Méthodes directes d’optimisation

Méthodes à une variable et Simplex

par Catherine PORTE
Docteur ès sciences physiques
Maître de conférences
Laboratoire de Chimie Industrielle Génie des procédés au Conservatoire national des arts
et métiers

1. Méthodes directes à une variable ....................................................... P 228 - 3

1.1 Méthode dichotomique séquentielle ......................................................... — 3
1.2 Méthode du nombre d’or............................................................................ — 4
1.3 Méthode de Fibonacci ................................................................................. — 5
1.4 Remarques sur les méthodes univariables ............................................... — 7
2. Méthode directe à variables multiples : la méthode Simplex ..... — 7
2.1 Généralités et principe de la méthode....................................................... — 7
2.2 Construction du simplex initial................................................................... — 8
2.3 Exemple de calcul des coordonnées des points du simplex initial......... — 11
2.4 Évolution du simplex................................................................................... — 13
2.5 Évolution en présence de contraintes........................................................ — 14
3. Exemples d’application de la méthode Simplex ............................. — 15
3.1 Optimisation d’une séparation multicomposants
par chromatographie liquide ...................................................................... — 15
3.2 Optimisation d’une réponse chromatographique..................................... — 16
4. Principales caractéristiques de la méthode Simplex..................... — 18
Pour en savoir plus ........................................................................................... Doc. P 229

’optimisation est un ensemble de techniques permettant de trouver les

L valeurs des variables qui rendent optimale une fonction de réponse, appelée
aussi fonction objectif. Sur le plan mathématique, cela correspond à la recherche
des extrémums de fonctions à plusieurs variables. Dans le domaine des sciences
appliquées, il s’agit en général de trouver l’optimum de la réponse d’opérations
industrielles ou d’expériences de laboratoire.
L’objectif de l’optimisation est représenté sur les figures A a et b ; sur la
figure a, la réponse y est fonction d’une seule variable, x, et l’on recherche la
valeur, xmax, comprise entre les bornes xA et xB qui rend optimale la valeur de la
réponse y.
Sur la figure b, la fonction objectif dépend de deux variables x1 et x2 ; elle est
représentée sous la forme de courbes de niveaux ou courbes d’isoréponses. On
recherche alors les coordonnées, x1max et x2max, qui correspondent à la valeur
optimale de y.
Une fonction objectif peut être :
— le rendement d’une opération (maximum) ;
— la pureté d’un produit (maximum) ;
— la concentration en un produit (maximum ou minimum suivant qu’il s’agit
du produit attendu ou d’une impureté indésirable) ;
— le coût d’une opération (minimum) ;
— l’efficacité d’une séparation (maximum), en chromatographie par exemple ;
— les caractéristiques du produit (maximum, minimum ou valeur nominale),
etc.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation P 228 − 1
MÉTHODES DIRECTES D’OPTIMISATION ____________________________________________________________________________________________________

x2

Max
x2 max

xA xmax xB x x1 max x1

courbes isovaleurs de y
(valeurs croissantes de A vers Max)

a optimisation à une variable b optimisation à deux variables

Figure A – Optimisation d’une fonction objectif

La fonction objectif peut aussi être la somme, pondérée ou non, de plusieurs

réponses. Ce sera le résultat observé, ou mesuré, de l’opération effectuée, que
ce soit une analyse, une synthèse chimique, une extraction, une formulation, etc.
Dans tous les cas, la valeur de la réponse est subie par l’expérimentateur.
La fonction objectif dépend d’un certain nombre de facteurs. On peut définir
trois types de facteurs :
— les facteurs aléatoires ;
— les facteurs qui seront maintenus à un niveau donné tout au long des
expérimentations ;
— les facteurs dont on désire faire varier la valeur au cours des différentes
expérimentations ; elles seront nommées variables.
Les variables peuvent être par exemple :
— le pH ou la température du milieu réactionnel ;
— la concentration, la masse ou le volume de réactifs ;
— le débit d’introduction de solvants, etc.
Il est évidemment nécessaire que les valeurs des variables évoluent indépen-
damment les unes des autres.
Dans tous les cas, la valeur de la variable est imposée par l’expérimentateur.
Pour pouvoir mettre en œuvre toute technique d’optimisation, il faut être capa-
ble de maintenir les variables et les facteurs constants aux niveaux désirés. Il est
donc souhaitable que les méthodes d’optimisation soient mises en œuvre
conjointement avec des techniques d’automatisation, de régulation et de
contrôle.
Il existe de très nombreuses méthodes d’optimisation [1] à [13]. La plupart
d’entre elles ont été créées pour traiter le problème mathématique consistant à
trouver l’extrémum de fonctions multivariables, non linéaires et soumises, ou
non, à des contraintes. Certaines techniques ont été étudiées dans le but de don-
ner aux expérimentateurs une possibilité rationnelle de déterminer les opti-
mums de fonctionnement de leurs systèmes physiques.
Les méthodes d’optimisation peuvent être classées en fonction du type
d’étude que l’on souhaite mener.
● Premier cas : le phénomène physique est suffisamment connu pour qu’il soit
possible de créer un modèle représentatif du phénomène. On recherchera alors
les extrémums de ce modèle de connaissance par les voies classiques
(dérivation, méthode de Lagrange).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 228 − 2 © Techniques de l’Ingénieur, traité Analyse et Caractérisation
___________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

● Deuxième cas : le phénomène étudié est trop complexe pour en déterminer

un modèle physiquement significatif. On désire alors seulement obtenir une
relation entre les variables et la réponse, qui soit représentative du phénomène
étudié. On postulera alors une représentation mathématique empirique sous
forme d’une corrélation dont les paramètres seront ensuite déterminés afin de
déduire les variables vraiment influentes et de calculer a priori les valeurs de la
fonction objectif ; on utilisera ensuite des méthodes d’optimisation pour déte-
rminer l’optimum de fonctionnement. Dans ce cas, on dit qu’il s’agit d’une
méthode indirecte d’optimisation puisqu’il faut au préalable avoir un modèle
mathématique.
● Troisième cas : on désire connaître uniquement les conditions de fonction-
nement optimal sans rechercher une représentation mathématique du phéno-
mène. Dans ce cas, il s’agit d’une méthode directe d’optimisation puisqu’elle ne
nécessite aucun modèle mathématique.
Dans cet article, nous décrivons uniquement le troisième cas. Le traitement du
premier cas dépend directement du processus étudié et du modèle physique
correspondant. On rattache à ce type l’optimisation en chromatographie, par les
diagrammes à fenêtres qui impliquent l’utilisation d’une relation linéaire connue
entre la réponse et les variables [14] [15]. Le deuxième cas, quant à lui, a été
décrit dans les Techniques de l’Ingénieur [16] [17].
Nous exposerons d’abord les méthodes à une variable et ensuite les méthodes
à plusieurs variables.
L’article se compose de deux parties :
— la première, [P 228], est consacrée aux méthodes à une variable et à la méthode Simplex ;
— dans la deuxième, [P 229], sont traitées les méthodes dérivées de la méthode Simplex.
Les références bibliographiques sont regroupées dans [Doc. P 229].

