6y(t)

2 −1 0 (t)
et (H) s’écrit xy0 (t) = A x(t)

La matrice du système est A = y(t)
. Le polynôme ca-
3 6
ractéristique de A est PA (x) = (x − 3)(x − 5) et A est diagonalisable sur R . On trouve
E3 = Vect((1, −1)) et E5 = Vect((1, −3)). Les solutions maximales à valeurs réelles de (H)
sont les fonctions définies pour tout t ∈ R par

x(t) 3t 1 5t 1
= αe + βe
y(t) −1 −3

pour tous α, β ∈ R.

IUFIC 13 Dr ZOUNGRANA Christ Roi Malick ©

2025
Chapitre 2

Optimisation Statique

2.1 Introduction
L’optimisation représente l’ensemble des techniques de recherche de l’extremum d’une fonc-
tion de plusieurs variables. Ces techniques se déclinent de manière différente selon le contexte
temporel du modèle considéré. Toutefois, quels que soient les cas, traditionnellement et sauf
indication contraire, la méthode de recherche de l’extremum, depuis l’avènement du calcul
différentiel, réside en deux étapes. La première étape détermine les candidats à l’extremum.
Dans cette étape, une fonction admet un extremum lorsque ses dérivées premières sont nulles
(gradient). La résolution de ces équations dérivées donne les points critiques recherchés. La se-
conde étape, quant à elle, détermine la nature de l’extremum à travers le signe de la dérivée
seconde de la fonction aux points critiques.
L’objectif du chapitre est une présentation des techniques d’optimisation dans sa diversité.

2.2 Théorèmes fondamentaux d’optimisation

L’avènement du calcul différentiel au XVII e siècle a permis de caractériser le minimum
(maximum) d’une fonction par l’équation de sa dérivée première nulle. On a ainsi résolu du
coup un grand nombre de problèmes pratiques relatifs à l’étude d’une fonction. Présentons les
principaux résultats qui découlent de cette procédure.

2.2.1 Rappels des résultats principaux

La recherche des valeurs extrémales consiste à déterminer les points critiques d’une fonction
libre ou contrainte, puis à prendre une décision sur la nature de ces points. Rappelons les résultats
fondamentaux de la théorie classique d’optimisation.

2.2.2 Cas de l’extremum libre

Supposons que la fonction de préférence d’un consommateur soit représentée par la fonc-
tion objectif f (x1 , · · · , xn ) où la famille {xi }ni=1 représente les biens. Dire que le consommateur
cherche une combinaison libre de biens qui rende sa satisfaction optimale, c’est poser le problème
d’extremum libre suivant :
n max f (~x)
∀~x ∈ D ⊂ R
s.c. xi ≥ 0
La recherche de l’extremum de ce programme repose sur l’application des deux théorèmes sui-
vants :

14
CHAPITRE 2. OPTIMISATION STATIQUE

Théorème 2.2.1. Si la fonction f admet un extremum au point M0 (pointstationnaire n on de la

∂f
fonction), alors nécessairement ses dérivées partielles sont nulles en ce point ∀i ∂xi
=0 .
i=1

Théorème 2.2.2. En supposant que la fonction f soit définie au voisinage de M0 et qu’elle

soit de classe 2 , si le point M0 est un point stationnaire d’une fonction libre alors la forme
quadratique associée aux dérivées secondes peut être définie positive (ou semi-positive), définie
négative (ou semi-négative) ou enfin indéfinie.

2.2.3 Cas de l’extremum lié

Supposons que la fonction de préférence d’un consommateur soit représentée par la fonction
objectif f (x1 , · · · , xn ) où la famille {xi }ni=1 représente les biens dont les prix sont représentés
par la famille {pi }ni=1 . Etant donné son revenu et les prix, dire que le consommateur cherche
une combinaison de biens qui rende sa satisfaction optimale, c’est poser le problème contraint
suivant :
n max f (~x)
∀~x ∈ D ⊂ R Pk
s.c. i=1 xi pi = r

La recherche de l’extremum de ce programme

repose d’abordsur la transformation
du programme
Pk
ci-dessus en une fonction lagrangienne L(~x, λ) = f (~x) + λ i=1 xi pi − r et sur l’application
des deux théorèmes suivants :

Théorème 2.2.3. Si la fonction f admet un extremum lié au point M0 (point stationnaire de

la fonction contrainte), alors nécessairement les dérivées partielles de la fonction de Lagrange
sont nulles n
∂L ∂L
∀i = 0 et =0 .
∂xi i=1 ∂λ
Théorème 2.2.4. Si le point M0 est un point stationnaire d’une fonction contrainte, supposons
que la fonction f soit une fonction définie au voisinage du point stationnaire M0 et qu’elle soit
de classe 2, alors la forme quadratique contrainte associée aux dérivées secondes peut être définie
positive (ou semi-positive), définie négative (ou seminégative) ou enfin indéfinie.

2.3 Maxima et minima globaux

Les conditions nécessaires et suffisantes relatives à la recherche des extrema détectent, généralement,
tous les maxima et minima locaux d’une fonction différentiable dans son domaine de définition.
Cependant, ces conditions ne permettent pas de dire si ces maxima et minima locaux sont ou
ne sont pas globaux. La réponse immédiate à cette question est de comparer la valeur de la
fonction objectif en tous les points maxima et minima. Mais une alternative à cette réponse
immédiate est de s’assurer de la caractéristique convexe ou concave de la fonction objectif. Le
résultat recherché par cette alternative est de réduire l’étude des extrema aux seules conditions
nécessaires qui deviennent suffisantes.

Propriétés des fonctions concaves et convexes

Les fonctions concaves (convexes) possèdent trois propriétés opérationnelles particulièrement
intéressantes en économie. D’abord, leur candidat à l’optimum est automatiquement un maxi-
mum (minimum) global. Ensuite, la somme des fonctions concaves (convexes) est une fonction
concave (convexe), et enfin les ensembles de niveau des fonctions concaves (convexes) sont les
frontières intérieures d’ensembles convexes.

IUFIC 15 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 2. OPTIMISATION STATIQUE

Théorème 2.3.1. Si la fonction f est une fonction concave (respectivement convexe) sur son
domaine de définition Df , et s’il existe un point M0 ∈ Df tel que la dérivée de la fonction en
M0 est nulle (∇f (M0 ) = 0), alors le point M0 ∈ Df est un maximum global (respectivement un
minimum global) de la fonction f sur Df .

Théorème 2.3.2. Les trois conditions suivantes sont équivalentes :

→ la fonction f est une fonction concave sur son domaine de définition Df .
→ la forme quadratique associée aux dérivées secondes est définie négative (ou semi-négative)
pour tout vecteur point M appartenant à Df .
→ f (M ) − f (M0 ) ≤ ∇f (M0 ) (M − M0 ) pour tout M ∈ Df .

Théorème 2.3.3. Les trois conditions suivantes sont équivalentes :

→ la fonction f est une fonction convexe sur son domaine de définition Df .
→ la forme quadratique associée aux dérivées secondes est définie positive (ou semi-positive)
pour tout vecteur point M appartenant à Df .
→ f (M ) − f (M0 ) ≥ ∇f (M0 ) (M − M0 ) pour tout M ∈ Df .

2.4 Extrema avec contraintes sous forme d’égalités

Un premier ensemble de problèmes d’optimisation consiste à chercher l’optimisation d’une
fonction non linéaire (ou linéaire), lorsque ses variables sont soumises à des contraintes sous
forme d’égalités. La recherche des extrema de ce type de problème nécessite l’utilisation d’un
artifice technique : les multiplicateurs de Lagrange. Grâce à cet artifice, le programme devient
la recherche des extrema d’une fonction de plusieurs variables sans contraintes. La méthode
permettant didentifier les extrema pour ce type de problème devient plus simple en résolvant un
système homogène des dérivées partielles premières.

2.4.1 Position du problème

Le programme d’optimisation avec des contraintes sous forme d’égalités est un système com-
posé d’une fonction objectif de plusieurs variables, dont on cherche l’optimum, et un ensemble
de contraintes linéaires sur les variables sous forme d’égalités. Cet ensemble de contraintes forme
un ensemble convexe.
Pour fixer les idées, admettons que nous sommes amenés à résoudre le programme d’optimi-
sation ci-dessous dans Rn sous des contraintes égalitaires 1 :
k
X
n
∀~x ∈ D ⊂ R : max f (~x) s.c. gi (~x) = bi
x≥0
~
i=1

La résolution de ce programme est aisée après la transformation du programme ci-dessus en une

fonction de Lagrange de classe 2. Sachant que les contraintes liées au programme sont saturées,
on peut utiliser totalement les dérivées partielles de la fonction lagrangienne. Elles permettent de
ce fait de trouver les points candidats A ~ à l’extremum en appliquant les théorèmes fondamentaux
de l’optimisation avec des contraintes linéaires.
Condition de qualification des contraintes
Dans la présentation traditionnelle, cette condition n’est jamais évoquée. Elle n’est jamais violée
dans le cas des contraintes sous formes d’égalités.
La transformation du problème contraint en un problème non contraint n’est possible que
sous l’hypothèse de la condition de qualification non dégénérée des contraintes (CQND). Cette
condition constitue une restriction qui porte sur l’ensemble des solutions réalisables. Elle ex-
prime la nécessité de la non-nullité des dérivées partielles premières des contraintes aux points

IUFIC 16 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 2. OPTIMISATION STATIQUE

stationnaires du programme. Deux critères pratiques sont utilisables pour s’assurer de cette
condition :
Violation des contraintes : {x∗i }ni=1
est un point stationnaire de l’ensemble des fonctions
contraintes {gi = bi }ki=1 si Rg J {gi }ki=1 < k.
Non-violation des contraintes : {x∗i }ni=1 est un point stationnaire de l’ensemble des fonc-
tions contraintes {gi = bi }ki=1 si Rg J {gi }ki−1 = k. Autrement dit, les points qui annulent les
contraintes ne sont pas retenus dans la solution finale du programme d’optimisation.

