___________________________________________________________________________

Universit du Havre Ecole doctorale SPMII

___________________________________________________________________________
Laboratoire de mathmatiques Appliques du Havre EA 3821



Etude et extensions dalgorithmes de
points intrieurs pour
la programmation non linaire


THESE

Prsente et soutenue publiquement le / /2007

Pour lobtention du

Doctorat de luniversit du Havre
(spcialit optimisation)

Par

KEBBICHE Zakia




Composition du jury

Naceureddinne Bensalem Professeur lUFA-Stif Prsident et rapporteur
Jean-Rodolphe Roche Professeur lUniversit de Nancy I Rapporteur
Srigne Gueye M.C. lUniversit du Havre Examinateur
Djamel Benterki M.C. lUFA-Stif Examinateur
Abdelkrim Keraghel M.C. lUFA-Stif Directeur de Thse en Algrie
Adnan Yassine Professeur lUniversit du Havre Directeur de Thse en France






REMERCIEMENTS

Je remercie Monsieur le professeur Abdelkrim Keraghel directeur du
laboratoire de mathmatiques fondamentales et numriques (LMFN), universit
Ferhat Abbas, Stif et le professeur Adnan Yassine directeur du laboratoire de
mathmatiques appliques (LMAH), universit du Havre, davoir accepter de diriger
cette thse, qui par leurs conseils pertinents, leurs remarques et leurs encouragements
mont permis de la raliser.
J'exprime mon respect Monsieur le professeur Naceuredinne Bensalem qui
ma fait l'honneur de prsider le jury de cette thse, je le remercie respectueusement.
Je tiens aussi exprimer mes vifs remerciements et respects Messieurs :
Jean -Rodolphe Roche Professeur luniversit de Nancy I (France), Srigne Gueye
Matre de confrences luniversit du Havre( France) et Djamel Benterki Matre de
confrences luniversit Ferhat Abbas-Stif, qui ont bien accepter de juger ce travail
et den tre les examinateurs.
Je remercie spcialement Monsieur : Mohammed Achache, Matre de
confrences luniversit Ferhat Abbas-Stif, pour son aide , ses conseils et ses
encouragements.
Je remercie toute lquipe doptimisation du laboratoire de mathmatiques
fondamentales et numriques de dpartement de mathmatiques de Stif et lquipe
doptimisation du laboratoire de mathmatiques appliques du Havre pour leurs aides
continues et leurs encouragements.
Mes remerciements sadressent galement toute lquipe administrative des
dpartements de mathmatiques de Stif et du Havre davoir mis notre service tous
les moyens disponibles, en particulier le comit et le conseil scientifique davoir
entrepris avec une grande souplesse les dmarches ncessaires pour la soutenance.
Enfin, je remercie tous ceux qui mont aid de prs ou de loin quelquils soient
et do quils soient.




TABLE DES MATIRES


INTRODUCTION GNRALE.....1

CHAPITRE I
MTHODES DE TRAJECTOIRE CENTRALE POUR LE
PROBLME DE COMPLMENTARIT LINAIRE

I.1. Prliminaires...4
I.2. Programmation mathmatique ..........5
I.2.1. Classification dun programme mathmatique.6
I.2.2. Qualification des contraintes6
I.2.3. Principaux rsultats dexistence...7
I.2.4. Conditions doptimalit....7
I.3. Programmation linaire (PL)..8
Mthodes de rsolution dun programme linaire..9
1- Mthode du simplexe.....9
2- Mthodes de points intrieurs....9
I.4. Programmation quadratique (PQ).....11
Mthode de rsolution dun (PQ)..12
I.5. Complmentarit linaire. 12
Transformation dun programme quadratique convexe en un programme de
complmentarit linaire.....12
Transformation dun programme complmentaire linaire en un programme
quadratique convexe........................14
Mthodes de rsolution dun programme complmentaire linaire..15
a- Mthode de Lemke...15
b- Mthode de points intrieurs...15
Mthodes de trajectoire centrale....16
Problme dinitialisation...22
Mthode de trajectoire centrale avec poids...22
Aspects numriques.. 27
Mthode de trajectoire centrale non ralisable.................36
Aspects numriques. .39
Commentaire40


CHAPITRE II
MINIMISATION DUNE FONCTION CONVEXE SOUS
CONTRAINTES LINAIRES PAR UNE MTHODE DE
TRAJECTOIRE CENTRALE AVEC POIDS

II.1. Description de la mthode classique....42
II.2. Mthode de trajectoire centrale avec poids......45
Description..........45
Algorithme..47
Calcul de la direction de dplacement....48
Convergence.......49






CHAPITRE III
UNE VARIANTE DE TYPE PROJECTIF POUR LA MINIMISATION
DUNE FONCTION CONVEXE SOUS CONTRAINTES LINAIRES

III.1. Mthode de Karmarkar . 59
Description de lalgorithme de base...59
Convergence de lalgorithme.62
III.2. Gnralisation de lalgorithme de base..63
III.3. Extension de la mthode de Karmarkar .65
Formulation du problme......66
Linarisation...68
Description de lalgorithme69
Etude de la convergence.....70

CONCLUSION......74

BIBLIOGRAPHIE ...... 76













Rsum

Dans cette thse, nous prsentons une tude algorithmique et numrique concernant la
mthode de trajectoire centrale applique au problme de complmentarit linaire considr
comme une formulation unificatrice de la programmation linaire et la programmation
quadratique convexe. Puis, nous proposons deux variantes intressantes, lune de trajectoire
centrale et lautre de type projectif avec linarisation, pour minimiser une fonction convexe
diffrentiable sur un polydre.
Les algorithmes sont bien dfinis et les rsultats thoriques correspondants sont tablis.

Mots cls :
Programmation linaire, programmation quadratique convexe, complmentarit linaire,
programmation non linaire, mthodes de points intrieurs, mthode de trajectoire centrale,
mthode projective avec linarisation.


Abstract

In this thesis, we present an algorithmically and numerical study concerning the central path
method for linear complementarity problem which is considered as an unifying framework of
linear and quadratic programming. Then, we propose two interesting variants namely the
central path and the projective with linearization methods for minimizing a convex
differentiable function on a polyhedral set. The algorithms are well defined and the
corresponding theoretical results are established.

Key words:
Linear programming, convex quadratic programming, linear complementarity problem,
nonlinear programming, central path interior point methods, projective with linearization
methods.






















INTRODUCTION GNRALE

















La rsolution dun problme doptimisation non linaire de taille importante reste
toujours un challenge malgr tout le succs observ dans ce domaine.
Le relancement des mthodes de points intrieurs depuis 1984 [9] a donn espoir
aux spcialistes du domaine pour raliser des progrs considrables dans ce sens. Ces
mthodes ont fait leurs preuves dans le domaine de la programmation linaire (PL) no-
tamment par leur bonnes proprits thoriques (complexit polynmiale et convergence
superlinaire) et leur bon comportement numrique. Aussitt, des variantes sont intro-
duites pour la programmation quadratique et la complmentarit linaire.
Ceci tant, il faut signaler tout de mme que ( sur le plan technique ), ces mthodes
prsentent des inconvnients dordre algorithmique et numrique entre autre : le problme
dinitialisation et le cot excessif de litration li aux choix de la direction et du pas de
dplacement.
Notre tude est rpartie en deux volets :
Le premier est une tude qualitative dune classe privilgie de mthodes de points in-
trieurs, celle de trajectoire centrale. Leort est concentr sur le problme dinitialisation
pour lequel nous proposons deux alternatives : trajectoire centrale avec poids et trajec-
toire centrale non ralisable. Le modle dapplication tant celui de la complmentarit
linaire monotone qui couvre la programmation linaire et la programmation quadra-
tique convexe. Nous avons ainsi amlior nettement le comportement numrique des
algorithmes correspondants.
Le deuxime volet concerne lextension des mthodes de trajectoire centrale et les
mthodes projectives pour des problmes non linaires en commenant par minimiser
une fonction non linaire convexe direntiable sur un polydre.
A ce propos, le mlange des techniques de linarisation et les ingrdients de lapproche
projective ont donn lieu un algorithme simple et prometteur. Une variante de la mth-
ode de trajectoire centrale avec poids est galement lordre du jour, dans les deux cas,
les rsultats thoriques sont tablis.
La thse est prsente en trois chapitres :
1
Dans le premier chapitre, nous prsentons quelques notions de base sur la programmation
mathmatique, puis une tude thorique et numrique des mthodes de trajectoire cen-
trale appliques un programme complmentaire linaire comme formulation unicatrice
de la programmation linaire et la programmation quadratique convexe.
Une extension de la mthode de trajectoire centrale avec poids pour la minimisation
dune fonction convexe sous contraintes linaires est dcrite dans le deuxime chapitre.
Dans le dernier chapitre, les techniques de linarisation sont combines avec les ingr-
dients de lapproche projective pour laborer une mthode simple possdant des atouts
dun comportement numrique.
2
Chapter 1
Mthodes de trajectoire centrale
pour le problme de
complmentarit linaire
3
1.1 Prliminaires
- Un ensemble 1 _ R
n
est dit convexe si :
\r. 1 : (1 `)r +` 1. \` [0. 1].
- 1 est dit ane si :
\r. 1 : (1 `)r +` 1. \` R.
- 1 est un polydre sil scrit comme suit :
1 = r R
n
: j
t
i
r _ c
i
. i = 1. .... :
o j
i
est un vecteur non nul de R
n
et c
i
est un scalaire pour i = 1. .... :.
- Une fonction , : R
n
R est dite convexe sur 1 si :
,[(1 `)r +`] _ (1 `),(r) +`,(). \` [0. 1].
- , est dite strictement convexe si lingalit ci-dessus est toujours stricte \r ,= . \`
]0. 1[.
- , est dite ane si :
,[(1 `)r +`] = (1 `),(r) +`,(). \` R.
4
1.2 Programmation mathmatique
En gnral, un programme mathmatique est dni comme suit :
(1`)
_
_
_
min ,(r)
r 1 _ R
n
o : , : R
n
R est une fonction continment direntiable appele fonction objectif
et 1 est appel ensemble des solutions ralisables prsent souvent comme : 1 = l \ ,
avec:
l = r R
n
: ,
i
(r) _ 0. i = 1. .... : et \ = r R
n
: q
i
(r) = 0. i = 1. .... j.
Dnitions
- On appelle solution ralisable de (PM) tout point vriant les contraintes ( i.e. :
appartenant 1 ).
- Une solution ralisable qui minimise lobjectif sur 1 est dite solution optimale
globale de (PM). On note par arg min
D
,(r) lensemble des solutions optimales globales.
- Un point r

1 est une solution optimale locale de (PM) si : \ (voisinage) de

r

tel que: ,(r

) _ ,(r). \r \ et on note par |oc min

D
,(r) lensemble des solutions
optimales locales de (PM).
Nous avons toujours arg min ,(r) _ |oc min ,(r) et si (PM) est convexe les deux
ensembles sont gaux.
Remarque 1
Le problme doptimisation prcdent consiste :
- Soit chercher un point optimal ( local ou global ).
- Soit, si un tel point nexiste pas on cherche une borne infrieure ,.
- Soit tablir que , est non borne infrieurement sur 1, auquel cas on adopte la
convention inf
D
,(r) = .
- Lorsque 1 est vide on pose par convention inf
D
,(r) = +.
5
1.2.1 Classication dun programme mathmatique
On classie le problme (PM) partir de deux proprits fondamentales savoir la con-
vexit et la direntiabilit des fonctions du problme. A ce propos, (PM) est dit convexe
si , et ,
i
sont convexes et q
i
anes. Si ces dernires sont toutes direntiables on dit que
(PM) est direntiable. La classe de programmes mathmatiques convexes direntiables
est le modle le mieux labor, les programmes non convexes ou non direntiables sont
diciles traiter.
Enn, le cas le plus simple est celui de la programmation linaire o ,. ,
i
et q
i
sont
anes.
1.2.2 Qualication des contraintes
- Si 1 est un polydre convexe ( i.e. : toutes les fonctions contraintes sont anes ), alors
par dnition les contraintes sont qualies en tout point ralisable.
- Si 1 est convexe ( i.e. : ,
i
convexe et q
i
ane ) et i:t1 ,= O. les contraintes sont
qualies partout. Cest la condition de Slater.
- Une contrainte dingalit ,
i
(r) _ 0 est dite sature (ou active) en r

D si ,
i
(r

) = 0.
De ce fait, une contrainte dgalit q
i
(r) = 0 est par dnition sature en tout point r
de 1. les contraintes sont qualies en r

1 si les gradients de toutes les fonctions des

contraintes satures en r

sont linairement indpendants.

