2017-2018 SOM1MT18 - Semestre 1

Université d’Orléans Optimisation, M1 SPMA

TD1 : Rappel et optimisation sans contrainte

Exercice 1.
Calculer la matrice Jacobienne de la fonction
f : R2 → R3
(x, y) 7→ (x2 + y 3 , y, 3 cosh x + sinh y)T

Exercice 2.
Soit f : R2 → R la fonction définie par
 xy
x2 +y 2
si (x, y) 6= (0, 0)
f (x, y) =
0 si (x, y) = (0, 0).

La fonction f est-elle C 2 (R2 , R) ? La fonction est-elle coercive ?

Exercice 3.
Soit f : R3 \ {0} → R la fonction définie par
1
f (x, y, z) = p .
x2 + y 2 + z 2

Déterminer le gradient et la matrice Hessienne de f . Cette dernière est-elle semi-définie positive,

définie positive ?

Exercice 4.
Soient A ∈ Mn,p (R) et b ∈ Rp . Calculer le gradient et la matrice Hessienne de la fonction

f : Rn → R
x 7→ kAx − bk2

Cette fonction est-elle coercive ?

Exercice 5.
Soient f et g deux fonctions numériques définies sur une même partie A de R.
1. Prouver que si f ≤ g et si f est minorée sur A, alors g est minorée sur A et inf(f ) ≤ inf(g)
2. Prouver que si f est majorée sur A alors −f est minorée sur A et inf(f ) = − sup(f )
3. Prouver que si f et g sont toutes deux majorées sur A alors, alors f + g est majorée sur A et :

sup(f + g) ≤ sup(f ) + sup(g)

4. Prouver que si λ > 0 alors sup(λ.f ) = λ. sup(f )

Exercice 6.
Les fonctions de Rn dans R suivantes sont-elles différentiables ? Si oui , quelle est la différentielle ?
Xn
a) f (x) = kxk1 = |xi |.
i=1
n
X
b) f (x) = kxk22 = |xi |2 .
i=1
n
c) f (x) = kxkpp =
X
|xi |p avec p ∈ N, p ≥ 3.
i=1

1
Exercice 7.
Déterminer les extrémas locaux des fonctions suivantes sur R2 :
a) f1 (x, y) = x3 + 3xy 2 − 15x − 12y,
b) f2 (x, y) = 3x3 + xy 2 − xy,
c) f3 (x, y) = x4 + 13 y 3 − 4y − 2,
d) f4 (x, y) = x3 + xy 2 − x2 y − y 3 .
Pour chaque fonction, montrer que les extrema locaux ne sont pas globaux.

Exercice 8.
Soit la fonction, définie sur R
1
f (x, y) = x4 − xy + y 2
4
1. Montrer que f est coercive.
2. Calculer les points critiques de f .
3. En déduire le minimum global de f .

Exercice 9.
Calculer les extremas globaux de f (x, y) = 5x2 + y 2 − 2xy sous la contrainte x2 + y 2 = 1 en se rame-
nant à un problème d’optimisation sans contrainte dans R. Faites une interprètation géométrique.

Exercice 10.
Calculer les extremas globaux de f (x, y, z) = x2 + y 2 + z 2 sous la contrainte x + y + z = 1 en se
ramenant à un problème d’optimisation sans contrainte dans R2 .

Exercice 11.
Calculer les extremas globaux de f (x, y, z) = x2 + y 2 + z 2 sous la contrainte x + y 2 = 1 en se
ramenant à un problème d’optimisation sans contrainte dans R2 .

Exercice 12.
On considère la fonction Jp définie sur R (p ∈ R).

Jp (x, y, z) = x4 + y 4 + z 4 − p(x2 + y 2 + z 2 − 1)

1. Montrer que la fonction Jp est coercive, c’est-à-dire que limk(x,y,z)k→+∞ Jp (x, y, z) = +∞. En
déduire que Jp admet un minimum global.
2. Montrer qu’il existe une valeur p0 ∈ R telle que :
(a) Pour p ≤ p0 , Jp admet un seul point critique.
(b) Pour p > p0 , Jp admet 27 points critiques.
On précisera la valeur de p0 ainsi que celle des 27 points critiques.
3. Trouver les minima globaux de Jp lorsque p ≤ p0 .
4. On suppose maintenant p > p0 . Calculer le Hessien de Jp et étudier la nature des points
critiques. En déduire que la fonction Jp admet 8 minima globaux que l’on précisera.

Exercice 13 (Problèmes de gestion de stocks).

Soient p1 = 52 et p2 = 44 les prix respectifs de deux produits . Soient q1 et q2 les quantités respectives
de ces produits. Le revenu issu de la vente est donc : R = p1 q1 + p2 q2 . La fonction coût est :
C = q12 + q1 q2 + q22 et le bénéfice réalisé est : Π = R − C. Trouver les quantités q1 et q2
maximisant le bénéfice.

Exercice 14.
Même problème avec des prix adaptatifs , i.e. variant en fonction de la quantité de produits :

p1 = 256 − 3 q1 − q2
p2 = 222 + q1 − 5 q2

2
Exercice 15.
Même problème avec des prix adaptatifs , i.e. variant en fonction de la quantité de produits :

p1 = 256 − 3 q1 − q2
p2 = 222 + q1 − 5 q2

Exercice 16 (Résolution d’un système linéaire : moindres carrés).

On considère le système d’équations linéaires d’ordre n :

Ax = b (1)

où A est une matrice symétrique n × n et b un vecteur de Rn .

a) Montrer que résoudre (1) est équivalent à résoudre le problème de minimisation suivant :
1
minn { (Ax, x) − (b, x)} (2)
x∈R 2

1
On note J(x) = (Ax, x) − (b, x) et ( , ) désigne le produit scalaire usuel de Rn .
2
b) Que se passe-t’il si A n’est plus symétrique ?
c) Comment peut-on étendre la méthode à un système de n équations à p inconnues avec n 6= p ?

Exercice 17.
Vérifier que le calcul de l’inverse d’un scalaire α par la méthode de Newton correspond à la méthode
itérative :
xk+1 = xk (2 − αxk ) , k ≥ 0
Construire , par analogie , une méthode itérative d’approximation de l’inverse d’une matrice inver-
sible A , de la forme :
B0 matrice arbitraire
Bk+1 = fonction(Bk , A), k ≥ 0

Démontrer qu’une CNS de convergence de cette méthode est : ρ(I − ABo ) < 1.
Supposant la matrice A symétrique , définie , positive et supposant connu son rayon spectral ρ,
comment choisir simplement la matrice B0 pour vérifier la condition précédente ?