Séance de cours

Conditions d'optimalité : sans contrainte

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 couvre le théorème de Fermat indiquant que x* est un minimum local de f si f est différentiable autour de x* et Vf(x*) 0. Il traite également des conditions d'optimalité nécessaires, telles que la condition semi-définie positive pour des fonctions deux fois différentiables et des exemples illustrant le concept. En outre, la séance de cours explore les dérivées secondaires, la convexité et la courbure de la valeur propre dans le contexte de l'optimisation.

Dans MOOC

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

Source officielle

Proximité ontologique

Mathématiques

Analyse (mathématiques): Calcul infinitésimal

Concepts associés (29)

Dérivabilité

Une fonction réelle d'une variable réelle est dérivable en un point a quand elle admet une dérivée finie en a, c'est-à-dire, intuitivement, quand elle peut être approchée de manière assez fine par une fonction affine au voisinage de a. Elle est dérivable sur un intervalle réel ouvert non vide si elle est dérivable en chaque point de cet intervalle. Elle est dérivable sur un intervalle réel fermé et borné (c'est-à-dire sur un segment réel) non réduit à un point si elle est dérivable sur l'intérieur de cet intervalle et dérivable à droite en sa borne gauche, et dérivable à gauche en sa borne droite.

Dérivée seconde

La dérivée seconde est la dérivée de la dérivée d'une fonction, lorsqu'elle est définie. Elle permet de mesurer l'évolution des taux de variations. Par exemple, la dérivée seconde du déplacement par rapport au temps est la variation de la vitesse (taux de variation du déplacement), soit l'accélération. Si la fonction admet une dérivée seconde, on dit qu'elle est de classe D2 ; si de plus cette dérivée seconde est continue, la fonction est dite de classe C2.

Test de la dérivée première

En analyse réelle, le test de la dérivée première permet de déterminer l'allure d'une fonction dérivable en étudiant le signe de sa dérivée. Grâce à ce test, on peut déduire les extrema locaux, le sens de variation de f et les points d'inflexion « horizontaux », permettant ainsi de donner une allure du graphe de la fonction . Soit avec un intervalle ouvert réel (par exemple où et sont des réels). On suppose de plus que dérivable sur .

Dérivée

En mathématiques, la dérivée d'une fonction d'une variable réelle mesure l'ampleur du changement de la valeur de la fonction (valeur de sortie) par rapport à un petit changement de son argument (valeur d'entrée). Les calculs de dérivées sont un outil fondamental du calcul infinitésimal. Par exemple, la dérivée de la position d'un objet en mouvement par rapport au temps est la vitesse (instantanée) de l'objet. La dérivée d'une fonction est une fonction qui, à tout nombre pour lequel admet un nombre dérivé, associe ce nombre dérivé.

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.

Afficher plus

Séances de cours associées (64)

Tangente au graphe d'une fonction

Explore la recherche de l'équation de la tangente au graphe d'une fonction à un point.

Terme de dérivation par terme MOOC: Analyse I (partie 6) : Etudes des fonctions, développements limités MOOC: Analyse I

Introduit l'étude des fonctions définies par des séries de puissance et souligne l'importance de considérer séparément les points limites.

Fonctions différentielles et plan Tangent

Couvre des fonctions différentes, des dérivés et des plans tangents en mathématiques.

Dérivés : définition et propriétés

Explore la définition et les propriétés des dérivés, y compris les pentes des lignes tangentes et les conditions de différentiabilité.

Différenciation : dérivés partiels et hessiennes

Explique les dérivés partiels, la matrice de Hessienne, et leurs propriétés.

Afficher plus

Concepts associés (29)

Dérivabilité

Dérivée seconde

Test de la dérivée première

Dérivée

Optimisation convexe

Afficher plus