Documente Academic
Documente Profesional
Documente Cultură
Grgory Bonnet
Rmi Douvenot
Nicolas Fezans
Emmanuel Rachelson
Stphanie Roussel
17 janvier 2008
TD 1 : Gnralits
Exercice 1 : tude des fonctions quadratiques
Les fonctions quadratiques sont trs souvent rencontres dans les problmes
doptimisation car il sagit dune forme standard dnergie. Soient Q une matrice
de Rnn , b un vecteur de Rn et f : Rn 7 R la fonction dfinie par f (x) =
1 T
T
n
2 x Qx + b x, x R .
et o(v) =
1 T
v Qv
2
En posant qm =
Nous avons donc : 0
max
i,j{1,...,n}
||o(v)||
||v||
v0
|qm |||v||2
||o(v)||
||v||
= 0.
Calcul du Hessien
Calculer le Hessien de f est fond sur le principe prcdent, appliqu au
gradient de f . En effet, montrer que f est deux fois diffrentiable revient
x)(v) +
x + w)(v) = fF0 (
montrer que fF0 (.)(v) est diffrentiable ; donc que fF0 (
00
00
n
f (
x)(v)(w) + o(w) avec f (
x)(v)(.) L(R , R) et lim ||o(w)||
=
0.
w
w0
f
(
x + w)v
x
1
f
(
x + w) = (
x + w)T (Q + QT ) + bT
x
2
1
1 T
(Q + QT ) + bT + wT (Q + QT )
= x
2
2
f
1 T
T
= (
x) + w (Q + Q )
x
2
fF0 (
x + w)(v) =
On pose alors f 00 (
x)(v)(w) = 21 wT (Q+QT ) et o(w) = 0. Il faut alors sassurer
que f 00 (
x)(v)(w) est linaire en w (ce qui est trivial) et que lim ||o(w)||
||w|| = 0 (ce
w0
2f
x2 v, v
> = 12 v T (Q + QT )v
Convexit
2
f
T
T
Si lon suppose Q symtrique alors Q = QT ; et f
x = x Q + b et x2 = Q.
Rappelons quune matrice est dfinie positive (resp. semi-dfinie positive) si et
seulement si ses valeurs propres sont toutes strictement positives (resp. positives
ou nulles). Pour montrer que f est convexe, deux mthodes sont proposes.
Une fonction est strictement convexe (resp. convexe) si son Hessien est dfini
positif (resp. semi-dfini positif). Dans notre application, le Hessien est Q et,
donc, f est strictement convexe (resp. convexe) si Q est dfini positive (resp.
semi-dfini positive).
2
+ xT Qx xT Qy
2
2
y T Qy xT Qx
+
xT Qy
=
2
2
Or xT Qy =
xT Qy
2
xT Qy
2
T
xT Qy
2
y T Qx
2 .
.
.
..
H=
= ..
h(xm )
x0m
a0
xn1
.. .. = Xa
. .
an
xnm
g(x1 )
..
G=
.
g(xm )
et
On a alors :
f =(H G)T (H G)
=H T H + GT G 2GT H(car GT G est un scalaire)
=aT X T Xa + GT G 2GT Xa
0
0
a0
a0
x1 xn1
x1 x0m
..
.. ..
..
.
.
.
.
Q= .
. .
. . .
an
an
x0m xnm
xn1 xnm
m
P i+j2
xk
: Q est bien symtrique. Par ailleurs,
Donc qij =
v Rn+1 ,
k=1
Application numrique
Dans lapplication :
1
X= 1
1
1
2
3
8
et G = 25
52
On obtient :
XT X =
3
6
6
14
et X T G =
85
214
1
12
14
6
6
3
= QT
et
b = 2X T G =
170
428
Par consquent :
a = (2X T X)1 (2X T G) =
Donc, h(x) = 22x
47
3
22
47
3 .
Exercice 3 : Production
Remarques dordre gnral pour loptimisation
Dans cet exercice, nous cherchons maximiser une quantit. Notre problme
peut donc tre modlis de la faon suivante :
max qh(x1 . . . xn )
xi 0
n
X
i=1
pi xi
Nous ngligerons les contraintes de positivit ; et nous les vrifierons a posteriori. En effet, chaque xi est ncessairement positif car il reprsente une quantit
de matire premire.
La condition du premier ordre pour trouver un optimum est dannuler le
gradient.
i {1, . . . , n},
h(x1 . . . xn )
f
(x1 , . . . , xn ) = q
pi
xi
xi
2
2h
. . . x 1 xhn
2
x
2f
..
