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

Algorithme de Simplex : Tableau initial, cas simple

Description

Cette séance de cours couvre l'algorithme simplex appliqué au cas simple des contraintes d'inégalité, en se concentrant sur la construction du tableau initial et la recherche d'une solution réalisable avec des variables et des matrices de base.

Dans MOOC

Optimisation : principes et algorithmes - Optimisation linéaire

Source officielle

Concepts associés (9)

Algorithme du simplexe

Lalgorithme du simplexe est un algorithme de résolution des problèmes d'optimisation linéaire. Il a été introduit par George Dantzig à partir de 1947. C'est probablement le premier algorithme permettant de minimiser une fonction sur un ensemble défini par des inégalités. De ce fait, il a beaucoup contribué au démarrage de l'optimisation numérique. L'algorithme du simplexe a longtemps été la méthode la plus utilisée pour résoudre les problèmes d'optimisation linéaire.

Feasible region

In mathematical optimization, a feasible region, feasible set, search space, or solution space is the set of all possible points (sets of values of the choice variables) of an optimization problem that satisfy the problem's constraints, potentially including inequalities, equalities, and integer constraints. This is the initial set of candidate solutions to the problem, before the set of candidates has been narrowed down.

Contrainte (mathématiques)

En mathématiques, une contrainte est une condition que doit satisfaire la solution d'un problème d'optimisation. On distingue deux types de contraintes : les contraintes d'égalité et les contraintes en inégalité. L'ensemble des solutions satisfaisant toutes les contraintes est appelé l'ensemble admissible. On considère un problème d'optimisation classique : avec et et désigne le vecteur . Dans cet exemple, la première ligne montre la fonction à minimiser (appelée fonction objectif ou fonction-coût) mais aussi l'ensemble où la solution doit être recherché, ici C.

Matrices de Pauli

Les matrices de Pauli, développées par Wolfgang Pauli, forment, au facteur i près, une base de l'algèbre de Lie du groupe SU(2). Elles sont définies comme l'ensemble de matrices complexes de dimensions suivantes : (où i est l’unité imaginaire des nombres complexes). Ces matrices sont utilisées en mécanique quantique pour représenter le spin des particules, notamment dès 1927 dans l'étude non-relativiste du spin de l'électron : l'équation de Pauli.

Matrice de Dirac

Les matrices de Dirac sont des matrices qui furent introduites par Paul Dirac, lors de la recherche d'une équation d'onde relativiste de l'électron. Le pendant relativiste de l'équation de Schrödinger est l'équation de Klein-Gordon. Celle-ci décrit des particules de spin 0 et ne convient pas pour les électrons qui sont de spin 1/2. Dirac essaya alors de trouver une équation linéaire comme celle de Schrödinger sous la forme : où est une fonction d'onde vectorielle, la masse de la particule, l'hamiltonien, sont respectivement un vecteur de matrices hermitiques et une matrice hermitique, et i désigne l'unité imaginaire.

Afficher plus

Séances de cours associées (21)

Optimisation avec contraintes : conditions KKT expliquées

Couvre les conditions KKT pour l'optimisation avec des contraintes, détaillant leur application et leur importance dans la résolution des problèmes contraints.

Formulation, Transformations de problèmes MOOC: Optimisation : principes et algorithmes - Optimisation non linéaire sans contrainte MOOC: Optimisation : principes et algorithmes - Optimisation linéaire

Explore la transformation des problèmes d'optimisation pour répondre aux exigences de l'algorithme et les rendre équivalents.

Programmation linéaire : correspondance bipartite pondérée

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

Optimisation avec contraintes : théorie et applications

Couvre la théorie et les applications de l'optimisation avec des contraintes, y compris les concepts clés et les méthodes numériques.

Hedging pour les LPs

Couvre le concept de couverture pour les programmes linéaires et la méthode simplex, en se concentrant sur la réduction des coûts et la recherche de solutions optimales.

Afficher plus

Concepts associés (9)

Algorithme du simplexe

Feasible region

Contrainte (mathématiques)

Matrices de Pauli

Matrice de Dirac

Afficher plus