Scribd
Importer
195 vues3 pages

Optimisation par gradient en MATLAB

Le document présente un travail pratique sur l'optimisation qui demande à l'étudiant d'implémenter trois méthodes d'optimisation (gradient à pas fixe, gradient à pas optimal et gradient conjugué) pour minimiser une fonction objectif et de comparer les résultats.

Transféré par

imo
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
195 vues3 pages

Optimisation par gradient en MATLAB

Le document présente un travail pratique sur l'optimisation qui demande à l'étudiant d'implémenter trois méthodes d'optimisation (gradient à pas fixe, gradient à pas optimal et gradient conjugué) pour minimiser une fonction objectif et de comparer les résultats.

Transféré par

imo
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Université de Tlemcen Master 1 CMDE

Faculté de Technologie
2019
Département GEE

Travaux pratiques d’optimisation


TP N° 02
Méthodes d’optimisation à base de gradient

Objectif du TP
Permettre à l’étudiant d’implémenter plusieurs méthodes d’optimisation ensuite
comparer les trois méthodes.
Introduction
L’optimisation est un outil utilisé dans diverses domaines (Automatique, systèmes
réseaux électriques, robotique, etc.).
Un problème d’optimisation est constitué de :
• Fonction objectif « 𝐹(𝑥) » : Une fonction qui caractérise un ou plusieurs critères
de minimisation ou de maximisation.
• Variables de décision « 𝑥 » : des variables qui régissent la fonction objectif.
• Les contraintes d’égalité « 𝐺(𝑥) = 0 » :
• Les contraintes d’inégalité « 𝐻(𝑥) < 0 » :
• Paramètres ( 𝑎 ) : des constantes associées aux variables de décision pour former
la fonction objectif et les contraintes.
Mathématiquement, un problème d’optimisation s’écrit :
min 𝐹(𝑥, 𝑎)
Tels que :
𝐺(𝑥, 𝑎) = 0
𝐻(𝑥, 𝑎) > 0
Travail demandé
Soit la fonction objectif :
𝐽(𝑥) = (𝑥 − 1)2 + 10(𝑥 2 − 𝑦)2
1. Implémentez un fonction MATLAB « object_fun » qui retourne le résultat
de la fonction 𝐽(𝑥).
2. En utilisant meshgrid, contour et surf, déterminez le minimum dans
l’intervalle x = [ -2, 2], y = [ -2, 2].
3. Modifiez la fonction « object_fun » pour qu’elle retourne la valeur du
gradient ∇𝐽 en plus de la valeur de 𝐽.
4. Implémentez la méthode du gradient à pas fixe.
a. Appliquez la méthode pour résoudre le problème min 𝐽.
b. Tracez sur une figure qui contient les contours de 𝐽 les valeurs de la
solution optimal en chaque itération.

Page 1 of 3
[Link]@[Link]
Université de Tlemcen Master 1 CMDE
Faculté de Technologie
2019
Département GEE

c. En utilisant tic … toc, évaluez le temps de calcul.


5. Implémentez la méthode du gradient à pas optimal.
a. Même questions
6. Implémentez la méthode du gradient conjugué.
a. Même questions
7. Comparez les solutions, le nombre d’itérations ainsi que le temps de calcul
dans les trois méthodes. Qu’est-ce que vous remarquez ?
Rappel :

Page 2 of 3
[Link]@[Link]
Université de Tlemcen Master 1 CMDE
Faculté de Technologie
2019
Département GEE

Page 3 of 3
[Link]@[Link]

Vous aimerez peut-être aussi