Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Méthodes Momentum et CG non linéaire

Dans cours

MATH-512: Optimization on manifolds

We develop, analyze and implement numerical algorithms to solve optimization problems of the form min f(x) where x is a point on a smooth manifold. To this end, we first study differential and Riemannian geometry (with a focus dictated by computational con ...

Description

Cette séance de cours couvre la descente en gradient avec mémoire en R2, introduisant des méthodes d'impulsion pour améliorer la vitesse de convergence. Il se substitue ensuite à des gradients conjugués avec l'élan, explorant l'utilisation de différentes règles bêta et leur impact sur les performances. L'instructeur discute également de CG non linéaire sur les collecteurs, en particulier Riemannian CG, mettant en évidence la riche famille d'algorithmes qu'elle produit et la théorie délicate derrière elle.

Enseignant·e

Nicolas Boumal

Source officielle

Concepts associés (32)

Méthode du gradient conjugué

vignette|Illustration de la méthode du gradient conjugué. En analyse numérique, la méthode du gradient conjugué est un algorithme pour résoudre des systèmes d'équations linéaires dont la matrice est symétrique définie positive. Cette méthode, imaginée en 1950 simultanément par Cornelius Lanczos, Eduard Stiefel et Magnus Hestenes, est une méthode itérative qui converge en un nombre fini d'itérations (au plus égal à la dimension du système linéaire).

Algorithme du gradient

Lalgorithme du gradient, aussi appelé algorithme de descente de gradient, désigne un algorithme d'optimisation différentiable. Il est par conséquent destiné à minimiser une fonction réelle différentiable définie sur un espace euclidien (par exemple, , l'espace des n-uplets de nombres réels, muni d'un produit scalaire) ou, plus généralement, sur un espace hilbertien. L'algorithme est itératif et procède donc par améliorations successives. Au point courant, un déplacement est effectué dans la direction opposée au gradient, de manière à faire décroître la fonction.

Variété (géométrie)

En mathématiques, et plus particulièrement en géométrie, la notion de variété peut être appréhendée intuitivement comme la généralisation de la classification qui établit qu'une courbe est une variété de dimension 1 et une surface est une variété de dimension 2. Une variété de dimension n, où n désigne un entier naturel, est un espace topologique localement euclidien, c'est-à-dire dans lequel tout point appartient à une région qui s'apparente à un tel espace.

Optimisation (mathématiques)

L'optimisation est une branche des mathématiques cherchant à modéliser, à analyser et à résoudre analytiquement ou numériquement les problèmes qui consistent à minimiser ou maximiser une fonction sur un ensemble. L’optimisation joue un rôle important en recherche opérationnelle (domaine à la frontière entre l'informatique, les mathématiques et l'économie), dans les mathématiques appliquées (fondamentales pour l'industrie et l'ingénierie), en analyse et en analyse numérique, en statistique pour l’estimation du maximum de vraisemblance d’une distribution, pour la recherche de stratégies dans le cadre de la théorie des jeux, ou encore en théorie du contrôle et de la commande.

Variété différentielle

En mathématiques, les variétés différentielles ou variétés différentiables sont les objets de base de la topologie différentielle et de la géométrie différentielle. Il s'agit de variétés, « espaces courbes » localement modelés sur l'espace euclidien de dimension n, sur lesquelles il est possible de généraliser une bonne part des opérations du calcul différentiel et intégral. Une variété différentielle se définit donc d'abord par la donnée d'une variété topologique, espace topologique localement homéomorphe à l'espace R.

Afficher plus

Séances de cours associées (52)

Transporteurs: un proxy pour le transport parallèle

Explore les transporteurs comme une alternative pratique au transport parallèle, en discutant des exigences minimales, des exemples avec des matrices, des choix pragmatiques et des algorithmes d'optimisation.

Optimisation des manifolds : contexte et applications MOOC: Introduction à l'optimisation sur des manifolds lisses : méthodes du premier ordre

Introduit l'optimisation sur les collecteurs, couvrant les techniques classiques et modernes dans le domaine.

Choisir une taille d'étape MOOC: Introduction à l'optimisation sur des manifolds lisses : méthodes du premier ordre

Explore le choix d'une taille d'étape dans l'optimisation sur les collecteurs, y compris la recherche de ligne backtracking et la méthode Armijo.

Comparaison des vecteurs tangents : trois raisons Pourquoi

Explore l'importance de comparer les vecteurs tangents à différents points à l'aide d'algorithmes et de différences finies.

Taylor Expansions: Premier ordre MOOC: Introduction à l'optimisation sur des manifolds lisses : méthodes du premier ordre

Explore Taylor expansions de premier ordre dans l'optimisation sur les collecteurs.

Afficher plus

Concepts associés (32)

Méthode du gradient conjugué

Algorithme du gradient

Variété (géométrie)

Optimisation (mathématiques)

Variété différentielle

Afficher plus