1. Méthodes directes y

à une variable 1,6

Pour que ces méthodes puissent être employées avec effica- 1,2
cité, il est nécessaire que, dans l’intervalle étudié, la fonction de
réponse soit unimodale, c’est-à-dire qu’elle présente un seul
optimum. Cela est souvent le cas dans la mesure où l’expéri- 0,8
mentateur, compte tenu de son expérience du phénomène, se
place dans une zone relativement peu éloignée de l’optimum.
0,4

1.1 Méthode dic hotomique séq uentielle 0

xA x1 x2 x3 x4 xB x

C’est la méthode intuitive la plus simple et elle procède, pour la Figure 1 – Recherche de l’optimum par la méthode dichotomique
recherche d’un maximum, par exemple, de la façon suivante séquentielle
(figure 1) [1] et [11c] : (0)

Dans l’intervalle de recherche [xA ; xB], deux mesures sont effec- Tableau 1 – Évolution et efficacité de la recherche
tuées aux points d’abscisses x1 et x2 proches du milieu de l’inter- dichotomique séquentielle
valle et suffisamment éloignés l’un de l’autre pour que les réponses Nombre Nombre Intervalle
en ces points soient significativement différentes. On constate, Étape d’expériences total conservé
figure 1, que la réponse au point d’abscisse x1 est inférieure à la nouvelles d’expériences ∆
réponse au point d’abscisse x2 (y1 < y2). On élimine alors la zone
[xA ; x1] soit approximativement la moitié de l’intervalle d’étude. 1 2 2 xA xB × 1
---
On effectue ensuite à nouveau deux mesures de part et d’autre du 2
centre de l’intervalle restant, [x1 ; xB], c’est-à-dire aux points d’abs- 2
2 2 4 xA xB ×  1 
cisses x3 et x4. Ici, la réponse au point d’abscisse x3 étant la plus fai-  --2-
ble, on éliminera, la zone [x1 ; x3].
3
3 2 6 xA xB ×  1 
On procède de cette manière jusqu’à l’obtention de la précision  --2-
souhaitée.
... ... ... ...
Pour évaluer l’efficacité de cette méthode, on peut relier le nom- m
bre d’essais, N, à l’intervalle initial, [xA ; xB], et à l’intervalle restant, m 2 N = 2m xA xB ×  1 
∆ (tableau 1).  --2-

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation P 228 − 3
MÉTHODES DIRECTES D’OPTIMISATION ____________________________________________________________________________________________________

On a : 3
y
m
∆ = xA xB ×  1  N 2,5
et m = ---- ,
 --2- 2 1

2
m étant le nombre d’itérations.
On obtient ainsi : 1,5
d
ln ∆ – ln x A x B 1
N = – 2 --------------------------------------
ln 2
0,5
Pour obtenir une précision de 10−3, il est nécessaire de réaliser xA x1 x2 xB
20 mesures.
a 1re itération
Bien qu’intuitivement satisfaisante, cette méthode n’est pas très 3
efficace. En effet, il est nécessaire de réaliser à chaque itération deux y
nouvelles expériences ; une technique n’impliquant qu’une mesure
2,5
à chaque itération permettrait d’économiser des expériences. C’est
à cet objectif que répond la méthode du nombre d’or.
2

1,5
1.2 Méthode du nombre d’or
1

Le lecteur pourra également se reporter aux références [1] [4] [10]

[18] [19] [20]. 0,5
xA x3 x1 x2 xB
■ Principe de la méthode Zone éliminée
Le principe est identique à celui de la méthode précédente : la b 2e itération
zone optimale est cernée de plus en plus précisément par élimina-
tion successive d’une partie de l’intervalle. À la première itération, Figure 2 – Recherche de l’optimum par la méthode du nombre d’or
deux essais sont réalisés et ensuite, à chaque itération, un seul essai
est effectué et est comparé au point conservé de l’itération précé- (0)

dente. Cela est possible dans la mesure où x1 partage l’intervalle Tableau 2 – Évolution et efficacité de la méthode
[xA ; x2] de la même façon que x2 partage l’intervalle [xA ; xB] ; pour du nombre d’or
cela on doit avoir la relation :
Nombre Nombre Intervalle
Étape d’expériences total conservé
xA x1 xA x2 1–d nouvelles d’expériences ∆
d
------------- = ------------- ⇒ ------------- = --- ;
xA x2 xA xB d 1
1 2 2 x A x B × 0 ,618
ceci permet de déterminer la valeur de d. 2 1 3 x A x B × ( 0 ,618 ) 2
–1+ 5
On a : d 2 + d – 1 = 0 ⇒ d = --------------------- ce qui correspond au rap-
port d’or soit 0,618. 2 3 1 4 x A x B × ( 0 ,618 ) 3

xA x2 ... ... ... ...

Ainsi, lorsque le rapport ------------- est égal au rapport d’or, soit 0,618,
xA xB m 1 N=m+1 x A x B × ( 0 ,618 )m
à chaque itération, un des essais de l’itération précédente pourra
être utilisé. Le principe de la méthode est représenté dans les ■ Exemple d’application
figures 2 a et b. Purification de la glycine par cristallisation dans un mélange
L’efficacité de la méthode se déduit de la relation entre le nombre méthanol/eau : optimisation par la méthode du nombre d’or [20]
d’essais, N, l’intervalle initial, [xA ; xB], et l’intervalle final, ∆ La variable est le pourcentage de méthanol dans le mélange de cris-
(tableau 2). tallisation. Le domaine d’étude va de 50 à 100 % en méthanol. La
réponse est le rendement en produit pur. L’évolution de la méthode est
On a : représentée dans la figure 3 et le tableau 3.
∆ = x A x B × ( 0 ,618 ) m et m=N−1 À la première itération, deux essais sont effectués à 69,1 % (X1) et à
80,9 % (X2) de méthanol dans le solvant de cristallisation. Les rendements
en produit pur sont respectivement de 85,3 % et de 88,5 %. L’essai à
On obtient ainsi : 69,1 % étant le moins bon, la zone conservée est la zone 69,1 % - 100 %,
un nouvel essai est effectué à 88,2 % en méthanol (X3), le rendement en
ln ∆ – ln x A x B ce point est alors comparé au rendement obtenu pour l’essai fait à 80,9 %
N = 1 + -------------------------------------
-
ln 0 ,618 de méthanol et on procède de même à chaque itération.
Le processus a été arrêté après 5 expériences. Un rendement de
Pour obtenir la précision de 10−3, 16 expériences sont alors 89,4 % a été obtenu pour un pourcentage en méthanol de 83,7. L’intervalle
nécessaires. entre les deux derniers essais est proche de l’erreur expérimentale.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 228 − 4 © Techniques de l’Ingénieur, traité Analyse et Caractérisation
___________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

