Enveloppe convexeL'enveloppe convexe d'un objet ou d'un regroupement d'objets géométriques est l'ensemble convexe le plus petit parmi ceux qui le contiennent. Dans un plan, l'enveloppe convexe peut être comparée à la région limitée par un élastique qui englobe tous les points qu'on relâche jusqu'à ce qu'il se contracte au maximum. L'idée serait la même dans l'espace avec un ballon qui se dégonflerait jusqu'à être en contact avec tous les points qui sont à la surface de l'enveloppe convexe.
Ensemble convexeUn objet géométrique est dit convexe lorsque, chaque fois qu'on y prend deux points et , le segment qui les joint y est entièrement contenu. Ainsi un cube plein, un disque ou une boule sont convexes, mais un objet creux ou bosselé ne l'est pas. On suppose travailler dans un contexte où le segment reliant deux points quelconques et a un sens (par exemple dans un espace affine sur R — en particulier dans un espace affine sur C — ou dans un ).
Optimisation convexevignette|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.
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.
Dualité (optimisation)En théorie de l'optimisation, la dualité ou principe de dualité désigne le principe selon lequel les problèmes d'optimisation peuvent être vus de deux perspectives, le problème primal ou le problème dual, et la solution du problème dual donne une borne inférieure à la solution du problème (de minimisation) primal. Cependant, en général les valeurs optimales des problèmes primal et dual ne sont pas forcément égales : cette différence est appelée saut de dualité. Pour les problèmes en optimisation convexe, ce saut est nul sous contraintes.
Théorème de Carathéodory (géométrie)vignette|Par exemple le point (1/4, 1/4) de l'enveloppe convexe des points (0, 0), (1, 0), (1, 1), (0, 1) se trouve dans l'intérieur du triangle (0, 0), (1, 0), (0, 1). Le théorème de Carathéodory est un théorème de géométrie relatif aux enveloppes convexes dans le contexte des espaces affines de dimension finie. Dans le plan, il affirme que tout point dans l'enveloppe convexe d'un ensemble de points est dans l'intérieur d'un triangle dont les sommets sont dans (l'enveloppe convexe d'un ensemble de points est l'ensemble des barycentres de trois points de ).
Inégalité de HölderEn analyse, l’inégalité de Hölder, ainsi nommée en l'honneur de Otto Hölder, est une inégalité fondamentale relative aux espaces de fonctions , comme les espaces de suites . C'est une généralisation de l'inégalité de Cauchy-Schwarz. Il existe une formulation de l'inégalité utilisée en mathématiques discrètes. Plus généralement, pour et défini par , si et alors et . De plus, lorsque et sont finis, il y a égalité si et seulement si et sont colinéaires presque partout (p.p.), c'est-à-dire s’il existe et non simultanément nuls tels que p.
Analyse convexeL'analyse convexe est la branche des mathématiques qui étudie les ensembles et les fonctions convexes. Cette théorie étend sur beaucoup d'aspects les concepts de l'algèbre linéaire et sert de boîte à outils en analyse et en analyse non lisse. Elle s'est beaucoup développée du fait de ses interactions avec l'optimisation, où elle apporte des propriétés particulières aux problèmes qui y sont étudiés. Certains voient la naissance de l'analyse convexe « moderne » dans l'invention des notions de sous-différentiel, d'application proximale et d'inf-convolution dans les années 1962-63.
Fonction convexevignette|upright=1.5|droite|Fonction convexe. En mathématiques, une fonction réelle d'une variable réelle est dite convexe : si quels que soient deux points et du graphe de la fonction, le segment est entièrement situé au-dessus du graphe, c’est-à-dire que la courbe représentative de la fonction se situe toujours en dessous de ses cordes ; ou si l'épigraphe de la fonction (l'ensemble des points qui sont au-dessus de son graphe) est un ensemble convexe ; ou si vu d'en dessous, le graphe de la fonction est en bosse.
Inégalité de MinkowskiEn mathématiques, l'inégalité de Minkowski, ainsi nommée en l'honneur de Hermann Minkowski, est l'inégalité triangulaire pour la norme des espaces L pour p ≥ 1, établissant ainsi que ce sont des espaces vectoriels normés. Elle concerne en particulier la norme des espaces de suites l. Soient un espace mesuré, et deux fonctions . Alors c'est-à-dire étant un espace vectoriel, . Si , l'inégalité est vérifiée. Sinon, en appliquant successivement l'inégalité triangulaire dans et l'inégalité de Hölder (avec ), il vient: d'où l'inégalité annoncée.
