Scribd
Importer
5 vues2 pages

Optimisation des fonctions en ingénierie

Le module aborde les notions fondamentales de l'optimisation, en définissant les fonctions, les extrema locaux et globaux, ainsi que les conditions d'optimalité pour les cas différentiables et contraints. Il souligne l'importance de la convexité, qui garantit que tout minimum local est également global, facilitant ainsi la résolution des problèmes d'optimisation. Des exemples de fonctions convexes et non convexes sont fournis pour illustrer ces concepts.

Transféré par

Clint Ngouleu
Copyright
© All Rights Reserved
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
5 vues2 pages

Optimisation des fonctions en ingénierie

Le module aborde les notions fondamentales de l'optimisation, en définissant les fonctions, les extrema locaux et globaux, ainsi que les conditions d'optimalité pour les cas différentiables et contraints. Il souligne l'importance de la convexité, qui garantit que tout minimum local est également global, facilitant ainsi la résolution des problèmes d'optimisation. Des exemples de fonctions convexes et non convexes sont fournis pour illustrer ces concepts.

Transféré par

Clint Ngouleu
Copyright
© All Rights Reserved
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

Module 2 – Notions de bas en optimisation (5 h)

1. Fonctions, minimum, maximum

1.1. Notion de fonction (rappel formel et intuition ingénieur)


Une fonction 𝑓 est une application qui associe à chaque élément 𝑥 d'un ensemble 𝑋
(domaine) une unique valeur 𝑓(𝑥) dans un ensemble 𝑌 (codomaine):

𝑓: 𝑋 ⊆ ℝ𝑛 → ℝ

Dans les systèmes énergétiques, 𝑥 représente un vecteur de décisions (ex. puissances,


capacités, consignes) et 𝑓(𝑥) une grandeur d'intérêt (coût, perte, énergie non servie,
rendement).

Intuition pratique : penser à 𝑓 comme une carte de performance du système ; pour chaque
configuration 𝑥 elle donne une « note » 𝑓(𝑥) à optimiser.

𝒙 𝒇(𝒙)

1.2. Extrema : définitions locales et globales

Soit 𝑓 définie sur 𝑋.

 𝑥 ∗ est un minimum local si ∃ un voisinage 𝑈 de 𝑥 ∗ tel que ∀𝑥 ∈ 𝑈 ∩ 𝑋, 𝑓(𝑥) ≥


𝑓(𝑥 ∗ ).
 𝑥 ∗ est un minimum global si ∀𝑥 ∈ 𝑋, 𝑓(𝑥) ≥ 𝑓(𝑥 ∗ ).
 Les maximums sont définis de façon analogue en inversant les inégalités.
Remarque : les minima locaux peuvent être nombreux ; l'intérêt pratique est de distinguer
minima locaux acceptables (bons) et global optimum (meilleur).

1.3. Conditions d'optimalité (rappels utiles pour ingénieurs)

Cas différentiable (intuitif rapide)


Pour 𝑓: ℝ𝑛 → ℝ, suffisamment régulière :

 Tout extrémum intérieur satisfait ∇𝑓(𝑥 ∗ ) = 𝟎 (conditions stationnaires).


 Nature du point déterminée par la matrice hessienne 𝐻𝑓 (𝑥 ∗ ) = ∇2 𝑓(𝑥 ∗ ) :
 𝐻 définie positive ⇒ minimum local.
 𝐻 définie négative ⇒ maximum local.
 Indéterminée ⇒ selle / point indéterminé.
Interprétation pratique : la dérivée nulle indique un plateau; la hessienne indique la
courbure (convexe minimum).

Cas contraint (Lagrange)


Problème:

min 𝑓(𝑥) s.t. 𝑔𝑖 (𝑥) = 0, 𝑖 = 1. . 𝑚.


𝑥

Lagrangien : ℒ(𝑥, 𝜆) = 𝑓(𝑥) + ∑𝑚 𝑖=1 𝜆𝑖 𝑔𝑖 (𝑥).


Conditions stationnaires : ∇𝑥 ℒ = 0, 𝑔𝑖 (𝑥) = 0. (KKT pour inégalités — conditions
nécessaires sous régularité). Application : dimensionnement sous contraintes physiques
(ex. puissance onduleur ≤ 𝑃max , SOC limits).

1.4. Convexité : pourquoi c'est fondamental en ingénierie


Une fonction convexe 𝑓 sur un domaine convexe a la propriété : tout minimum local est
global. C'est la propriété clé qui rend certains problèmes faciles (optimisation globale
garantie par algorithmes standards).

 Exemples convexes fréquents : coûts linéaires, termes quadratiques positifs


(pénalités), perte énergétique moyennée.
 Exemples non-convexes : fonctions puissance PV 𝑃(𝑉) = 𝑉 ⋅ 𝐼(𝑉) (forme
unimodale mais non convexe en général), optimisation combinatoire (on/off d'un
générateur), problèmes avec contraintes non linéaires.
Implication pédagogique : distinguer clairement dans les exercices les cas convexes (où les
outils déterministes convergent) et non-convexes (où heuristiques / multi-démarrages sont
nécessaires).

Vous aimerez peut-être aussi