On remarque que le rapport entre deux nombres successifs de la

suite tend très rapidement vers 0,618, donc vers le nombre d’or :
1re itération X1 X2
1 2 3 5
85,3 % 88,5 % --- = 0 ,5 ; --- = 0 ,667 ; --- = 0 ,6 ; --- = 0 ,625 ;
X3 2 3 5 8
2e itération 8 13 21
88,4 % ------ = 0 ,6154 ; ------ = 0 ,619 ; ------ = 0 ,6176 ...
X4 13 21 34
3e itération
87,2 % La méthode est, dans son principe, identique à celle du nombre
X5 d’or. L’intervalle de recherche est assimilé à un nombre de la suite
4e itération Un, les deux premières expériences seront faites en Un−1 et Un−2.
89,4 %
Suivant les résultats obtenus l’un des deux intervalles [0 ; Un−2], ou
[Un−1 ; Un] est éliminé ; mais dans tous les cas, l’intervalle restant
correspond au nombre Un−1, et l’un des essais de l’itération est uti-
50 60 70 80 90 50 lisé à l’itération suivante.
69,1 76,4 80,9 88,2 Exemple : prenons 34 comme nombre de Fibonacci auquel on
83,7 MeOH (%) associe l’intervalle d’étude. Les valeurs de la variable pour les deux pre-
Zone éliminée mières expériences sont 21 et 13, c’est-à-dire les deux nombres précé-
dant 34 dans la suite :
— supposons que la plus mauvaise réponse soit obtenue quand la
Figure 3 – Optimisation de la purification de la glycine variable a la valeur 21, l’intervalle d’étude devient alors [0 ; 21], le nom-
par la méthode du nombre d’or bre de Fibonacci associé est 21 et les valeurs de la variable sont 8 et 13
(déjà utilisé) pour les deux expériences à cette itération,
— supposons maintenant que la plus mauvaise réponse soit obte-
(0) nue quand la variable a la valeur 13, l’intervalle d’étude devient alors
[13 ; 34], le nombre de Fibonacci associé est 21 et les deux nombres
précédant 21 dans la suite sont 8 et 13. La variable prend alors la valeur
13 + 8 soit 21 (expérience déjà réalisée) et 13 + 13 soit 26 (expérience
Tableau 3 – Évolution de la purification de la glycine à faire).
par la méthode du nombre d’or
L’intérêt de cette méthode est de connaître, a priori, le nombre
Essais effectués à l’intérieur de l’intervalle d’expériences à réaliser. Il est donc nécessaire de bien choisir le
Intervalle Zone nombre de la suite servant à représenter l’intervalle d’étude.
d’étude MeOH Rendement MeOH Rendement éliminée
(%) (%) (%) (%) ■ Détermination de Un
50 - 100 69,1 85,3 80,9 88,5 50 - 69,1 Exemple : supposons que l’on cherche à déterminer la valeur de la
69,1 - 100 80,9 88,5 88,2 88,4 88,2 - 100 variable x dans l’intervalle [100 ; 1 000] fournissant l’optimum de la
fonction représentée dans la figure 4. Le domaine d’étude est de 900.
69,1 - 88,2 76,4 87,2 80,9 88,5 69,1 - 76,4 Le problème est de savoir à quel nombre de la suite on va associer ce
76,4 - 88,2 80,9 88,5 83,7 89,4 domaine. Suivant les cas, deux possibilités s’offrent à l’expérimenta-
teur.
En gras : expériences effectuées
1re possibilité : on choisit pour Un le nombre de la suite de Fibonacci
le plus proche de la valeur du domaine d’étude. Ici on trouve 987 ce qui
implique de faire 14 essais.
La méthode du nombre d’or est très efficace lorsqu’il est possible On prendra donc en réalité comme domaine d’étude l’intervalle
de faire évoluer la variable de façon continue (ceci est le cas pour [100 ; 1 087].
une concentration, une température, etc.). Par contre, lorsque la Les deux premiers essais seront donc effectués à 710 (correspon-
variable ne peut prendre que des valeurs discrètes, la technique de dant à 100 + 670) et 477 (correspondant à 100 + 377).
Fibonacci est mieux adaptée. L’évolution est donnée dans le tableau 4. Dans les 1re et
2e colonnes, on a le nombre de Fibonacci et l’intervalle d’étude lui
correspondant ; les trois colonnes suivantes se rapportent au 1er essai
de l’intervalle et les trois colonnes suivantes au 2e essai de l’intervalle.
1.3 Méthode de Fibonacci On peut constater que les derniers essais impliquent une grande
précision sur la réponse et sur la maîtrise de la valeur de la variable.
2e possibilité : on détermine la précision avec laquelle on peut maî-
Le lecteur pourra également se reporter aux références [1] [4] [10] triser la valeur de la variable. Supposons que cette valeur soit dans
[21] [22]. notre cas de 20.
On associera 1 unité Fibonacci à 20 unités réelles ;
■ Principe de la méthode Le nombre de Fibonacci, Un, correspondant à notre intervalle sera
55, c’est-à-dire le nombre de la suite le plus proche de 45 (= 900/20) ;
La suite de Fibonacci est une suite de nombres entiers dont cha-
ce qui impliquera de faire 8 essais.
que terme est égal à la somme des deux termes précédents et dont
les deux premiers éléments sont 0 et 1. L’intervalle d’étude de la variable sera [100 ; 1 200]
(1 200 = 100 + 20 × 55).
Un = Un−1 + Un−2 L’évolution est donnée dans le tableau 5.
On s’aperçoit que l’on s’approche suffisamment de l’optimum en un
les nombres de la suite sont donc : 0 - 1 - 1 - 2 - 3 - 5 - 8 - 13 - 21 - 34 nombre limité d’essais ; les derniers essais étant tous distants entre
- 55 - 89 - 144 - 233 - 377 - 610 - 987 - 1 597... eux d’une valeur égale à celle de la précision imposée par l’expérience.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation P 228 − 5
MÉTHODES DIRECTES D’OPTIMISATION ____________________________________________________________________________________________________

(0)
■ Exemple d’application
Tableau 4 – Évolution des nombres de Fibonacci
et des réponses f (x) selon la première méthode
Détermination de la longueur optimale d’une chaîne hydrocar-
Nombre Terme Un−2 Terme Un−1 bonée [23]
de Intervalle
Fibonacci corres- L’activité biologique des esters de la testostérone dépend de la lon-
Un pondant Fibonacci Essai Réponse Fibonacci Essai Réponse gueur de la chaîne correspondant à l’acide. Les auteurs ont voulu obte-
nir l’ester dont l’activité est maximale. Ils ont pensé que le domaine
987 100 - 377 477 16 280 610 710 7 030
1 087 d’intérêt était compris entre C0 et C20. La variable est donc discontinue
et la méthode de Fibonacci, bien appropriée.
610 100 - 710 233 333 16 568 377 477 16 280
377 100 - 477 144 244 14 672 233 333 16 568
Le nombre 21 est associé à l’intervalle d’étude, les deux nombres
précédant 21 dans la suite sont : 13 et 8 ; les esters en C13 et C8 sont
233 244 - 477 89 333 16 568 144 388 16 947
synthétisés puis analysés et donnent respectivement 192 % et 420 %
144 333 - 477 55 388 16 947 89 422 16 879 d’activité. L’essai en C13 donnant le plus mauvais résultat, le domaine
89 333 - 422 34 367 16 874 55 388 16 947 C13 à C21 peut alors être éliminé.
55 367 - 422 21 388 16 947 34 401 16 948 On procède de la même façon à chaque itération comme on peut le
34 388 - 422 13 401 16 948 21 409 16 932 voir dans le tableau 6 et sur la figure 5, où est représentée la suite des
21 388 - 409 8 396 16 952,4 13 401 16 948 expériences. Comme dans la méthode du nombre d’or, un seul essai
13 388 - 401 5 393 16 952,1 8 396 16 952,4 est effectué à chaque itération.
8 393 - 401 3 396 16 952,4 5 398 16 951,6
5 393 - 398 2 395 16 952,5 3 396 16 952,4
3 393 - 396 1 394 10 952,4 2 395 16 952,5

Activité biologique (%)

(0)

Tableau 5 – Évolution des nombres de Fibonacci 500

et des réponses f(x) selon la deuxième possibilité 1er essai
400 5e
Nombre Terme Un−2 Terme Un−1
de Intervalle
Fibonacci corres- 300
Un pondant Fibonacci Essai Réponse Fibonacci Essai Réponse 6e
4e
3e 2e essai
55 100 - 21 520 15 390 34 780 2 130 200
1 200 (100 + (100 +
21 × 20) 21 × 20)
100
34 100 - 13 360 16 830 21 520 15 390
780 (100 +
13 × 20) 0
21 100 - 8 260 15 130 13 360 16 860 0 5 7 8 9 10 13 15
520 (100 + 8
× 20) Nombre d'atomes de carbone
13 260 - 5 360 16 860 8 420 16 890
520 (260 + 8 Figure 5 – Optimisation de l’activité de la testostérone
× 20) par la méthode de Fibonacci
8 360 - 3 420 16 890 5 460 16 530
520 (360 + 5
× 20)
(0)