Théorème 2.4.1. Soient les fonctions f et {gi }ki=1 qui sont définies sur l’ensemble convexe des
réalisables ( D = {~x ∈ Rn /gi (~x) = bi } ), continûment différentiables ; si le point stationnaire
{x∗i }ni=1 du programme est un optimum local et que le système
des contraintes satisfait la CQND,
alors, il existe des réels {λi }i=k i=k ∗ n
i=1 tels que {λi }i=1 , {xi }i=1 soit une famille de points station-
naires du lagrangien
k
X
L : (x1 , · · · xn , λ1 , · · · λk ) = f (x1 , · · · xn ) + λi [gi (x1 , · · · xn ) − bi ] .
i=1

Exemple 1

U = xy s.c. x + 4y = 16

1
Le gradient de la contrainte ∇g = ayant pour composante 1et 4 , la contrainte n’a
4
pas de point stationnaire, alors la CQND est satisfaite, Formons le lagrangien L(x, y, λ) =
xy − λ(x + 4y − 16).
Exemple 2
2
x + y 2 = 16
U = xyz s.c
x+z =5
La jacobienne de la contrainte est

2x 2y 0
Jg =
1 0 1

Elle a pour rang 2, si x = y 6= 0, la contrainte n’a pas de point stationnaire, alors la CQND est
satisfaite. Formons le lagrangien

L(x, y, λ) = xyz − λ1 x2 + y 2 − 16 − λ2 (x + z − 5).

2.4.2 Méthode de résolution : technique de Lagrange

La méthode de Lagrange est la plus élégante de l’ensemble des méthodes de résolution de ce
type de problème. Par le biais des multiplicateurs de Lagrange, la méthode consiste à combiner
de manière linéaire la fonction objectif à l’ensemble des contraintes. Au total, la fonction de
Lagrange obtenue requiert les mêmes propriétés que les fonctions combinées. C’est ainsi que l’on
obtient une fonction continue, dérivable par rapport à ses n + k variables, qui est de la forme :
k
X
L : (x1 , · · · xn , λ1 , · · · λk ) = f (x1 , · · · xn ) + λi [gi (x1 , · · · xn ) − bi ] .
i=1

IUFIC 17 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 2. OPTIMISATION STATIQUE

2.4.3 Conditions nécessaires et suffisantes

Supposons que f ∈ C 2 dans un domaine convexe Df , alors la fonction de Lagrange L l’est
aussi. La recherche de l’extremum de ce programme repose essentiellement sur l’application de
deux théorèmes suivants :
Condition nécessaire : si la fonction f admet un maximum lié (respectivement un minimum
lié) relatif au point M0 ∈ Df , alors ∇L (M0 ) = 0.
Condition suffisante : au point M0 ∈ Df , (point stationnaire), la forme quadratique
contrainte associée aux dérivées secondes peut être définie positive (ou semi-positive), définie
négative (ou semi-négative) ou enfin indéfinie.
Exemple
Soit le programme du consommateur suivant :

max x + 3y − 12

2
∀(x, y) ∈ D ⊂ R
s.c. 10 + 2x + 3y − x2 − 2y 2 = 43
4

Le programme à résoudre s’écrit :

1 2 2 44
L(•) = x + 3y − + λ 10 + 2x + 3y − x − 2y −
2 4
- Condition nécessaire : recherche du point stationnaire
 0
 Ly = 1 + 2λ(2 − 2x) = 0
L0 (•) = 0 ⇔ L0 = 3 + λ(3 − 4y) = 0
 y0
Lλ = 10 + 2x + 3y − x2 − 2y 2 − 444
=0

 1 + 2λ(2 − 2x) = 0
⇒ 3 + λ(3 − 4x) = 0
10 + 2x + 3y − x2 − 2y 2 = 44

4
1

x = 1 + 4λ
Les équations (1) et (2) donnent
y = 34 + 4λ
3

~ 1 = 3 , 3 avec

En remplaçant ces valeurs dans l’équation (3) on obtient deux vecteurs points : A 2 2
~ 2 = 1 , 0 avec λ = −1. Intéressons-nous à la condition suffisante.

λ = 1 et A 2
- Condition suffisante : nature de l’extremum
Les dérivées secondes sont : L00x = −2λ; L00y = −4λ; L00λ = 0 ; L00xy = L00yx = 0; L00xλ = L00λx = 2 − 2x
et L00λy = L00yλ = 3 − 4y.
Les formes quadratiques associées aux dérivées secondes sont données par les matrices symétriques
suivantes :  
−2 0 −1
L00 A ~ 1 ⇔ HB A ~1  0 4 −3 
−1 −3 0
et  
2 0 1
L00 A~ 2 ⇔ HB A ~2  0 4 3 
1 3 0

dont les déterminants sont respectivement : ∆HB A ~ 1 = 14 et ∆HB A ~ 2 = −22
~ 1 = 3 , 3 avec λ = 1, la forme quadratique contrainte

Par conséquent, pour le vecteur point A 2 2
associée aux dérivées secondes ~
est définie négative et le vecteur A1 est un maximum lié. Pour
~ 1
le vecteur point A2 = 2 , 0 avec λ = −1, la forme quadratique contrainte associée aux dérivées
~ 2 est un minimum lié.
secondes est définie positive et le vecteur A

IUFIC 18 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 2. OPTIMISATION STATIQUE

2.4.4 Conditions du premier ordre suffisantes

Les propriétés des fonctions concaves ou convexes rendent l’étude de l’extremum sous contraintes
plus simple, car cette dernière est réduite aux seules conditions nécessaires, qui deviennent
nécessaires et suffisantes pour obtenir des optima globaux.

Théorème 2.4.2. Soit la fonction de Lagrange L qui est définie sur un ensemble convexe Df et
de classe 1 sur Df , si elle est concave (respectivement convexe), elle admet un maximum contraint
absolu (respectivement minimum absolu) en M0 ∈ Df , si et seulement si ∇L (M0 ) = 0

Convexité de L : critère pratique

Si la fonction f est concave (respectivement convexe) et que les fonctions contraintes {gi }ki=1 avec
gi (x1 , · · · xn ) = 0 sont linéaires, alors, la fonction de Lagrange L est concave (respectivement
convexe) ; par conséquent, les conditions du premier ordre sont suffisantes pour juger de la nature
de l’extremum. Exemple Soit le programme contraint suivant :
1 1
opt x 3 y 3 + z

x, y, z ∈ R+ 1 1
s.c. ⇔ L(x, y, z, λ) = x 3 y 3 + z + λ(4 − x − 2y − 3z)
x + 2y + 3z = 4

- La fonction f est quasi concave. En effet, les signes des mineurs principaux extraits de la
matrice des dérivées secondes de la fonction f sont positifs ou nuls pour les mineurs pairs et
négatifs ou nuls pour les mineurs impairs ∆1 = − 29 < 0, ∆2 = 81 3

> 0, ∆3 = 02 , et la fonction
contrainte g(x, y, z) = x + 2y + 3z − 4 est linéaire. En conséquence, la fonction L est quasi
concave.
- Recherche du point stationnaire et nature de l’extremum (CNS)
2 1
∂L
= 13 x− 3 y 3 − λ = 0

 ∂x
 2 1
∂L
= 13 y − 3 x 3 − 2λ = 0

∇L(•) = 0 ⇔ ∂y
∂L

 ∂z
= 1 − 3λ = 0
∂L

∂λ
= 4 − x − 2y − 3z = 0

D’après l’équation (3) λ = 13 . En utilisant les équations (1) et (2),

nous obtenons la relation
y 1 1 1
x
= 2 , ce qui permet d’obtenir le point candidat M0 = 2 , 4 , 1 . Ce point est un maximum
global lié, et la valeur maximale de la fonction est f (M0 ) = 1, 5.
Exemple : Résoudre le programme de maximisation P :

maxx,y x2 + y 2 + z 2
P| s.c. x + 2y + z = 1
2x − y − 3z = 4

Solution : Le Lagrangien associé à ce programme s’écrit :

L (x, y, z, λ1 , λ2 ) = x2 + y 2 + z 2 − λ1 (x + 2y + z − 1) − λ2 (2x − y − 3z − 4)

Condition de qualification des contraintes : Soient g1 (x, y, z) = x+2y+z−1 et g2 (x, y, z) =

2x − y − 3z − 4. La matrice jacobienne JG des fonctions contraintes évaluée au point (x, y, z)
s’écrit : !
∂g1 ∂g1 ∂g1
∂x ∂y ∂z 1 2 1
JG (x, y, z) ∂g2 ∂g2 ∂g2 =
∂x ∂y ∂z
2 −1 −3

IUFIC 19 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 2. OPTIMISATION STATIQUE

Les deux vecteurs-lignes de cette matrice étant linéairement indépendants, JG est de rang 2
pour tout (x, y, z) (donc en particulier pour (x∗ , y ∗ , z ∗ ) ). La contrainte de qualification est donc
vérifiée. Le fait que les deux contraintes soient linéaires permet aussi de l’affirmer.
CPO : Si (x∗ , y ∗ , z ∗ , λ∗1 , λ∗2 ) est une solution du programme P, alors :
∂L
= 0 ⇔ 2x∗ − λ∗1 − 2λ∗2 = 0
∂z
∂L
= 0 ⇔ 2y ∗ − 2λ∗1 + λ∗2 = 0
∂y
∂L
= 0 ⇔ 2z ∗ − 2λ∗1 + 3λ∗2 = 0
∂z
∂L
= 0 ⇔ x∗ + 2y ∗ + z ∗ = 1
∂λ1
∂L
= 0 ⇔ 2x∗ − y ∗ − 3z ∗ = 4
∂λ2
L’unique solution de ce système de 5 équations à 5 inconnues est :

∗ ∗ ∗ ∗ ∗ 16 1 −11 52 54
(x , y , z , λ1 , λ2 ) = , , , ,
15 3 15 75 75

CSO : La fonction f étant une somme de fonctions convexes, elle est convexe quelles que soient
les valeurs de λ1 et λ2 . Par conséquent, (x∗ , y ∗ , z ∗ , λ∗1 , λ∗2 ) est un minimum
global.
Ccl : Le programme P admet un minimum global en 15 , 3 , 15 , 75 , 75 .16 1 −11 52 54

2.5 Extrema avec contraintes sous forme d’inégalités

Un deuxième ensemble de problèmes consiste à chercher l’optimisation d’une fonction non
linéaire (ou linéaire) lorsque ses variables sont soumises à des contraintes sous forme d’inégalités.
Dans la science économique, on rencontre un certain nombre de problèmes économiques
d’optimisation qui se formalisent à l’aide des contraintes définies par des inégalités (les prix
par exemple sont essentiellement positifs). La recherche des extrema de ce type de problème
nécessite l’utilisation d’un artifice qui consiste à utiliser des variables d’écarts ou des variables
supplémentaires. Grâce à cet artifice, on se ramène à la recherche des extrema d’une fonction
avec des contraintes sous la forme d’égalités. Toutefois, la méthode permettant d’identifier les
extrema pour ce type de problème est plus complexe que celle relative au cas où les contraintes
sont sous la forme d’égalités. En effet, les conditions du premier ordre font apparaı̂tre à la fois
des contraintes sous formes d’égalités et sous forme d’inégalités.