Remarque 2
La rsolution complte de (PM) traite dans lordre les points suivants:
- Lexistence ( et ventuellement lunicit ) dune solution optimale.
- La caractrisation de la solution (il sagit des conditions doptimalit ).
- Llaboration dalgorithmes pour calculer cette solution.
6
1.2.3 Principaux rsultats dexistence
Thorme 1 ( Weierstrass ) [4]
Soit 1 compact non vide de R
n
, si , est continue sur 1 alors (PM) admet au moins
une solution optimale globale r

1.
Corollaire 1
Soit 1 non vide et ferm de R
n
, , est continue et crcive sur 1 ( au sens que
lim,(r) = +
kxk!+1
) alors (PM) admet au moins une solution optimale globale.
Remarque 3
Lunicit dune solution ventuelle est en gnral une consquence de la convexit de
1 et de la stricte convexit de ,.
1.2.4 Conditions doptimalit
On considre le programme mathmatique :
(1`)
_

_
min ,(r)
,
i
(r) _ 0. i = 1. .... :
q
i
(r) = 0. i = 1. .... j
o ,. ,
i
et q
i
sont continment direntiables.
Thorme 2 ( Karush-Kuhn-Tucher (KKT) ) [19]
Si r

est une solution optimale locale de (P) satisfaisant lune des conditions de qual-
ication prcdentes, alors il existe des multiplicateurs ` R
m
+
et j R
p
tels que :
_

_
\,(r

) +
m

i=1
`
i
\,
i
(r

) +
p

i=1
j
i
\q
i
(r

) = 0 ( condition doptimalit )
`
i
,
i
(r

) = 0. i = 1. .... : ( condition de complmentarit )

q
i
(r

) = 0. i = 1. .... j
7
Remarque 4
- Si les contraintes ne sont pas qualies en r

, les conditions de KKT ne sappliquent

pas ( r

peut tre optimal sans vrier ces conditions ).

- Si (PM) est convexe, les conditions de KKT sont la fois ncessaires et susantes
pour que r

soit un minimum global.

1.3 Programmation linaire (PL)
On considre le programme linaire sous la forme standard :
(11)
_

_
min c
t
r
r = /
r _ 0
o est une matrice relle de type (:. :) suppose de plein rang (:q = : _ :),
/ R
m
et c R
n
.
Lensemble des solutions ralisables o = r R
n
: r = /. r _ 0 est un polydre
convexe ferm.
Le dual de (PL) est donn par :
(1)
_

_
max /
t

t
_ c
R
m
Proposition 1 [19]
Un programme linaire ralisable et born ( objectif born ) possde au moins une
solution optimale, situe sur la frontire du domaine ralisable.
Dnitions
- Une base de est une sous matrice 1 forme de : colonnes linairement indpen-
dantes de .
8
- La solution de base associe 1 est le point r = (r
B
. r
N
) R
n
tel que : r
B
=
1
1
/. r
N
= 0.
- Une solution de base qui vrie r
B
_ 0 est dite solution de base ralisable.
- Un point r est un sommet de o si et seulement sil est une solution de base ralisable.
- Un sommet est dit non dgnr si r
B
0. Il est dgnr dans le cas contraire (
au moins une composante de r
B
est nulle).
Proposition 2 [19]
Si un programme linaire possde une solution optimale, alors au moins un sommet
du domaine ralisable est une solution optimale.
Mthodes de rsolution dun programme linaire
1) Mthode du simplexe
Elle a t dveloppe la n des annes 40 par G.Dantzig. Elle tient compte syst-
matiquement des rsultats tablis prcdemment. Elle volue sur la frontire du domaine
ralisable de sommet en sommet adjacent, en rduisant la valeur de lobjectif jusqu
loptimum. Un critre doptimalit simple permet de reconnatre le sommet optimal.
Le nombre de sommet tant ni, lalgorithme ainsi dni converge en un nombre ni
ditrations nexcdant pas le nombre C
m
n
, sous lhypothse que tous les sommets visits
sont non dgnrs.
Dans le cas dgnr lalgorithme risque de cycler, cependant il existe des techniques
convenables pour viter ce phnomne. En gnral, la mthode du simplexe possde un
comportement numrique trs satisfaisant conrm par ses applications multiples dans
la rsolution dune large classe de problmes pratiques. En thorie, la mthode na
pas autant de succs, elle est plutt juge inecace de par sa complexit arithmtique
exponentielle de lordre de C(2
n
) oprations.
2) Mthodes de points intrieurs
Ces mthodes ont t dveloppes dans les annes 60 dans le but de rsoudre des pro-
grammes mathmatiques non linaires. Leur utilisation pour la programmation linaire
na pas reu autant denthousiasme cause de la dominance quasi totale de la mthode
9
du simplexe cette poque. Aprs lapparition de lalgorithme de Karmarkar en 1984
pour la programmation linaire, les mthodes de points intrieurs ont connu une vritable
rvolution, on enregistre plus de 3000 publications en quelques annes.
On distingue trois classes fondamentales de mthodes de points intrieurs savoir :
les mthodes anes, les mthodes de rduction du potentiel et les mthodes de trajectoire
centrale ( chemin central ).
a/ Mthodes anes (Dikin 1967) :
Il sagit pratiquement de lalgorithme de Karmarkar sans fonction potentiel et sans
transformation projective, on utilise une transformation ane et on remplace la con-
trainte de non ngativit par un ellipsoide qui contient le nouveau itr.
Lalgorithme est dune structure simple, malheureusement, il nest pas facile de d-
montrer la polynmialit.
b/ Mthodes de rduction du potentiel :
La fonction potentiel joue un grand rle dans le dveloppement des mthodes de
points intrieurs. Lalgorithme de Karmarkar appliqu au programme linaire sous forme
standard utilise une fonction potentiel de la forme : j log(c
t
r 2)
n

i=1
log(r
i
). o j =
:+1 et 2 est une borne infrieure de la valeur optimale de lobjectif. Karmarkar prouve la
convergence et la polynmialit de son algorithme par monter que cette fonction est rduit
chaque itration par au moins une constante. Depuis 1987, les chercheurs introduisent
des fonctions du potentiel de type primales-duales, parmi lesquelles, celle de Tanabe,
Todd et Ye [24] dnie par :

(r. :) = j log(r
t
:)
n

i=1
log(r
i
:
i
). pour j :. Cette
fonction a jou un rle trs important dans le dveloppement des algorithmes de rduction
du potentiel aprs 1988. Les algorithmes correspondants ces mthodes possdent une
complexit polynmiale, ils ncessitent C(
_
:[log [) itrations pour rduire le saut de
dualit ( r
t
: _ . est une prcision donne ).
c/ Mthodes de trajectoire centrale (TC) :
Elles ont t introduites la mme poque que les mthodes de rduction du potentiel
et pleinement dveloppes au dbut des annes 90. Elles possdent de bonnes proprits
10
thoriques : une complexit polynmiale et une convergence superlinaire.
Les algorithmes de (TC) restreintent les itrs un voisinage du chemin central, ce
dernier est un arc de points strictement ralisables.
Plusieurs chercheurs essaient de gnraliser le principe de ces mthodes pour la pro-
grammation non linaire. En 1987, Megiddo [24] a propos un algorithme primal-dual de
trajectoire centrale pour la programmation linaire avec une gnralisation pour le prob-
lme de complmentarit linaire (PCL). Kojima et al. [15] ont dvelopp un algorithme
primal-dual pour la programmation linaire, une extension pour le (PCL) est propose
par les mmes chercheurs en 1989 avec la complexit C(
_
:log(
1

)) itrations.
1.4 Programmation quadratique
La programmation quadratique est connue pour ses applications multiples dans plusieurs
domaines. Souvent, elles interviennent comme procdures intermdiaires pour des pro-
grammes non linaires, cest le cas entre autre des mthodes de programmation quadra-
tique successives (SQP).
Sans perte de gnralit, on peut prsenter un programme quadratique sous la forme
suivante :
(1Q)
_

_
min ,(r) =
_
1
2
r
t
Qr +c
t
r
_
r = /
r _ 0
o Q est une matrice symtrique dordre :, / R
m
. c R
n
et R
mn
de plein
rang (:q = :).
Rappelons que lensemble des contraintes o est un polydre convexe et ferm, la fonction
objectif est inniment direntiable.
(1Q) est convexe si et seulement si , est convexe auquel cas la matrice Q est semi-dnie
positive.
11
Mthodes de rsolution dun (PQ)
On peut classier les mthodes de rsolution en deux catgories conformment leurs
principes : les mthodes simpliciales et les mthodes de points intrieurs.
1.5 Complmentarit linaire
Depuis son apparition, la complmentarit a attir lintrt de plusieurs chercheurs, son
importance peut tre mesure par le rle crucial quelle joue dans la rsolution de plusieurs
problmes dans dirents domaines: programmation linaire, programmation quadra-
tique convexe, les inquations variationnelles, mcanique, ...
Le problme de complmentarit linaire not (PCL) gnralise la programmation
linaire et la programmation quadratique convexe.
Il scrit sous la forme :
(1C1)
_

_
Trouver r. R
n
tel que :
= `r +
r
t
= 0
(r. ) _ 0
o : ` est une matrice carre dordre : et R
n
.
Transformation dun programme quadratique convexe en un
programme complmentaire linaire
Soit le programme quadratique convexe :
(1QC)
_

_
min
1
2
r
t
Qr +c
t
r
r _ /
r _ 0
o Q est une matrice carre dordre :, symtrique et semi-dnie positive.
est une matrice de type (:. :) et de rang :, c un vecteur de R
n
et / un vecteur de
12
R
m
.
Comme le problme (PQC) est convexe et les contraintes sont linaires alors les conditions
de KKT sont ncessaires et susantes et scrivent comme suit :
r R
n
+
est une solution optimale de (PQC) ssi R
m
+
. ` R
n
+
tels que :
_

_
c +Qr +
t
` = 0

t
(/ r) = 0
`
t
r = 0
_ 0. ` _ 0
=
_

_
` = c +
t
+Qr
= / r
`
t
r = 0.
t
= 0
r _ 0. _ 0. ` _ 0. _ 0
=
_

_
_
_
`

_
_
=
_
_
Q
t
0
_
_
_
_
r

_
_
+
_
_
c
/
_
_
_
_
_
`

_
_
.
_
_
r

_
_
_
= 0
_
_
`

_
_
_ 0.
_
_
r

_
_
_ 0
En posant :
n =
_
_
`

_
_
. . =
_
_
r

_
_
. =
_
_
c
/
_
_
` =
_
_
Q
t
0
_
_
13
On obtient :
(1C1)
_

_
Trouver . R
m+n
tel que :
n = `. + _ 0. . _ 0
n
t
. = 0
Remarque 5
Tout programme linaire sous la forme :
(11)
_

_
min c
t
r
r _ /
r _ 0
peut se transformer un (PCL) de la forme :
(1C1)
_

_
Trouver . R
m+n
tel que :
n = `. + _ 0. . _ 0
n
t
. = 0
o:
n =
_
_
`

_
_
. . =
_
_
r

_
_
. =
_
_
c
/
_
_
` =
_
_
0
t
0
_
_
Transformation dun programme complmentaire linaire monotone
en un programme quadratique convexe
En gnral, on ne peut pas transformer un (PCL) quelconque en (PQC) sauf si la
matrice M est semi-dnie positive auquel cas on parle de (PCL) monotone.
14
En eet, soit le problme complmentaire linaire monotone suivant :
(1C1)
_

_
Trouver . R
m+n
tel que :
n = `. + _ 0. . _ 0
n
t
. = 0
Thorme 3 [24]
(PCL) est quivalent au programme quadratique convexe suivant :
_

_
min .
t
(`. +)
`. + _ 0
. _ 0
au sens que (.

. `.

+ ) est une solution de (PCL) ssi .

est une solution optimale

du programme quadratique avec une valeur optimale nulle de lobjectif.
Mthodes de rsolution dun programme complmentaire linaire
Les mthodes existantes pour rsoudre (PCL) sont des extensions des mthodes
conues pour la programmation linaire.
1) Mthode de Lemke (1969) [4]
cest une variante de la mthode du simplexe base sur la notion de pivots compl-
mentaires ( la variable qui entre en base et celle qui quitte la base doivent vrier la
condition de complmentarit ). Lalgorithme de Lemke est connu pour son bon com-
portement numrique, alors quen thorie, il est jug inecace cause de sa complexit
arithmtique exponentielle exprime par le nombre total de pivots ventuels.
2) Mthodes de points intrieurs
Le succs observ dans les mthodes de points intrieurs pour la programmation
linaire a incit les chercheurs dvelopper des extensions intressantes pour rsoudre
le problme de complmentarit linaire, entre autre les mthodes de trajectoire cen-
trale cause de leurs proprits attractives, notamment la complexit polynmiale et
15
la convergence superlinaire ce qui devrait donner lieu un comportement numrique
prometteur.
Mthodes de trajectoire centrale
Cette approche est propose par Kojima, Mizuno et Yoshise [15], cest une extension
de la mthode de trajectoire centrale appliques la programmation linaire.
Soit le problme complmentaire linaire suivant :
(1C1)
_

_
Trouver r R
n
tel que :
= `r +
r
t
= 0
(r. ) _ 0
Notons par :
o = (r. ) R
2n
+
: = `r + lensemble des solutions ralisables de (PCL).
o
int
= (r. ) R
2n
++
: = `r + lensemble des solutions strictement ralisables de
(PCL).
o
PCL
= (r. ) o : r
t
= 0 lensemble des solutions de (PCL).
c = (1. .... 1)
t
R
n
A = dicq(r) : r 0. Ac = r et A
1
c = dicq(
1
r
).c
1 = dicq() : 0. 1 c = et 1
1
c = dicq(
1

).c
A
2
= dicq(
1
r
2
).
A. A
1
. A
2
. 1. 1
1
: sont des matrices diagonales symtriques et dnies positives.
Sans perte de gnralit, on suppose que :
(H1) o
int
,= ?. cest dire, un point strictement ralisable existe.
(H2) M est semi-dnie positive.
16
Le (PCL) monotone est quivalent au programme quadratique convexe suivant :
_

_
min r
t

= `r +
(r. ) _ 0
La notion de trajectoire centrale peut tre introduite moyennant une fonction barrire
logarithmique, il sut dassocier (PCL) le problme barrire suivant :
(1C1)

_
min ,

(r. ) =
_
r
t
j
n

i=1
ln(r
i

i
)
_
. j 0
= `r +
(r. ) 0
Si j 0. la solution de (1C1)

converge vers la solution de (PCL), donc on rsout

une suite de problmes (1C1)

en diminuant les valeurs de j jusqu lobtention dune

solution de (PCL).
Lide gnrale des mthodes de trajectoire centrale consiste suivre un chemin par-
ticulier (dit des centres ou chemin central), en prenant comme direction de dplacement
celle de Newton. Autrement dit: lalgorithme gnre une suite (r
k
.
k
) strictement ral-
isable et une suite (j
k
) qui exprime la condition de complmentarit. cette dernire est
vrie lorsque (j
k
) tend vers zro.
Proposition 3
La fonction ,

(r. ) est strictement convexe.

