Chapitre 5 :Optimisation, Dérivées et Méthodes Numériques

30 kart

The document discusses optimization problems, including minimizing or maximizing a function subject to constraints. It covers concepts like decision variables, objective functions, admissible sets, stationary points, and the application of derivatives to find extrema. Methods like linearization and Newton's method for solving nonlinear equations are also presented with examples.

30 kart

Tekrar et

Aralıklı tekrar, her kartı uzun süreli hafızalamak için en uygun anda gösterir ve gitgide artan aralıklarla revizyonlar.

Soru

Quels sont les 3 composants clés d'un problème d'optimisation?

Yanıt

La variable de décision (x), la fonction objectif (f) et l'ensemble admissible (Ω).

Soru

Qu'est-ce qu'un minimiseur de f sur Ω?

Yanıt

Un point x* ∈ Ω tel que f(x*) ≤ f(x) pour tout x ∈ Ω.

Soru

Qu'est-ce qu'un maximiseur de f sur Ω?

Yanıt

Un point x* ∈ Ω tel que f(x*) ≥ f(x) pour tout x ∈ Ω.

Soru

Qu'est-ce qu'un point stationnaire d'une fonction f?

Yanıt

Un point c où la dérivée de la fonction est nulle, c'est-à-dire f'(c) = 0.

Soru

Si x* est un extrémant sur un intervalle ouvert, que vaut f'(x*)?

Yanıt

Si f est dérivable en x*, alors sa dérivée première doit être nulle: f'(x*) = 0.

Soru

Quelle est la formule de linéarisation de f en c?

Yanıt

La fonction affine L_c(x) = f(c) + f'(c)(x - c).

Soru

Que représente le graphe de la linéarisation L_c?

Yanıt

La droite tangente au graphe de la fonction f au point c.

Soru

Quelle est l'idée principale de la méthode de Newton?

Yanıt

Résoudre une équation non linéaire en résolvant une séquence d'équations linéaires.

Soru

Quelle est la formule itérative de la méthode de Newton pour g(x)=0?

Yanıt

x_k+1 = x_k - [g'(x_k)]^-1 g(x_k).

Soru

Comment la méthode de Newton trouve-t-elle les points stationnaires de f?

Yanıt

En appliquant l'itération x_k+1 = x_k - [f''(x_k)]^-1 f'(x_k).

Soru

Dans la Méthode de Newton, que représente r_k(x)?

Yanıt

La fonction r_k(x) est la linéarisation de la fonction g au point x_k.

Soru

Comment définit-on la fonction de profit?

Yanıt

La fonction de profit est la différence entre la fonction de revenu et la fonction de coût: profit(x) = p(x)·x − c(x).

Soru
Quels points examiner pour trouver les extrémants de f sur [a,b]?

Yanıt
Les points où f' n'est pas définie, les points frontières a et b, et les points stationnaires sur (a, b).

Soru
Quand l'approximation f(x) ≈ Lc(x) est-elle valide?

Yanıt
L'approximation est valide lorsque x est très proche de c, car la linéarisation est une approximation locale.

Soru
Quelle est la linéarisation de f(x) = ln(x) en c=1?

Yanıt
La fonction L₁(x) = x - 1, ce qui implique que ln(x) ≈ x - 1 pour x proche de 1.

Soru
Quelle est la linéarisation de f(x) = e^x en c=0?

Yanıt
La fonction L₀(x) = x + 1, ce qui implique que e^x ≈ x + 1 pour x proche de 0.

Soru
Quelle est la linéarisation de f(x) = sin(x) en c=0?

Yanıt
La fonction L₀(x) = x, ce qui implique que sin(x) ≈ x pour x proche de 0.

Soru
Quelle est l'interprétation géométrique de l'itération de Newton?

Yanıt
L'itéré x_k+1 est l'intersection de la droite tangente au graphe de g au point x_k avec l'axe des abscisses.

Soru
Quelle est l'approximation de ln(1.003) par linéarisation?