5 360 - 2 400 16 950 3 420 16 890

460 (360 + 2
× 20) Tableau 6 – Évolution selon la méthode de Fibonacci
3 360 - 1 380 16 930 2 400 16 950
(figure 5)
420 (360 + 1
× 20) Intervalle
Nombres
Réponse Réponse Zone
d’étude de Essai (%) Essai (%) éliminée
Fibonacci

C0 - C21 (21) 13 et 8 C13 192 C8 420 C13 - C21

C0 - C13 (13) 8 et 5 C8 420 C5 220 C0 - C5
f (x )
C5 - C13 (8) 5 et 3 C10 227 C8 420 C10 - C13
20 000
15 000
C5 - C10 (5) 3 et 2 C8 420 C7 380 C5 - C7

10 000 C7 - C10 (3) 2 et 1 C9 267 C8 420 C9 - C10

5 000 En gras : les 6 expériences effectuées
0
– 5 000 100 300 500 700 900 1 100 x
– 10 000
– 15 000 Conclusion : l’intérêt des méthodes décrites dans les
paragraphes 1.1, 1.2, 1.3 réside dans le fait que les essais ne sont
– 20 000
pas uniformément répartis dans le domaine d’étude, mais
– 25 000 concentrés dans la zone optimale. Dans ce dernier exemple, sur
les six essais, quatre sont effectués dans la zone optimale (en C7,
C8, C9 et C10) ce qui permet de connaître au mieux l’environne-
Figure 4 – Exemple de détermination de Un : recherche de la valeur
ment de l’optimum C8.
de x optimisant f (x)

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 228 − 6 © Techniques de l’Ingénieur, traité Analyse et Caractérisation
___________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

che à repérer le sens de l’évolution vers l’optimum et ceci sans met-

X2 tre en péril le procédé lui-même ; ceci implique que :
— les valeurs de toutes les variables soient modifiées d’un essai
à un autre ;
— les modifications apportées à ces valeurs soient faibles pour
ne pas perturber le procédé ;
— le principe de la sélection naturelle soit respecté pour déplacer
I le plan d’expériences vers la zone optimale.
E G Comme on peut le voir sur la figure 7, les essais sont effectués
X2,E aux points (1 à 10) représentés par les sommets d’un cube dans un
A C espace à trois dimensions. Les expériences sont réalisées dans
l’ordre de la numérotation et répétées de façon à dégager une ten-
dance. Dans le cas de la figure 7 a, les expériences 7, 1 et 9 étant les
X1, C X1
plus mauvaises, on effectue les essais suivants, 11 à 18, autour de la
manipulation 6 (figure 7 b). Le cube se déplace de proche en proche
Courbes d'isovaleurs
vers l’optimum.
Figure 6 – Méthode de Friedman et Savage pour deux variables ■ Cette technique efficace, mais relativement coûteuse en expéri-
mentations a été simplifiée en 1962 par W. Spendley, G.R. Hext et
F.R. Himsworth [27]. Leur méthode évolutive appelée « méthode
1.4 Remarq ues sur les méthodes Simplex », dont le but initial était de rechercher des optimums de
fonctions non linéaires, est maintenant largement utilisée dans tous
univariables les domaines de la chimie et, en particulier, en chimie analytique
[28].
On doit savoir que, dans ces méthodes, toute erreur provoquant Nous allons expliciter le principe de cette méthode sur un sys-
l’inversion du résultat lors de la comparaison de deux réponses, tème à deux variables, la généralisation à k variables étant indiquée
entraîne l’élimination de la zone qui, au contraire, aurait dû être par la suite. Prenons l’exemple suivant : une réponse, y, dépendant
conservée. La détermination de l’optimum est alors erronée. Dans de deux variables, x1 et x2. La surface de réponse correspondant à
le cas où l’on s’attend à une erreur expérimentale importante, il est cette fonction est représentée sur la figure 8 au moyen de courbes
préférable d’utiliser un autre type de méthode directe (Uniplex) que d’isoréponses, évidemment inconnues de l’expérimentateur.
l’on décrira dans la deuxième partie ([P 229], § 6).
La méthode du nombre d’or et celle de Fibonacci sont des métho-
des univariables mais il est possible de les utiliser, dans le cas où
l’on a plusieurs variables, selon le principe de la méthode de Fried-
12 15
man et Savage [24] qui consiste à faire varier un facteur à la fois, à
le fixer à sa valeur optimale puis à faire progresser les autres. Bien
que réalisable, ce procédé n’est pas très efficace et peut se bloquer 17
11
sur une des arêtes de la fonction de réponse comme le montre la 3 6
figure 6 où le point I peut être considéré comme correspondant à 14
13
l’optimum de fonctionnement. 8
2
5, 10
Lorsque la variable X2 est fixée à la valeur X2,A, l’optimum de 5 18
fonctionnement est obtenu pour la valeur X1,C de la variable X1. 4
7
La valeur de la variable X1 est alors fixée à la valeur X1,C et l’opti-
mum de fonctionnement est alors obtenu quand la variable X2 1 9
prend la valeur X2,E.
a b
Le procédé est alors poursuivi jusqu’au point I où aucune amélio-
ration n’est obtenue en imposant les pas de variation choisis aux
variables X1 et X2. Figure 7 – Optimisation par la méthode EVOP

2. Méthode directe x2

à variables multiples :
la méthode Simplex x2, max
M 75 y
4
65
2
3 45
2.1 Généralités et principe de la méthode 0
1 35

■ En 1951, Box et Wilson [25] ont décrit la première méthode d’opti-

misation empirique des procédés chimiques, puis, en 1955, Box pro-
pose la technique « EVolutionary OPeration » (EVOP) [26] qui
permet d’optimiser des procédés chimiques en fonctionnement. x1, max x1
Dans cette méthode, les valeurs des variables sont incrémentées
selon un plan factoriel à deux niveaux (voir figure 7 a) et l’on cher- Figure 8 – Principe de la méthode Simplex

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation P 228 − 7
MÉTHODES DIRECTES D’OPTIMISATION ____________________________________________________________________________________________________

Le but de la méthode est, rappelons-le, de rechercher la zone opti- Nous allons donner successivement les différentes règles de
male, c’est-à-dire de cerner au mieux la position du point M de coor- construction et d’évolution de la méthode.
données x 1 max et x 2 max.

Le principe de la méthode Simplex est le suivant : en plus de

l’expérience du point de base, on effectue k expériences (k étant le 2.2 Construction du simple x initial
nombre de variables) de façon à former une figure régulière, à k + 1
sommets, appelée simplex. Dans notre cas, le simplex initial est
constitué des points 0, 1 et 2 (figure 8). Le simplex initial est donc une figure régulière à k + 1 sommets
Les expériences étant effectuées, on compare les réponses en ces dans un espace à k dimensions, ce qui correspond soit à un triangle
points (approximativement 37 ; 44 et 47) et on détermine le plus équilatéral (3 sommets dans un espace à 2 dimensions), soit à un
mauvais point ; dans notre cas, il s’agit du point 0 (y ≈ 37). tétraèdre (4 sommets dans un espace à 3 dimensions), soit à un
hypertétraèdre (nombre de sommets supérieur à 4, dans un espace
Le principe de la méthode est de s’éloigner de ce plus mauvais à plus de 3 dimensions).
point. Pour ce faire, une nouvelle expérience est réalisée en un point Pour que la notion de figure régulière ait un sens, il est nécessaire
situé à l’opposé de ce plus mauvais point. de travailler avec des variables adimensionnelles. On utilisera des
Dans notre cas, le deuxième simplex est constitué des points 1, 2 variables réduites, sans dimension.
et 3 (avec les réponses respectives de 44 ; 47 et 50), dans lequel le
point 1, qui correspond à la plus mauvaise réponse, est éliminé et ■ Simplex initial selon Spendley et al.
remplacé par le point 4 (y ≈ 62). La même évolution est alors réalisée Dans la publication de Spendley et al., le simplex de départ est
à partir du nouveau simplex et les itérations sont poursuivies orienté selon les schémas de la figure 9. Le point initial, A, est placé
jusqu’à l’optimum. au centre du repère ; le centre du simplex est situé sur la première
bissectrice afin de ne privilégier aucune direction.
Dans un espace à deux dimensions, pour obtenir un triangle équi-
latéral de côté égal à l’unité, les coordonnées des sommets sont
X2 données dans la matrice suivante :