Preuve
La fonction ,

(r. ) peut tre crite sous la forme :

,

(r) = r
t
(`r +) j
_
n

i=1
ln(r
i
) +
n

i=1
ln(`r +)
i
_
17
En eet, ,

(r) C
1
et nous avons en particulier :
\,

(r) = (` +`
t
)r + jA
1
c j`
t
dicq ((`r +)
1
. .... (`r +)
n
)
1
c
\
2
,

(r) = ` +`
t
+j
_
A
2
+`
t
dicq ((`r +)
1
. .... (`r +)
n
)
2
`

.
Comme ` est une matrice semi-dnie positive, A
2
est dnie positive pour tout
r 0. et j 0. alors \
2
,

(r) est une matrice dnie positive, do le rsultat.

Thorme 4 [15]
` tant semi-dnie positive et o
int
,= O , le problme (1C1)

admet une solution

optimale unique pour tout j 0.
Thorme 5
Soient j 0 et ` une matrice semi-dnie positive.
(r. ) est une solution optimale de (1C1)

si et seulement si (r. ) satisfait le systme

suivant :
(+)
_

_
A1 c jc = 0
= `r +
(r. ) 0
Donc, la rsolution de (1C1)

est quivalente rsoudre le systme (+).

Preuve
(1C1)

est convexe et direntiable, les contraintes sont qualies car anes, alors
les conditions de KKT sont ncessaires et susantes et scrivent comme suit :
_

_
jA
1
c +`
t
= 0
r j1
1
c = 0
= `r +
(r. ) 0
18
ou dune manire quivalente :
_

_
(A`
t
+1 ) = 0
= `r +
(r. ) 0
(A`
t
+ 1 ) est dnie positive alors inversible, donc, = 0. On substitut dans le
systme de KKT, on obtient :
_

_
jA
1
c = 0
r j1
1
c = 0
= `r +
(r. ) 0
Alors:
_

_
A1 c jc = 0
= `r +
(r. ) 0
Do le rsultat.
Dnition
En disignant par (r

) la solution du systme non linaire (+) pour j 0 donn.

Lensemble de toutes les solutions du systme (+): 1 = (r

) : j 0 est appel
trajectoire centrale.
Rsolution du systme (+)
Puisque la premire quation du systme (+) est non linaire, une rsolution directe est
gnralement impossible. Alors, on cherche une solution approche (r

) au systme
dquations suivant : 1

(r. ) = 0 et (r. . j) R
2n+1
+
.............(+)
o 1

: R
2n
+
R
2n
est une fonction dnie par :
19
1

(r. ) =
_
_
A1 c jc
`r
_
_
On note que : (r. ) est une solution de (PCL) si et seulement si elle est une solution
du systme (+) pour j = 0.
On applique la mthode de Newton au systme (+). on obtient :
1

(r. ) +\1

(r. ).n = 0. o n = (r. ).

Cest dire, le systme dquations linaires suivant :
_
_
_
1 r +A = jc A1 c
= `r
dont la solution (r. ) est donne par :
_
_
_
r = (` +A
1
1 )
1
(jA
1
c 1 c)
= `r
Le nouvel itr est calcul comme suit : (r. ) = (r. ) + (r. ).
Facteur de centralit
La qualit de chaque solution trouve est mesure par un facteur dit de centralit :
cest le scalaire dni par :
o(r. . j) = min
2R
+
|A1 c jc| =
_
_
_
_
A1 c (
r
t

:
)c
_
_
_
_
(r. ) o
int
est un point de la trajectoire centrale si :
_
_
_
_
A1 c (
r
t

:
)c
_
_
_
_
= 0.
On veut contrler notre appoximation de la trajectoire telle que la dviation
_
_
_
_
A1 c (
r
t

:
)c
_
_
_
_
converge vers zro au mois linairement lorsque le terme r
t
tend vers zro. Ceci nous
conduit la dnition du voisinage de la trajectoire centrale 1(o). On dit quun point
20
est voisin de la trajectoire centrale sil appartient lensemble suivant :
1(o) =
_
(r. ) o
int
:
_
_
_
_
A1 c (
r
t

:
)c
_
_
_
_
_ (
r
t

:
)o : o 0
_
Description algorithmique :
Partant dune solution initiale (r
0
.
0
) dans le voisinage de la trajectoire centrale avec
j = j
0
. lalgorithme gnre une suite de point (r
k
.
k
) solution du systme (+) par la
mthode de Newton. On sarrte lorsquon obtient une valeur susamment petite du
paramtre j.
Pour des choix convenables des constantes positives o et o et le paramtre j, lalgorithme
gnre une suite (r
k
.
k
) 1(o) ( le nouveau point reste dans le voisinage de la trajectoire
centrale ) en partant dun point initial (r
0
.
0
) 1(o), de plus, chaque itration le terme
(r
k
)
t

k
se rduit au moins linairement par un montant xe (1
o
6
_
:
). Lalgorithme
correspondant se prsente comme suit :
Algorithme de base
Dbut algorithme
Donnes : 0 un paramtre de prcision et 0 < o _ 0.1 une constante donne.
Initialisation : (r
0
.
0
) 1(o)
Itration : pour / = 0. 1. 2. ....
Calculer :
- Les paramtres : o =
o
1 o
et j
k
= (1
o
_
:
)
(r
k
)
t

k
:
.
- La direction de Newton (r
k
.
k
) solution du systme linaire :
_
_
_
1
k
r
k
+A
k

k
= j
k
c A
k
1
k
c

k
= `r
k
- Le nouvel itr : (r
k+1
.
k+1
) = (r
k
.
k
) + (r
k
.
k
). / = / + 1.
Test darrt : (r
k
)
t

k
_
Fin algorithme.
21
Convergence
Si le point courrant (r. ) est voisin de la trajectoire centrale et si on choisit une
valeur convenable du paramtre j 0. alors le nouveau point (r. ) reste voisin de la
trajectoire centrale, plus prcisment, on a le thorme suivant :
Thorme 6 [15]
Soient : 0 < o _ 0.1 et o =
o
1 o
. supposons que :
(r
k
.
k
) 1(o) et j
k
= (1
o
_
:
)
(r
k
)
t

k
:
, alors le point (r
k+1
.
k+1
) dni par :
(r
k+1
.
k+1
) = (r
k
.
k
) + (r
k
.
k
) satisfait :
1, (r
k+1
.
k+1
) 1(o)
2, (r
k+1
)
t

k+1
_ (1
o
6
_
:
)(r
k
)
t

k
.
Problme dinitialisation
En pratique, trouver une solution strictement ralisable initiale qui soit proche de la
trajectoire centrale est une dicult majeure faisant lobjet de recherche. Pour remdier
cette dicult, nous prsentons deux alternatives direntes : la mthode de trajectoire
centrale avec poids et la mthode de trajectoire centrale non ralisable.
Mthode de trajectoire centrale avec poids
On considre le problme perturb suivant :
(1C1)
r
_

_
min ,
r
(r. ) =
_
r
t
j
n

i=1
:
i
ln(r
i

i
)
_
. j 0
= `r +
(r. ) 0
o : = (:
1
. :
2
. .... :
n
)
t
R
n
++
est le poids associ la fonction barrire logarithmique.
Notons que (1C1)
r
gnralise (1C1)

au sens que si :
i
= 1, \i = 1. .... :. on retrouve
ce dernier. La solution optimale de (1C1)
r
converge vers la solution de (PCL) lorsque
j 0.
22
Thorme 7 [7]
Pour chaque j 0, le problme (1C1)
r
possde une solution optimale unique.
Comme dans le cas classique, la rsolution de (1C1)
r
est quivalente celle du systme
non linaire suivant :
(++)
_

_
A1 c j: = 0
= `r +
(r. ) 0
Lensemble de toutes les solutions du systme (++): 1
r
= (r

) : j 0 est appel
trajectoire centrale.
Le facteur de centralit est le scalaire dni par :
o(r. . j) = min
2R
+
|A1 c j:| =
_
_
_
_
A1 c (
r
t
1
:
):
_
_
_
_
On dit quun point est voisin de la trajectoire centrale sil appartient lensemble
suivant :
1
r
(o) =
_
(r. ) o
int
:
_
_
_
_
A1 c (
r
t
1
:
):
_
_
_
_
_ (
r
t
1
:
)o : o 0
_
Pour rsoudre le systme (++). on dnie la fonction 1
r
: R
2n
+
R
2n
par :
1

(r. ) =
_
_
A1 c j:
`r
_
_
La rsolution de 1
r
(r. ) = 0 par la mthode de Newton revient rsoudre le systme
linaire suivant :
_
_
_
1 r +A = j: A1 c
= `r
Par des simples calculs, on obtient :
23
_
_
_
r = (` +A
1
1 )
1
(jA
1
: 1 c)
= `r
Le nouvel itr est calcul comme suit : (r. ) = (r. ) + (r. ).
Description de lalgorithme
Soit (r
0
.
0
) o
int
( point strictement ralisable ), on pose : : =
A
0
1
0
c
j
avec
j =
|A
0
1
0
c|
_
:
. le poids : est choisi de telle manire que (r
0
.
0
) soit un point de la
trajectoire centrale, cest dire,
_
_
_
_
A
0
1
0
c
(r
0
)
t
1
0
:
:
_
_
_
_
= 0.
Partant donc du point initial (r
0
.
0
) 1
r
(o). pour des choix convenables des con-
stantes positives o et j et le paramtre j, lalgorithme gnre une suite de points
(r
k
.
k
) 1
r
(o), de plus, chaque itration de lalgorithme, le terme (r
k
)
t
1
k
se r-
duit au moins linairement par un montant xe (1
j
6
_
:
). Lalgorithme bas sur cette
mthode se prsente comme suit :
24
Algorithme
Dbut algorithme
Donnes : Soit 0 un paramtre de prcision.
Initialisation : (r
0
.
0
) o
int
. j =
|A
0
1
0
c|
_
:
. : =
A
0
1
0
c
j
et o =
_
1
_
2
2
_
j.
A
0
= dicq(r
0
i
). 1
0
= dicq(
0
i
). j = min :
i
et 1 = dicq(:
i
) pour i = 1. .... :.
Itration : Pour / = 0. 1. 2. ....
Calculer :
- Le paramtre : j
k
= (1
o
_
:
)
(r
k
)
t
1
k
:
- La direction de Newton (r
k
.
k
) solution du systme linaire :
_
_
_
1
k
r
k
+A
k

k
= j
k
: A
k
1
k
c

k
= `r
k
- Le nouvel itr : (r
k+1
.
k+1
) = (r
k
.
k
) + (r
k
.
k
). / = / + 1.
Test darrt : (r
k
)
t
1
k
_
Fin algorithme.
Convergence
On a le thorme suivant :
Thorme 8 [7]
Soient (r
0
.
0
) o
int
. j =
|A
0
1
0
c|
_
:
. : =
A
0
1
0
c
j
. o = o =
_
1
_
2
2
_
j.
j = min :
i
. pour i = 1. .... :.
Supposons que : (r
k
.
k
) 1
r
(o) et j
k
= (1
o
_
:
)
(r
k
)
t
1
k
:
, alors :
1) (r
k+1
.
k+1
) 1
r
(o)
2) (r
k+1
)
t
1
k+1
_ (1
j
6
_
:
)(r
k
)
t
1
k
o :
1
r
(o) = (r. ) o
int
: |A1 c j:| _ jo : o 0
25
Remarque 6
Notons que lintroduction du poids entrane une grande exibilit dans le choix du
point initial sans dtriorer les rsultats thoriques.
Phase dinitialisation
Pas 1)Pour trouver un point initial strictement ralisable, on rsout le systme suivant :
(11)
_
_
_
= `r +
(r. ) 0
Daprs Karmarkar [10], (P1) est quivalent au problme doptimisation :
(12)
_

_
min `
. +`( .
0
) =
` _ 0. . _ 0
o .
0
0 est choisi arbitrairement dans lorthant positif et ` une variable articielle.
= [1 `] et . =
_
_

r
_
_
.
Notons que (P2) est toujours ralisable, il sut de prendre : . = .
0
et ` = 1.
Karmarkar dmontre le thorme suivant :
Thorme 8 [13]