..
= q
.
.
2
x
2
2
h
h
...
xn x1
x2
n
Application 1
1
p
1
= 3q 11 22
=0
x
x 3 x 3 p2
3 1
1
2
q 3 3
3 x11 x22
q 3 3
3 x1 x2
x 13 = 3p1 x13
p1 =0
2
q
2
1
p2 =0
x 3 = 3p2 x23
1
q
27p31 x21
q3
27p32 x22
x1 = q 3
x2 =
(1)
(2)
x31 =
q 18
273 p61 p32
x1 =
q3
27p21 p2
q3
27 .
Au point x
considr, le Hessien est :
9
2f
2
(
x
)
=
1
x2
q3
1
2
Ici, le dterminant est positif (il vaut 3) et la trace est ngative (elle vaut 4) ;
donc le produit des valeurs propres est positif et leur somme est ngative. Par
consquent les deux valeurs propres sont du mme signe et de somme ngative :
les deux valeurs propres sont ngatives.
Si lon veut sen convaincre par le calcul, le polynme caractristique vaut :
2
1
= (2 + )2 1 = ( + 1)( + 3)
P () =
1
2
Application 2
Soit h(x1 , x2 ) = x21 + x22 . La condition du premier ordre nous donne :
f
2qx1 p1
=
=0
2qx2 p2
x
Nous avons donc x1 =
p1
2q
et x2 =
p2
2q .
TD 2 : Qualification
Exercice 1 : directions et cnes admissibles
Premier domaine
= {(x, y) R2 : (x 1)2 + y 2 1 = 0 et x2 + (y 1)2 1 = 0}
(Approche graphique) Quest-ce quune direction admissible ? Considrons un domaine dans Rn et un point donn x
de ce domaine, une direction est
admissible si lon peut se dplacer dans cette direction partir du point x
sans
sortir du domaine. Lensemble des directions admissibles en un point est not
Dx ().
Pour notre exercice, nous pouvons remarquer que = {(0, 0)(1, 1)}. Ainsi au
voisinage de (0, 0), le domaine est vide. Il est donc impossible de se dplacer sur le
domaine dans une direction autre que le vecteur nul. Ainsi D(0,0) () = {(0, 0)}.
En effet, le vecteur nul est toujours une direction admissible (il est toujours
possible de ne pas se dplacer).
(Approche par la dfinition) Bien entendu, une direction admissible est
dfinie formellement.
Dfinition 1 (Direction admissible). Soit un domaine Rn et un point x
0 (0) = v
> 0, 0 < t < , (t)
Si lon se considre au point (0, 0), par dfinition (0) = (0, 0). Comme
est continue et que, pour t petit, (t) , la seule fonction respectant ces
deux proprits est (t) = (0, 0). On peut sen convaincre en raisonnant par
labsurde :
Supposons quil existe une direction admissible v 6= (0, 0). La formule de
Taylor applique au correspondant nous indique que (t) = (0) + 0 (0).t +
o(t). Or (t) . Donc (t) = (0, 0) ; par consquent vt + o(t) = (0, 0). On sait
o(t)
que lim o(t)
t = (0, 0). Or t = v et v 6= (0, 0) par hypothse. Cest absurde : il
t0
2
0
et g2 (0, 0) =
0
2
Deuxime domaine
= {(x, y, z) R3 : (x 1)2 + y 2 1 = 0 et x2 + (y 1)2 1 = 0}
Si R3 alors = {(0, 0, z), (1, 1, z)}. En se plaant au point x
= (0, 0, z)
ou x
= (1, 1, z), on ne peut se dplacer sans sortir du domaine que le long de
laxe z. Par consquent Dx () = {(0, 0, z) : z R}
Troisime domaine
= {(x, y) R2 : (x 1)2 + y 2 1 0 et x2 + (y 1)2 1 0}
(0).t + o(t)
t
(t) =(0) + 0 (0).t + o(t)
(t) =(0) +
Or (0) =
v1
v2
; et par dfinition du reste de Taylor : lim
t0
||o(t)||
t
= 0.
||o(t)||
t
< min(|v1 |, |v2 |) ; donc
1
v1
v2
.t + o(t) a une
Dans notre exercice, les deux contraintes sont satures en (0, 0). Nous cheri
chons donc : {(v1 , v2 ) R2 : h
x).(v1 , v2 ) 0}
x (
v1
0
2 0 .