2.5.1 Position du problème

Le programme d’optimisation avec des contraintes sous forme d’inégalités est un système
composé d’une fonction objectif de plusieurs variables dont on cherche l’optimum et d’un en-
semble de contraintes linéaires sur les variables sous forme d’inégalités. Pour fixer les idées,
admettons que nous sommes amenés à résoudre le programme d’optimisation dans Rn sous les
contraintes inégalitaires suivantes :
k
X
n
∀~x ∈ D ⊂ R max f (~x) s.c. gi (~x) ≤ bi
i=1

La résolution de ce programme permet detrouver ~ à l’extremum à travers

les points P
candidats A
l’écriture de la fonction de Lagrange L ~x, ~λi = f (~x) + ni=1 λi (gi (~x) − bi ). Mais, a priori,

IUFIC 20 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 2. OPTIMISATION STATIQUE

on ne sait pas si les contraintes liées au programme sont ”saturées”. De ce fait, on ne peut
pas utiliser totalement les dérivées partielles de la fonction lagrangienne, surtout la dérivée
partielle par rapport à λi . Cette dérivée donne des équations qui conditionnent la saturation ou
la non-saturation des contraintes. C’est sur ce point que réside la nouveauté par rapport à la
méthode classique de Lagrange. Donnons la définition de trois concepts clés qui seront une aide
à la résolution de programme ci-dessus. Ces trois concepts clés sont : la contrainte saturée, la
contrainte non saturée et la contrainte régulière.
Contrainte saturée : soit un point candidat à l’extremum A ~ ∈ D, on dit que la contrainte
~ si gi (A)
gi (•) est saturée en A ~ = bi .
Contrainte non saturée : soit un point candidat à l’extremum A ~ ∈ D, on dit que la contrainte
gi (•) est non saturée en A~ si gi (A)
~ < bi .
Contrainte régulière : soient les fonctions gi (•) dérivables au point candidat à l’extremum A ~
~ si aucune d’entre
tel que bi −gi (•) ≥ 0, on dit que les contraintes bi −gi (•) ≥ 0 sont régulières en A
elles n’est saturée. Autrement dit, si le rang de la matrice jacobienne des contraintes saturées en
A~ est égal au nombre de contraintes saturées (on définit ainsi le critère de qualification des
contraintes).

2.5.2 Méthode de résolution : conditions de Khun et Tucker

Par le biais de la combinaison de la technique de Lagrange et des conditions de Khun et Tucker
(nullité du lagrangien des variables et relations d’exclusion sur les contraintes), la résolution de ce
programme avec des contraintes sous formes d’inégalités permet de trouver les points candidats
A~ à l’extremum. Ces conditions se focalisent sur le statut des contraintes car elles sont associées
aux contraintes à la place du multiplicateur de Lagrange. Comme nous ne savons pas si, a priori,
les contraintes sont saturées à l’optimum, il n’est pas possible d’utiliser, comme dans le cas de
la technique traditionnelle du multiplicateur de Lagrange, la nullité de la dérivée partielle par
rapport à λi
∂L
= 0 ⇔ gi (~x) − bi = 0 .
∂λi
De ce fait, cette dérivée est remplacée par une relation d’exclusion dite de Khun et Tucker
λi (gi (~x) − bi ) = 0. Elle énonce soit la saturation de la contrainte (si λi > 0 ), soit, par contre,
la non-saturation de la contrainte ( si λi = 0).
En plus, si dans la méthode classique de Lagrange le signe du multiplicateur importe peu, ici
il joue un rôle important. Cette propriété confère aux conditions de Khun et Tucker le caractère
de conditions nécessaires et suffisantes.
Théorème 2.5.1. Soit f ∈ C 1 et gi ∈ C 1 au voisinage du point candidat à l’extremum A ~ tel que
~ ≥ 0 et que les contraintes gi (•) sont régulières en A
gi (A) ~ ; alors, si le point A
~ est un extremum
local de la fonction f sous les p contraintes, il existe p multiplicateurs de Lagrange - Khun et
p
n {λi }i=1Ptels que
Tucker : on
∂f ~ n ~ − bi = 0
1. (A) +
∂xi i=1λi ∂gi (A)
∂xi
i=1
2. {λi (gi (~x) − bi ) = 0}
3. {λi ≥ 0}pi=1 si A ~ est un maximum
p ~ est un minimum
4. {λi ≤ 0}i=1 si A
Exemple


 Optimiser
 2 Z 2= xy
 x +y ≤1

∀~x ⊂ R2

 s.c. x≥0
y≥0
 

IUFIC 21 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 2. OPTIMISATION STATIQUE

Admettons que Z ∈ C 1 sur R2 et gi ∈ C 1 sur R2

- Condition de qualification des contraintes
 
2x 2y
J gi (A)~ − bi =  1 0  ⇒ Rg J gi (A)
~ − bi = 2
0 1

Le seul point stationnaire de la contrainte g1 ⇔ x2 + y 2 ≤ 1 est le point (0, 0), n’importe quel
point candidat est solution dans le domaine convexe de Z. Formons le lagrangien L (x, y, λ1 ) =
xy − λ (x2 + y 2 − 1)
- CNS  ∂L
 ∂x
= y − 2λx = 0
 ∂L

= x − 2λy = 0
∂y

 λ (x2 + y 2 − 1) = 0
 2
x + y 2 ≤ 1; λ ≥ 0(λ ≤ 0)
Si λ = 0, cela sous-entend que g1 ⇔ x2 +y 2 ≤ 1 soit une contrainte qui ne soit pas saturée, alors le
point candidat x = y = 0 n’est pas acceptable. Si λ 6= 0, cela sous-entend que g1 ⇔ x2 +y 2 −1 = 0
soit une contrainte saturée, alors le système à résoudre est :

 y − 2λx = 0 y
= xy 1
x − 2λy = 0 ⇒ 2
x
2 ⇒ x2 = y 2 =
 2 x +y −1=0 2
x + y2 − 1 = 0

Ce système a pour solution quatre points candidats acceptables. Les deux points candidats
suivants x = y = ± √12 ; λ = 12 sont des points maxima liés ; et les deux points candidats :
x = √12 , y = − √12 ; λ = − 12 et x = − √12 , y = √12 ; λ = − 12 sont des points minima liés.

Application

g(x, y) = −x + 2y 2 s.c. 2x2 + 2y 2 ≤ 2, x ≥ 0, y ≥ 0

IUFIC 22 Dr ZOUNGRANA Christ Roi Malick ©

2025
Chapitre 3

Optimisation Dynamique

3.1 Introduction
Sous le vocable du ”calcul des variations”, les mathématiciens comme Euler, Lagrange, Ber-
noulli se sont préoccupés depuis 1896 des problèmes dynamiques. En adoptant progressivement
les théorèmes sous-jacents dans leur champ disciplinaire, les économistes ne se sont intéressés
aux problèmes dynamiques que dans les années 1920 avec les travaux de Hoteling et Rame-
sey. Cependant, il a fallu attendre les années 1960 pour que les techniques des mathématiques
dynamiques soient largement introduites en économie, principalement dans la théorie sur la
croissance, de la finance de marché... Aujourd’hui, ces techniques font partie de la boı̂te à ou-
tils de l’économiste. En conséquence, une introduction aux techniques appliquées aux modèles
dynamiques en économie (croissance, assurance, finance...) semble indispensable aux étudiants
d’économie et gestion pour comprendre certains modèles et leurs conclusions. Les modèles dy-
namiques se caractérisent par l’introduction du temps. Dans ces modèles, le temps peut être
introduit soit comme un indice (de manière discrète), soit comme une variable (de manière
continue). Cette différence de prise en compte du temps met en lumière deux types de dyna-
miques : la dynamique en temps discret et la dynamique en temps continu. Ces deux cadres
donnent, in fine, naissance à des techniques différentes de recherche d’extrema d’une fonction
dynamique : l’optimisation dynamique en temps discret et l’optimisation dynamique en temps
continu.
La méthodologie sous-jacente pour résoudre les problèmes dynamiques s’est développée dans
deux directions dans les années 1950. La première direction connue est celle qu’adopte R. Bellman
qui développe la méthode de programmation dynamique (”backward induction”). Cette méthode
est particulièrement adaptée au problème en temps discret (spécialement pour les modèles sto-
chastiques). La seconde direction est celle de L. Pontryagin qui développe le principe de la
maximisation en temps continu (contrôle optimal). Ce chapitre donne un aperçu de ces deux
techniques.
Pour aborder ce chapitre les prérequis recommandés sont principalement les concepts présentés
dans les fonctions de plusieurs variables , dans les équations de récurrence linéaires , dans les
équations différentielles linéaires et dans l’optimisation statique. L’objectif de ce chapitre est de
donner un aperçu des règles d’optimisation relative à des problèmes de planification intertem-
porelle. Même si certains aspects de la question sont à la limite du programme de premier cycle,
le but est de montrer comment utiliser la technique de Pontryagin et le principe d’optimalité de
Bellman.

23
CHAPITRE 3. OPTIMISATION DYNAMIQUE

3.2 Extrémale libre en temps continu

Un premier ensemble des problèmes d’optimisation dynamique consiste à chercher l’extrémale
d’un programme de planification intertemporelle, lorsque les variables ne sont soumises qu’aux
contraintes temporelles aux bornes. Présentons la méthodologie de sa résolution.