0
0 tel que les deux propositions suivantes sont quivalentes :
1) (P1) est ralisable.
2) (P2) admet une solution (.. `) telle que ` _
0
.
La rsolution de (P1) se ramne donc celle de (P2), problme auquel on appliquera
lalgorithme de Karmarkar, puisque connaissant la valeur optimale et une solution ral-
isable de ce dernier. ( Voir chapitre 3 ).
Pas 2) On introduit le poids : en posant : : =
A
0
1
0
c
j
avec j =
|A
0
1
0
c|
_
:
donc on se
retrouve avec (r
0
.
0
) un point de la trajectoire centrale.
26
Aspects numriques
Nous prsentons dans ce paragraphe quelques exprimentations numriques issues de
la mise en oeuvre de lalgorithme de trajectoire centrale avec poids dcrit prcdemment.
Lalgorithme est programm en turbo-pascal. Les tests sont eectus sur P4 avec le
test darrt (r
t
_ = 10
6
).
Exemple 1
Soit le programme linaire :
_

_
min 4r
1
5r
2
2r
1
+r
2
_ 8
r
1
+ 2r
2
_ 7
r
2
_ 3
r
1
. r
2
_ 0
La solution optimale est : r

= (3. 2)
t
.
Exemple 2
Soit le programme linaire :
_

_
min 3r
1
r
2
+r
3
2r
1
+r
2
r
4
_ 0
r
3
+r
5
r
6
_ 0
r
1
+r
2
+r
3
+r
4
+r
5
+r
6
_ 1
r
1
. r
2
. r
3
. r
4
. r
5
. r
6
_ 0
La solution optimale est : r

= (0. 0.5. 0. 0.5. 0. 0)

t
.
27
Exemple 3
Considrons le programme linaire suivant :
(1)
_

_
min c
t
r
r _ /
r _ 0
La matrice , les vecteurs / et c sont prsents dans le tableau suivant :
=
_

_
1 2 3 4 5 5 4 3 2 1
6 7 8 9 10 5 2 8 3 1
11 12 13 14 15 6 7 80 90 10
1 10 20 30 40 50 60 80 90 10
3 9 27 60 45 60 75 8 9 46
_

_
. / =
_

_
10000
10000
10000
10000
10000
_

_
c
i
= 1. i = 1. ...10.
La solution optimale est : r

= (841.121495. 0. 0. 0. 0. 124.610592. 0. 0. 0. 0)
t
.
Les rsultats obtenus sont prsents dans le tableau suivant :
Nombre ditrations Temps de calcul (s)
Exemple 1 141 0.06
Exemple 2 3628 1.97
Exemple 3 27946 59.54
Les solutions initiales obtenues par lalgorithme de Karmarkar sont :
Pour lexemple 1 : r
0
= (2.212543. 1.559423)
t
.
Pour lexemple 2 : r
0
= (0.013566. 0.141865. 0.110026. 0.268386. 0.110026. 0.233305)
t
.
Pour lexemple 3 : r
0
= (263.115358. 141.578025. 58.537897. 16.249702. 2.046456. 21.550602. 15.528872. 17.532554. 6.575938. 22.583593)
t
.
Les solutions optimales sont :
28
Pour lexemple 1 : r

= (2.999999. 2)
t
.
Pour lexemple 2 : r

= (0. 0.5. 0.000001. 0.499998. 0.000002. 0.000003)

t
.
Pour lexemple 3 : r

= (841.112659. 0.000002. 0. 0. 0. 124.608341. 0. 0. 0. 0)

t
.
An de rduire le nombre ditrations et le temps de calcul, on a introduit une procdure
pratique moins coteuse que la recherche linaire pour calculer le pas de dplacement. Si
(r. ) est le point courrant, alors le nouvel itr est donn par : r = r+cr. = +c.
Puisque la mthode quon utilise est ralisable, alors le point ( r. ) doit tre ralisable (
il reste dans lintrieur de la rgion ralisable). On a : = +c = `r+ +c`r =
`(r +cr) + = ` r +
Reste vrier que ( r. ) 0. pour cela on pose les conditions suivantes :
_
_
_
r +c
x
r 0
+c
y
0
On prend : c = , min(c
x
. c
y
) tel que 0 < , < 1.
O :
c
x
=
_
_
_
min
r
i
r
i
avec i 1 = i : r
i
< 0
1 si r _ 0
c
y
=
_
_
_
min

i

i
avec i J = i :
i
< 0
1 si _ 0
On a obtenu les rsultats suivants :
Nombre ditrations Temps de calcul (s)
Exemple 1 66 0.03
Exemple 2 1214 0.86
Exemple 3 9444 20.76
Les solutions optimales obtenues sont :
29
Pour lexemple 1 : r

= (2.999999. 1.999999)
t
.
Pour lexemple 2 : r

= (0. 0.5. 0.000001. 0.499998. 0. 0.000005)

t
.
Pour lexemple 3 : r

= (841.112669. 0.000002. 0. 0. 0. 124.608341. 0.000001. 0. 0. 0)

t
.
En plus de la procdure pratique qui assure la ralisabilit des itrs, on pose : j
k
=
j
k1
10
( On ne tient pas compte des valeurs thoriques, on prend un choix libre ).
Les solutions optimales obtenues sont :
Pour lexemple 1 : r

= (2.999999. 2)
t
.
Pour lexemple 2 : r

= (0. 0.5. 0.000001. 0.499999. 0.000002. 0.000001)

t
.
Pour lexemple 3 : r

= (841.112672. 0. 0. 0. 0. 124.608343. 0. 0. 0. 0)
t
.
Les rsultats obtenus sont prsents dans le tableau suivant :
Nombre ditrations Temps de calcul (s)
Exemple 1 7 00
Exemple 2 7 00
Exemple 3 11 0.06
Les tests numriques prsents ici tmoignent de limportance des amnagements que
nous avons apports aux algorithmes de trajectoire centrale. En eet, le problme
dinitialisation est rgl avec une rduction considrable du cot de litration ( temps
de calcul et nombre ditrations).
Dans ce qui suit, on prsente des tests numriques de la dernire version de lalgorithme
pour plusieurs examples :
Exemple 1
Soit le problme complmentaire linaire monotone suivant :
(1C1)
_

_
Trouver r R
n
tel que :
= `r +
r
t
= 0
(r. ) _ 0
30
o :
` =
_

_
2 1 1
1 2 1
1 1 2
_

_
. =
_

_
4
5
1
_

_
La solution optimale est : r

= (1. 2. 0)
t
.
Exemple 2
On considre le programme quadratique convexe :
_

_
min r
2
1
+ 2r
2
2
2r
1
r
2
2r
1
6r
2
r
1
+r
2
_ 2
r
1
+ 2r
2
_ 2
r
1
. r
2
_ 0
La solution optimale est : r

= (0.8. 1.2)
t
.
Exemple 3
Soit le programme quadratique convexe suivant :
_

_
min 4r
2
1
+ 4r
2
2
+ 6r
1
r
2
2r
1
+ 3r
2
r
1
+ 2r
2
_ 6
r
1
+ 2r
2
_ 4
r
1
. r
2
_ 0
La solution optimale est : r

= (0.25. 0)
t
.
Exemple 4
Considrons les programmes linaires suivants :
_

_
min r
1
+r
2
2r
1
+r
2
_ 2
2r
1
+ 4r
2
_ 3
r
1
. r
2
_ 0
31
La solution optimale est : r

= (0. 0)
t
.
Exemple 5
_

_
min 4r
1
5r
2
2r
1
+r
2
_ 8
r
1
+ 2r
2
_ 7
r
2
_ 3
r
1
. r
2
_ 0
La solution optimale est : r

= (3. 2)
t
.
Exemple 6
_

_
min r
1
r
2
r
3
r
1
+ 2r
2
_ 4
r
1
3r
2
r
3
_ 3
r
1
+r
2
_ 9
r
1

1
2
r
2
+r
3
_ 2
2r
2
_ 5
r
1
. r
2
. r
3
_ 0
La solution optimale est : r

= (6.5. 2.5. 5.75)

t
.
Exemple 7
_

_
min 3r
1
r
2
+r
3
2r
1
+r
2
r
4
_ 0
r
3
+r
5
r
6
_ 0
r
1
+r
2
+r
3
+r
4
+r
5
+r
6
_ 1
r
1
. r
2
. r
3
. r
4
. r
5
. r
6
_ 0
La solution optimale est : r

= (0. 0.5. 0. 0.5. 0. 0)

t
.
32
Exemple 8
(1)
_

_
min c
t
r
r _ /
r _ 0
o la matrice , les vecteurs / et c sont donns par :
=
_

_
3 0 0 0 0
0.8 1 0 0 0
0.32 0.8 1 0 0
1.128 0.32 0.8 1 0
0.0512 0.128 0.32 0.8 1
_

_
. / =
_

_
1
1
1
1
1
_

_
. c =
_

_
0.0256
0.064
0.16
0.4
1
_

_
La solution optimale est : r

= (0. 0. 0. 0. 1)
t
.
Exemple 9
=
_

_
2 6 2 7 3 8
3 1 4 3 1 2
8 3 5 2 0 2
4 0 8 7 1 3
5 2 3 6 2 1
_

_
. / =
_

_
1
2
4
1
5
_

_
. c =
_

_
18
7
12
5
0
8
_

_
La solution optimale est : r

= (2. 4. 0. 0. 7. 0)
t
.
33
Exemple 10
=
_

_
1 0 4 3 1 1
5 3 1 0 1 3
4 5 3 3 4 1
0 1 0 2 1 5
2 1 1 1 2 2
2 3 2 1 4 5
_

_
. / =
_

_
1
4
4
5
7
5
_

_
. c =
_

_
4
5
1
3
5
8
_

_
La solution optimale est : r

= (0. 0. 2.5. 3.5. 0. 0.5)

t
.
Exemple 11
=
_

_
1 2 3 4 5 5 4 3 2 1
6 7 8 9 10 5 2 8 3 1
11 12 13 14 15 6 7 80 90 10
1 10 20 30 40 50 60 80 90 10
3 9 27 60 45 60 75 8 9 46
_

_
. / =
_

_
10000
10000
10000
10000
10000
_

_
c
i
= 1. i = 1. ...10.
La solution optimale est : r

= (841.121495. 0. 0. 0. 0. 124.610592. 0. 0. 0. 0)
t
.
34
Exemple 12
=
_

_
1 2 3 4 5 5 4 3 2 1
6 7 8 9 10 5 2 8 3 1
11 12 13 14 15 6 7 80 90 10
1 10 20 30 40 50 60 80 90 10
3 9 27 60 45 60 75 8 9 46
90 100 100 20 30 1000 900 25 1 1
3 30 300 2 20 200 1 10 100 150
5 10 15 20 25 30 35 40 45 50
1 11 111 2 22 222 3 33 333 4
7 70 8 80 9 90 10 100 15 155
_

_
/
i
= 10000. c
i
= 1 pour i = 1. .... :.
La solution optimale est :
r

= (50.147133. 0. 0. 18.009937. 155.909303. 0. 0. 15.979992. 17.503173. 31.898538)

t
.
Exemple 13
=
_

_
518 31 39 59 97 49 22 86 16 23
96 64 14 11 36 12 49 84 55 753
50 28 14 31 59 72 99 40 51 393
76 165 22 20 22 43 61 80 27 393
89 80 78 46 75 31 954 69 33 733
34 49 85 69 49 75 328 40 16 293
30 14 12 46 68 96 62 188 49 823
45 30 74 73 70 61 31 36 35 833
88 74 51 36 60 32 52 20 51 233
73 39 71 74 474 61 28 12 20 133
_