X i, 1 X i, 2 X i, 1 X i, 2
C point A ou encore :
p 0 0 0 0
point B cos 15° sin 15° 0 ,9659 0 ,2588
point C sin 15° cos 15° 0 ,2588 0 ,9659

En généralisant à k dimensions, pour obtenir un tétraèdre (ou des

hypertétraèdres), on a la matrice représentée dans le tableau 7.
(0)

q B

Tableau 7 – Matrice du simplex initial, exprimée

A en coordonnées réduites dans un espace à k dimensions
q p X1
Essai Xi, 1 Xi, 2 Xi, 3 Xi, 4 Xi, 5 Xi, 6 ... Xi, k
a à deux variables
0 0 0 0 0 0 0 ... 0
X3 1 p q q q q q ... q
2 q p q q q q ... q
3 q q p q q q ... q
p 4 q q q p q q ... q
D 5 q q q q p q ... q
6 q q q q q p ... q
... ... ... ... ... ... ... ... ...
k q q q q q q ... p

q C p Les valeurs des coefficients q et p, liées au nombre de variables,

q A k, sont données par les relations :
X2
B 1 1
p = ----------- ( k + 1 + k – 1 ) et q = ----------- ( k + 1 – 1 )
k 2 k 2
p
pour deux variables, on retrouve : p = 0,9659 et q = 0,2588.
X1 Cette manière de construire le simplex est la plus utilisée mais il
existe d’autres possibilités quant à l’orientation du simplex qui peut
b à trois variables être faite selon une autre bissectrice [21], les différentes matrices en
valeurs réduites, pour deux variables, sont données dans le
Figure 9 – Construction du simplex initial selon Spendley et al tableau 8.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 228 − 8 © Techniques de l’Ingénieur, traité Analyse et Caractérisation
___________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

(0)

Tableau 8 – Autres orientations possibles pour le simplex q1 B

A
initial à deux variables p1 X1
Essai i Xi, 1 Xi, 2 Xi, 1 Xi, 2 Xi, 1 Xi, 2 p2
C
0 0 0 0 0 0 0
1 −p q −p −q p −q X2
2 −q p −q −p q −p a à deux variables

La détermination des coordonnées réelles des points du simplex X3

se fait grâce à la relation suivante :

xi, j = x0, j + Xi, j × ∆xj

k est le nombre de variables,

p3
i varie de 0 à k et correspond au point du simplex,
D
j varie de 1 à k et correspond à la variable,
x0, j est la coordonnée réelle, pour la variable j, du
point au centre du repère,
∆xj représente le pas de variation choisi pour la
variable j, ou encore la valeur réelle
correspondant à une unité réduite pour la A B
variable j, q2 q1 p1 X1
Xi, j est la coordonnée réduite, pour la variable j, du p2
point i.
C
La valeur des pas de variation, ∆xj, est liée aux connaissances de
l’expérimentateur. Ces pas doivent être suffisamment grands pour X2
que le simplex puisse évoluer, mais pas trop grands pour qu’il ne
dépasse pas trop vite le maximum. D’autre part, les pas sur chaque b à trois variables
variable doivent être choisis, théoriquement, pour que leurs effets
sur la réponse soient à peu près équivalents. Figure 10 – Construction du simplex initial selon Czech

D’autres méthodologies consistent à créer un simplex à k + 1

variables à partir du simplex établi pour k variables.
La matrice de construction des différents simplex est représentée
■ Simplex initial selon Czech [29] dans le tableau 9. Elle se présente sous la forme générale donnée
dans le tableau 10.
Le simplex à une variable est constitué par les extrémités, A et B
sur la figure 10, d’un segment de droite d’une longueur correspon-
Les valeurs des termes diagonaux, pn, et non diagonaux, qn, sont
dant à une unité réduite.
obtenues à partir des relations suivantes :
À partir de ces deux sommets, le simplex à deux variables est
construit en ajoutant un point placé de telle sorte que les trois points
n–1 pn
forment un triangle équilatéral de côté 1 ; ce nouveau sommet aura
3
pn = 1– ∑ q j2 et q n = ------------- avec n variant de 1 à k
n+1
donc 0,5 et ------- comme coordonnées réduites. j=1
2
À partir de ce simplex, pour construire le tétraèdre dans un Les simplex ainsi construits à deux et trois variables sont
espace à trois dimensions, le point suivant doit être placé sur la per-
représentés dans la figure 10.
pendiculaire élevée à partir du centre de gravité du triangle équila-
téral (voir figure 10). (0)

(0)

Tableau 10 – Expression générale de la matrice

Tableau 9 – Matrice de construction du simplex du simplex initial selon Czech
selon Czech
Essai i Xi, 1 Xi, 2 Xi, 3 Xi, 4 ... Xi, k
Essai i Xi, 1 Xi, 2 Xi, 3 Xi, 4 Xi, 5 Xi, 6
0 0 0 0 0 ... 0
0 0 0 0 0 0 0
1 p1 0 0 0 ... 0
1 1 0 0 0 0 0
2 q1 p2 0 0 ... 0
2 0,5 0,866 0 0 0 0
3 0,5 0,289 0,817 0 0 0 3 q1 q2 p3 0 ... 0
4 0,5 0,289 0,204 0,791 0 0 4 q1 q2 q3 p4 ... 0
5 0,5 0,289 0,204 0,158 0,775 0 ... ... ... ... ... ... ...
6 0,5 0,289 0,204 0,158 0,129 0,764 k q1 q2 q3 q4 ... pk

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation P 228 − 9
MÉTHODES DIRECTES D’OPTIMISATION ____________________________________________________________________________________________________

q1 X3
A B
p1 X1
p2 p2 C

X2
q1 p1
a à deux variables
X1
q2
X3
A B

a à deux variables
p3

D X3

p3 D

q2
0,5 p1 B q1 p1
A
0,5 p2 p1 X1 A B X1
q3
p2
p2
C
C
X2 X2

b à trois variables b à trois variables

Figure 12 – Construction du simplex initial selon Phan Tan Luu

Figure 11 – Construction du simplex initial selon Lowe

■ Simplex initial selon Lowe [30]

Le principe est analogue à celui du cas précédent : le simplex X3

initial, à deux variables, est situé dans le plan (0, X 1, X 2). Pour
construire le simplex à trois variables, le quatrième sommet est A
placé sur la perpendiculaire élevée à partir du milieu de la hauteur
du triangle précédent. On a ainsi la matrice de construction du sim-
plex donnée dans le tableau 11. La figure 11 représente les simplex,
ainsi construits, à deux et a trois variables. B

(0)

Tableau 11 – Expression générale de la matrice du simplex

initial selon Lowe
X2
Essai i Xi, 1 Xi, 2 Xi, 3

A 0 0 0
C
B p1 0 0
p1 p2 0 X1
C ------ D
2

p1 p2 p3
D ------ ------ Figure 13 – Construction d’un simplex à partir d’un plan
2 2
fractionnaire

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 228 − 10 © Techniques de l’Ingénieur, traité Analyse et Caractérisation
___________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