Absolutely convex setIn mathematics, a subset C of a real or complex vector space is said to be absolutely convex or disked if it is convex and balanced (some people use the term "circled" instead of "balanced"), in which case it is called a disk. The disked hull or the absolute convex hull of a set is the intersection of all disks containing that set. A subset of a real or complex vector space is called a and is said to be , , and if any of the following equivalent conditions is satisfied: is a convex and balanced set.
Inégalité triangulaireEn géométrie, l'inégalité triangulaire est le fait que, dans un triangle, la longueur d'un côté est inférieure à la somme des longueurs des deux autres côtés. Cette inégalité est relativement intuitive. Dans la vie ordinaire, comme dans la géométrie euclidienne, cela se traduit par le fait que la ligne droite est le plus court chemin : le plus court chemin d'un point A à un point B est d'y aller tout droit, sans passer par un troisième point C qui ne serait pas sur la ligne droite.
Espace localement convexeEn mathématiques, un espace localement convexe est un espace vectoriel topologique dont la topologie peut être définie à l'aide d'une famille de semi-normes. C'est une généralisation de la notion d'espace normé. Un espace vectoriel topologique E est dit localement convexe s'il vérifie l'une des deux propriétés équivalentes suivantes : il existe une famille de semi-normes telle que la topologie de E est initiale pour l'ensemble d'applications ; le vecteur nul possède une base de voisinages formée de convexes.
Closure operatorIn mathematics, a closure operator on a set S is a function from the power set of S to itself that satisfies the following conditions for all sets {| border="0" |- | | (cl is extensive), |- | | (cl is increasing), |- | | (cl is idempotent). |} Closure operators are determined by their closed sets, i.e., by the sets of the form cl(X), since the closure cl(X) of a set X is the smallest closed set containing X. Such families of "closed sets" are sometimes called closure systems or "Moore families".
Adhérence (mathématiques)En topologie, l'adhérence d'une partie d'un espace topologique est le plus petit ensemble fermé contenant cette partie. Lorsque l'espace est métrisable, c'est aussi l'ensemble des limites de suites convergentes à valeurs dans cette partie. Dans un espace topologique E, l'adhérence d'une partie X, notée , est le « plus petit » (au sens de l'inclusion) fermé contenant X. L'existence d'un tel fermé est claire : il existe au moins un fermé contenant X, à savoir l'espace E lui-même ; d'autre part, l'intersection de tous les fermés contenant X est un fermé contenant X, et est le plus petit ayant cette propriété.
Clôture (mathématiques)On parle de clôture ou de fermeture en mathématiques dans des contextes très divers. Quelques exemples sont listés ci-dessous. En mathématiques, on dit qu'une partie A d'un ensemble E est stable (ou close) pour une opération définie sur E si cette opération, appliquée à des éléments de A, produit toujours un élément de A. Par exemple, l'ensemble des nombres réels est stable par soustraction, tandis que l'ensemble des entiers naturels ne l'est pas (la différence de deux entiers naturels est parfois un entier relatif strictement négatif).
Optimisation non linéaireEn 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.
Cône convexeEn algèbre linéaire, un cône convexe est une partie d'un espace vectoriel sur un corps ordonné qui est stable par combinaisons linéaires à coefficients strictement positifs. droite|vignette|Exemple de cône convexe (en bleu clair). À l'intérieur de celui-ci se trouve le cône convexe rouge clair qui est composé des points avec, et étant les points représentés sur la figure. Les courbes en haut à droite indiquent que les régions se prolongent à l'infini.
Optimisation linéairethumb|upright=0.5|Optimisation linéaire dans un espace à deux dimensions (x1, x2). La fonction-coût fc est représentée par les lignes de niveau bleues à gauche et par le plan bleu à droite. L'ensemble admissible E est le pentagone vert. En optimisation mathématique, un problème d'optimisation linéaire demande de minimiser une fonction linéaire sur un polyèdre convexe. La fonction que l'on minimise ainsi que les contraintes sont décrites par des fonctions linéaires, d'où le nom donné à ces problèmes.