_
/
i
= 10000. c
i
= 1 pour i = 1. .... :.
35
La solution optimale est :
r

= (0. 0. 7.555147. 58.860535. 0. 0. 0. 0. 146.974477. 0)

t
.
Les rsultats obtenus sont prsents dans le tableau suivant :
taille nombre ditrations temps de calcul (s)
Exemple 1 3 6 00
Exemple 2 4 7 00
Exemple 3 4 6 00
Exemple 4 4 7 00
Exemple 5 5 7 00
Exemple 6 8 7 00
Exemple 7 9 7 00
Exemple 8 10 7 00
Exemple 9 11 9 00
Exemple 10 12 10 00
Exemple 11 15 11 0.06
Exemple 12 20 13 0.11
Exemple 13 20 15 0.11
Mthode de trajectoire centrale non ralisable
Dans les mthodes de trajectoire centrale ralisables, on a suppos que le point initial
(r
0
.
0
) est strictement ralisable, cest dire, il vrie la contrainte = `r + et la
condition (r
0
.
0
) 0. Tous les itrs restent strictement ralisables dans un voisinage
de la trajectoire centrale. Parfois, il nest pas facile de trouver un point strictement
ralisable. Pour ce cas, on prsente une approche qui ne ncessite pas que le point
initial soit strictement ralisable mais seulement que (r
0
.
0
) 0. En gnral, la suite
gnre par lalgorithme nest pas ralisable do le nom : mthode de trajectoire centrale
non ralisable. Lalgorithme correspondant ces mthods dmarre dun point initial
36
strictement positif non ncessairement ralisable.
Description algorithmique
Soit (r
k
.
k
) 0 le point obtenu litration /. On applique la mthode de Newton
pour dterminer la direction de dplacement (r
k
.
k
) qui est solution du systme
linaire suivant :
_
_
_
`r
k

k
=
k
`r
k

1
k
r
k
+A
k

k
= j
k
c A
k
1
k
c
Do :
_
_
_
_
` + (A
k
)
1
1
k
_
r
k
= `r
k
+j
k
(A
k
)
1
c

k
= `r
k
+`r
k
+
k
................(+)
Le nouvel itr est donn par : (r
k+1
.
k+1
) = (r
k
.
k
) + c(r
k
.
k
) o c 0 est
le pas de dplacement.
Pour raliser la faisabilit des itrs et loptimalit, on introduit une fonction dite de
mrite dnie par :
c(r. ) = |A1 c|
2
+|`r + |
2
Lide est de faire tendre la fonction c vers 0. Le pas de dplacement c 0 est choisi de
telle manire que litr (r
k
.
k
) reste dans lintrieur du domaine ralisable((r
k
.
k
) 0)
et que c dcrot chaque itration (c(r
k
.
k
) < c(r
k1
.
k1
)).
Lalgorithme se prsente comme suit :
37
Algorithme
Dbut algorithme
Donnes : Soient : 0 un paramtre de prcision et o
k
(0. 1).
Initialisation : (r
0
.
0
) 0
Itration : pour / = 0. 1. 2. ... On calcule c(r
k
.
k
).
1) Si c
k
_ stop : (r
k
.
k
) est une solution approche de (PCL).
2) Soit j
k
= o
k
(r
k
)
t

k
:
- Dterminer la direction de dplacement (r
k
.
k
) solution du systme (+).
-3) calculer le pas de dplacement c
k
0 tel que :
_
_
_
(r
k+1
.
k+1
) 0
c(r
k+1
.
k+1
) < c(r
k
.
k
)
4) Poser : (r
k+1
.
k+1
) = (r
k
.
k
) +c
k
(r
k
.
k
).
5) Soit / = / + 1 et aller (1).
Fin algorithme.
Rsultats de convergence
Pour dmontrer la convergence de cet algorithme, on a besoin des lemmes suivants :
Lemme 1 [21]
Soit (r
k
.
k
) une suite gnre par lalgorithme, alors :
`r
k+1
+
k+1
= (1 c
k
)(`r
k
+
k
) = i
k+1
(`r
0
+
0
)
i
k+1
= (1 c
k
)i
k
=
k

j=0
(1 c
j
) 0 et i
0
= 1.
Le lemme suivant montre une rduction de la fonction de mrite chaque itration.
Lemme 2 [21]
Soit (r
k
.
k
) une suite gnre par lalgorithme, alors :
c(r
k+1
.
k+1
) _ [1 c
k
,(1 o
k
)] c(r
k
.
k
). o , (0.
1
2
].
Si 0 _ c
k
_ 1, alors la suite c
k
converge au moins linairement.
38
Le thorme suivant montre que la suite c
k
converge vers zro.
Thorme 9 [21]
Soit (r
k
.
k
) une suite gnre par lalgorithme, alors pour tout 0 et o
k
(0. 1). /

:
c(r
k
.
k
) _ . \/ /

.
Aspects numriques
Dans la mise en uvre de lalgorithme de trajectoire centrale non ralisable,
on dmarre dun point (r
0
.
0
) 0. On a utilis la procdure pratique dcrite pour
lalgorithme de trajectoire centrale avec poids pour calculer le pas de dplacement.
De plus, On a pos : j
k+1
=
j
k
10
.
Nous prsentons les rsultats obtenus dans le tableau suivant :
nombre ditrations temps de calcul (s)
Exemple 1 6 0.01
Exemple 2 7 0.01
Exemple 3 7 0.01
Exemple 4 6 0.01
Exemple 5 8 0.01
Exemple 6 11 0.05
Exemple 7 7 0.01
Exemple 8 9 0.01
Exemple 9 14 0.01
Exemple 10 10 0.01
Exemple 11 35 0.11
Exemple 12 33 0.17
Exemple 13 53 0.27
39
Commentaire
On peut gnraliser les techniques utilises dans les mthodes de trajectoire cen-
trale pour des classes de problmes non linaires. Cependant, cette gnralisation doit
sectuer progressivement. Dans le chapitre suivant, nous allons dvelopper une variante
de la mthode de trajectoire centrale pour la minimisation dune fonction convexe sous
contraintes linaires.
40
Chapter 2
Minimisation dune fonction convexe
sous contraintes linaires par une
mthode de trajectoire centrale avec
poids
41
Nous proposons une variante primale duale de trajectoire centrale pour minimiser une
fonction convexe sous contraintes linaires. Cest une approche barrire logarithmique
avec poids qui ore une exibilit dans le choix du point initial tout en conservant les
proprits thoriques.
On traite alors les conditions de KKT qui sont ncessaires et susantes par la mth-
ode de Newton pour obtenir le nouvel itr. Lalgorithme propos peut dmarrer de
nimporte quel point strictement ralisable sans supposer quil appartient au voisinage
de la trajectoire centrale ( chemin central ).
2.1 Description de la mthode classique
On considre le problme doptimisation suivant :
(1`1)
_

_
min ,(r)
r = /
r _ 0
.........................(1)
o , : R
n
R. est une fonction non linaire, convexe et de classe C
2
, est une matrice
de type (:. :) et de plein rang (:q = : _ :) et / R
m
.
On note par :
\ =
_
r R
n
+
: r = /
_
lensemble des solutions ralisables de (1).
\
int
=
_
r R
n
++
: r = /
_
lensemble des solutions strictement ralisables de (1)
qui est suppos non vide.
On associe (1) le problme perturb suivant :
(1`1)

_
min ,

(r) =
_
,(r) j
n

i=1
ln r
i
_
r = /
r 0
.........................(2)
42
j 0 est le paramtre barrire.
,

est une fonction strictement convexe, il sut de voir que : \r 0 on a :

\,

(r) = \,(r) jA
1
c
\
2
,

(r) = \
2
,(r) +jA
2
est une matrice dnie positive ( puisque , est convexe ).
(1`1)

est un problme strictement convexe (les contraintes sont anes), donc les
conditions doptimalit de KKT sont ncessaires et susantes, elles scrivent comme
suit :
_

t
+: = \,(r)
r = /
A: jc = 0
(r. :) 0
.................(3)
Pour chaque valeur de j. on rsout le systme (3) par la mthode de Newton, on obtient
ainsi une suite de solutions paramtrises qui converge vers la solution du problme initial
lorsque j tend vers 0.
On dnit lensemble :
1 =
_
(r. . :) \
int
R
m
R
n
++
:
t
+: = \,(r)
_
.................(4)
La trajectoire centrale est lensemble de toutes les solutions (r

. :

) : j 0 du
systme :
_

t
+: = \,(r)............(c)
r = /.........................(/)
r
i
:
i
= j. i = 1. .... :......(c)
(r. :) 0......................(d)
..............................(5)
Elle est note par :
1C = (r. . :) 1 : Aoc jc = 0 .................(6)
Puisquon a une quation non linaire dans le systme (5) de mme pour (3), il est
43
gnralement impossible dobtenir une solution exacte de (1`1)

. Nous allons donc

nous contenter dune solution approche ( la mthode de Newton est priviligie dans ce
cas ) dont la qualit est juge satisfaisante lorsquelle se trouve dans le voisinage de la
trajectoire centrale. Ce voisinage correspond aux conditions de KKT o lon remplace
les contraintes non linaires par la contrainte : |Aoc jc| _ oj avec 0 < o < 1.Un
point est dit voisin de la trajectoire centrale sil appartient lensemble :
1(o) = (r. . :) 1 : |Aoc jc| _ oj. o 0 .................(7)
Les mthodes primales duales dterminent les solutions du systme (5) en appliquant la
mthode de Newton aux quations (5.a), (5.b) et (5.c) comme suit : on dnit la fonction
non linaire :
1

: R
2n+m
R
2n+m
1

(r. . :) =
_
_
_
_
_

t
+: \,(r)
r /
Aoc jc
_
_
_
_
_
......................(8)
o A = dicq(r
1
. .... r
n
). o = dicq(:
1
. .... :
n
).
Pour (r. . :) 1. on obtient le systme :
_

_
r = 0
\
2
,(r)r
t
: = 0
A: +or = A: +jc
.................(9)
dont la solution est (r. . :) et le nouvel itr est : ( r. . :) = (r. . :) +
(r. . :).
44
Algorithme
Dbut algorithme
Initialisation : 0 est un paramtre de prcision et o. , (0. 1) sont des constantes
donnes.
Soient : j
0
=
(r
0
)
t
:
0
:
et (r
0
.
0
. :
0
) 1(o).
Itration : Pour / = 0. 1. 2. ...
- Calculer : j
k+1
= ,j
k
- Rsoudre le systme :
_

_
o
k
0 A
k
\
2
,(r
k
)
t
1
0 0
_

_
_

_
r
k

k
:
k
_

_
=
_

_
A
k
o
k
c +j
k+1
c
0
0
_

_
...................(10)
pour obtenir: (r
k
.
k
. :
k
).
- Prendre : (r
k+1
.
k+1
. :
k+1
) = (r
k
.
k
. :
k
) + (r
k
.
k
. :
k
). / = / + 1.
jusqu (r
k
)
t
:
k
_
Fin algorithme.
Si le point initial calcul nest pas voisin de la trajectoire centrale, rien ne garantie la
convergence de cet algorithme mme si ce point est strictement ralisable. Cette dicult
peut tre surmonte en introduisant des poids dans la fonction barrire.
2.2 Mthode de trajectoire centrale avec poids
Description
On considre de nouveau le problme non linaire :
(1`1)
_

_
min ,(r)
r = /
r _ 0
.........................(1)
45
On associe (PNL) le problme perturb dni comme suit :
(1`1)
r
_

_
min ,
r
(r) =
_
,(r) j
n

i=1
:
i
ln r
i
_
r = /
r 0
.........................(2)
j 0. : = (:
1
. :
2
. .... :
n
)
t
R
n
+
est le vecteur des poids associ la fonction barrire.
,
r
(r) est strictement convexe et les contraintes sont anes, alors les conditions de KKT
correspondantes sont ncessaires et susantes et scrivent :
_

_
\,(r) jA
1
: +
t
= 0
r = /
r 0. R
m
..............................(3)
ou encore sous la forme :
_

t
+: = \,(r)
r = /
A: j: = 0
(r. :. j) 0
.......................(4)
avec : : = jA
1
: et () = R
m
.
Pour : = c dans le systme (4), on trouve le systme classique, cest dire la mthode
primale duale de trajectoire centrale classique (sans poids).
On applique alors la mthode de Newton pour (r. . :) 1. on obtient le systme :
_

_
r = 0
\
2
,(r)r
t
: = 0
A: +or = A: +j:
.....................(5)
Dont la solution est (r. . :). Le nouvel itr : ( r. . :) = (r. . :)+(r. . :).
46
Le point (r

. :

) qui vrie le systme (4) est un point de la trajectoire centrale. Ce

dernier est voisin de la trajectoire centrale sil appartient lensemble :
1
r
(o) = (r. . :) 1 , |Aoc j:| _ oj. o 0 .....................(6)
Nous proposons maintenant notre algorithme de trajectoire centrale avec poids pour
la rsolution dun programme non linaire.
Algorithme
Dbut algorithme
Initialisation : 0 est un paramtre de prcision.
Soit : (r
0
.
0
. :
0
) 1. on pose: j
01
=
|A
0
o
0
c|
_
:
et : =
A
0
o
0
c
j
01
.
Soient : j = min:
i
. o =
_
1
_
2
2
_
j et , = 1
o
_
:
Itration : pour / = 0. 1. 2. ....
Si : (r
k
)
t
1:
k
_ . Stop.
Sinon :
- Calculer : j
k
=
(r
k
)
t
1:
k
:
et j = ,j
k
- Rsoudre le systme :
_

_
o
k
0 A
k
\
2
,(r
k
)
t
1
0 0
_

_
_

_
r
k

k
:
k
_

_
=
_

_
A
k
o
k
c + j:
0
0
_

_
.........................(7)
pour obtenir : (r
k
.
k
. :
k
).
Soit : (r
k+1
.
k+1
. :
k+1
) = (r
k
.
k
. :
k
) + (r
k
.
k
. :
k
).
Poser / = / + 1.
Fin algorithme.
47
Calcul de la direction de dplacement
Le calcul le plus coteux de chaque itration de lalgorithme est la rsolution du
systme linaire suivant:
_

_
r = 0.....(c)
\
2
,(r)r
t
: = 0...........(/)
A: +or = A: + j:........(c)
..................(3.8)
On propose la procdure suivante pour la rsolution:
De lquation (3.8.b) on a: : = \
2
,(r)r
t
.......................(3.9)
On remplace dans (3.8.c):
_
A\
2
,(r) +o
_
rA
t
= A: + j:............(3.10)
On pose: H = \
2
,(r) +A
1
o. on obtient le systme:
_
_
_
r = 0
Hr
t
= A
1
(A: + j:)
...........(3.11)
r = H
1

t
+H
1
[oc + jA
1
:] . on a : (H
1

t
) = H
1
( j: A:).
La solution est donne par:
_

_
(H
1

t
) = H
1
(:c jA
1
:).......(1)
r = H
1

t
H
1
(:c jA
1
:).......(2)
: = \
2
,(r)r
t
............(3)
..................(3.12)
On pose : / = H
1
(:c jA
1
:) et c = H
1
(:c jA
1
:). on a :
_
_
_
Hc = :c jA
1
:
/ = c
On rsout la premire quation, on substitut dans la deuxime quation pour trouver
/.
On a donc : (H
1

t
) = /.
On pose : d = H
1

t
alors :
48
_
_
_
d = /
Hd =
t

On rsout la 1re quation pour trouver d. ensuite la 2me quation pour calculer .
Il nous reste le calcul de r et : par la relation suivante :
_
_
_
r = d c
: = \
2
,(r)r
t

Convergence
Soit (r. . :) une solution du systme (4) se trouvant dans le voisinage du chemin
central cest dire :
|Aoc j:| =
_
n

i=1
(r
i
:
i
j:
i
)
2
_1
2
_ oj o j =
r
t
1:
:
On pose : j = ,j = (1
o
_
:
)j. o 0
Soit ( r. . :) = (r. . :)+ (r. . :) o (r. . :) est la solution du systme :
_

_
r = 0..............(c)

t
+ : = \
2
,(r)r...............(/)
A: +or = A: + j:..............(c)
..................(13)
On pose : 1 = (Ao
1
)
1
2
, A = dicq(r).