■ Simplex initial selon Phan Tan Luu [31] ■ Simplex initial quelconque
Le simplex initial est centré sur le point de base, on a alors les Enfin, la figure initiale peut aussi être un triangle quelconque, ceci
simplex ABC (à deux variables) et ABCD (à trois variables) de la est utile lorsque la nature des variables est semi-continue [32] [33].
figure 12 ; le centre de gravité du simplex est placé au centre du
repère.
Les coordonnées des points sont données dans le tableau 12. La
généralisation à k variables est indiquée dans le tableau 13. 2.3 Exemple de calcul des coordonnées
(0)
des points du simple x initial
Tableau 12 – Matrice de construction du simplex
selon Phan Tan Luu Considérons l’exemple suivant : on désire optimiser les paramè-
tres PID (Proportionnel Intégrale Dérivée) d’un régulateur chaud/
Essai i Xi, 1 Xi, 2 Xi, 3 froid [34].
A − 0,5 − 0,289 − 0,204 Cinq variables ont été retenues, il s’agit de :
B 0,5 − 0,289 − 0,204
— la bande proportionnelle du canal chaud, XPC, exprimée en % ;
C 0 0,577 − 0,204
— la bande proportionnelle du canal froid, XPF, exprimée en % ;
D 0 0 0,632
— le temps intégral, TI, exprimé en secondes ;
— le temps dérivé, TD, exprimé en secondes ;
(0)
— le recouvrement des deux canaux, R, exprimé en %.
Tableau 13 – Expression générale de la matrice du simplex La fonction de réponse, FR, est la somme pondérée de plusieurs
initial selon Phan Tan Luu réponses (figure 14) :
Essai i Xi, 1 Xi, 2 Xi, 3 Xi, 4 ... Xi, k

0 q1 q2 q3 q4 ... qk
FR = ∑ S i + aT osc + b ∑ E i

1 p1 q2 q3 q4 ... qk avec Si surface de l’oscillation autour de la valeur de

2 0 p2 q3 q4 ... qk consigne,

3 0 0 p3 q4 ... qk Tosc durée des oscillations,

4 0 0 0 p4 ... qk Ei déviation par rapport à la valeur de consigne,
... ... ... ... ... ... ...
a et b coefficients empiriques.
k 0 0 0 0 ... pk
L’expérience de base est faite au point dont les coordonnées sont
les suivantes :

Les valeurs des termes diagonaux, pn et non diagonaux, qn, sont XPC = 15 % ; XPF = 6 % ; TI = 570 s ; TD = 10 s ; R = 5 %
obtenues à partir des relations suivantes :
n 1 Les pas de variations choisis sont respectivement :
p n = ------------------------------ et q n = – ------------------------------
2n ( n + 1 ) 2n ( n + 1 ) ∆XPC = 5 % ; ∆XPF = 5 % ; ∆TI = 50 s ; ∆TD = 20 s ; ∆R = 20 %
avec n variant de 1 à k.
■ Simplex initial selon Spendley et al.
■ Simplex initial construit à partir d’un plan fractionnaire
Le nombre de variables, k, étant égal à 5, on obtient pour p et q les
Dans le cas d’un simplex à trois variables, (tétraèdre à quatre valeurs suivantes :
sommets), les points peuvent être issus d’un plan fractionnaire 23-1,
correspondant à quatre essais. La figure obtenue (figure 13) est un
tétraèdre régulier puisque chaque arête est la diagonale d’un carré 1
p = ----------- ( 5 + 1 + 5 – 1 ) → p = 0 ,912
du cube. Les coordonnées des points A, B, C et D sont données dans 5 2
le tableau 14.
1
q = ----------- ( 5 + 1 – 1 ) → q = 0 ,205
(0)

5 2
Tableau 14 – Matrice de construction d’un simplex
On trouve ainsi :
à trois dimensions à partir d’un plan fractionnaire
Xi, 1 Xi, 2 Xi, 3 x1,1 = x0,1 + X1,1 × ∆x1
Essai i

A −1 −1 +1 XPC = 15 + 0,912 × 5 = 19,56 ≈ 20

1
B +1 +1 +1
C −1 +1 −1 On procède de la même façon pour déterminer les valeurs de
toutes les coordonnées. Les coordonnées des points du premier
D +1 −1 −1 simplex sont rassemblées dans le tableau 15.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation P 228 − 11
MÉTHODES DIRECTES D’OPTIMISATION ____________________________________________________________________________________________________

(0)

Température
Tableau 16 – Matrices en variables réduites et réelles
S du simplex selon Czech
Température
de consigne E
Tosc Essai X1 X2 X3 X4 X5 XPC XPF TI TD R

0 0,0 0,0 0,0 0,0 0,0 15 6,0 570 10 5

1 1 0,0 0,0 0,0 0,0 20 6,0 570 10 5
2 0,5 0,866 0,0 0,0 0,0 17,5 10,3 570 10 5
3 0,5 0,289 0,816 0,0 0,0 17,5 7,4 611 10 5
Temps 4 0,5 0,289 0,204 0,790 0,0 17,5 7,4 580 26 5

Figure 14 – Fonction de réponse FR 5 0,5 0,289 0,204 0,158 0,775 17,5 7,4 580 13 20

■ Simplex initial selon Lowe

(0)

Tableau 15 – Matrices en variables réduites et réelles

du simplex selon Spendley et al. À partir du pas de variation, on a directement les valeurs des pi et
on en déduit les coordonnées des sommets du simplex qui sont ras-
Essai X1 X2 X3 X4 X5 XPC XPF TI TD R
semblées dans le tableau 17.

0 0,0 0,0 0,0 0,0 0,0 15 6,0 570 10 5 (0)

1 0,912 0,205 0,205 0,205 0,205 20 7,0 580 14 9

2 0,205 0,912 0,205 0,205 0,205 16 10,6 580 14 9
Tableau 17 – Matrices en variables réduites et réelles
du simplex selon Lowe
3 0,205 0,205 0,912 0,205 0,205 16 7,0 616 14 9
4 0,205 0,205 0,205 0,912 0,205 16 7,0 580 28 9 Essai X1 X2 X3 X4 X5 XPC XPF TI TD R
5 0,205 0,205 0,205 0,205 0,912 16 7,0 580 14 23 0 0,0 0,0 0,0 0,0 0,0 15 6,0 570 10 5
1 1 0,0 0,0 0,0 0,0 20 6,0 570 10 5
2 0,5 1 0,0 0,0 0,0 17,5 11 570 10 5
■ Simplex initial selon Czech
3 0,5 0,5 1 0,0 0,0 17,5 8,5 620 10 5
Pour calculer les valeurs de p et de q avec n variant ici de 1 à 5, on
utilise les relations déjà citées : 4 0,5 0,5 0,5 1 0,0 17,5 8,5 595 30 5
5 0,5 0,5 0,5 0,5 1 17,5 8,5 595 20 25
n–1 pn
pn = 1– ∑ q j2 et q n = -------------
n+1
j=1
■ Simplex initial selon Phan Tan Luu
n=1 p = 1 d’où p = 1 Les valeurs des termes diagonaux, pn, et non diagonaux, qn, sont
obtenues à partir des relations déjà citées :
1
et q 1 = --- d’où q1 = 0,5
2 n 1
p n = ------------------------------ et q n = – ------------------------------ avec n variant ici de 1 à 5
n=2 p2 = 1– 0 ,5 2 d’où p2 = 0,866 2n ( n + 1 ) 2n ( n + 1 )