3.2.1 Position du problème

Dans le cadre de l’optimisation statique, nous avons vu que, quels que soient les cas évoqués,
le problème d’optimisation se résumait exclusivement à la recherche d’un point ou des points
candidats à l’extremum d’une fonction donnée. En revanche, dans le cadre de l’optimisation
dynamique en temps continu, l’investigation n’est plus axée sur la recherche d’un point (ou des
points) candidat (s), mais plutôt sur la recherche d’une courbe x∗ (t) (ou une trajectoire) qui
maximise (ou minimise) une expression qui est donnée sous la forme d’une intégrale. Cette courbe
est appelée l’extrémale du [Link] fixer les idées, donnons-nous un horizon temporel fini
tel que t ∈ [0, T ]. Le problème type d’optimisation dynamique en temps continu sans contraintes
fonctionnelles est de la forme :
Z T
Optimiser F (t, x(t), ẋ(t))dt
x(t) 0

x(0) = a
s.c.
x(T ) = b
RT
Il est question dans ce cadre d’optimiser l’expression suivante appelée la fonctionnelle : 0 F (t, x(t), ẋ(t))dt.
Dans cette fonctionnelle, la fonction F est appelée l’intégrande. Sur l’intervalle temporel [0, T ],
l’intégrande est une fonction différentielle continue en t, x(t) et ẋ(t) ; elle possède des dérivées
partielles continues par rapport à x(t) et ẋ(t). Ce qui implique, pour respecter les conditions
d’optimisation, que la fonction F est de classe 2 (F ∈ C 2 ).
La résolution du programme restera aisée car on supposera toujours qu’il existe une solution,
que cette solution est unique et différentiable par rapport au temps. Cette résolution donne
une courbe : l’extrémale, solution de la fonctionnelle pour des valeurs x(0) et x(T ) données. Sa
détermination est obtenue en résolvant l’équation d’Euler-Lagrange. Cependant, afin de prouver
qu’il s’agit bien d’un minimum ou d’un maximum, il faudra effectuer le test du second ordre.

3.2.2 Méthode de résolution

Donnons, dans les grandes lignes, la procédure de résolution des programmes d’optimisation
dynamique sans contraintes fonctionnelles.
RT
Théorème 3.2.1. La solution x∗ (t) est une extrémale de la fonctionnelle 0 F (t, x(t), ẋ(t))dt
si elle est solution de l’équation d’EulerLagrange (ou d’Euler)

∂F d
= (∂F/∂ ẋ).
∂x dt
équations d’Euler-Lagrange : théorème

Pour un horizon t ∈ [0, T ] et la fonction x(t) ∈ Rn

1. Si l’horizon final T et la valeur à cette borne x(T ) sont inconnus, alors le programme s’écrit
comme suit : Z T
I(x(t)) = F (t, x(t), ẋ(t))dt + g(x(T ))
0

IUFIC 24 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

Sa résolution nécessite l’écriture des équations d’Euler auxquelles on ajoute la condition de

transversalité
∂F d ∂F 0
= et g (x(T )) + (∂F/∂ ẋ)T = 0
∂x dt ∂ ẋ

2. Si on veut
R T résoudre le même problème que dans le paragraphe 2.1 avec de plus des contraintes
du type 0 Gi (t, x(t), ẋ(t))dt = ai , où ai est une valeur donnée pour 1 ≤ i ≤ n. Le programme
est alors : 
Z T  x(0) = a, x(T ) = b
Optimiser F (t, x(t), ẋ(t))dt s.c. x(t) ∈ C 1 , ẋ(t) ∈ C 1
x(t) 0  RT
0
G(t, x(t), ẋ(t))dt = an
On introduit les multiplicateurs de Lagrange λi , en s’assurant que Rg (JG ) = n (conditions de
qualification des contraintes), qui donne la fonction de Lagrange :
n
X
L (x(t), ẋ(t), λi ) = F (t, x(t), ẋ(t)) + λi Gi (t, x(t), ẋ(t)).
i=1

Les équations d’Euler du programme sont sous la forme :

∂L d ∂L
(t, x(t), ẋ(t)) = (t, x(t), ẋ(t))
∂xi dt ∂ ẋi

3. Si on admet que la fonction x(t) est continue en t0 et que la fonction dérivée

ẋ(t) a des
dis-
∂F − ∂F +
continuités en t0 , on utilise la condition d’Erdman-Weierstrass en t0 : ∂xk
t0 = ∂xk
t 0 .
Procédure de Résolution
Lorsque les bornes sont fixées (horizon fini), pour les problèmes d’optimisation dynamique sans
contrainte fonctionnelle, la recherche de l’extrémale d’une intégrale donnée est facilitée en sui-
vant les cinq étapes suivantes :
1re étape : Sortir l’intégrande F (t, x(t), ẋ(t)).

2e étape : Calculer les dérivées partielles de la fonction F par rapport à ses fonctions variables
∂F 0 ∂F 0

x(t) et ẋ(t) ∂x
= F x ; ∂ ẋ
= Fẋ .

∂F d ∂F

3e étape : Substituer ces dérivées partielles dans l’équation d’Euler ∂x
= dt ∂ ẋ
.

4e étape : Calculer la dérivée par rapport au temps t de la dérivée partielle par rapport à
0
la variable ẋ(t) ∂F

∂ ẋ
= F ẋ , et mettre en forme l’équation d’Euler.

5e étape : Résolution de l’équation d’Euler

→ Si, dans l’équation d’Euler, il n’y a pas des termes dérivés ( ẋ(t) et /ou ẍ(t) ) la résolution
de l’équation d’Euler est immédiate (on exprime l’expression de la courbe x(t) directement).
→ Si, dans l’équation d’Euler, il n’y a que des termes dérivés ( ẋ(t) ou ẍ(t) ), on intègre succes-
sivement l’équation d’Euler jusqu’à ce que tous les termes dérivés (ẋ(t) ou ẍ(t)) disparaissent.
Alors seulement on peut résoudre l’équation et exprimer la solution optimale x(t) de l’équation.
→ Si, dans l’équation d’Euler, il y a en plus du terme x(t) des termes dérivés (ẋ(t) et/ou ẍ(t) ),
on résout l’équation différentielle selon la procédure classique.
Exemple 1 Z T
6x2 (t)e3t + 4t ẋ(t) dt

Optimiser
s(t)

1. L’intégrande
F = 6x2 (t)e3t + 4tẋ(t)

IUFIC 25 Dr ZOUNGRANA Christ Roi Malick ©

2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

2. Calcul des dérivées partielles

∂F ∂F
= Fx0 = 12x(t)e3t , = Fẋ0 = 4t
∂x ∂ ẋ
3. Substitution dans l’équation d’Euler

∂F d ∂F d(4t)
= ⇔ 12x(t)e3t = =4
∂x dt ∂ ẋ dt

4. Mise en forme de l’équation d’Euler

12x(t)e3t = 4

5. Puisqu’il n’y a pas dans l’équation d’Euler de termes dérivés, la résolution est immédiate
1
12x(t)e3t = 4 ⇒ x(t) = e−3t
3
Exemple 2 Z 2
4ẋ2 (t) + 12.t · x(t) dt

Optimiser
x(t) 0

s.c. x(0) = 1, x(2) = 4

1. L’intégrande
F = 4ẋ2 (t) + 12t · x(t)
2. Calcul des dérivées partielles
∂F ∂F
= Fx0 = 12t, = Fẋ0 = 8ẋ(t)
∂x ∂ ẋ
3. Substitution dans l’équation d’Euler

∂F d ∂F d(8ẋ(t))
= ⇔ 12t =
∂x dt ∂ ẋ dt

4. Mise en forme de l’équation d’Euler

12t = 8ẍ(t)

5. Puisqu’il y a un terme ẍ(t) dans l’équation d’Euler, la résolution n’est pas immédiate. Intégrons
deux fois chaque membre de l’égalité :
Z Z
12tdt = 8ẍ(t)dt ⇒ 6t2 + C1 = 8ẋ(t)
Z Z
6t + C1 = 8ẋ(t) ⇒ 2t3 + C1 t + C2 = 8x(t)
2

1 C1 C2
⇒ x(t) = t3 + t+ .
4 8 8
Pour x(0) = 1, x(2) = 4x(t) = 14 t3 + 21 t + 1.
Exercice 1 R
T
Soit J2 (x) = 0 (16x2 + ẋ2 − 4xẋ) dt + 2x2 (T )
a) Ecrire la condition d’Euler
b) Ecrire la condition de transversalité
c) Trouver les fonctions x qui vérifient la condition d’Euler, la condition de transversalité et la

2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

condition x(0) = 1
RT
d) Même question avec J(x) = 0 (16x2 + ẋ2 − 4xẋ) dt + x(T )
Remarque : l’équation d’Euler est une condition nécessaire et non suffisante pour l’optimisation
dynamique. En résolvant l’équation d’Euler, la solution trouvée est une extrémale possible parmi
d’autres éventuelles. Il existe, comme dans le cas traditionnel, une condition du second ordre
pour déterminer la nature de l’extrémale, sauf si l’on montre la convexité de fonction F .

Théorème 3.2.2. (Condition suffisante de Legendre) La courbe x(t), solution de l’équation

d’Euler, est une extrémale notée x∗ (t) entre x(0) et x(T ) si la dérivée partielle seconde de
l’intégrande par rapport ẋ(t) est strictement négative (∂ 2 F (t, x(t), ẋ(t))/∂ ẋ2 = Fẋ00 < 0) ∀t ∈
[0, T ], alors l’extrémale est une courbe localement maximale.

Exemple Reprenons l’exemple 2 ci-dessus qui a pour donnée :

∂F 1 1
= Fẋ0 = 8ẋ(t) et x(t) = t3 + t + 1.
∂ ẋ 4 2
Puisque ∂ 2 F/∂ ẋ2 = Fẋ00 = 8 > 0 l’extrémale x∗ (t) est une courbe localement minimale.
Exercice 2
On considère le problème de calcul des variations suivant :
( R √2
Maximiser 0 √ (−ẋ2 (t) − t3 ẋ(t) − 2x2 (t)) dt
x(0) = 3/4, x( 2) = 9/2

a) Ecrire l’équation d’Euler-Lagrange.

b) Résoudre l’équation d’Euler-Lagrange.

c) Résoudre le problème.

3.3 Extrémale contrainte en temps continu

Un deuxième ensemble de problèmes d’optimisation dynamique consiste à chercher l’extrémale
d’une fonction différentielle, lorsque la fonction différentielle est liée à des contraintes fonction-
nelles et que ses variables sont soumises aux contraintes aux bornes temporelles. Présentons la
méthodologie de la résolution de ce programme intertemporel.