A = dicq( r) et

o = dicq( :).
Pour dmontrer la convergence de notre algorithme, on a besoin des quatres lemmes
suivants :
Lemme 1
Soit j = min
i
:
i
pour i = 1. .... :. alors:
1) max
i
r
i
:
i
_ (j +o)j
2) min
i
r
i
:
i
_ (j o)j .
49
Preuve
1) (r. . :) vrie la condition:|Aoc j:| _ oj. donc :
[r
i
:
i
j:
i
[ _
_
n

i=1
(r
i
:
i
j:
i
)
2
_1
2
= |Aoc j:| _ oj
_
r
2
i
_
n

i=1
r
2
i
= [r
i
[ _
_
n

i=1
r
2
i
_1
2
= |r|
_
= (:
i
o)j _ r
i
:
i
_ (:
i
+o)j
= (j o)j _ r
i
:
i
_ (j +o)j
r
i
:
i
_ (j +o)j = max
i
r
i
:
i
_ (j +o)j
2) De la mme faon on a : r
i
:
i
_ (j o)j = min
i
r
i
:
i
_ (j o)j.
Lemme 2
_
_
_(Ao)

1
2
_
_
_
2
_
1
_
(j o)j
Preuve
Du lemme (1), on a :
r
i
:
i
_ (j o)j
=
1
_
r
i
:
i
_
1
_
(:
i
o)j
_
1
_
(j o)j
=
_
_
_(Ao)

1
2
_
_
_
2
= max
_
1
_
r
i
:
i
_
_
1
_
(j o)j
.
Lemme 3
Soit . = (Ao)

1
2
(A: + j:) alors :
|.| _
_
(o
2
+o
2
)j
(j o)
50
Preuve
|.|
2
=
_
_
_(Ao)

1
2
( j: Aoc)
_
_
_
2
=
_
_
_(Ao)

1
2
[(j: Aoc) + ( j j):]
_
_
_
2
_
_
_
_(Ao)

1
2
_
_
_
2
2
_
|j: Aoc|
2
+|( j j):|
2

_
1
(j o)j
_
o
2
j
2
+ ( j j)
2
:

_
1
(j o)j
_
o
2
j
2
+ (1 ,)
2
j
2
:

_
j
2
(j o)j
_
o
2
+
o
2
:
:
_
=
_
o
2
+o
2
j o
_
j
|.| _
_
(o
2
+o
2
)
(j o)
j.
Lemme 4
On a :
1)
_
_
_

oc j:
_
_
_ _
(o
2
+o
2
)
2(j o)
j
2)

r
t
1 :
:
j

_
(o
2
+o
2
)
2
_
:(j o)
j
Preuve
1) De lquation (13.c), On a :
1: +1
1
r = . cest dire :
_
r
i
:
i
:
i
+
_
:
i
r
i
r
i
=
j:
i
r
i
:
i
_
r
i
:
i
On pose : n
i
=
_
r
i
:
i
:
i
et
i
=
_
:
i
r
i
r
i
donc n = 1: et = 1
1
r et on a : n
i
+
i
= .
i
r
i
:
i
j:
i
= r
i
:
i
alors :

A

oc j: = A:
_
_
_

oc j:
_
_
_ =
_
n

i=1
( r
i
:
i
j:
i
)
2
_1
2
=
_
n

i=1
(r
i
:
i
)
2
_1
2
=
_
n

i=1
(n
i

i
)
2
_1
2
51
On a :
n

i=1
(n
i

i
)
2
_
_
n

i=1
n
i

i
_
2
=
_
n

i=1
(n
i

i
)
2
_1
2
_
n

i=1
n
i

i
_
_
_

oc j:
_
_
_ _
n

i=1
n
i

i
_
1
2
n

i=1
(n
i
+
i
)
2
=
1
2
n

i=1
.
2
i
=
1
2
|.|
2
_
o
2
+o
2
2(j o)
j
2)

r
t
1 :
:
j

r
t
1 :
:
j
:
t
:
:

=
1
:

r
t
1 : j:
t
:

=
1
:

i=1
r
i
:
i
:
i
j:
t
:

=
1
:

:
t
(

oc j:)

_
1
:
|:|
_
_
_

oc j:
_
_
_ _
(o
2
+o
2
)
2
_
:(j o)
j.
Remarque 1
Du lemme4, on a :

r
t
1 :
:
j

_
(o
2
+o
2
)
2
_
:(j o)
j
alors :
j
(o
2
+o
2
)
2
_
:(j o)
j _
r
t
1 :
:
_ j +
(o
2
+o
2
)
2
_
:(j o)
j
_
1
(o o)
2
+ 2oj
2
_
:(j o)
_
j _
r
t
1 :
:
_
_
1 +
(o +o)
2
2oj
2
_
:(j o)
_
j......................(14)
Choix des paramtres : On choisit maintenant les paramtres o. ,. o tels que les
conditions (15) et (16) ci-dessous soient ralises :
1) Pour rester dans le voisinage de la trajectoire centrale cest dire :
_
_
_

oc j:
_
_
_ _ o,j = o j
52
On pose la condition suivante :
o
2
+o
2
2(j o)
_ ,o...................(15)
2) On veut aussi que :
r
t
1 :
:
_ C
r
t
1:
:
avec C < 1.
On a :
r
t
1 :
:
_
_
1 +
(o +o)
2
2oj
2
_
:(j o)
_
j
Donc :
_
1 +
(o +o)
2
2oj
2
_
:(j o)
_
< 1...................(16)
On a les conditions suivantes :
_

_
j o
o
2
+o
2
2(j o)
_ ,o. o 0
(o +o)
2
2oj
2
_
:(j o)
< 0
=
_

_
j o
o
2
+o
2
2(j o)
_
_
1
o
_
:
_
o
(o +o)
2
2oj
2
_
:(j o)
< 0
.....................(17)
La solution la plus simple du systme (17) est de prendre : o = o. on obtient :
_

_
o
2
j o
_
_
1
o
_
:
_
o
4o
2
2oj
2(j o)
< 0
=
_
_
_
o
2
(2
_
: +j)o +j
_
: _ 0
o <
j
2
.......................(18)
53
On peut vrier que pour 0 < o <
j
3
, les deux conditions du systme (18) sont
satisfaites.
Maintenant, On veut calculer la valeur optimale de o dans le sens que le taux de
diminution soit le maximum. Sous les conditions (18), on veut rendre le terme :
1 +
(o +o)
2
2oj
2
_
:(j o)
aussi petit que possible. On dnit donc la fonction :
q(o) =
2o
2
jo
j o
On a:
q
0
(o) =
2o
2
+ 4jo j
2
(j o)
2
Le point critique unique de q dans lintervalle (0. j) est o

=
_
1
_
2
2
_
j. de plus,
on a :
q
00
(o) =
2j
2
(j o)
3
0
Puisque : q
00
(o

) =
4
_
2
j
0. alors: o

=
_
1
_
2
2
_
j est un minimum global de q
dans (0. j).
On a le thorme suivant :
Thorme 1
Soit o = o =
_
1
_
2
2
_
j.
supposons que (r. . :) 1
r
(o) et j = ,j
tel que , =
_
1
o
_
:
_
. j =
r
t
1:
:
alors :
1) ( r. . :) 1
r
(o)
2)
r
t
1 :
:
_
_
1
j
6
_
:
_
r
t
1:
:
Preuve
1) On a : r = (r +r) = r +r
De lquation (13.a) on a: r = 0 et r est ralisable, donc :
54
r = r = /
De lquation (13.b) on a :

t
+ : =
t
( +) +: +:
=
t
+: + (
t
+:) = \,(r) + (
t
+:)
= \,(r) +\
2
,(r)r = \,(r +r) = \,( r)
De plus, sous les conditions prcdentes, on peut dmontrer que lon reste dans le
voisinage de la trajectoire centrale, cest dire :
_
_
_

oc j:
_
_
_ _ o j
Il reste vrier que : ( r. :) 0.
On a:
[ r
i
:
i
j:
i
[ _
_
_
_

oc j:
_
_
_ _ o j
o j _ r
i
:
i
j:
i
_ o j = (:
i
o) j _ r
i
:
i
_ (:
i
+o) j
r
i
:
i
_ (:
i
o) j _ (j o) j 0 puisque j o
donc r
i
et :
i
sont de mme signe. On suppose que r
i
< 0. :
i
< 0
r
i
= r
i
+ r
i
= r
i
= r
i
r
i
< 0
[r
i
[ = r
i
= r
i
r
i
r
i
= [ r
i
[ = [r
i
[ [ r
i
[
De mme on a : [:
i
[ [ :
i
[
Donc : r
i
:
i
= ([r
i
[)([:
i
[) =
= [r
i
[ [:
i
[ [ r
i
[ [ :
i
[ = [ r
i
:
i
[ = r
i
:
i
( r
i
:
i
0)
r
i
:
i
r
i
:
i
En contradiction avec : r
i
:
i
= r
i
:
i
j:
i
< r
i
:
i
o r
i
0. :
i
0
2) On a : q(o

) = (
_
2 1)
2
j <
j
6
C = 1 +
1
_
:
q(o

) < 1
j
6
_
:
.
55
Thorme 2
Soit 0 une prcision donne. Supposons que notre algorithme gnre une suite des
itrs (r
k
.
k
. :
k
) qui satisfait : (r
k+1
)
t
1:
k+1
_
_
1
j
6
_
:
_
(r
k
)
t
1:
k
pour j 0, alors
il existe 1 avec 1 = C
_
_
:log
_
(r
0
)
t
1:
0

__
tel que : (r
k
)
t
1:
k
_ pour tout / _ 1.
Si de plus, le point initial (r
0
.
0
. :
0
) vrie la condition : (r
0
)
t
1:
0
< 2
2L
et = 2
2L
.
alors lalgorithme sarrte au bout de
__
24 ln 2
j
1
_
_
:
_
itrations.
1 reprsente la taille du problme exprime en nombre de bits requis pour reprsenter
les donnes de (PNL).
Preuve
Pour chaque / on a :
(r
k
)
t
1:
k
_
_
1
j
6
_
:
_
(r
k1
)
t
1:
k1
log
_
(r
k
)
t
1:
k
_
_ log
_
1
j
6
_
:
_
+ log(
_
r
k1
)
t
1:
k1
_
On obtient :
log
_
(r
k
)
t
1:
k
_
_ / log
_
1
j
6
_
:
_
+ log
_
(r
0
)
t
1:
0
_
Puisque : log(1 + ,) _ , pour tout , 1.
alors :
log
_
(r
k
)
t
1:
k
_
_ /
_

j
6
_
:
_
+ log
_
(r
0
)
t
1:
0
_
Pour que : (r
k
)
t
1:
k
_ . on a :
/
_

j
6
_
:
_
+ log
_
(r
0
)
t
1:
0
_
_ log
56
/
_

j
6
_
:
_
_ log log
_
(r
0
)
t
1:
0
_
= log
_

(r
0
)
t
1:
0
_
/ _ 1 =
_
6
_
:
j
log
_

(r
0
)
t
1:
0
__
Si (r
0
)
t
1:
0
< 2
2L
et = 2
2L
alors : / _
_
24 ln 2
j
1
_
_
:.
57
Chapter 3
Une variante de type projectif pour
la minimisation dune fonction
convexe sous contraintes linaires
58
Nous proposons dans ce chapitre une mthode de points intrieurs de type projectif pour
minimiser une fonction non linaire sur un polydre convexe. Cest une extension de la
mthode de Karmarkar pour la programmation linaire que nous rappelons brivement
ici.
3.1 Mthode de Karmarkar
En 1984, Karmarkar a propos un algorithme prometteur pour la programmation linaire,
il possde des proprits thoriques attractives et un bon comportement numrique.
Lalgorithme est conu pour rsoudre un programme linaire de la forme :
(11o)
_

_
min c
t
r = .

r = 0
r o
n
.................(1)
pour lequel on connait priori la valeur optimale .