2v1 0
v2
=
2v2 0
v
0
0 2 .
v2
Par consquent, v1 0 et v2 0 ; et :
C(0,0) () = G(0,0) () = {(v1 , v2 ) R2 : v1 0 et v2 0}
Exercice 2
Soit le problme doptimisation suivant :
(P ) : min x i (x1 )
1 = {(x1 , x2 ) R2 : x1 + x2 1 0, x1 2x2 + 1 0, x1 0, x2 0}
10
Approche graphique
x2
1
1
2
x1
h3
(
x) =
x
0
1
Ainsi :
1
1
0
G(1,0) (1 ) = {
.v 0} {
.v 0} {
.v 0}
1
2
1
Nous pouvons remarquer que chaque sous-ensemble correspond lexpression
dune des contraintes satures. Comme v1 + v2 0 et v1 2v2 0, on a
ncessairement v2 0. La troisime contrainte est toujours vrifie. Donc :
1
1
G(1,0) (1 ) = {
.v 0} {
.v 0}
1
2
Nous vrifions bien que G(1,0) (1 ) = C(1,0) (1 ). Les contraintes sont donc
qualifies, confirmant ainsi le thorme de qualification (voir cours).
11
2x1 + 3x2 2
3x1 + 4x2 3
h1
(
x) =
=
x
0
0
h2
(
x) =
x
0
1
Ainsi :
0
0
G(1,0) (2 ) = {
.v 0} {
.v 0} = {(0, 0)}
0
1
Nous pouvons remarquer que lensemble G(1,0) (2 ) nest pas gal au cne
des directions admissibles (identique D(1,0) (1 )) : les contraintes ne sont pas
qualifies.
Interprtation
Pour un mme problme, la manire dcrire les contraintes va influer sur
leur qualification. Ceci est important car les contraintes doivent tre qualifies
pour que lon puisse appliquer les thormes vus en cours. Cette application
illustre le fait que la qualification des contraintes dpend de leur criture et
nest pas une proprit intrinsque de lensemble des points dcrits par .
En dautres termes, bien poser le problme cest lavoir dj rsolu.
Exercice 3
Considrons la fonction paramtre :
3
fm (x) = mx31 + x21 + x22 + 3x23 2x2
2
3mx21 + 3x1
f
= 2x2 2 = 0
x
6x3
Nous avons deux cas, m = 0 et m 6= 0. Si m = 0 alors x1 = 0, x2 = 1 et
1
x3 = 0. Si m 6= 0 alors x1 = 0 ou x1 = m
, x2 = 1 et x3 = 0.
12
6mx1 + 3 0 0
2f
0
2 0
=
x2
0
0 6
Si m = 0 alors le Hessien est dfini positif et (0, 1, 0) est un minimum global
de fm . Si m 6= 0 alors le Hessien est dfini positif pour (0, 1, 0) mais pas pour
1
, 1, 0). Par consquent, la solution x
est (0, 1, 0).
( m
13
TD 3 : Problmes avec
contraintes galits
Exercice 1
Modlisation
Notre problme est le suivant :
(P ) : min f (x1 , x2 ) = 2x1 + 3x2 1 avec
(x1 , x2 ) R2
3
sous la contrainte g(x1 , x2 ) = x21 + x22 6 = 0
2
Il nous faut dans un premier temps vrifier la rgularit des contraintes
(puisquil sagit de contraintes galits) afin de pouvoir utiliser les thormes
vus en cours. Les contraintes galits sont rgulires si leurs gradients forment
une famille libre. Ici, nous navons quune seule contrainte : son gradient est un
seul vecteur qui est toujours libre (sil est non nul).
2x1
g
Ici, x (x) =
.
3x2
g
x (x) sannule en (0, 0) mais ce point ne fait pas partie du domaine : les
contraintes sont donc rgulires sur tout .
Nous pouvons alors poser le Lagrangien :
3
L(x1 , x2 , ) = 2x1 + 3x2 1 + (x21 + x22 6)
2
2
5
=6
22
5
2 =
12 r
=
5
12
q q
12
0 =
Nous avons donc deux candidats loptimalit x
= ( 12
5 ,
5 ) et x
q
q
12
( 12
5 ,
5 ).
La condition du premier ordre ne suffit pas pour conclure car les contraintes
ne sont pas affines.
