2024/2025
Compte rendu TP02
Optimisation
SALAH Ahmed
Partie I - Résolution des Systèmes Linéaires :
Question I-1 : Méthode de Gauss-Seidel
Objectif :
La question demande d'implémenter la méthode itérative de Gauss-Seidel pour
résoudre un système linéaire de la forme A⋅x = b.
Méthode :
La méthode de Gauss-Seidel est une méthode itérative qui permet de résoudre des
systèmes linéaires. À chaque itération, on met à jour les valeurs de x en utilisant les
valeurs précédentes des autres inconnues dans le système. La méthode converge
sous certaines conditions, comme la diagonale dominante de la matrice A.
Résultats attendus :
L'algorithme permet de trouver une solution approximative au système, et on vérifie
la convergence en utilisant une tolérance d'erreur.
Code de la fonction :
Question I-2 : Exemple numérique avec Gauss-Seidel
Objectif :
Utiliser la méthode de Gauss-Seidel pour résoudre un système numérique donné, et
afficher les résultats des trois premières itérations ainsi que la solution finale.
Méthode :
Un système linéaire est défini avec une matrice A et un vecteur b. La méthode de
Gauss-Seidel est appliquée pour obtenir la solution, en affichant les valeurs de x
après les trois premières itérations.
Résultats attendus :
Les trois premières itérations fournissent une approximation de la solution, et la
solution finale est obtenue lorsque l'erreur est inférieure à une tolérance définie.
Code :
Résultats :
Question I-3 : Circuit électrique
Objectif :
Résoudre un système d'équations obtenu par les lois de Kirchhoff pour un circuit
électrique donné, en utilisant la méthode de Gauss-Seidel.
Méthode :
Les lois de Kirchhoff permettent d'écrire un système d'équations linéaires
représentant les courants dans un circuit. La méthode de Gauss-Seidel est ensuite
utilisée pour résoudre ce système, ce qui donne les courants dans chaque branche
du circuit.
Résultats attendus :
Les courants dans chaque branche du circuit sont calculés et affichés. Ce processus
montre l'applicabilité de la méthode de Gauss-Seidel à des systèmes de grande
taille.
Code :
Résultats :
Question I-4 : Système de grande taille
Objectif :
Comparer les performances de la méthode de Gauss-Seidel sur une matrice dense
et une matrice creuse pour résoudre un système de grande taille (500x500).
Méthode :
La matrice A est construite pour être à la fois dense et creuse, et la méthode de
Gauss-Seidel est utilisée pour résoudre le système. Les performances sont
comparées en mesurant le temps de calcul pour les deux types de matrices.
Résultats attendus :
La matrice creuse devrait donner de meilleurs résultats en termes de temps de calcul
et d'utilisation mémoire, en raison de sa structure contenant de nombreux zéros.
Code :
Résultats :
• Temps de calcul pour la matrice creuse :
La matrice creuse devrait avoir un temps de calcul plus court en raison de son
stockage compact et de l'efficacité de l'algorithme lorsqu'il ignore les zéros.
• Temps de calcul pour la matrice dense :
Le temps de calcul pour la matrice dense sera plus long car elle nécessite
plus de mémoire et de calculs en raison de la présence de nombreux
éléments non nuls.
Les matrices creuses sont plus efficaces en termes de temps de calcul et de
mémoire, surtout pour des systèmes de grande taille avec beaucoup de zéros, ce qui
est souvent le cas dans des applications de simulation numérique.
Partie II - Régression Linéaire :
Question II-1 : Régression linéaire
Objectif :
Calculer les coefficients de la droite de régression y=ax+b qui minimise la somme
des carrés des erreurs entre les données observées et les valeurs prédites par la
droite.
Méthode :
La régression linéaire est réalisée en utilisant la méthode des moindres carrés. Cela
implique de calculer les sommes nécessaires et de résoudre un système d'équations
pour obtenir les coefficients a et b.
Résultats attendus :
Les coefficients a et b sont calculés et la droite de régression est tracée sur les
données expérimentales.
Question II-1-4 : Générer des données et ajuster une droite
Objectif :
Générer un nuage de points à partir de la fonction y=3x+2 avec un bruit gaussien,
puis ajuster une droite par régression linéaire.
Méthode :
Les données sont générées avec une fonction linéaire y=3x+2, puis un bruit aléatoire
est ajouté. La fonction de régression linéaire reglin1D est utilisée pour calculer les
coefficients a et b.
Résultats attendus :
Les coefficients a et b sont calculés, et une courbe de régression est tracée en rouge
pour les points expérimentaux et en bleu pour la droite ajustée.
Code de la fonction :
Code main :
Résultats :
Question II-2 : Application à la pile à combustible
Objectif :
Ajuster un modèle mathématique de la pile à combustible en utilisant des données
expérimentales pour déterminer les constantes A, B, C, et D.
