Documente Academic
Documente Profesional
Documente Cultură
1 Fonctions convexes
1.1 Caracterisation et proprietes de continuite
Denition Une fonction f : X ] , +] est dite convexe lorsque, (x, y) X,
]0, 1[, f(x + (1 )y) f(x) + (1 )f(y).
Proposition: Soit f : R
n
R.
i) Si f est dierentiable alors f est convexe (x, y) R
n
, f(y) f(x)
'f(x), y x`.
ii) Si f est (
2
alors f est convexe x R
n
, f
eor
`
eme: Si f : X ] + ] alors f est convexe s.c.i. f(x) =
sup', x` + , (, ) X
eor
`
eme: Si (U, V ) sont des ouverts de X norme, > 0 est tel que V +
B(0, 1) U et f est convexe bornee par N sur U alors f est
2N
-lipschitzienne
sur V .
Corollaire: i) Si f : R
n
] , +] est convexe nie sur un voisinage de
0 alors f est lipschitzienne sur un voisinage de 0.
ii) Si f est convexe nie sur R
n
alors f est localement lipschitzienne sur
R
n
.
Th
eor
`
eme: Si X est un Banach et f (X) alors:
f est continue en x x int(dom(f)).
1.2 Conjuguee de Fenchel-Moreau
Denition Lorsque f (X), on denit:
i) f
: X
] , +] par f
() = sup
xX
', x` f(x),
ii) f
: X ] , +] par f
(x) = sup
X
', x` f
().
1
Proposition: i) Pour tous (x, ) X X
, f(x) + f
() ', x`.
ii) La fonction u ', u` minore f (, ) epi(f
).
iii) Si f g alors f
.
Th
eor
`
eme: Si f (X) alors f
(X
) et f
= f.
Remarque: Si I
S
est la fonction caracteristique dun ensemble convexe ferme S, alors
I
S
(X), I
S
= H
S
et donc H
S
= I
S
.
1.3 Sous-dierentiel
Denition Le sous-dierentiel en x de f (X) est le convexe faiblement- ferme
de X
eor
`
eme: f(x) f(x) + f
() = ', x` x f
().
Proposition: Si f est convexe continue en x alors f(x) = .
Proposition: Si (f, g) sont convexes sur X et sil existe x
0
dom(f) dom(g)
tel que f soit continue en x
0
alors, pour tout x dom(f) dom(g), (f +g)(x) =
f(x) + g(x).
Proposition: Soit A : X Y continue et g(x) = f(Ax). Sil existe x
0
X tel
que f soit continue en Ax
0
, alors g(x) = A
f(Ax).
Remarque: On se ram`ene au cas de la somme en posant
(x, y) = f(y) + I
{(x,y) , y=Ax}
(x, y),
et en remarquant que g(x) ssi (, 0) (x, Ax).
Proposition: Si f est convexe sur X norme et x dom(f), alors x est un
minimum global de f x est un minimum local de f 0 f(x).
Th
eor
`
eme: f : X ] , +] est positivement homog`ene sous additive
s.c.i. si et seulement sil existe X
.
Remarque: On a = X
(x; v) = lim
t0
+
f(x+tv)f(x)
t
.
Proposition: Si f est convexe et x dom(f), alors f
eor
`
eme: Si X est un Banach, f (X) et x int(dom(f)), alors f
(x; v) =
max
f(x)
', v`, i.e. f
(x; .) = H
f(x)
(.).
Remarque: Cest un max car f(x) est ferme faible- borne (f est localement lips-
chitzienne), donc compact.
Remarque: f
G
(x) X
(x; v) = 'f
G
(x), v`.
Proposition: Si f est convexe et f
G
(x) existe, alors f(x) = f
G
(x).
2
Proposition: Si X est un Banach, f (X) et x int(dom(f)), alors f(x) =
f
G
(x) existe et f
G
(x) = .