T 2L
T
positif, v Dx0 , v 2 L2 v 0.
v Dx , v x2 v 0 ; tandis que pour
x
Ainsi, seule la solution x
0 vrifie la condition
ordre. Nous sommes
q
q du second
12
12
en prsence dun minimum ; et (x1 , x2 ) = ( 5 , 5 ).
Comme lilluste la figure, lautre point correspond au maximum sur le domaine.
15
Exercice 2
Il nous faut trouver le pav de dimension x, y, z dont le volume est maximum
et de surface donne c.
Modlisation
Nous pouvons modliser notre problme de la manire suivante :
(P ) : min f (x, y, z) = xyz
avec
(x, y, z) R3
c
=0
2
Nous devons y ajouter trois autres contraintes : x, y, z doivent tre strictement positif ; donc (x, y, z) R+3 . Ce domaine est ouvert et nous ne pouvons
optimiser dessus. Il nous faut raisonner sur un ferm et vrifier a posteriori que
la solution se trouve dans le domaine (et non pas sur la frontire).
Comme dans lexercice prcdent, il nous faut vrifier la rgularit des contraintes. Comme il ny a quune seule contrainte, le gradient des contraintes est
un unique vecteur (non nul sur ), toujours libre. Les contraintes sont rgulires.
Nous pouvons poser le Lagrangien. Posons X = (x, y, z)
L(X, ) = xyz + (xy + yz + xz)
c
2
yz + (y + z)
L
= xz + (x + z) = 0
X
yx + (x + y)
Il nous faut rsoudre le systme :
yz + (y + z) =0
xz + (x + z) =0
yx + (x + y) =0
xy + xz + zx 2c =0
(1)
(2)
(3)
(4)
y + y 2 = 0
= 0 et z = 0
(42 + 42 + 42 )
c
= 0 = 242 = c = =
2
c
1
=
24
2
c
6
pc
1
2
et
La condition du premier ordre ne suffit pas pour conclure car les contraintes
ne sont pas affines.
0
2
L
0
(
X)
=
X 2
0
0
= 1
1
0
1
0
1
0
1
0
L
Les valeurs propres de X
2 (X) sont {, , 2}. On ne peut conclure la
3
positivit du Hessien sur R . Il faut donc regarder plus prcisement lensemble
Soit v D (). Comme les contraintes sont
des directions admissibles en X.
X
1
g
(X) = 4 1
X
1
0 1 1
v1
2
L
vT
(X)v = 2 v1 v2 v3 1 0 1 v2
X 2
1 1 0
v3
17
vT
2L
(X)v = (v1 (v2 + v3 ) + v2 (v1 + v3 ) + v3 (v1 + v2 ))
X 2
= ((v2 + v3 )2 + v2 (v2 ) + v3 (v3 ))
= ((v2 + v3 )2 v22 v32 )
=((v2 + v3 )2 + v22 + v32 )
Exercice 3
Dans cet exercice, nous dsirons trouver une loi de probabilit P qui maximise lentropie pour une variable alatoire X (prenant les valeurs x1 . . . xn avec
une probabilit p1 . . . pn ) et dont la valeur moyenne est un m donn.
Modlisation
Nous pouvons modliser notre problme de la manire suivante :
(P b) : max
f (P ) =
+n
P R
n
X
pi log2 (pi )
i=1
sous la contrainte g1 (P ) =
sous la contrainte g2 (P ) =
n
X
i=1
n
X
pi 1 = 0
pi xi m = 0
i=1
1 x1
g
..
= ...
.
P
1 xn
Si lon fait lhypothse quau moins deux xi sont distincts, les colonnes du
gradient forment une famille libre : les contraintes sont rgulires et nous pouvons poser le Lagrangien :
L(P, ) =
n
X
n
n
X
X
pi log2 (pi ) + 1 (
pi 1) + 2 (
pi xi m)
i=1
i=1
18
i=1
L
=
P
Comme log2 (pi ) =
log2 (p1 ) +
log2 (pn ) +
ln(pi )
ln 2 ,
1
ln 2
+ 1 + 2 x1
..
.
1
ln 2
=0
+ 1 + 2 xn
1
+ 1 + 2 xi = 0
ln 2
ln(pi )
1
=
1 2 xi
ln 2
ln 2
1
1 2 xi )
ln(pi ) = (ln 2)(
ln 2
1
pi = 2( ln 2 1 2 xi )
log2 (pi ) +
n
X
n
X
pi log2 (pi ) + (
pi 1)
i=1
i=1
pi = 2( ln 2 )
En intgrant ce rsultat dans la contrainte, nous obtenons :
n
X
2( ln 2 ) = 1
i=1
1
( ln12 )
Comme 2
est un rel fix alors 2( ln 2 ) =
pi = n1 . Cest la loi uniforme qui maximise lentropie.