Méthode :
Le modèle de la pile à combustible est donné par une fonction non linéaire. La
fonction lsqcurvefit est utilisée pour ajuster les paramètres A, B, C, et D en
minimisant la somme des carrés des erreurs entre les données expérimentales et le
modèle.
Résultats attendus :
Les constantes A, B, C, et D sont ajustées, et le modèle est tracé pour comparer les
résultats expérimentaux et les valeurs calculées.
Code de la fonction :
Code main :
Résultats :
Conclusion générale :
Ces exercices nous ont permis de nous familiariser avec l'application de la méthode
de Gauss-Seidel à la résolution de systèmes linéaires (y compris des systèmes
complexes comme les circuits électriques), ainsi qu'avec la régression linéaire et non
linéaire pour ajuster des modèles aux données expérimentales. Nous avons
également comparé les performances des matrices creuses et denses et ajusté des
modèles pour des phénomènes physiques réels (pile à combustible).
TP N°02 Complément
Question 1 : Résolution d’un problème mono-variable
Objectif :
Trouver le minimum d'une fonction d'une seule variable f(x) à l'aide d'une méthode
numérique.
Contexte :
Dans ce type de problème, nous cherchons à minimiser une fonction f(x), qui dépend
uniquement d'une variable x. Cela permet d’illustrer des concepts de base en
optimisation avant de les appliquer à des problèmes plus complexes en plusieurs
variables.
Méthode utilisée :
• La méthode choisie pour résoudre ce problème est la fonction MATLAB
fminbnd, spécialement conçue pour trouver le minimum d'une fonction dans
un intervalle donné [a,b]
• Cette méthode repose sur une combinaison des approches parabolique et
dichotomique pour réduire l’intervalle de recherche jusqu’à ce qu’elle
converge vers le minimum.
Conclusion :
La résolution d’un problème mono-variable est une introduction fondamentale aux
techniques d’optimisation. La fonction MATLAB fminbnd est particulièrement
efficace pour des fonctions continues dans un intervalle défini.
Code :
Résultats :
Question 2 : Résolution d’un problème multi-variable
Objectif :
Trouver le minimum d’une fonction qui dépend de plusieurs variables.
Contexte :
Les problèmes multi-variables sont plus complexes que les problèmes mono-
variable, car ils impliquent de gérer des dérivées partielles, des gradients et des
matrices Hessiennes.
Méthode utilisée :
• Pour résoudre ce problème, nous utilisons des méthodes numériques telles
que la méthode de Newton ou des algorithmes d’optimisation comme
fminsearch en MATLAB.
• fminsearch : Cette méthode est une approche heuristique qui utilise un
algorithme de type Nelder-Mead. Elle n’a pas besoin de connaître les dérivées
de la fonction, ce qui la rend utile pour des fonctions non différentiables ou
très complexes.
Conclusion :
La résolution d’un problème multi-variable implique une gestion plus complexe des
dérivées partielles et nécessite l’utilisation de techniques numériques adaptées.
Code :
Résultats :
Question 3 : Usine de production
Objectif :
Maximiser le profit d'une usine produisant deux types de machines A et B, en tenant
compte des relations entre les prix, les coûts unitaires et les quantités produites de
chaque type de machine.
Contexte :
Dans cette question, l'objectif est de modéliser un problème de maximisation du
profit pour une usine qui produit deux produits différents. Le profit dépend des prix de
vente, des coûts de production et des quantités produites.
Méthode utilisée :
• Pour résoudre ce problème, une méthode d'optimisation numérique est
appliquée, comme fminsearch dans MATLAB. Cette méthode est utilisée
pour maximiser le profit en minimisant l'opposée de la fonction de profit.
• Les variables x1 et x2 sont ajustées pour trouver les quantités optimales de
production des machines A et B qui maximisent le profit de l’usine.
Conclusion :
Cette question montre comment appliquer des techniques d’optimisation pour
résoudre un problème économique concret. En utilisant des méthodes numériques
telles que fminsearch, nous avons déterminé les quantités optimales de production
des deux types de machines qui maximisent le profit de l'usine.
Code :
Résultats :
Conclusion générale :
En conclusion, ce tp nous a permis d’explorer différentes méthodes d'optimisation
appliquées à des problèmes mathématiques et économiques. Nous avons utilisé des
techniques comme fminbnd pour minimiser une fonction mono-variable, et des
méthodes comme la méthode de Newton et fminsearch pour résoudre des
problèmes d'optimisation multi-variable. Enfin, dans un contexte économique, nous
avons maximisé le profit d'une usine en optimisant les quantités de production. Ce tp
met en évidence l’efficacité de ces méthodes numériques pour résoudre des
problèmes complexes, illustrant leur utilité dans la prise de décision en gestion et
optimisation.