3.3.1 Position du problème

Le problème à résoudre se présente comme suit : un agent choisit des variables, appelées
variables de contrôle, de façon à maximiser une fonction objectif sous certaines contraintes. Ces
contraintes sont dynamiques en ce qu’elles décrivent l’évolution de l’économie au cours du temps,
représentée par un ensemble de variables d’état.
Pour fixer les idées, donnons-nous un horizon temporel fini ( t ∈ [0, T ] ). Il est question d’opti-
miser l’expression d’une fonction F liée fonctionnellement à une fonction contrainte G. Sur [0, T ]
les fonctions F et G sont des fonctions continues ; elles possèdent des dérivées partielles continues
par rapport à la variable d’état x(t) et à la variable de contrôle u(t). Ce qui a pour conséquence
de supposer que les fonctions F et G sont au minimum de classe 1 ( F ∈ C 1 , G ∈ C 1 ). On suppo-
sera aussi qu’il y a une relation entre u(t) et ẋ(t). Le problème revient en définitive à la recherche

2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

d’une extrémale x(t) de classe 1 , une solution d’un programme dynamique type suivant :
Z T
Optimiser J(x(t), u(t)) = F (t, x(t), u(t))dt
x(t),u(t) 0

 x(0) = a, x(T ) = b
s.c. G(t, x(t), u(t)) = ẋ(t)
x(t), u(t) ∈ C 1 [0, T ]


où x(0) = a et x(T ) = b représentent les contraintes terminales du programme, G(t, x(t), u(t)) =
ẋ(t) la contrainte fonctionnelle appelée équation de transition, x(t) et u(t) sont respectivement
la variable d’état et la variable de contrôle.

3.3.2 Méthodes de résolution

Résoudre ce programme ne pose aucune difficulté majeure. Deux méthodes de résolution de
ce programme sont possibles : la méthode de substitution et la méthode du multiplicateur de
Lagrange. Présentons successivement ces deux méthodes.

Résolution par substitution

Dans son principe, la méthode de substitution permet de revenir à un problème d’optimisation
dynamique sans contrainte fonctionnelle, Z 1 en substituant la valeur de u(t) dans la fonction F .
−[u(t) + 2x(t)]2 dt

Optimiser J(x(t), u(t)) =
0

Exemple  x(0) = 1, x(1) = e − 1e
s.c. x(t) + u(t) − t = ẋ(t)
x(t) ∈ C 1 [0, 1], u(t) ∈ C 1 [0, 1]

Remplaçons la valeur de u(t) = ẋ(t) − x(t) + t dans l’intégrande.
Le programme à résoudre
R 1 devient :
Optimiser J(x(t)) = 0 (−(t + x(t) + ẋ(t))2 ) dt
x(t)

1

x(0) = 1, x(1) = e − e
s.c.
x(t) ∈ C 1 [0, 1]

1. L’intégrande est
F = −(t + x(t) + ẋ(t))2
2. Calcul des dérivées partielles
∂F ∂F
= −2(t + x(t) + ẋ(t)) et = −2(t + x(t) + ẋ(t))
∂x ∂ ẋ
3. CN : L’équation d’Euler est

∂F d ∂F
= ⇔ t + x(t) + ẋ(t) = 1 + ẋ(t) + ẍ(t)
∂x dt ∂ ẋ
⇒ ẍ(t) − x(t) = t − 1

On obtient une équation différentielle linéaire d’ordre 2 à coefficients constants.

4. Résolution de l’équation différentielle

- Théorème x(t) = W (t) + V (t)

2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

- Recherche de W (t). L’équation homogène est ẍ(t)−x(t) = 0 L’équation caractéristique associée

est P (r) = r2 − 1 = 0 ⇒ r1 = 1 et r2 = −1. On déduit son terme général W (t) = λ1 et + λ2 e−t .

- Recherche de V (t). Comme le second membre est un polynôme de degré 1 .

V (t) = at + b ⇒ V (t) = −t + 1.

- En définitive x(t) = W (t) + V (t) = λ1 et + λ2 e−t − t + 1. La substitution des contraintes termi-

nales x(0) = 1 et x(1) = e − 1e implique λ1 = −λ2 = 1 et que x(t) = et − e−t − t + 1.
2
5. CS : puisque ∂∂ ẋF2 = −2 < 0 alors, la courbe x(t) = et − e−t − t + 1 est une extrémale
maximale entre x(0) = 1 et x(1) = e − 1e .

Résolution par le multiplicateur de Lagrange : l’hamiltonien

La méthode du multiplicateur de Lagrange peut être aussi utilisée pour trouver une extrémale
sous contrainte fonctionnelle. Dans son principe, il permet de construire une fonction de La-
grange. C’est ainsi, en reprenant le problème type présenté ci-dessus, que la fonction de Lagrange
prend la forme suivante :
L(t, x(t)), λ(t), µ)
Z T
= [F (t, x(t), u(t)) + λ(t)G(t, x(t), u(t))]dt + µT x(T )0
0
où la variable λ(t) est le multiplicateur fonctionnel de Lagrange associé à la contrainte fonction-
nelle et le coefficient µT est le multiplicateur non fonctionnel de Lagrange associé à la contrainte
terminale. L’expression située à l’intérieur de l’intégrale est appelée la fonction hamiltonienne
du programme (ou l’hamiltonien). Elle s’écrit comme suit :
H(x(t), u(t), λ(t)) = F (t, x(t), u(t)) + λ(t)G(t, x(t), u(t))
Théorème 3.3.1. Une trajectoire x(t) est une extrémale pour (0, x(0)) et (T, x(T )) s’il existe le
multiplicateur fonctionnel de Lagrange continu λ(t) et que x(t) soit une solution des équations
d’Hamilton-Jacobi.
Théorème 3.3.2. Si les fonctions F et G sont à la fois concaves par rapport à x(t) et u(t),
alors les conditions nécessaires sont également suffisantes 2 .

Cas particulier
En imposant que l’intégrale de la contrainte fonctionnelle ait une valeur constante, la fonction
de Lagrange est formée de la somme de la fonction objectif et de la contrainte multipliée par le
multiplicateur de Lagrange.
Théorème 3.3.3. Une trajectoire x(t) est une extrémale pour (0, x(0)) et (T, x(T )) en optimi-
sation dynamique sous une contrainte fonctionnelle, si elle est solution de l’équation d’Euler-
Lagrange ∂H
∂x
= dtd ∂H
∂ ẋ
Exemple Z 1
ẋ2 (t) + 2x(t) e−it dt

Optimiser J(x(t)) =
x(t) 0


 x(0) = 0, x(1) = 5
 1
s.c. R1
(ẋ(t)e−it ) dt = 5
 0


x(t), ∈ C 1 [0, 1]

2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

1. H = e−it (ẋ2 (t) + 2x(t) + λẋ(t))

d (2ẋe−it + λ)

∂H d ∂H
2. = ⇔ 2e−it = ⇒ 2e−it = −2iẋe−it + 2ẍe−it
∂x dt ∂ ẋ dt
⇒ ẍ − iẋ = 1

- On obtient une équation différentielle linéaire d’ordre 2. Son polynôme caractéristique est :

P (r) = r2 − ir = 0 ⇒ r1 = i et r2 = 0.

On déduit son terme général W (t) = λ1 eit + λ2 Comme le second membre est un polynôme de
degré zéro,
1
V (t) = at ⇒ V (t) = − t
i
it 1
- En définitive x(t) = W (t) + V (t) = λ1 e + λ2 − i t.
La substitution des contraintes terminales x(0) = 0 et x(1) = 5 implique λ1 = −λ2 = i(e5i+1
i −1) et
5i+1 it t
que x(t) = i(ei −1) (e − 1) − i .

Procédure de résolution
Dans un problème d’optimisation dynamique avec une contrainte fonctionnelle, lorsque l’ho-
rizon temporel est fixé (les bornes sont fixées), la recherche de l’extrémale d’une intégrale donnée
est facilitée en suivant les quatre étapes suivantes :

1re étape : Construire la fonction hamiltonienne H(•).

2e étape : Calculer la dérivée partielle de la fonction H par rapport à la variable de contrôle

∂H ∂F ∂G
u(t) et égaliser cette dernière à zéro ∂u = ∂u + λ(t) ∂u = 0 .

3e étape : Calculer la dérivée partielle de la fonction H par rapport à la variable d’état x(t) et
égaliser cette dernière à l’opposé de la dérivée temporelle du multiplicateur λ(t)

∂H ∂F ∂G
= + λ(t) = −λ̇
∂x ∂u ∂x

Ce résultat est l’équation d’Euler. Calculer la dérivée partielle de la fonction H par rapport au
multiplicateur fonctionnel λ(t)
∂H
= ẋ .
∂λ(t)
 ∂H
 ∂λ = ẋ
e ∂H
4 étape : Résoudre le système différentiel ∂x
= −λ̇(t)
 ∂H
∂u
=0
Exemple R1
Reprenons l’exemple traité précédemment : Optimiser J(x(t), u(t)) = 0 [−(u(t) + 2x(t))2 ] dt

 x(0) = 1, x(1) = e − 1e
s.c. x(t) + u(t) − t = ẋ(t)
x(t) ∈ C 1 [0, 1], u(t) ∈ C 1 [0, 1]


On montre que F (le signe des mineurs principaux est négatif et égal à zéro) et G (est linéaire)
sont quasi concaves. Ce qui assure que les conditions nécessaires sont suffisantes.

2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

1. H = −(u(t) + 2x(t))2 + λ(t)(x(t) + u(t) − t − ẋ(t))

 ∂H
 ∂λ = x + u − t − ẋ = 0
∂H
2. C.N. ∂x
= −4(u(t) + 2x(t)) + λ(t) = −λ̇(t)
 ∂H
∂u
= −2[u(t) + 2x(t)] + λ(t) = 0
3. D’après la troisième équation 2(u(t) + 2x(t)) = λ(t). Remplaçons cette valeur de λ(t) dans la
deuxième équation, on obtient une équation différentielle linéaire du 1er ordre en λ, λ(t) = λ̇(t)
dont la résolution donne λ(t) = ket .
t
Finalement, puisque ket = 2(u(t) + 2x(t)), alors u(t) = ke2 − 2x(t).
D’après la première équation u(t) = ẋ − x + t, si on substitue l’expression de u(t) dans cette
première équation on obtient une équation différentielle linéaire d’ordre 1 à coefficients constants
t
suivant ke2 − t = ẋ(t) + x(t)
Sa solution est x(t) = K1 e−t + k4 et − t + 1 avec −K1 = k4 = 1.
Par conséquent, l’extrémale est x(t) = −e−t + et − t + 1.

