Séance de cours

Optimisation : principes et algorithmes mathématiques

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours présente les principaux principes mathématiques et les algorithmes importants d'optimisation, en utilisant des exemples tels que le positionnement d'une bille dans une boîte et le calcul d'itinéraires optimaux dans des réseaux complexes. L'instructeur guidera les étudiants à travers des problèmes d'optimisation linéaires et non linéaires, suggérant l'implémentation d'algorithmes en Python dans Jupyter Notebook pour améliorer la compréhension.

Dans MOOCs (3)

Optimisation : principes et algorithmes - Optimisation discrète et en réseau

Introduction au concept mathématique des réseaux et à deux importants problèmes d'optimisation sur les réseaux : le problème du transbordement et le problème du chemin le plus court. Brève introduction à la puissance de modélisation de l'optimisation discrète, avec référence à des problèmes classiques. Introduction à l'algorithme branch and bound et au concept de coupes.

Optimisation : principes et algorithmes - Optimisation non linéaire sans contrainte

Ce que vous apprendrez Formulation : vous apprendrez à partir d'exemples simples comment formuler, transformer et caractériser un problème d'optimisation. Fonction objective : vous passerez en revue les propriétés mathématiques de la fonction objective qui sont importantes dans l'optimisation. Conditions d'optimalité : vous apprendrez les conditions suffisantes et nécessaires pour une solution optimale. Résolution d'équations, Newton : il s'agit d'un rappel sur la méthode de Newton pour résoudre des équatio

Optimisation : principes et algorithmes - Optimisation linéaire

Ce que vous apprendrez Formulation : vous apprendrez à partir d'exemples simples comment formuler, transformer et caractériser un problème d'optimisation. Contraintes : vous apprendrez à représenter les contraintes d'un problème d'optimisation linéaire, à la fois d'un point de vue géométrique et algébrique. Dualité : vous apprendrez à dériver un problème complémentaire appelé "dual". Conditions d'optimalité : vous apprendrez les conditions suffisantes et nécessaires pour une solution optimale. Méthode du si

Source officielle

Concepts associés (32)

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.

Optimisation non linéaire

En optimisation, vue comme branche des mathématiques, l'optimisation non linéaire (en anglais : nonlinear programming – NLP) s'occupe principalement des problèmes d'optimisation dont les données, i.e., les fonctions et ensembles définissant ces problèmes, sont non linéaires, mais sont aussi différentiables autant de fois que nécessaire pour l'établissement des outils théoriques, comme les conditions d'optimalité, ou pour la bonne marche des algorithmes de résolution qui y sont introduits et analysés.

Optimisation convexe

vignette|320x320px|Optimisation convexe dans un espace en deux dimensions dans un espace contraint L'optimisation convexe est une sous-discipline de l'optimisation mathématique, dans laquelle le critère à minimiser est convexe et l'ensemble admissible est convexe. Ces problèmes sont plus simples à analyser et à résoudre que les problèmes d'optimisation non convexes, bien qu'ils puissent être NP-difficile (c'est le cas de l'optimisation copositive). La théorie permettant d'analyser ces problèmes ne requiert pas la différentiabilité des fonctions.

Constrained optimization

In mathematical optimization, constrained optimization (in some contexts called constraint optimization) is the process of optimizing an objective function with respect to some variables in the presence of constraints on those variables. The objective function is either a cost function or energy function, which is to be minimized, or a reward function or utility function, which is to be maximized.

Optimisation multiobjectif

L'optimisation multiobjectif (appelée aussi Programmation multi-objective ou optimisation multi-critère) est une branche de l'optimisation mathématique traitant spécifiquement des problèmes d'optimisation ayant plusieurs fonctions objectifs. Elle se distingue de l'optimisation multidisciplinaire par le fait que les objectifs à optimiser portent ici sur un seul problème. Les problèmes multiobjectifs ont un intérêt grandissant dans l'industrie où les responsables sont contraints de tenter d'optimiser des objectifs contradictoires.

Afficher plus

Séances de cours associées (64)

Méthodes d'optimisation : discussion théorique

Explore les méthodes d'optimisation, y compris les problèmes sans contraintes, la programmation linéaire et les approches heuristiques.

Introduction à l’optimisation

Couvre les bases de l'optimisation, y compris les perspectives historiques, les formulations mathématiques et les applications pratiques dans les problèmes de prise de décision.

Optimisation avec contraintes : conditions KKT

Couvre les conditions KKT pour l'optimisation avec des contraintes, essentielles pour résoudre efficacement les problèmes d'optimisation.

Programmation linéaire : correspondance bipartite pondérée

Couvre la programmation linéaire, la correspondance bipartite pondérée et les problèmes de couverture de sommet en optimisation.

Programmation semi-définie

Couvre la programmation et l'optimisation semi-définies sur des cônes semi-définis positifs.

Afficher plus

Concepts associés (32)

Optimisation (mathématiques)

Optimisation non linéaire

Optimisation convexe

Constrained optimization

Optimisation multiobjectif

Afficher plus