2 Applications au calcul des variations
Proposition: Si : [a, b]R
n
R est une fonction de Caratheodory veriant
il existe L
1
(a, b), c : [a, b] R
n
R nie sur les bornes tels que (t, v)
'v, (t)` + c(t, v), alors pour tout m 0,
inf
vL
(a,b) , ||v||
b
a
(t, v(t)) dt =
b
a
inf
vR
n
, |v|m
(t, v) dt
Si, de plus, (t, 0) L
1
(a, b) alors
inf
vL
(a,b)
b
a
(t, v(t)) dt =
b
a
inf
vR
n
(t, v) dt
Th
eor
`
eme: Si g(t, v) est continue [a, b] R
n
R, convexe par rapport `a v
et telle quil existe > 0, p > 1 et R avec g(t, v) [[v[[
p
+ , alors en
posant, pour v L
2
(a, b), f(v) =
b
a
g(t, v(t)) dt on a f(v) = L
2
(a, b) [ (t)
v
g(t, v(t)) pp t [a, b].
Th
eor
`
eme: Si L(t, x, v) est continue [a, b] R
n
R
n
R, convexe par rapport
`a v et verie > 0, r > 1, R tels que L(t, x, v) [[v[[
r
+ alors il existe
une solution au probl`eme:
minimiser
b
a
L(t, x(t), x
(t)) dt sur W
1,r
(a, b)
sous les contraintes x(a) = A et x(b) = B.
Remarque: On introduit lhamiltonien du syst`eme, deni par
H(t, x, p) = L(t, x, .)
(p) = sup
vR
n
'p, v` L(t, x, v).
On montre alors que H est continue, convexe par rapport `a p, majoree par C[[p[[
r
et
que lon a L(t, x, v) = H(t, x, .)
(v) = sup
pR
n'p, v` H(t, x, p).
3 Optimisation convexe
On sinteresse au probl`eme:
(P) minf(x) [ x , g(x) 0 , h(x) = 0
o` u est un ensemble convexe de X, f est convexe, g est convexe `a valeurs dans R
n
(g(x) 0 signie que toutes les composantes de g(x) sont 0) et h est lineaire `a valeurs
dans R
m
.
3
3.1 Conditions necessaires
Th
eor
`
eme: Si x est solution de (P), alors il existe
0
= 0 ou 1, 0 et
R
m
veriant (
0
, , ) = 0 tels que x minimise f(x) +', g(x)` +', h(x)` sur
et ', g(x)` = 0.
Remarque: La derni`ere condition dit que, pour tout i [1, n],
i
g(x)
i
= 0.
Remarque: De tels (
0
, , ) sont dit multiplicateurs pour x.
Remarque: On en deduit donc que 0 (f + ', g` + ', h` + I
(x).
Proposition: Sous les memes hypoth`eses, si en plus (P) verie la condition
de Slater: h = 0 et il existe x
0
tel que g(x
0
) < 0, alors, pour tout multipli-
cateur (
0
, , ) de x, on a
0
= 1.
Remarque: Lorsque tous les multiplicateurs pour x verient
0
= 1, on dit que x est
solution normale de (P).
Proposition: Si (P) verie la condition de Slater, dom(f) et V () =
minf(x) [ x , g(x) nest jamais , alors
V (0) = mutiplicateur pour x.
Proposition: Si x est admissible et poss`ede un multiplicateur avec
0
= 1,
alors x est solution de (P).
3.2 Dualite
En posant (, ) = min
x
f(x) +', g(x)` +', h(x)`, le probl`eme dual associe `a (P)
est
(D) max(, ) [ 0 , R
m
Th
eor
`
eme: Si x est une solution normale de (P), alors le minimum de (P)
est egal au maximum de (D) et:
(, ) est mutiplicateur pour x (, ) est solution de (D).
Remarque: En notant L(x, , ) = f(x) +', g(x)` +', h(x)`, on voit que (x, , ) est
un point selle de L, i.e. L(x, , ) L(x, , ) L(x, , ) pour tout x , 0 et
R
m
.
4