= 0 et une solution ralisable

par exemple le point c =
1
:
c
n
(centre du simplexe o
n
), c
n
dsigne le vecteur dont toutes
les composantes sont gales 1.
est une matrice de type (:. :) et de plein rang (:q = : _ :) (cest une hypothse
classique dans la programmation linaire). o
n
= r R
n
: r _ 0. c
t
n
r = 1 est le
simplexe de dimension (: 1).
Description de lalgorithme de base
Partant de la solution initiale r
0
= c. lalgorithme construit une suite de points
intrieurs qui converge vers une solution optimale du problme en un temps polynmial.
Dans le but de ramener facilement lobjectif zro, on le minimise localement sur une
sphre inscrite dans la rgion ralisable.
Donc, chaque itration /. litr r
k
0 est ramen au centre de o
n
par la transfor-
mation projective 1
k
dnie par :
1
k
: r o
n
1
k
(r) = o
n
59
avec :
1
k
(r) =
1
1
k
r
c
t
n
1
1
k
r
= . 1
1
k
() =
1
k

c
t
n
1
k

o 1
k
= dicqr
k
.
La transformation 1
k
applique le simplexe o
n
dans lui mme, en mme temps litr
r
k
0 est envoy au centre de o
n
, le transform du programme linaire (PLS) est le
programme fractionnaire suivant :
_

_
min
c
t
1
k

c
t
n
1
k

1
k

c
t
n
1
k

= 0
c
t
n
= 1
_ 0
.....................(2)
Les hypothses de dpart permettent dobtenir le programme linaire quivalent suiv-
ant :
_

_
min c
t
1
k

1
k
= 0
c
t
n
= 1
_ 0
..................(3)
qui est bien de la forme (PLS).
On a besoin du lemme suivant pour simplier la rsolution du problme (3) ci-dessus :
Lemme 1
Si pour un programme linaire donn on connait une solution ralisable
0
tel que
(
0
i
0. i = 1 : : + 1). alors lellipsoide :
1 =
_
R
n+1
:
n+1

i=1
(
i

0
i
)
2
(
0
i
)
2
_ ,
2
. 0 < , < 1
_
est dans lintrieur de lorthant positif de R
n+1
.
60
Preuve
Supposons le contraire, cest dire : il existe , 1. .... : + 1 tel que:
j
_ 0 alors :
n+1

i=1
(
i

0
i
)
2
(
0
i
)
2
_
(
j

0
j
)
2
(
0
j
)
2
_ 1 ,
2
.
Daprs le lemme 1, si on ajoute au problme (3) la contrainte :
R
n
, | c| _ c: o 0 < c < 1 et : =
1
_
:(: 1)
. alors la contrainte de
positivit _ 0 devient redondante. On obtient alors le problme :
_

_
min c
t
1
k

1
k
= 0
c
t
n
= 1
| c|
2
_ (c:)
2
..................(4)
Cest la minimisation dune fonction linaire sur une sphre, o la solution optimate
est triviale conformment au thorme suivant :
Thorme 1 [13]
La solution optimale du problme (4) est donne explicitement par :
k
= c c:d
k
o d
k
=
j
k
|j
k
|
et j
k
= j
B
k
(1
k
c) , 1
k
=
_
_

k
c
t
n
_
_
Preuve
Il sut dcrire les conditions ncessaires et susantes doptimalit de KKT.
A chaque itration, on revient la variable initiale r en appliquant la transformation
inverse 1
1
k
et ainsi de suite jusqu ce que le test doptimalit (c
t
r _ ) se ralise o
0 est une prcision donne.
61
Algorithme de base
Dbut algorithme
Initialisation : 0 est une prcision donne, r
0
= c =
1
:
c
n
. / = 0
Pas 1 :
Tant que : c
t
r
k
faire :
- construire 1
k
= dicqr
k
.
k
= 1
k
. 1
k
=
_
_

k
c
t
n
_
_
- calculer j
k
= (1 1
t
k
(1
k
1
t
k
)
1
1
k
)1
k
c. d
k
=
j
k
|j
k
|
- calculer
k
= c c:d
k
. : =
1
_
:(: 1)
. 0 < c < 1
Pas 2 :
- prendre r
k+1
= 1
1
k
(
k
) =
1
k

k
c
t
n
1
k

k
, / = / + 1 et retourner au pas 1.
Fin Tant que
Fin algorithme.
Convergence de lalgorithme
La fonction objective du problme transform se rduit dun montant de
_
1
c
: 1
_
conformment au thorme suivant :
Thorme 2 [13]
Le point
k
vrie :
c
t
1
k

k
c
t
1
k
c
_ 1
c
: 1
.
Pour tablir la convergence de cet algorithme, Karmarkar introduit lobjectif la
fonction dite de potentiel :
,(r) =
n

i=1
ln
_
c
t
r
r
i
_
dnie sur r R
n
: r 0. r = 0. c
t
n
r = 1.
Le lemme suivant montre que la rduction de ,(r) conduit directement celle de c
t
r.
Lemme 2 [13]
Soit r
k
le k
i eme
itr de lalgorithme, alors :
c
t
r
k
c
t
r
0
_
_
exp
_
,(r
k
) ,(r
0
)
_
1=n
.
62
Donc, si la suite
_
,(r
k
)
_
tend vers alors la suite
_
c
t
r
k
_
tend vers zro.
Dans le thorme suivant, Karmarkar montre que la convergence de son algorithme est
ralise en C(: +:ln :) itrations pour 0 < c _
1
4
.
Thorme 3 [13]
Si 0 < c _
1
4
. alors en partant de r
0
=
1
:
c
n
. lalgorithme trouve aprs C(: + :ln :)
itrations un point ralisable r tel que :
1/ c
t
r = 0 ou
2/
c
t
r
c
t
r
0
_ = 2
q
o est une prcision xe.
3.2 Gnralisation de lalgorithme de base
Soit le programme linaire sous forme standard :
(1)
_

_
min c
t
r = .

r = /
r _ 0
..............(1)
est une matrice de type (:. :). c R
n
est le vecteur cot et / R
m
.
On dnit le simplexe o
n+1
de dimension : contenu dans R
n+1
par :
o
n+1
= r R
n+1
: r _ 0. c
t
n+1
r = 1
On suppose que :
(H1) La matrice est de plein rang ( :q = : _ : ).
(H2) On dispose dun point r
0
strictement ralisable (r
0
= /. r
0
0).
(H3) La valeur optimale .

de lobjectif est connue au dpart.

Lhypothse 1 est classique. Lhypothse 2 nest pas du tout rstrictive, car on peut
toujours obtenir une solution strictement ralisable ou prouver que le problme nest pas
ralisable moyenant une mthode simple de variable articielle [11]. Pour lhypothse 3,
Si la valeur optimale est non nulle lgalit c
t
n+1
r = 1 permet de se ramener un objectif
63
nul. En eet, soit r

une solution optimale du problme et .

la valeur optimale de
lobjectif. Alors:
c
t
r

= .

= .

c
t
n+1
r

= (c .

c
n+1
)
t
r

= c
t
r

= 0.
Si .

nest pas connue, il existe des techniques dapproximation ables permettant de

remplacer .

par des bornes infrieures ou suprieures convenables.

Pour le systme de contraintes : r = /. / ,= 0. on se ramne facilement un systme
homogne, il sut dcrire :
r = /c
t
n+1
r = ( /c
t
n+1
)r = 0.
La transformation projective note 1
k
est une fonction
1
k
: R
n
+
S
n+1
dnie par : 1
k
(r) =
avec : _

i
=
r
i
,r
k
i
1 +
n

i=1
r
i
,r
k
i
. i = 1 : :

n+1
= 1
n

i=1

i
..............(2)
On a :

i
=
r
i
r
k
i

n+1
. i = 1. .... :
ou encore [:] = (1
1
k
r)
n+1
o [:] dsigne les : premires composantes de et on
a : r = 1
1
k
() =
1
k
[:]

n+1
. 1
k
= dicq(r
k
).
On applique la transformation 1
k
au programme (1), on obtient :
_

_
min
c
t
1
k
[:]

n+1

1
k
[:]

n+1
= /
n+1

i=1

i
= 1
[:] _ 0.
n+1
0
...........................(3)
64
ou encore :
_

_
minc
t

= 0
c
t
n+1
= 1
_ 0
...........................(4)
o :
_
_
_
c
i
= c
i
r
k
i
. i = 1. .... :
c
n+1
= .

. =
_
_
[:]

n+1
_
_
et

= [1
k
/].
Notons que toute solution ralisable de (1) est transforme par 1
k
en une solution ral-
isable de (4) et rciproquement, toute solution ralisable de (4) avec
n+1
0 est
transforme par 1
1
k
en une solution ralisable r de (1).
3.3 Extension de la mthode de Karmarkar
Considrons le problme doptimisation non linaire suivant :
_

_
min ,(r)
r = /
r _ 0
.........................(1)
o , : R
n
R. est une fonction non linaire, convexe et direntiable, une matrice de
type (:. :), avec les hypothses suivantes :
(H1) La matrice est de plein rang ( :q = : _ :).
(H2) On dispose dun point r
0
strictement ralisable (r
0
= /. r
0
0).
(H3) La valeur optimale .

de lobjectif est connue au dpart.

65
Formulation du problme
On commence par ramener le problme la forme simplie suivante :
_

_
min q() = 0
1 = 0
o
n+1
.........................(2)
o q : R
n+1
R. est une fonction non linaire, convexe et direntiable.
o
n+1
= R
n+1
: c
t
n+1
= 1. _ 0 est le simplexe de dimension : et de centre c tel
que : c
i
=
1
: + 1
. \i 1. .... : + 1. c
n+1
R
n+1
o c
i
= 1. \i 1. .... : + 1.
En eet, en appliquant la transformation projective 1
k
dnie par :
1
k
: R
n
o
n+1
tel que : 1
k
(r) =
avec : _

i
=
r
i
,r
k
i
1 +
n

i=1
r
i
,r
k
i
. i = 1 : :

n+1
= 1
n

i=1

i
r = 1
1
k
() =
1
k
[:]

n+1
o [:] = (1
1
k
r)
n+1
= (
i
)
n
i=1
. 1
k
= dicq(r
k
).
Le problme :
_

_
min ,(r) = .

r = /
r _ 0
se transforme comme suit :
_

_
min
_
,(1
1
k
()) .

= ,(
1
k
[:]

n+1
) .

1
k
[:]

n+1
= /
n+1

i=1

i
= 1
[:] _ 0.
n+1
0
...........................(3)
66
Pour avoir la convexit de la fonction objectif, il convient dcrire (3) sous la forme
quivalente :
_

_
min q() =
n+1
_
,(1
1
k
()) .

k
= 0
o
n+1
.........................(4)

k
= [1
k
/]. =
_
_
[:]

n+1
_
_
Notons que la valeur optimale de q est 0 et que le centre du simplexe est ralisable pour
(4).
Notons aussi que la fonction q est convexe sur lensemble : 1 = R
n+1
:
k
= 0.
o
n+1
conformment au lemme suivant :
Lemme 3
La fonction , tant convexe sur lensemble A = r R
n
: r = /. r _ 0. il en est
de mme pour q sur lensemble 1 = R
n+1
:
k
= 0. o
n+1
.
Preuve
Puisque q est une fonction continue sur 1. il sut de montrer que :
q
_
1
2
+
1
2

_
_
1
2
[q() +q( )] . \. 1.
Nous avons : \. 1. r. r R
n
tel que : r = 1
1
k
() et r = 1
1
k
( ). et alors :
q
_
1
2
+
1
2

_
=
1
2
(
n+1
+
n+1
)
_

_
,
_
_
_
_
1
k
_
1
2
[:] +
1
2
[:]
_
1
2
(
n+1
+
n+1
)
_
_
_
_
.

_
=
1
2
(
n+1
+
n+1
)
_
,
_

n+1

n+1
+
n+1
r +

n+1

n+1
+
n+1
r
_
.

_
q
_
1
2
+
1
2

_
_
1
2
(
n+1
+
n+1
)
_

n+1

n+1
+
n+1
,(r) +

n+1

n+1
+
n+1
,( r) .

_
67
_
1
2

n+1
,(r) +
1
2

n+1
,( r)
1
2
(
n+1
+
n+1
) .

_
1
2

n+1
[,(r) .

] +
1
2

n+1
[,( r) .