Yanıt
En utilisant la linéarisation de ln(x) en c=1, qui est L₁(x) = x-1, on obtient ln(1.003) ≈ 0.003.

Soru
Quelle condition assure que l'itération de Newton est bien définie?

Yanıt
La dérivée de la fonction au point actuel doit être non nulle: g'(x_k) ≠ 0.

Soru
Quelle distinction y a-t-il entre un minimiseur et une valeur minimale?

Yanıt
Le minimiseur est le point x* où l'optimum est atteint, tandis que la valeur minimale est la valeur f(x*) de la fonction.

Soru
Comment appelle-t-on un point qui est soit un minimiseur soit un maximiseur?

Yanıt
Un point d'extrémum ou un extrémant.

Soru
Comment est définie la fonction de revenu dans le contexte du profit?

Yanıt
Le revenu est le prix unitaire multiplié par la quantité produite : revenu(x) = p(x)·x.

Soru
Quelle est la dérivée de la fonction de profit P(x) = -2x² + 1800x - 2600?

Yanıt
La dérivée est P'(x) = -4x + 1800.

Soru
Dans le problème de la clôture, quelle fonction d'aire a(x) est-on amené à maximiser?

Yanıt
La fonction a(x) = x( (100-x)/2 ), qui peut se simplifier en 50x - x²/2.

Soru
Quelles dimensions de clôture maximisent la surface rectangulaire près de la rivière?

Yanıt
Une largeur de x* = 50 mètres et une profondeur de y* = 25 mètres.

Soru
Quelle est la linéarisation de f(x) = x² en c=1?

Yanıt
La fonction affine est L₁(x) = 2x - 1.

Soru
Quelle est la linéarisation de f(x) = √x en c=1?

Yanıt
La fonction affine est L₁(x) = (1/2)x + 1/2.

Soru
Si f'(x) > 0 pour x < c et f'(x) < 0 pour x > c, que représente c?

Yanıt
Le point c est un maximiseur local de la fonction f.

Soru
Si f'(x) < 0 pour x < c et f'(x) > 0 pour x > c, que représente c?

Yanıt
Le point c est un minimiseur local de la fonction f.

Ce document est une ressource pédagogique décrivant les concepts d'optimisation (minimisation et maximisation de fonctions) et la linéarisation, ainsi que des exemples pratiques et l'introduction de la méthode de Newton.

Problèmes d'Optimisation

Un problème d'optimisation vise à trouver la valeur minimale ou maximale d'une fonction sous certaines contraintes.

Minimisation

Pour une fonction et un ensemble , le problème de minimisation est défini comme suit :

Minimiser  $f(x)$ ,
sujet à    $x \in \Omega$ .

Où :

est la variable de décision.
est la fonction objectif.
est l'ensemble admissible.

Le but est de trouver un tel que . Ce point est appelé minimiseur de sur .

Maximisation

Similairement, pour une fonction et un ensemble , le problème de maximisation est défini comme suit :

Maximiser  $f(x)$ ,
sujet à    $x \in \Omega$ .

Le but est de trouver un tel que . Ce point est appelé maximiseur de sur .

Points Extrémants et Stationnaires

Théorème: Soit un intervalle ouvert et une fonction. Si est un point extrémant de sur (minimiseur ou maximiseur) et est dérivable en , alors .

Un point est dit point stationnaire de quand . Les points extrémants peuvent être trouvés en considérant :

L'ensemble des points où la dérivée de n'est pas définie.
Les points frontières de l'intervalle (par exemple, et pour ).
L'ensemble des points stationnaires de sur l'intervalle ouvert .

Exemple d'Optimisation : Maximisation du Profit

Considérons la fonction de demande d'un produit , et le coût de production . On veut maximiser le profit pour .

La fonction de profit est : .
La dérivée du profit est : .
Pour trouver le point stationnaire, on pose .
Analyse du signe de la dérivée :
- (profit croissant)
- (profit décroissant)

La conclusion est que est le maximiseur du profit.