0 ,866 1 1
et q 2 = --------------- d’où q2 = 0,289 n=1 p 1 = ------- d’où p1 = 0,5 et q 1 = – ------- d’où q1 = − 0,5
3 4 4

n=3 p3 = 1 – ( 0 ,5 2 + 0 ,289 2 ) d’où p3 = 0,816 2 1

n=2 p 2 = ---------- d’où p2 = 0,577 et q 2 = – ---------- d’où q2 = − 0,289
12 12
0 ,816
et q 3 = --------------- d’où q3 = 0,204 3 1
4 n=3 p 3 = ---------- d’où p3 = 0,612 et q 3 = – ---------- d’où q3 = − 0,204
24 24
n=4 p4 = 1 – ( 0 ,5 2 + 0 ,289 2 + 0 ,204 2 ) d’où p4 = 0,790
4 1
0 ,790 n=4 p 4 = ---------- d’où p4 = 0,632 et q 4 = – ---------- d’où q4 = − 0,158
40 40
et q 4 = --------------- d’où q4 = 0,158
5
5
n=5 p5 = 1 – ( 0 ,5 2 + 0 ,289 2 + 0 ,204 2 + 0 ,158 2 ) d’où p5 = 0,775 n=5 p 5 = ---------- d’où p5 = 0,645 et
1
q 5 = – ---------- d’où q5 = − 0,129
60 60
À partir des coordonnées réduites ainsi calculées, on détermine la
valeur des coordonnées réelles comme précédemment. Les coor- À partir des coordonnées réduites ainsi calculées, on détermine
données des sommets du premier simplex sont rassemblées dans les valeurs des coordonnées des sommets du simplex initial ; elles
le tableau 16. sont rassemblées dans le tableau 18.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 228 − 12 © Techniques de l’Ingénieur, traité Analyse et Caractérisation
___________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

(0)

Tableau 18 – Matrices en variables réduites et réelles X2 4'

du simplex selon Phan Tan Luu
XP
Essai X1 X2 X3 X4 X5 XPC TI TD R
F W
0
0 − 0,5 − 0,289 − 0,204 − 0,158 − 0,129 12,5 4,6 560 7 2 2
1
1 0,5 − 0,289 − 0,204 − 0,158 − 0,129 17,5 4,6 560 7 2 B
4
2 0,0 0,577 − 0,204 − 0,158 − 0,129 15 8,9 560 7 2 1
2
N
3 0,0 0,0 0,612 − 0,158 − 0,129 15 6 601 7 2
3 W'
4 0,0 0,0 0,0 0,632 − 0,129 15 6 570 23 2
5 0,0 0,0 0,0 0,0 0,645 15 6 570 10 18
X1
Conclusion : on constate qu’avec les matrices de construction
a cas où l'un des côtés du simplex est confondu avec la ligne
de Czech et Lowe, il est aisé d’ajouter une dimension au simplex de plus grande pente
initial ce qui n’est pas le cas avec la matrice de construction de
Spendley et al.
X2

2.4 Évolution du simple x

5
Le lecteur pourra également se reporter aux références [27] [35].
3
2
■ Règle 1 : Calcul des coordonnées du nouveau point
W'
Une fois le simplex construit, les expériences sont réalisées et les 4 1
essais triés en fonction de leur réponse. On dénomme : 2W
— B, le meilleur essai (the Best) ; 1
— W, le plus mauvais essai (the Worst) ;
— N, le second plus mauvais (Next to the Worst). X1
On a vu qu’un nouveau simplex doit être etabli après élimination
b cas où une erreur a été commise dans l'évaluation des réponses
du plus mauvais point du simplex précédent.
La manière la plus simple de réaliser un essai dans la direction
opposée au plus mauvais point est de déterminer les coordonnées X2
du point R (Reflex), symétrique du plus mauvais point par rapport au W'
centre de gravité des points restants (figure 15).
Les valeurs des coordonnées du point R sont obtenues à partir de
la relation : Max
XR, j = XG, j + (XG, j − XW, j)
G désignant le centre de gravité : W

k+1

∑
1
X G, j = --- X i, j avec i ≠ W
k
i=1

j désigne la variable et, ici, varie de 1 à 2 (k = 2).

Le même calcul peut être fait directement en coordonnées réelles.
X1

c cas où le simplex encadre la zone optimale

X2
Figure 16 – Règle 2 : cas où le nouveau point est à son tour le plus
mauvais
R

B ■ Règle 2 : Cas où le nouveau point est à son tour le plus

mauvais

G Lorsque le symétrique du plus mauvais point dans un simplex est,

à son tour, le plus mauvais point dans le nouveau simplex, la procé-
dure se trouve bloquée, l’utilisation de la règle d’évolution condui-
rait, dans l’exemple donné dans la figure 16 a, à osciller
perpétuellement de 0 en 3 et de 3 en 0.
N
Dans ce cas, pour l’itération suivante, on prend le symétrique du
second plus mauvais point (N) dans le meilleur des deux simplex.
W X1 En effet si Y3 > Y0, on prend le symétrique, 4, du point 1 dans le sim-
plex constitué des points 1, 2 et 3 (figure 16 a). Si, au contraire
Figure 15 – Détermination des coordonnées du symétrique du plus Y0 > Y3, on prend le symétrique, 4' , du point 1 dans le simplex cons-
mauvais point titué des points 0, 1 et 2 (figure 16 a).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation P 228 − 13
MÉTHODES DIRECTES D’OPTIMISATION ____________________________________________________________________________________________________

— soit d’utiliser les points du simplex comme un plan d’expérien-

X2
ces et, en ajoutant quelques points, de déterminer un modèle
quadratique qui fournit le maximum par calcul (voir par exemple
les plans de Box et Behnken [36]).
W Mais la procédure la plus courante, lorsque l’on a affaire à un sys-
N tème expérimental, est d’arrêter les itérations quand la différence
4 3 N entre les réponses de tous les points du simplex est inférieure à une
B certaine valeur imposée par l’expérimentateur.
B 2
B De nombreux exemples d’utilisation de la méthode simplex ini-
1
W tiale ont été décrits dans la littérature. En raison de son succès, cette
N méthode a subi quelques améliorations et notamment la possibilité
W de l’utiliser en présence de contraintes.
X1
a le simplex tourne autour d'un faux optimum 2.5 Évolution en présence de contraintes
X2 Il existe plusieurs types de contraintes : celles qui vont concerner
N
les variables et celles qui concernent d’autres réponses.
4 Le domaine de variation des variables n’est pas infini et est
W souvent borné :
B
3 — une concentration, une quantité, un débit ne peuvent prendre
N
de valeurs négatives ;
W,B
W, B B 2 — un pH en milieu aqueux ne peut prendre de valeurs supérieu-
B W res à 14 ;
1 — une température est limitée par les températures d’ébullition
N
ou de fusion du solvant ;
W — la quantité d’un réactif peut être limitée en fonction de son
X1 coût, etc.