Complément
Soit à résoudre le problème suivant :
 hR i
T
 max 0 F (t, x(t), u(t))dt + g(x(T ))


 ẋ = G(t, x(t), u(t))

x(0) = x0


On utilise le même principe de résolution que précédemment (Hamiltonien) auquel on associe

les conditions aux limites suivantes :
λ(T ) = g 0 (x∗ (T ))

x(0) = x0
où λ désigne la variable adjointe dans la fonction Hamiltonnienne.
RMQ : On peut procéder également par la méthode de substitution
Exercice
On considère le problème de contrôle optimal suivant :
 RT
 Maximiser 0
(−2x(t) − 3v 2 (t)) dt + x(T )
ẋ(t) = x(t) − 3v(t)
x(0) = 1, v(t) ∈ R


a) Ecrire le Hamiltonien du problème.

b) Ecrire l’équation adjointe, le principe du maximum de Pontryagin et la condition de trans-
versalité.
c) Ecrire le système d’équations différentielles et les conditions aux limites satisfaites par une
trajectoire optimale et la variable adjointe associée.
d) Résoudre le système.
e) Résoudre le problème de contrôle optimal.
f) Ecrire le problème initial sous forme d’un problème de calcul des variations (sans le résoudre).
Exercice
I) On considère le problème d’optimisation dynamique suivant :
 R1

 max
 I(x, u) = 0 − (x + u2 ) dt
 ẋ = x − u

(P )

 s.c. x(0) = − 12 et x(1) = 12
u ∈ C 1 ([0, 1]) et x ∈ C 1 ([0, 1])
 

2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

où x est la variable d’état et u la variable de contrôle.

1re méthode
1. Donner le hamiltonien associé au programme (P).
2. écrire les conditions nécessaires d’optimalité.
3. Ces conditions sont-elles suffisantes ?
4. Déterminer successivement λ, u et x en tenant compte des conditions aux bornes.
2e méthode
1. Montrer que leR programme (P) peut se réécrire sous la forme
1
(P0 ) max J(x) = 0 φ(t, x, ẋ)dt, x(0) = −1/2, x(1) = 1/2, x ∈ C 1 ([0, 1]) où φ est une fonction à
déterminer.
2. Donner les conditions nécessaires d’optimalité d’Euler.
3 à l’aide des conditions aux bornes, déterminer x.
II) On considère le problème d’optimisation dynamique suivant :
 R1

 max J(x,
 u) = 0
(xe2t + u2 ) dt
 ẋ = u − x

(P )

 s.c. x(0) = 0x(1) = e−1
u ∈ C 1 ([0, 1] et x ∈ C 1 ([0, 1]
 

où x est la variable d’état et u la variable de contrôle.

Résoudre par deux méthodes le programme (P ). Que constatez-vous ?

3.4 Applications
Application 1

R 5 Maximiser sur t ∈ [0, 5] le flux actualisé de l’utilité tirée de la consommation C(t) tel que
−it
0
e U (c(t))dt. Le taux d’intérêt est i = 0, 12, les conditions aux bornes sont K(0) = 320 et
K(5) = 480 et la fonction d’utilité est U (c(t)) = [c(t)]1/2 . La fonction de consommation est
c(t) = G(K(t)) − I(t) avec une fonction de production linéaire G(K(t)) = 14 K et une fonction
5
d’investissement I(t) = K̇ + 60 + 100 K(t).

Application 2
Capital humain. Considérons un agent offrant sa force de travail sur un horizon [0, T ]. À
chaque période t, ses revenus R(t) sont le produit :
- du nombre d’heures de travail h(t) ∈ [0, h̄], où h̄ = 1 est la durée légale du travail par période ;
- du niveau de son capital humain k(t) ≥ 0 ;
- du salaire horaire w(t) normalisé à w(t) = w = 1, ∀t.
Soit donc le revenu en t, R(t) = w(t)h(t)k(t) = h(t)k(t). L’agent peut accumuler du capital
humain en se formant (cours, stages, expériences) pendant une fraction ρ ∈]0, 1[ du nombre
d’heures non travaillées, soit ρ[h̄ − h(t)]. De plus, son capital humain se déprécie (perte de
compétences) à un taux δ < ρ. La contrainte de mouvement du capital humain s’écrit alors :

k 0 (t) = ρ[1 − h(t)]k(t) − δk(t)

Le problème du travailleur est de maximiser la somme actualisée de ses revenus du travail

Z T
max e−rt h(t)k(t)dt
0

où r > 0 est le taux d’actualisation, sous les contraintes de mouvement et sur le contrôle
0 ≤ h(t) ≤ 1. On supposera que le capital humain initial est donné k(0) = 1. On notera λ(t) la

2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

variable adjointe à l’état k(t).

Écrivez les conditions nécessaires du Principe du maximum.

Application 3
Acquisition d’expérience. Une entreprise vend un produit à partir d’une technologie nou-
velle. à l’instant t, l’adéquation du produit aux attentes de la clientèle est représentée par un
indice d’expérience x. L’expérience permet d’accroı̂tre la recette par unité vendue selon la re-
lation R(x(t)) croissante, concave en x(t) et R(0) = 1. à chaque période, la firme bénéficie
d’un apprentissage dans la confection du produit qui accroı̂t son expérience selon la relation
x0 (t) = q(t), où q(t) est la production au temps t. En date t = 0, son expérience est nulle soit
x(0) = 0.
Le calcul économique de la firme consiste à maximiser la somme actualisée des profits (au taux
r > 0 ) sur un horizon donné T . Le problème peut alors s’écrire
RT
max 0 e−rT R(x(t))q(t) − 12 q(t)2 dt

x0 (t) = q(t), x(0) = 0

où 12 q(t)2 est le coût de production.

1. Donnez les conditions nécessaires du Principe du maximum.
2. Montrez que la trajectoire optimale de la production peut être décrite par l’équation différentielle :
q ∗0 (t) = −r [R (x∗ (t)) − q ∗ (t)].

3.5 Extrémale en temps discret : introduction

Contrairement au cadre de l’optimisation dynamique en temps continu, certains problèmes
d’optimisation ont une structure temporelle discrète : c’est un troisième ensemble de problèmes
d’optimisation dynamique. Ce cadre nécessite une approche différente dans la résolution des
problèmes s’y référant.
Bien que depuis fort longtemps des mathématiciens aussi illustres que Fermat, Euler, Mac
Laurin et d’autres aient pressenti le principe et les techniques d’optimisation qui sont à la base
de la résolution des problèmes en temps discret, ce sont les travaux de R. Bellman (1957) qui les
ont élevés au rang de théorie générale pour la résolution de problème d’optimisation. A priori, les
idées principales de cette problématique sont simples, mais les détails de leur mise en pratique
exigent souvent des instruments mathématiques très sophistiqués. Cette section, sans entrer dans
ces détails, donne un aperçu de la méthode de résolution des problèmes de recherche d’extrémale
en temps discret.

3.5.1 Position du problème

Pour fixer les idées, donnons-nous un horizon temporel discret fini tel que t ∈ {0, 1, 2, . . . , T }.
Il est question ici d’optimiser l’expression d’une fonction objectif u liée fonctionnellement à une
fonction contrainte gi (•). La fonction u est une fonction intertemporelle, séparable, bornée,
continûment différentiable, strictement croissante et strictement concave, elle satisfait à chaque
date : u : R+ → R.
Soit donc à résoudre le programme type inter-temporel du consommateur suivant :
T
X
Max β t ln (ct ) , 0 < β < 1
ct
t=0

ct + kt+1 ≤ Aktα
s.c.
0<α<1

2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

Définition 3.5.1. Une fonction f est décomposable en f1 et f2 si la fonction f est séparable

telle que f (y, x) = f1 (y, f2 (x)) et si en plus f1 est monotone croissante par rapport à son second
argument f2 (x).
Théorème 3.5.2. Soitf une
fonction réelle
de y et x = (x1 , . . . , xn ). Si f est décomposable
alors Optf (x, y) = Opt f1 y, Optf2 (x) .
x·y y x

3.5.2 Méthode de résolution

La technique du multiplicateur de Lagrange sera également utilisée pour trouver une extrémale
sous des contraintes fonctionnelles discrètes. Certes, le point de départ de la résolution de ce
problème est la construction d’une fonction de Lagrange, mais sa résolution simultanée est re-
doutable. La solution à cette difficulté est de décomposer ce problème complexe en une série
de problèmes de dimension simple à résoudre. Le principe d’optimalité de Bellman, qui s’en
inspire, édicte pour résoudre un problème inter-temporel initial, qu’il y a lieu de commencer
directement par l’horizon final et de remonter le temps (”backward induction”). Pour introduire
ce principe, formulons le programme d’optimisation dynamique en temps discret en modifiant
l’exemple ci-dessus.
Donnons-nous un horizon fini de temps discret t ∈ {0, 1, 2} tel que, à chaque date, le consom-
mateur décide de consommer ou d’épargner pour accumuler le capital afin de produire. ct est la
consommation et kt est le stock de capital accumulé. La fonction de production est définie par
la relation suivante : kt+1 = (kt − ct )1/2 . La fonction d’utilité est une fonction intertemporelle,
séparable, qui satisfait à chaque date : u : R+ → R. C’est une fonction bornée, continûment
différentiable, strictement croissante et strictement concave avec limc→0 u0 (c) = ∞. Exemple Le
problème économique à optimiser en horizon fini est :
2
X
max ln (ct )
(c0 ,c1 ,c2 )
t=0

kt+1 = (kt − ct )1/2 .

s.c.
0 ≤ ct ≤ kt

Pour résoudre ce problème, il est indiqué de commencer par la fin (induction arrière).
Pour l’horizon final t = 2, puisque c’est la fin pour l’agent, le stock de capital k2 est un pa-
ramètre. Un paramètre qui provient des décisions précédentes conditionnelles. Le consommateur
est alors confronté au problème suivant :
Max ln (ct )
c2

s.c. 0 ≤ c2 ≤ k2
Ce programme donne k2 = c∗2 car il n’est plus nécessaire pour le consommateur d’épargner pour
accumuler du capital. Donc la solution optimale consiste pour le consommateur à consommer
tout le stock de capital provenant de la période antérieure.
Posons alors la valeur optimale (”fonction valeur”) de v2 (k2 ) est v2 (k2 ) = max (ln c2 ) = ln c∗2 .
Pour l’horizon suivante t = 1, le stock de capital k1 est un paramètre, sa valeur étant déterminée
en t = 0. Soit l’équation de Bellman 3 à la période 1 suivante :

v1 (k1 ) = max0≤c1 ≤k1 (ln c1 + v2 (k2 ))
s.c. k2 = (k1 − c1 )1/2
h i
Or l’on sait que k2 = c∗2 et que v2 (k2 ) = ln c∗2 = ln (k1 − c1 )1/2 .