Exemple d'Optimisation : Surface Maximale d'une Clôture

On dispose de 100 mètres de grillage pour construire une clôture rectangulaire le long d'une rivière (un côté est la rivière, donc seulement trois côtés sont clôturés). On veut maximiser la surface couverte.

Soit la longueur du côté parallèle à la rivière, et les deux autres côtés.
Périmètre disponible : .
Surface de la clôture : . On maximise pour .
La dérivée de la surface est : .
Point stationnaire : .
Analyse du signe de la dérivée :
- (surface croissante)
- (surface décroissante)

Le maximiseur est . Les dimensions optimales sont mètres et mètres.

Linéarisation d'une Fonction

La linéarisation d'une fonction en un point est la fonction affine définie par :

$L_c(x) = f(c) + f'(c)(x - c)." data-type="inline-math">$ $L_{c} (x) = f (c) + f^{'} (c) (x - c) ." d a t a - t y p e = " in l in e - ma t h " >< / s p an >$

Le graphe de est la droite tangente au graphe de au point .

Observation : si est très proche de . Cette approximation est utile pour estimer les valeurs de la fonction près du point .

Exemples de Linéarisation

Linéarisation de en
- .
Linéarisation de en
- .
Linéarisation de en
- .
Linéarisation de en
- .
- Application : Pour estimer , on utilise l'approximation .
Linéarisation de en
- .
- Application : Pour estimer , on utilise l'approximation .

Méthode de Newton pour les Équations Non Linéaires

L'objectif pratique en optimisation est de trouver tel que . Cela devient un problème de résolution d'équation non linéaire , où .

Présentation de la Méthode de Newton

Soit une fonction différentiable pour laquelle on cherche à résoudre .

Si est une approximation de la solution, on peut utiliser l'approximation linéaire de autour de :

$g(x) \approx g(x_k) + g'(x_k)(x - x_k)." data-type="inline-math">$ $g (x) \approx g (x_{k}) + g^{'} (x_{k}) (x - x_{k}) ." d a t a - t y p e = " in l in e - ma t h " >< / s p an >$

Pour trouver une meilleure approximation , on résout l'équation linéaire . Si , cela donne :

$x_{k+1} = x_k - [g'(x_k)]^{-1}g(x_k)." data-type="inline-math">$ $x_{k + 1} = x_{k} - [g^{'} (x_{k})]^{- 1} g (x_{k}) ." d a t a - t y p e = " in l in e - ma t h " >< / s p an >$

C'est l'itération de la méthode de Newton.

Idée Principale

Résoudre une équation non linéaire en résolvant une séquence d'équations linéaires.

Remarques

Le graphe de est la droite tangente au graphe de au point .
Puisque , le point est l'intersection de cette droite tangente avec l'axe des . Ceci offre une élégante interprétation géométrique de la méthode de Newton.

Application à l'Optimisation

Lorsque l'objectif est de trouver un point stationnaire tel que , on pose .

Dans ce cas, la méthode de Newton devient :

$x_{k+1} = x_k - [f''(x_k)]^{-1}f'(x_k), \quad \forall k \geq 0." data-type="inline-math">$ $x_{k + 1} = x_{k} - [f^{''} (x_{k})]^{- 1} f^{'} (x_{k}), \forall k \geq 0." d a t a - t y p e = " in l in e - ma t h " >< / s p an >$

Ce document couvre les concepts clés de la dérivation et de l'optimisation, incluant la définition des problèmes d'optimisation (minimisation et maximisation), l'identification des points extrêmes, la linéarisation de fonctions, et une introduction à la méthode de Newton pour la résolution d'équations non linéaires.

1. Problèmes d'Optimisation

L'optimisation vise à trouver la meilleure valeur (minimale ou maximale) d'une fonction sous certaines contraintes.