]
Donc : q
_
1
2
+
1
2

_
_
1
2
q() +
1
2
q( ).
Linarisation
En linarisant la fonction q au voisinage du point c (centre du simplexe) et en intro-
duisant une boule de centre c considre comme voisinage de c :
q() = q(c) +\q(c). c pour R
n+1
: | c| _ c .
On obtient le sous problme suivant :
_

_
min \q(c)
t

k
= 0
c
t
n+1
= 1. _ 0
| c|
2
_ c
2
..................(5)
On sait que pour c < 1 la contrainte _ 0 est redondante et donc :
_

_
min \q(c)
t

k
= 0
c
t
n+1
= 1
| c|
2
_ c
2
..................(6)
Lemme 4
La solution optimale du problme (6) est donne explicitement par :
k
= c cd
k
o d
k
=
j
k
|j
k
|
et j
k
= j
B
k
(\q(c)) , 1
k
=
_
_

k
c
t
n+1
_
_
.
68
Preuve
On pose r = c. alors on a : 1
k
r =
_
_

k
c
t
n+1
_
_
( c) = 0. et le problme (6) est
quivalent :
_

_
min \q(c)
t
r
1
k
r = 0
|r|
2
_ c
2
..................(7)
r

est une solution de (7) si et seulement si ` R

m+1
, j _ 0 tels que :
\q(c) +1
t
k
` +jr

= 0................(+)
En prmultipliant les deux membres de (*) par 1
k
on trouve :
1
k
\q(c) +1
k
1
t
k
` +j1
k
r

= 1
k
\q(c) +1
k
1
t
k
` = 0
( puisque 1
k
r

= 0 ).
alors ` = (1
k
1
t
k
)
1
(1
k
\q(c)). en substituant dans (+) :
r

=
1
j
[1 1
t
k
(1
k
1
t
k
)
1
1
k
]\q(c)) =
1
j
j
k
|r

| =
1
j
|j
k
| = c = r

= c
j
k
|j
k
|
= cd
k
et on a :
k
=

= c +r

= c cd
k
Ce qui termine la dmonstration.
Description de lalgorithme
Partant dune solution initiale r
0
strictement ralisable, chaque itration /, on
applique la transformation projective 1
k
pour envoy le point courrant r
k
au centre du
simplexe, on calcule le point
k
solution optimale du problme linaris. Enn, on revient
la variable initiale en appliquant 1
1
k
et on sarrte si le test doptimalit est vri.
Il sut alors de contrler la rduction de lobjectif du problme initial pour tablir
la convergence de lalgorithme correspondant que nous dcrivons comme suit :
69
Algorithme
Dbut algorithme
Initialisation : 0 est une prcision donne, r
0
est un point strictement ralisable.
Pas 1 :
Tant que : ,(r
k
) .

faire :
- construire 1
k
= dicq(r
k
).
k
= [1
k
/] . 1
k
=
_
_

k
c
t
n+1
_
_
- calculer j
k
= (1 1
t
k
(1
k
1
t
k
)
1
1
k
)\q(c). d
k
=
j
k
|j
k
|
- calculer
k
= c cd
k
Pas 2 :
- prendre r
k+1
= 1
1
k
(
k
) =
1
k

k
[:]

k
n+1
, / = / + 1 et retourner au pas 1.
Fin Tant que
Fin algorithme.
Etude de la convergence
Pour tablir la convergence de notre algorithme, on introduit la fonction potentiel
associe au problme (1) dnie par :
1(r) = (: + 1) ln(,(r) .

)
n

i=1
ln(r
i
).
Notre but est de rduire la fonction potentiel 1(r) pour avoir une rduction dans la
fonction (,(r) .

) .
On a : 1(r
k
)1(r
0
) =
_
(: + 1) ln(,(r
k
) .

)
n

i=1
ln(r
k
i
)
_

_
(: + 1) ln(,(r
0
) .

)
n

i=1
ln(r
0
i
)
_
= (: + 1) ln
_
,(r
k
) .

,(r
0
) .

_
n

i=1
ln
_
r
k
i
_

i=1
ln (r
0
i
)
_
1(r
k
) 1(r
0
)
: + 1
= ln
_
,(r
k
) .

,(r
0
) .

_
n

i=1
ln
_
r
k
i
_

i=1
ln (r
0
i
)
: + 1
_

_
,(r
k
) .

,(r
0
) .

= (r
k
) exp
_
1(r
k
) 1(r
0
)
: + 1
_
70
avec (r
k
) = exp
_
_
_
_
n

i=1
ln
_
r
k
i
_

i=1
ln (r
0
i
)
: + 1
_
_
_
_
Le lemme suivant montre quon a une rduction dans la fonction q.
Lemme 5
On a : q(
k
) < q(c)
Preuve
q(
k
) = q(c) +

\q(c).
k
c
_
et
k
= c cd
k
. donc :
q(
k
) q(c) =

\q(c). cd
k
_
=
_
\q(c). c
j
k
|j
k
|
_
=
c
|j
k
|

\q(c). j
k
_
=
c
|j
k
|
_
_
j
k
_
_
2
= c
_
_
j
k
_
_
< 0
Donc q(
k
) < q(c) ( chaque itration on obtient une rduction de q).
Le lemme ci-dessous nous indique que la fonction q se rduit dun montant de
_
1
c
: + 1
_
.
Lemme 6
q(
k
) _
_
1
c
: + 1
_
q(c)
o
k
est la solution optimale du problme (6).
Preuve
Soit r

la solution optimale du problme (1), et

tel que r

= 1
1
(

). on distingue
deux cas :
Cas 1)

1 1(c. c)
0 _ q(
k
) _ q(

) = 0 <
_
1
c
: + 1
_
q(c)
do le rsultat.
71
Cas 2)

, 1 1(c. c)

, 1:(1(c. c)) [c.

]. on a :
1:(1(c. c)) [c.

] =
_
_
_

0k
( un point ralisable quelconque )

k
( une solution optimale )
a) 1:(1(c. c)) [c.

] =
0k

o ]0. 1[:
_
_
_

0k
= o

+ (1 o)c
_
_

0k
c
_
_
= c
_
_

0k
c
_
_
= c = o |

c| = c
|

c| =
c
o
Et on a : |

c|
2
= |

|
2
+|c|
2
2c
t

|
2
=
n+1

i=1
(

i
)
2
_ (
n+1

i=1

i
)
2
= (c
t
n+1

)
2
= 1
|c|
2
=
_
_
_
_
1
: + 1
c
n+1
_
_
_
_
2
=
1
: + 1
c
t

=
1
: + 1
c
t
n+1

=
1
: + 1
|

c|
2
_ |

|
2
+|c|
2
Alors : |

c|
2
_ 1 +
1
: + 1
_ 1 + (: + 1) _ (: + 1)
2
On a aussi : |

c|
2
=
_
c
o
_
2
_
c
o
_
2
_ (: + 1)
2
=
c
o
_ : + 1 = o _
c
: + 1
Puisque q est convexe et q(

) = 0, alors :
q(
0k
) _ oq(

) + (1 o)q(c) _
_
1
c
: + 1
_
q(c)
De plus, q(
k
) _ q(
0k
), donc : q(
k
) _
_
1
c
: + 1
_
q(c)
b) 1:(1(c. c)) [c.

] =
k

On trouve le mme rsultat par une dmonstration analogue.

72
Thorme 4
A chaque itration de lalgorithme, la fonction potentiel se rduit dune valeur con-
stante o telle que : 1(r
k+1
) _ 1(r
k
) o. o o = c
c
2
2(1 c)
2
.
Preuve
1(r
k+1
) 1(r
k
) = (: + 1) ln
_
,(r
k+1
) .

,(r
k
) .

i=1
ln
_
r
k+1
i
r
k
i
_
.
= (: + 1) ln
_
q(
k
)
q(c)
_

n+1

i=1
ln
_

k
i
_
_ (: + 1) ln
_
1
c
: + 1
_

n+1

i=1
ln
_

k
i
_
_ c +
c
2
2(1 c)
2
On a utilis le rsultat dmontr par Karmarkar [9,11] :
n+1

i=1
ln
_

k
i
_
_
c
2
2(1 c)
2
Donc, 1(r
k+1
) _ 1(r
k
) o o o = c
c
2
2(1 c)
2
.
Lalgorithme correspondant cette variante est de structure simple et nous avons de
bonnes raisons pour prtendre un comportement numrique meilleur.
73










CONCLUSION













75
Les mthodes de points intrieurs sont connues par leur efficacit, rapidit de
convergence, simplicit algorithmique et capacit de rsoudre des problmes de grandes
tailles. L'inconvnient principal dans ce type de mthodes est l'initialisation, c'est--dire la
dtermination d'un point initial qui se trouve l'intrieur du domaine. La plupart des rsultats
thoriques supposent que ce point initial est connu, mais numriquement l'obtention de ce
point initial prend beaucoup de temps et reprsente un handicap majeur pour ces mthodes
originales et importantes.
Dans cette thse, nous avons apport des contributions d'ordre algorithmique, thorique et
numrique. En effet, l'introduction du poids et galement l'approche non ralisable constituent
un remde apprciable pour le problme d'initialisation au niveau des mthodes de trajectoire
centrale.
De mme, nous avons pu dvelopper deux variantes de mthodes de points intrieurs pour
la minimisation d'une fonction convexe sous contraintes linaires avec tablissement de tout
l'aspect thorique. Une tude numrique approfondie des algorithmes proposs ainsi que leur
gnralisation des programmes non linaires fera sans doute une tude de recherche
intressante.









76










BIBLIOGRAPHIE












77
[1] M. Achache, " A weighted path-following method for the linear complementarity
problem ", Studia Universitatis Babes-Bolyai. Series Informatica, 48 (1) 61- 73 (2004).
[2] M. Achache, " Multidimensional primal-dual path-following interior point methods for
linear programming and linear complementarity problems", Thse d'tat, Universit Ferhat
Abbas de Stif, Algrie, (2005).
[3] M. Achache, H. Roumili & A. Keraghel, " A numerical study of an infeasible primal-dual
path-following algorithm for linear programming ", Applied Mathematics and Computation,
Volume 186, 2, 1472-1479 (2007).
[4] S. Bazarra, H.D. Sherali and C.M. Shetty, " Nonlinear programming, theory and
algorithms ", Second edition (1993).
[5] Zs.Darvay, " A weighted-path-following method for linear optimization ", Studia
Universitatis Babes-Bolyai. Series Informatica, 47 (1) 3-12, (2002).
[6] Z. Darvay, " New interior point algorithms in linear programming ", AMO, Advanced
Modeling and Optimization, Volume 5, Number 1 (2003).
[7] J . Ding and T.Y. Li, " An algorithm based on weighted logarithmic barrier function for
linear complementarity problem ", The Arabian journal for Science and Engineering V15, N
4B (1990).
[8] J . Dominguez & M. Gonzalez-Lima, " A primal-dual interior point algorithm for quadratic
programming ", Technical report 01, Venezuela (2005).
[9] A. Hanachi, " Etude thoriue et numrique d'une mthode de linarisation de type
Karmarkar pour la programmation quadratique convexe ", Thse de Magister, Institut de
Mathmatiques, University Ferhat Abbas, Stif (1997).
[10] N. Karmarkar, " A new polynomial-time algorithm for linear programming ".
Combinatorica 4, 373-395 (2005).
78
[11] Z. Kebbiche, A. Keraghel & A. Yassine, " Extension of a projective interior point
method for linearly constrained convex programming", To appear in Applied Mathematics
and Computation (2007).
[12] Z. Kebbiche, A. Keraghel & A. Yassine, " An infeasible interior point method for the
monotone linear complementarity problem", International J ournal of Mathematical Analysis,
Vol. 1, 2007, No 17, 841-849.
[13] A. Keraghel, " Etude adaptative et comparative des principales variantes dans
l'algorithme de Karmarkar ", Thde de Doctorat de Mathmatiques appliques, Universit
J oseph Fourrier, Grenoble, France (1989).
[14] A. Keraghel, Z. Kebbiche & M. Achache, " An implementing weighted path-following
algorithm for linear complementarity problems", Analete Universitatii Oradea, Fasc.
Matematica, Tom XIV (2007), 53-64.
[15] M. Kojima, S. Mizuno & A. Yoshise, "A polynmial time algorithm for class of linear
complementarity prblems ", Mathematical programming 44, 1-26 (1989).
[16] B. Merikhi, " Etude comparative de l'extension de l'algorithme de Karmarkar et des
mthodes simpliciales pour la programmation quadratique convexe ", Thse de Magister,
Institut de Mathmatiques, University Ferhat Abbas, Stif (1994).
[17] B. Merikhi, " Extension de quelques mthodes de points intrieurs pour la
programmation semi-dfinie ", Thse de Doctorat, Institut de Mathmatiques, University
Ferhat Abbas, Stif (2006).
[18] A. Nemirovskii, K. Scheinberg, " Extension of Karmarkar's algorithm onto convex
quadratically constrained quadratic problems ", Mathematical Programming: Series A 72(3):
273-289 (1996).
[19] J . Nocedal & S.J . Wright, " Numerical optimization ", Springer series in operations
research.
79
[20] H. Roumili, " Etude qualitative des mthodes de points intrieurs non ralisables pour la
(PL) et la (PQC) ", Thse de Magister, Institut de Mathmatiques, University Ferhat Abbas,
Stif (1998).
[21] E.M. Simantiraki & D.F. Shanno, " An infeasible-interior point method for linear
complementarity problems ", SIAM J . Optim. Vol. 7, No.3, 620-640 (1997).
[22] M. J . Todd, B. P. Burell, " An extension of Karmarkar's algorithm for linear
programming using dual variables ", Algorithmica 1: 409-424 (1986).
[23] Y. Wang & P.Fei, " A primal -infeasible interior point algorithm for linearly constrained
convex programming ", Optimization-online.org.
[24] S. J . Wright, " Primal-dual interior point methods", SIAM. Philadelphia, (1997).
[25] S. J . Wright & Y. Zhang, " A superquadratic-interior-point method for linear
complementarity problems ", Mathematical Programming 73, 269-289 (1996).
[26] Y. Ye & E. Tse, " An extension of Karmarkar's projective algorithm for convex quadratic
programming ", Mathematical Programming 44 157-179 (1989).