1
n.
Par consquent, i,
Nous pouvons alors remarquer que la contrainte est affine, auxquel cas la
condition du premier ordre est ncessaire et suffisante.
19
avec
h(x)0
f (x) = 12 xT Qx bT x
x Rn
h(x) = aT x c
2L
x2
(1)
(2)
(3)
est une matrice dfinie positive. Si une solution est trouve avec la
condition du premier ordre pour 0 alors cette solution est bien un minimum.
L
x,
)
x (
= 0
h(
x) = 0
1 T
(Q
2x
+ QT ) bT +
aT = 0
T
(a x
c) = 0
Q+QT
x
b
+
a
=
0
2
(aT x
c) = 0
T
x
= ( Q+Q
)1 (b
a)
2
(a
x
c)
=
0
x
= 2(Q + QT )1 (b
a)
(a x
c) = 0
1er cas :
=0
Dans ce cas : x
= 2(Q + QT )1 b
20
2me cas :
6= 0
On a alors
aT x
c=0
2aT (Q + QT )1 (b
a)) c = 0
(2aT (Q + QT )1 a) = 2aT (Q + QT )1 b c
On a donc
(
=
x
2aT (Q+QT )1 bc
2aT (Q+QT )1 a
T 1
(b
= 2(Q + Q )
2aT (Q+QT )1 bc
a)
2aT (Q+QT )1 a
Pour que lon ait un minimum, il faut que soit positif, cest dire que
2aT (Q + QT )1 b c.
2aT (Q + QT )1 b c
a)
2aT (Q + QT )1 a
Interprtation : c est lordonne lorigine de la contrainte. Il dfinit donc la
position de lhyperplan de la contrainte par rapport au minimum global. Quand
c devient plus petit que la quantit mentionne plus haut, le minimum global
sort du domaine et la contrainte commence participer tirer le minimum dans
le domaine ( 6= 0). A la limite, on peut remarquer quon a la fois h(x) = 0
et = 0.
Dans ce cas, on a x
= 2(Q + QT )1 (b
Exercice 2
On veut rsoudre le problme suivant :
(P ) :
min
h1 (x1 ,x2 )0
h2 (x1 ,x2 )0
x1 + x2 ,
avec
h1 (x1 , x2 ) =
h2 (x1 , x2 ) =
x2 x1
(x1 , x2 ) R2
x21 + x22 1
x2
x1
=
=
L
x1 (x1 , x2 , 1 , 2 )
L
x2 (x1 , x2 , 1 , 2 )
1 1 + 22 x1
1 + 1 + 22 x2
=
=
L
x1 , x
2 ,
1 ,
2 )
x1 (
L
x1 , x
2 ,
1 ,
2 )
x2 (
=
=
1 (
x2 x
1 ) =
2 (
x21 + x
22 1) =
1
1 + 2
2 x
1
1+
1 + 2
2 x
2
(
x
1 2
1)
2 (
x21 + x
22 1)
=
=
=
=
0
0
0
0
0
0
0
0
1er cas :
1 =
2 = 0
On a alors 1
1 + 2
2 x
1 = 0 1 = 0. Impossible !
2eme cas :
1 = 0 et h2 sature
1 + 2
2 x
1
1 + 2
2 x
2
2
x
1 + x
22 1
= 0
= 0
= 0
2 ( 21 2
2
2 =
x
1 =
x
2 =
1x
1
1+x
1
x
2 x
1
= 0
= 0
= 0
22
x
1 =
x
2 =
1) =
2
2
22
22
21 2
21 2
0
2
2
2 , 2 ).
1 = 0
=
2
2
2
x1 = 22
x2 = 22
2
2
2
2
0
On a xL2 (
x,
) =
. 2 > 0 donc xL2 est dfinie positive.
0
2
2
2
2
,
2
2 )
Exercice 3
On remarque quil sagit l de la gnralisation de lexercice 2 des fonctions
affines et deux contraintes affine et quadratique quelconques.
Soient a un vecteur de Rn \ {0}, Q une matrice deRnn symtrique dfinie
positive, et b et c deux rels avec c > 12 aT Qa.