1.1 Problème de Minimisation

Un problème de minimisation est défini comme suit :

Minimiser , sujet à ,

où :

est la variable de décision.
est la fonction objectif.
est l'ensemble admissible.

Le but est de trouver une solution telle que pour tout . Ce point est appelé minimiseur de sur .

1.2 Problème de Maximisation

Un problème de maximisation est défini comme suit :

Maximiser , sujet à ,

où :

est la variable de décision.
est la fonction objectif.
est l'ensemble admissible.

Le but est de trouver une solution telle que pour tout . Ce point est appelé maximiseur de sur .

2. Points Stationnaires et Extrémants

Les points extrémants d'une fonction peuvent être trouvés en analysant sa dérivée.

2.1 Théorème Fondamental

Soit un intervalle ouvert et une fonction. Si est un point extrémant de sur (minimiseur ou maximiseur) et est dérivable en , alors . Un point tel que est appelé un point stationnaire de .

2.2 Recherche de Points Extrémants sur un Intervalle Fermé

Pour une fonction définie sur l'intervalle :

Identifier l'ensemble des points où la dérivée de n'est pas définie.
Inclure les points frontières et .
Trouver l'ensemble des points stationnaires de sur .

Les points extrémants se trouvent dans l'union de ces ensembles.

2.3 Exemples d'Optimisation

2.3.1 Maximisation du Profit

Soit la fonction de demande (où est la quantité produite et le prix unitaire) et le coût de production . On veut maximiser le profit.

La fonction de profit est: .
La dérivée du profit est: .
Pour trouver le point stationnaire, on pose .

Puisque pour et pour , maximise le profit.

2.3.2 Optimisation d'une Surface de Clôture

On dispose de 100 mètres de grillage pour construire une clôture rectangulaire le long d'une rivière (donc un côté n'a pas besoin de grillage).

Soient la longueur parallèle à la rivière et les deux côtés perpendiculaires. La contrainte est , d'où .
La surface à

maximiser est .

La dérivée de l'aire est .
Pour trouver le point stationnaire, on pose .

Puisque pour et pour , maximise la surface. Les dimensions sont mètres et mètres.

3. Linéarisation d'une Fonction

La linéarisation permet d'approximer une fonction par une droite tangente.

3.1 Définition

La linéarisation () de la fonction en un point est la fonction affine définie par : L_cfc $.Observation: si est très proche de .<h3 style="text-align: left;">3.2 Exemples de Linéarisation</h3><ul class="tight" data-tight="true"><li>Pour en : , donc et . .</li><li>Pour en : , donc et . .</li><li>Pour en : , donc et . .</li><li>Pour en : , donc et . . Application: .</li><li>Pour en : , donc et . . Application: .</li></ul><h2 style="text-align: left;">4. Méthode de Newton</h2>La méthode de Newton est un algorithme itératif pour trouver des approximations de plus en plus précises des racines (zéros) d'une fonction à valeurs réelles.<h3 style="text-align: left;">4.1 Résolution d'Équations Non Linéaires</h3>Le but est de trouver tel que , où est une fonction différentiable.Soit une approximation de la solution. On utilise l'approximation de Taylor du premier ordre (linéarisation) de autour de : x_{k+1}g(x_k) + g'(x_k)(x_{k+1} - x_k) = 0 $.Si , on obtient la formule itérative de Newton : $Idée de la méthode de Newton : Résoudre une équation non linéaire en résolvant une séquence d'équations linéaires.Remarques :<ul class="tight" data-tight="true"><li>Le graphe de la fonction linéaire est la droite tangente au graphe de au point .</li><li>Puisque , le point est l'intersection de cette droite tangente avec l'axe des abscisses.</li></ul><h3 style="text-align: left;">4.2 Application à l'Optimisation</h3>Pour trouver un point stationnaire d'une fonction , on cherche tel que . Dans ce cas, on pose .La méthode de Newton devient alors: $

Bir quiz başla
Bilgini etkileşimli sorularla test et