2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

D’où v1 (k1 ) = max0<c1 <k1 ln c1 + ln (k1 − c1 )1/2 .

dv1 (k1 ) (k1 −c1 )−1/2
CNS dc1 = 0 ⇒ c1 − 2(k −c )1/2 ⇒ c∗1 = 32 k1 .
1
1 1
Donc il faut consommer 2/3 du stock disponible au début de la période et épargner le reste en vue
de produire en t = 2. Alors la valeur optimale de v1 (k1 ) est v1 (k1 ) = ln 23 k1 + ln (k1 − c1 )1/2 .

Pour l’horizon t = 0, le stock de capital k0 est un paramètre. Le problème du consommateur

à cette date est encore résumé par une équation de Bellman :

v0 (k0 ) = max0≤c0 ≤k0 (ln c0 + v1 (k1 ))
s.c. k1 = (k0 − c0 )1/2

2 1 1
⇔ v0 (k0 ) = max ln c0 + ln + ln (k0 − c0 ) + ln (k1 − c1 )
0≤c0 ≤k0 3 2 2

2 1 1 1 1/2
⇔ v0 (k0 ) = max ln c0 + ln + ln (k0 − c0 ) + ln (k0 − c0 )
0≤c0 ≤k0 3 2 2 3

3 2 1 1
⇔ v0 (k0 ) = max ln c0 + ln (k0 − c0 ) + ln + ln
0≤c0 ≤k0 4 3 2 3
dv0 (k0 ) 1 3 1 4
CNS =0⇒ − = 0 ⇒ c∗0 = k0
dc0 c0 4 k0 − c0 7
Connaissant c∗0 on peut remonter le processus dans le bon sens.
1/2 " 1/2 #1/2
4 2 3 3 2 3
c∗0 = k0 , c∗1 = k0 et c∗2 = k0 − k0
7 3 7 7 3 7

Exercice
Soit un modèle d’optimisation du consommateur à une structure temporelle discrète. Le consom-
mateur à chaque date décide de consommer ou d’épargner pour accumuler le capital afin de
1/2
produire. La fonction de production est définie par la relation suivante : kt+1 = kt − ct ; ct est
la consommation et kt est le stock de capital accumulé. Résoudre le programme intertemporel
du consommateur ci-dessous :  P2
 max 0 ln ct
1/2
s.c. kt+1 = kt − Ct
k0 = 1, 0 ≤ ct ≤ kt


Exercices
I) Trouver les courbes extrémales des fonctionnelles suivantes :
R2
1. 0
(2ẋ2 − 42xt + 11t) dt avec les conditions aux bornes x(0) = 1; x(2) = 5.
R5
2. 1
(ẋ2 + 60xt3 ) dt avec les conditions aux bornes x(1) = 0; x(5) = 10.
R 3 2
3. 1 38tẋ3 dt avec les conditions aux bornes x(1) = 0; x(3) = 5.
RT
4. t0
(8ẋ2 + 16x2 + 9xẋ) dt.

II) On considère le problème de contrôle optimal suivant :

 R1 1 2 1 2

 Maximiser 0
− 2
x (t) − 2
v (t) dt + x(1)
ẋ(t) = 2x(t) + v(t)
x(0) = 0, v(t) ∈ R


2025
CHAPITRE 3. OPTIMISATION DYNAMIQUE

a) Ecrire le Hamiltonien du problème.

b) Ecrire l’équation adjointe, le principe du maximum de Pontryagin et la condition de trans-
versalité.
c) Ecrire le système d’équations différentielles et les conditions aux limites satisfaites par une
trajectoire optimale et la variable adjointe associée.
d) Résoudre le système.
e) Résoudre le problème de contrôle optimal.
f) Ecrire le problème initial sous forme d’un problème de calcul des variations (sans le résoudre).
√ √
2 5+5
√
5
!
2 1 1√ 1√ 5 0
√ 10 10
On donne : = √ √ .
1 −2 −2 + 5 −2 − 5 0 − 5 −2 5+5
− 5
10 10

III) Un investisseur détenant une richesse W0 veut répartir cette richesse entre n classes d’actifs,
n > 2. Pour cela il va utiliser le critère moyenne-variance.
  Les espérances des rendements des
µ1
 · 
n classes d’actifs sont données par : M =   ·  et les variances-covariances par V matrice


µn
carrée d’ordre n définie positive.
 Soit x1 , . . . , xn les parts respectives de la richesse investies dans
x1
 · 
les actifs. On pose X =   ·  et on considère le problème


xn

Maximiser X T M − γX T V X
GX = D

où G matrice (2, n) de rang 2, D matrice (2, 1) et γ est le degré d’aversion vis-à-vis du risque.

a) Ecrire le Lagrangien et les conditions du premier ordre.

b) Montrer qu’elles sont nécessaires et suffisantes.

c) Résoudre alors le problème.

2025

Vous aimerez peut-être aussi

Matrice Hessienne Bordée en Optimisation
Pas encore d'évaluation
Matrice Hessienne Bordée en Optimisation
28 pages
Optimisation et dualité en mathématiques
Pas encore d'évaluation
Optimisation et dualité en mathématiques
12 pages
Matrices Hessiennes en Optimisation
Pas encore d'évaluation
Matrices Hessiennes en Optimisation
17 pages
Analyse Matricielle et Optimisation
100% (1)
Analyse Matricielle et Optimisation
130 pages
Méthodes Numériques en Analyse
100% (1)
Méthodes Numériques en Analyse
72 pages
Méthodes Numériques pour Systèmes Linéaires
Pas encore d'évaluation
Méthodes Numériques pour Systèmes Linéaires
68 pages
Recherche de points stationnaires en optimisation
100% (1)
Recherche de points stationnaires en optimisation
11 pages
Cours sur l'optimisation convexe
Pas encore d'évaluation
Cours sur l'optimisation convexe
64 pages
Optimisation sans contraintes en m2
Pas encore d'évaluation
Optimisation sans contraintes en m2
26 pages
Optimisation mathématique avancée
Pas encore d'évaluation
Optimisation mathématique avancée
100 pages
Cours de Mathematique Pour Physique
Pas encore d'évaluation
Cours de Mathematique Pour Physique
80 pages
Méthodes mathématiques en finance
Pas encore d'évaluation
Méthodes mathématiques en finance
158 pages
Optimisation des Systèmes Mathématiques
Pas encore d'évaluation
Optimisation des Systèmes Mathématiques
44 pages
Optimisation et Calcul Différentiel ECP
Pas encore d'évaluation
Optimisation et Calcul Différentiel ECP
104 pages
Analyse numérique : valeurs et vecteurs propres
Pas encore d'évaluation
Analyse numérique : valeurs et vecteurs propres
37 pages
Corrigé TD Optimisation M1
Pas encore d'évaluation
Corrigé TD Optimisation M1
7 pages
Cours d'Analyse Économique 2
Pas encore d'évaluation
Cours d'Analyse Économique 2
54 pages
Méthodes Numériques en Licence
Pas encore d'évaluation
Méthodes Numériques en Licence
36 pages
Méthodes Numériques en Analyse Linéaire
Pas encore d'évaluation
Méthodes Numériques en Analyse Linéaire
72 pages
Optimisation sans contraintes : Algorithmes
Pas encore d'évaluation
Optimisation sans contraintes : Algorithmes
62 pages
Méthodes Numériques en Analyse Linéaire
Pas encore d'évaluation
Méthodes Numériques en Analyse Linéaire
72 pages
Cours d'Optimisation PDF
100% (1)
Cours d'Optimisation PDF
43 pages
Éléments d'Optimisation en Mathématiques
100% (1)
Éléments d'Optimisation en Mathématiques
17 pages
Méthodes Numériques en Analyse Linéaire
Pas encore d'évaluation
Méthodes Numériques en Analyse Linéaire
38 pages
Mathématiques pour l'économie : optimisation
Pas encore d'évaluation
Mathématiques pour l'économie : optimisation
80 pages
Fonctions de production et optimisation
Pas encore d'évaluation
Fonctions de production et optimisation
81 pages
Optimisation mathématique : guide pratique
Pas encore d'évaluation
Optimisation mathématique : guide pratique
49 pages
Cours sur l'Optimisation Continue
Pas encore d'évaluation
Cours sur l'Optimisation Continue
130 pages
Techniques d'Optimisation Mathématique
Pas encore d'évaluation
Techniques d'Optimisation Mathématique
60 pages
Cours d'Optimisation en Mathématiques
Pas encore d'évaluation
Cours d'Optimisation en Mathématiques
142 pages
Optimisation
Pas encore d'évaluation
Optimisation
17 pages
Analyse Numérique et Optimisation
Pas encore d'évaluation
Analyse Numérique et Optimisation
150 pages
OptiPgrDyn15 16
Pas encore d'évaluation
OptiPgrDyn15 16
73 pages
Cours d'Algèbre Linéaire Numérique
Pas encore d'évaluation
Cours d'Algèbre Linéaire Numérique
53 pages
Opt 06 NL2
Pas encore d'évaluation
Opt 06 NL2
41 pages
Optimisation et algèbre linéaire
Pas encore d'évaluation
Optimisation et algèbre linéaire
237 pages
Video 3
Pas encore d'évaluation
Video 3
29 pages
Cours sur l'Optimisation Mathématique
Pas encore d'évaluation
Cours sur l'Optimisation Mathématique
61 pages
Optimisation de fonctions multivariables
Pas encore d'évaluation
Optimisation de fonctions multivariables
6 pages
Optimisation Continue par Jean-Philippe Préaux
Pas encore d'évaluation
Optimisation Continue par Jean-Philippe Préaux
130 pages
Cours LEPL1110 : Éléments finis en C
Pas encore d'évaluation
Cours LEPL1110 : Éléments finis en C
127 pages
Cours d'Optimisation Mathématique
Pas encore d'évaluation
Cours d'Optimisation Mathématique
12 pages
Optimisation Convexe : Outils Algébriques
Pas encore d'évaluation
Optimisation Convexe : Outils Algébriques
72 pages
Optimisation Non Linéaire sans Contraintes
100% (1)
Optimisation Non Linéaire sans Contraintes
43 pages
Mathématiques appliquées à la gestion
Pas encore d'évaluation
Mathématiques appliquées à la gestion
157 pages
Mathématiques appliquées à la gestion
Pas encore d'évaluation
Mathématiques appliquées à la gestion
64 pages
Conditions d'Optimalité en Optimisation
Pas encore d'évaluation
Conditions d'Optimalité en Optimisation
45 pages
Cours d'Optimisation Numérique M1
Pas encore d'évaluation
Cours d'Optimisation Numérique M1
71 pages
Chapitre Algebre Lineaire 2026
Pas encore d'évaluation
Chapitre Algebre Lineaire 2026
39 pages
Optimisation non linéaire : TD et exercices
Pas encore d'évaluation
Optimisation non linéaire : TD et exercices
31 pages
Formule de Variation en Optimisation
Pas encore d'évaluation
Formule de Variation en Optimisation
80 pages
Cours d'Optimisation L2-MASS 2014
100% (2)
Cours d'Optimisation L2-MASS 2014
39 pages
Formule de Taylor et extrema en économie
Pas encore d'évaluation
Formule de Taylor et extrema en économie
40 pages
Méthode de Lagrange en optimisation
Pas encore d'évaluation
Méthode de Lagrange en optimisation
4 pages
Optimisation : Paraboles et Méthodes
Pas encore d'évaluation
Optimisation : Paraboles et Méthodes
46 pages
Optimisation quadratique : principes et méthodes
Pas encore d'évaluation
Optimisation quadratique : principes et méthodes
10 pages
Extrema de Fonctions Multivariables
Pas encore d'évaluation
Extrema de Fonctions Multivariables
12 pages
Calcul des Poteaux Comprimés
Pas encore d'évaluation
Calcul des Poteaux Comprimés
9 pages
Cours Examen Complet
Pas encore d'évaluation
Cours Examen Complet
13 pages
Guide d'installation R400 Laser
Pas encore d'évaluation
Guide d'installation R400 Laser
7 pages
Cours de Mathématiques : Logique et Ensembles
Pas encore d'évaluation
Cours de Mathématiques : Logique et Ensembles
13 pages
Analyse fonctionnelle et espaces vectoriels
Pas encore d'évaluation
Analyse fonctionnelle et espaces vectoriels
43 pages
Engagement social et émergence au Cameroun
Pas encore d'évaluation
Engagement social et émergence au Cameroun
12 pages
Analyse linguistique et décalages
Pas encore d'évaluation
Analyse linguistique et décalages
28 pages
Essai virtuel : Révolution mode à Goma
Pas encore d'évaluation
Essai virtuel : Révolution mode à Goma
4 pages
Allemand Ta Enonces
Pas encore d'évaluation
Allemand Ta Enonces
43 pages
Détermination de la CMC par conductimétrie
Pas encore d'évaluation
Détermination de la CMC par conductimétrie
6 pages
Traitement des solides en forage industriel
Pas encore d'évaluation
Traitement des solides en forage industriel
29 pages
Fiabilité des Composants Électroniques
Pas encore d'évaluation
Fiabilité des Composants Électroniques
4 pages
Création et exécution de fichiers scripts
Pas encore d'évaluation
Création et exécution de fichiers scripts
2 pages
Téléchargement Livre Nacho 01 Gratuit
Pas encore d'évaluation
Téléchargement Livre Nacho 01 Gratuit
5 pages
Cours sur les intégrales en PCSI
Pas encore d'évaluation
Cours sur les intégrales en PCSI
13 pages
Dynamiques de groupe et prise de décision
Pas encore d'évaluation
Dynamiques de groupe et prise de décision
11 pages
Contrôle PEB1 : Étude thermique bâtiment
Pas encore d'évaluation
Contrôle PEB1 : Étude thermique bâtiment
11 pages
Réalisations du Gouvernement Estimé
Pas encore d'évaluation
Réalisations du Gouvernement Estimé
7 pages
Rapport de visite à la chaufferie de Mérignac
Pas encore d'évaluation
Rapport de visite à la chaufferie de Mérignac
5 pages
Guide pratique des clubs d'investissement
Pas encore d'évaluation
Guide pratique des clubs d'investissement
36 pages
Cours d'Histoire 5ème Année Humanité
100% (6)
Cours d'Histoire 5ème Année Humanité
19 pages
Ecrit Journ
Pas encore d'évaluation
Ecrit Journ
113 pages
Évaluation sur l'identité numérique et sécurité
Pas encore d'évaluation
Évaluation sur l'identité numérique et sécurité
4 pages
Définition et causes de la solitude
100% (1)
Définition et causes de la solitude
3 pages
Protection du cyberconsommateur en ligne
100% (1)
Protection du cyberconsommateur en ligne
43 pages
Signification des Nombres et Vibrations
Pas encore d'évaluation
Signification des Nombres et Vibrations
4 pages
Conversion entre bases numériques
Pas encore d'évaluation
Conversion entre bases numériques
16 pages
Calcul de la pression du vent sur bâtiment
Pas encore d'évaluation
Calcul de la pression du vent sur bâtiment
97 pages
12-Annexe - VIII-2 - E3 LV - Grille - Fiche - Aide - Évaluation - BTS - GTLA - 2025
Pas encore d'évaluation
12-Annexe - VIII-2 - E3 LV - Grille - Fiche - Aide - Évaluation - BTS - GTLA - 2025
6 pages