On considre les fonctions h1 et h2 de Rn dans R dfinies par
h1 (x) = aT x
1
h2 (x) = xT Qx c
2
On veut rsoudre
(P ) : min(aT x b), avec = {x Rn : h1 (x) 0 et h2 (x) 0}
x
23
h2
x2
1 a x
= 0
2 ( 21 x
T Q
x c)
= 0
1er cas :
1 = 0 et
2 = 0
Dans ce cas, on obtient aT = 0 avec la premire quation du systme, ce qui
est en contradiction avec notre hypothse sur a. Ce cas est donc impossible !
= 12 Q1 a
x
T Q
x = 2c
(
1
T T
a Q QQ1 = c
2
22
= 12 Q1 a
q
aT QT a
2 =
q 2c
2c
1
x
=
a
T
T Q
a Q
24
1 T 1
a = 0.
Or la seconde quation prcise que aT x = 0, on a donc : 1+
2 a Q
T
Or a Qa 6= 0 car a 6= 0 et Q dfinie positive. Donc
1 = 1, ce qui est impossible !.
On a xL2 (
x,
) = Q 0 car Q est dfinie positive. La solution trouve est
donc le minimum global sous contraintes.
25
TD5 : Dualit
Exercice 1
Soient a1 , a2 et c dans R avec (a1 , a2 ) 6= (0, 0). On veut rsoudre :
(P ) :
min
a1 x1 + a2 x2 c 0
c
a1
x1
xR2 0
0 xR
inf
x1 ,x2 R2
26
L(x1 , x2 , )
L
x (x1 , x2 , )
=0
L
x1 (x1 , x2 , )
L
x2 (x1 , x2 , )
=
=
2x1 + a1 = 0
2x2 + a1 a1= 0
x1 = 2
x2 = a22
0
0
1er cas : c 0
Dans ce cas, 0, psi0 () 0. psi() est donc dcroissante. Le maximum
est alors atteint pour = 0, cest dire x1 = x2 = 0
0
psi0 ()
x1 =
()
On a alors
2c
a21 +a22
&
a1 c
a2 c
, x2 = 2
2
+ a2
a1 + a22
a21
27
1 T
x Qx bT x + (aT x c)
2
() = infn L(x, )
xR
.
L
x, )
x (
= 0 12 x
T (Q + QT ) bT + aT = 0
Q
x b + a = 0
x
= Q1 (b a)
On a donc :
1
1
1
() = 2 [ aT Q1 aaT Q1 a]+[ aT Q1 b bT Q1 a+bT Q1 a+aT Q1 bc]
2
2
2
1
+ bT Q1 b bT Q1 b
2
cest dire :
1
1
() = 2 [ aT Q1 a] + [aT Q1 b c] bT Q1 b
2
2
On a donc :
0 () = aT Q1 a + aT Q1 b c
0 (
) = 0
=
aT Q1 b c
aT Q1 a
1er cas : aT Q1 b c 0
Dans ce cas, 0, 0 () 0. () est donc dcroissante. Le maximum
est alors atteint pour = 0, cest dire x
= Q1 b .
0
0 ()
()
&
28
x
= Q1 (b
Exercice 3
Soit c R tel que c < 0. On dfinit les fonctions f , h : Rn R par
Pn
f (x) = Pi=1 x4i
, x = (x1 , . . . , xn )T Rn
n
h(x) = ( i=1 xi ) c
On veut rsoudre
(P ) : min f (x) avec = {x Rn : h(x) 0}
x
Question 1 : f convexe
On a
..
.
f
4x3i
(x) =
x
..
.
et
(x) =
x2
2f
x2
12x21
0
..
.
12x2n
n
X
n
X
x4i + (
xi ) c
i=1
i=1
.
L
x, )
xi (
4
x3i + = 0
1
x
i = 4 3
1
1
f est convexe donc x
= ( 4 3 , . . . , 4 3 )T est bien un minimum.
On crit alors la fonction duale :
=0
29
() = L(
x, )
13
Pn
i=1 ( 4
4
3
4
4
1
3
n (
=
=
4
3
n (
)
4
3
1
43
1
1
4 31
43
4
4 3 4 3
5
43
4
3
Pn
i=1 ( 4
c
) c
) c
0 () = 0
1
4
3
31
4
3
3
1
c=0
=c
3c
3 = 4
3c 3
= 4
30
13
) c