Chapitre I Modélisation optimisation

Slides:



Advertisements
Présentations similaires
CHAPITRE 6 Fonctions numériques.
Advertisements

ÉTUDE COMPLÈTE 1 Cours 19.
J.B. Lagrange J.M. Gélis Bernard Le Feuvre Xavier Meyrier …..
Chapitre I Modélisation optimisation I- Optimisation de fonctions d’une seule variable 1 Introduction En gestion, on est souvent confronté à des situations.
Chapitre 4 Linéarisation et optimisation sous contrainte
Cours N°3 maths 1ere Année SM
L'image: Le codage des images BacPro SEN Lycée Condorcet.
Courbes d'Interpolation Interpolation de Lagrange, et Interpolation B-spline.
I) mesure et erreurs de mesure 1) le vocabulaire à connaitre
Et maintenant, le mode : fastoche !
MODÉLISATION chapitre 4
Suites ordonnées ou mettre de l’ordre
Outils de Recherche Opérationnelle en Génie MTH 8414
Pierre Joli Cours de Mathématique Pierre Joli
Chapitre 1 nombres, chaînes de caractères, booléens, et VARIABLES
Réseaux électriques de base
Réalisé par : Ghilani Idriss Butadjine Oussama Rahmani Khaled
Ch. 3 - Equilibre partiel de marché - Diapo 3
Loi Normale (Laplace-Gauss)
Collecte de données CAPI
Chapitre 3: Esquisser le graphique d’une fonction
VI Graphes probabilistes
Exercices corrigés de statistiques
Information, Calcul, Communication
Chapitre 2 Vecteurs et Repérage dans le plan
Les plans de mélange Les plans d’expérience : Présentée par :
Plans d’experiences : plans de melanges
plan Introduction Objectif d’un plan de mélange
Programmation linéaire et Recherche opérationnelle Licence d’Econométrie Professeur Michel de Rougemont
Pression absolue - relative
LES PRINCIPES DE LA THERMODYNAMIQUE
Introduction aux Statistiques Variables aléatoires
Fonctions Logiques & Algèbre de BOOLE
L’Audit Social Realisés par: Anass MOUJANE Omar SABER
Cours N°9: Algorithmiques Les Tableaux 1
ACTIVITÉ EXPÉRIMENTALE : ADAPTATION
BONNE SOIREE année HARIRI Saïd PANIER Stéphane DEMOUVEAU
Structure D’une Base De Données Relationnelle
Module: Logique Mathématique. SOMMAIRE 1- Notions d’ensembles 2- Constructions d’ensembles 3- Cardinal d’ensembles 4- Relations d’ensembles ordonnées.
Fonction rationnelle Chapitre 5.
Calcul Scientifique Initiation à SCILB
La gestion des stocks (Modèle de Wilson).
Statistiques. Moyenne, Moyenne pondérée, Tableur et graphiques.
Systèmes de monnaie.
I.1. Définition et composition d’une solution  La dissolution d’une espèce chimique (appelé soluté) dans un grand volume de liquide (appelé solvant) donne.
 1____Probabilité  2______variables aléatoires discrètes et continues  3______loi de probabilités d’une v a  4_______les moyens et les moyens centraux.
Chapitre2: SGBD et Datawarehouse. On pourrait se demander pourquoi ne pas utiliser un SGBD pour réaliser cette structure d'informatique décisionnelle.
OPTIMISATION 1ère année ingénieurs
Redemande avec un jeu unicolore
1/15 STABILITE 1)- NOTION DE STABILITE 2)- CONDITIONS DE STABILITE.
Généralités sur les fonctions
Résolution d’un problème de diffusion 1D
Les salles de shoot.
Présentation 5 : Sondage à probabilités inégales
CalculmatricielCalculmatriciel. I. Matrices Définitions & notations :
CHAPITRE 6 Stabilité des SA.
ENSEIGNER L’ALGORITHMIQUE ET LA PROGRAMMATION AU COLLÈGE
Chapitre 1 Formulation d’un programme linéaire (PL) Georges Abboudeh BUST 347.
Définition :. Pourquoi le GEMMA ? GEMMA : l'acronyme GEMMA signifie : Guide d'Etude des Modes de Marche et d'Arrêt. Comme son nom l'indique, c'est un guide.
Plan du cours Statistiques appliquées
Section V Désenfumage.
Recherche de zero d'une fonction MARMAD ANAS MPSI -2.
5. Algorithme du simplexe
CSI 3505 / Automne 2005: Conception et Analyse des Algorithmes I.
Traitement de la turbulence
Journée 2ème: introduction
Le courant électrique continu
PROGRAMMATION SCIENTIFIQUE EN C
STATISTIQUE INFERENTIELLE LES TESTS STATISTIQUES.
Outils de Recherche Opérationnelle en Génie MTH 8414
Transcription de la présentation:

Chapitre I Modélisation optimisation I-  Optimisation de fonctions d’une seule variable 1  Introduction En gestion, on est souvent confronté à des situations complexes devant lesquelles des décisions doivent être prises. On utilise alors des modèles pour représenter la réalité, ce qui est appelé de la modélisation mathématique. Définition   L’optimisation est l'étude des minima et maxima d’une fonction .

Graphe de domaine A de . f atteint un maximum absolu en x = 8 et un maximum local en x = -4 . f atteint un minimum local en x = - 6 et un minimum absolu en x = 2.

Exemple 1 Considérons la fonction suivante définie sur l’intervalle [1,20] :

On voit qu’aux points x = 1 et x = 20 (qui sont les bornes du domaine de f ), la fonction f atteint des optima locaux (f(1) = 8 et f(20) = 11). De plus, comme les valeurs de f au voisinage (inclus dans l’intervalle) du point x = 1 sont inférieures à la valeur de f au point x = 1 (f(1) = 8), on conclut qu’en x = 1, f atteint un maximum local. On peut appliquer le même raisonnement au point x = 20 pour conclure que f atteint un maximum local en ce point. Au point x = 5, la valeur de f est f(5) = 1. Les valeurs de f dans le voisinage gauche de

Au point x = 14, la valeur de f est 8 Au point x = 14, la valeur de f est 8. Comme les valeurs de f au voisinage gauche de x = 14 sont inférieures à 8, et que les valeurs de f au voisinage droit de x = 14 sont aussi inférieures à 8, on en conclut que c’est un maximum local. x = 5 sont supérieures à 1, et les valeurs de f au voisinage droit de x = 5 sont aussi supérieures à 1, on en conclut donc que c’est un minimum local. On applique un raisonnement semblable pour conclure que le point x = 16 est aussi un minimum local. En résumé, les maxima locaux sont situés aux points x = 1, x = 14 et x = 20, avec des valeurs respectives de 8, 8 et 11. Le maximum absolu est donc situé au point x = 20 avec une valeur de f(20) = 11. Les minima locaux sont situés aux points x = 5 et x = 16, avec des valeurs respectives de f(5) = 1 et f(16) = 2. Le minimum absolu est donc situé au point x = 5 avec une valeur de 1.

Supposons maintenant que l’intervalle sur lequel est définie la fonction f est réduit à [1, 18]. Alors, le point x = 20 n’est plus admis dans l’analyse. On doit donc vérifier le comportement de la fonction à la nouvelle borne x = 18. Dans le voisinage (inclus dans l’intervalle) de ce point, les valeurs de f sont inférieures à f(18) = 6, la fonction atteint donc un maximum local de 6 au point x = 18. Comparons les valeurs des différents maxima locaux afin de trouver le maximum absolu. Aux points x = 1, x = 14 et x = 18, la fonction prend les valeurs respectives f(1) = 8, f(14) = 8 et f(18) = 6. Le maximum absolu de la fonction est 8 et est atteint aux points x = 1 et x = 14.

4  Conditions d’optimum d’ordre supérieur Un optimum local pour lequel la dérivée existe est nécessairement un point stationnaire, mais la réciproque n’est pas toujours vraie. Définition  Un point stationnaire qui n’est pas un optimum local est un point singulier.

et est un minimum local. Ainsi x = 1/e est un minimum local

3- 0ptimisation en présence d’une contrainte

Exercices d’application

Corrigé des exercices

Chapitre II Suites numériques

Exercices d’application

Corrigé des exercices