Optimisationdyn

Transféré par

Optimisationdyn

Transféré par

COURS SUR OPTIMISATION DYNAMIQUE

3.2.2 Méthode de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

IUFIC 2 Dr ZOUNGRANA Christ Roi Malick ©

1.1 Définitions préliminaires

1.1.1 Déterminant d’une matrice :

1.1.2 Mineurs principaux d’une matrice :

Les trois mineurs principaux d’ordre 1 de M sont a11 , a22 et a33 .

1.1.3 Mineurs principaux diagonaux d’une matrice :

1.1.4 Matrice hessienne :

IUFIC 4 Dr ZOUNGRANA Christ Roi Malick ©

1.1.5 Matrice hessienne bordée

La matrice hessienne bordée de f est une matrice symétrique carrée d’ordre n + 1.

1.1.6 Matrice jacobienne :

Déterminer la matrice jacobienne de f

1.1.7 Matrices (semi) définies négatives, matrice (semi) définies po-

IUFIC 5 Dr ZOUNGRANA Christ Roi Malick ©

1.1.9 Ensembles convexes

Ensemble strictement convexe : Un ensemble S de Rn est strictement convexe ssi,

N.B. : La notion ”d’ensemble concave ” n’existe pas.

1.1.10 Fonctions concaves, fonctions convexes

Fonction convexe : f est convexe sur S ssi, ∀(x, y) ∈ S 2 et ∀λ ∈ [0, 1], on a :

IUFIC 6 Dr ZOUNGRANA Christ Roi Malick ©

1.1.11 Propriétés importantes :

1.1.12 Caractérisation pour les fonctions à plusieurs variables :

Exemple : Montrer que la fonction f (x, y, z) = x2 + 2y 2 + 3z 2 + 2xy + 2xz est strictement

1.1.13 Fonctions quasi-concaves, fonctions quasi-convexes

1.2 Equations différentielles

IUFIC 7 Dr ZOUNGRANA Christ Roi Malick ©

1.2.1 Equations différentielles du 1er ordre

y 0 + a(x)y = b(x) (1) ,

où a, b sont des fonctions continues de la variable réelle x.

Principe de résolution de (1)

IUFIC 8 Dr ZOUNGRANA Christ Roi Malick ©

y 0 + y = αx2 + (2α + β) + (β + γ) on aura une solution particulière pour α = 3, 2α + β = 1

d’où k (x) = [3 (x2 − 2x + 2) + (x − 1) − 4] ex + k = (3x2 − 5x + 1) ex + k

Equations à variables séparées

Exemple 1.2.4. Intégrer y 0 − 1 − x22 y = 0

en posant xy = t, par y 0 = t0 x + t d’où t0 x + t = f (t) et f (t)−t

IUFIC 9 Dr ZOUNGRANA Christ Roi Malick ©

Exercice 1.2.6. Intégrer y 0 = x−1 y 2 − (2 + x−1 ) y + x + 2. On vérifiera d’abord que y1 = x est

1.2.2 Equations différentielles linéaires du second ordre à coefficients

Exercice 1.2.7. intégrer : y 00 − 2y 0 − 3y = 0; y 00 − 2y 0 + y = 0

Equations avec second membre

IUFIC 10 Dr ZOUNGRANA Christ Roi Malick ©

Recherche d’une solution particulière seconds membre remarquables

Exercice 1.2.8. intégrer :

Exercice 1.2.9. intégrer :

Exercice 1.2.10. intégrer :

IUFIC 11 Dr ZOUNGRANA Christ Roi Malick ©

Exercice 1.2.11. Intégrer les équations différentielles suivantes :

Equation linéaire d’ordre n à coefficients constants avec un second membre spécial.

1.2.3 Systèmes différentiels linéaires

X 0 (t) = A(t) · X(t)

Systèmes différentiels linéaires à coefficients constants

X 0 (t) = A · X(t) + B(t)

IUFIC 12 Dr ZOUNGRANA Christ Roi Malick ©

est solution du système X 0 (t) = A · X(t).

A · X(t) = A · eλt V = eλt A · V = eλt λV

Résolution du système homogène si sa matrice est diagonalisable

sont les fonctions X : R → Rn définies par

X(t) = α1 eλ1 t V1 + α2 eλ2 t V2 + · · · + αn eλn t Vn

IUFIC 13 Dr ZOUNGRANA Christ Roi Malick ©

2.2 Théorèmes fondamentaux d’optimisation

2.2.1 Rappels des résultats principaux

2.2.2 Cas de l’extremum libre

Théorème 2.2.1. Si la fonction f admet un extremum au point M0 (pointstationnaire n on de la

Théorème 2.2.2. En supposant que la fonction f soit définie au voisinage de M0 et qu’elle

2.2.3 Cas de l’extremum lié

La recherche de l’extremum de ce programme

Théorème 2.2.3. Si la fonction f admet un extremum lié au point M0 (point stationnaire de

2.3 Maxima et minima globaux

Propriétés des fonctions concaves et convexes

IUFIC 15 Dr ZOUNGRANA Christ Roi Malick ©

Théorème 2.3.2. Les trois conditions suivantes sont équivalentes :

Théorème 2.3.3. Les trois conditions suivantes sont équivalentes :

2.4 Extrema avec contraintes sous forme d’égalités

Théorème 2.2.1. Si la fonction f admet un extremum au point M0 (pointstationnaire n on de la

La résolution de ce programme permet detrouver ~ à l’extremum à travers