b après vérification, le simplex reprend la bonne direction

La contrainte peut être une autre fonction de réponse :
— la concentration en une impureté produite lors de la réaction
Figure 17 – Règle 3 : cas où le simplex tourne autour d’un faux étudiée ;
optimum — le coût de l’opération ;
— les caractéristiques des produits obtenus (propriétés
Cette situation peut se produire dans les cas suivants : mécaniques d’un polymère par exemple).
• L’un des côtés du simplex est confondu avec la ligne de plus Si la contrainte est dépassée, la réponse est considérée comme la
grande pente de la fonction de réponse, comme on le constate sur plus mauvaise et ainsi on prend le symétrique du second plus mau-
la figure 16 a. vais point. Ce type d’évolution est représenté sur la figure 18 et peut
se produire :
• Une erreur expérimentale a provoqué une inversion dans le clas-
sement des essais (figure 16 b). Dans le simplex 1, c’est en réalité le — si la manipulation n’est pas réalisable en raison du
point 1 qui est le plus mauvais et non le point 2. En prenant le symé- dépassement d’une contrainte physique ;
trique du point 2, on se dirige dans la mauvaise direction. La — si la manipulation a été réalisée mais la valeur de la fonction de
réponse en 4 étant inférieure à la réponse en 2, le point 4 est ignoré contrainte dépassée.
et l’évolution poursuivie en prenant le symétrique du point consi-
déré comme le 2e plus mauvais dans le simplex 1.
• La zone optimale est atteinte et le simplex entoure cette zone, X2
auquel cas le symétrique d’un point est toujours plus mauvais que
le point qu’il est censé remplacer (figure 16 c). 8'
■ Règle 3 : Élimination d’un point surestimé
Dans la publication originale, Spendley et ses collaborateurs ont 8
prévu le cas où le simplex tourne autour d’un point artificiellement
bon, en raison d’une erreur expérimentale aléatoire, et probable- 7
ment importante, comme c’est le cas dans la figure 17 a. En effet, 6
dans le simplex 1, le meilleur point a été grossièrement surestimé
puisqu’il est à nouveau considéré comme le meilleur dans le sim- 6 5 7'
plex suivant.
Pour pallier ce risque d’erreur, si un point est considéré comme le 4
meilleur dans k + 1 simplex successifs, il est nécessaire de le vérifier 5
par une seconde mesure. Si la réponse est confirmée, l’évolution 3
3
normale est poursuivie, si au contraire, la réponse est en réalité plus 5'
faible, il est alors éliminé et la procédure normale est poursuivie,
comme dans le cas de la figure 17 b. 1 1 2 4
■ Critères d’arrêt
Spendley et ses collaborateurs ont conseillé, lorsque l’on appro- 2
X1
che de l’optimum :
courbe de contrainte
— soit de réduire la taille du simplex pour localiser le maximum
avec plus de précision ; Figure 18 – Évolution en présence d’une contrainte

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 228 − 14 © Techniques de l’Ingénieur, traité Analyse et Caractérisation
___________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

3. Exemples d’application I
de la méthode Simplex Cd Zn
Cu
Mn Ca

3.1 Optimisation d’une séparation

multicomposants
par c hromatographie liq uide

Le lecteur pourra également se reporter à la référence [37].

Les auteurs cherchent à optimiser la séparation des ions Ca2+,
Cu2+, Cd2+, Mn2+ et Zn2+. 0 100 200 300 400
La réponse est Pinf (informing Power), qui est définie selon f (t )
l’expression :
Figure 19 – Séparation initiale correspondant au point 1 du simplex
n

∑ ln Si
1
P inf = i----------------------
=1
avec S i = ----------------------------------------
t Ω i – 1, i + Ω i, i + 1
gDMSO /kgsolution
avec Ωi, j recouvrement entre le i e et le j e pic, 0,05
0,10
n nombre de substances, 0,20
0,25
3 7 0,30 14
t temps d’élution. 250
4 8 13
La phase éluante est constituée d’eau, d’acide chlorhydrique et de 1 1 2 5 6 13 12
diméthylsulfoxyde (DMSO).
2 3 4 7 8 11
200 6
Les variables sont les concentrations, exprimées en gramme par 0,32
kilogramme de solution, en acide chlorhydrique et en diméthylsul- 5
9 10
9 12
foxyde. La figure 19 montre la séparation correspondant au point de
départ du simplex pour une phase éluante composée de 57 g 11
150
d’acide chlorhydrique, 225 g de diméthylsulfoxyde et 718 g d’eau.
L’évolution du simplex est donnée dans le tableau 19 et la 100 200 300
figure 20. gHCl/kgsolution

Dans le neuvième simplex, constitué des points 9 (Pinf = 0,315), 10

(Pinf = 0,327) et 11 (Pinf = 0,300), le nouveau point 11 est à son tour le Figure 20 – Évolution du simplex en fonction des deux variables
plus mauvais. L’évolution est poursuivie en prenant le symétrique
du second plus mauvais point, 9. Dans le simplex suivant, on fait la
même observation et on procède de même.
Il est à noter que dans les six derniers simplex le point 10 est tou-
(0) jours le meilleur.

La séparation au point optimum 10 est donnée dans la

Tableau 19 – Évolution du simplex figure 21 a. On peut remarquer que la séparation est beaucoup plus
rapide que pour l’optimum 4, amélioration d’un facteur 7, mais
Simplex Sommets Pinf moins efficace puisque les pics correspondant au zinc et au cad-
mium sont confondus.
1 1, 2, 3 1 0,027 2 0,102 3 0,098
2 4, 2, 3 4 0,220 2 0,102 3 0,098 Les auteurs ont alors imposé une contrainte correspondant à un
3 4, 2, 5 4 0,220 2 0,102 5 0,210 seuil maximum pour le recouvrement entre deux pics. Si la valeur
de recouvrement est inférieure à ce seuil, une très faible valeur pour
4 4, 6, 5 4 0,220 6 0,235 5 0,210 Pinf sera arbitrairement affectée à ce point.
5 4, 6, 7 4 0,220 6 0,235 7 0,225
L’évolution du simplex est alors représentée sur la figure 22. Dans
6 8, 6, 7 8 0,312 6 0,235 7 0,225 le simplex 3, le symétrique du plus mauvais point, 2, donne le point
7 8, 6, 9 8 0,312 6 0,235 9 0,315 6 où la contrainte est dépassée, il est alors considéré comme le plus
mauvais. Les auteurs ont choisi de revenir au simplex 2 et de pren-
8 8, 10, 9 8 0,312 10 0,327 9 0,315 dre le symétrique du second plus mauvais point (2), soit le point 7’.
9 11, 10, 9 11 0,300 10 0,327 9 0,315
Dans tous ces simplex, le point 4 est le meilleur. Après vérification
10 11, 10, 12 11 0,300 10 0,327 12 0,295 confirmant la valeur de la réponse en 4, ce point est considéré
11 13, 10, 12 13 0,296 10 0,327 12 0,295 comme l’optimum et la séparation est représentée dans la
figure 21 b où l’on constate un compromis entre une bonne sépa-
12 13, 10, 14 13 0,296 10 0,327 14 0,305 ration des pics et une diminution de la durée de l’analyse.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation P 228 − 15
MÉTHODES DIRECTES D’OPTIMISATION ____________________________________________________________________________________________________

3.2 Optimisation d’une réponse

I
chromatographiq ue
Zn
et
Cd L’optimisation d’une CRF, Chromatographic Response Function,
Cu est un exemple d’application courante et facile à mettre en œuvre de
Mn Ca
la méthode Simplex [38]. Nous allons décrire les résultats obtenus
dans notre laboratoire [39].
On désire séparer quatre alcools par chromatographie en phase
gazeuse et la fonction de réponse est la CRF dont on cherche le
maximum. Cette réponse a pour expression :

CRF = ∑ Ri + N x – a tM – tN – b tm – t1
i

avec N nombre de pics,

∑ Ri somme des résolutions des pics,

i

0 100 f (t ) i variant de 1 à N,
tM temps maximal d’analyse,
a séparation correspondant à l'optimum 10
tN temps de rétention du dernier pic,

I tm temps minimal d’analyse,

Cd Cu t1 temps de rétention du premier pic
Zn Mn Ca a, b et x sont des constantes arbitraires : ici, x = 0,5 ; b = 1 ; a = 1,5.

Les variables retenues sont la température de la colonne et le

débit du gaz vecteur. Le point de base et les pas de variation sont
donnés dans le tableau 20.
(0)

Tableau 20 – Point de base du simplex et pas de variation

Variable j xA, j ∆xj

Température 1 199,0 ˚C − 7,0 ˚C

Débit du gaz 2 3,45 cm3 · s−1 − 0,5 cm3 · s−1
0 100 200 f (t )

b séparation correspondant à l'optimum 4

Deux types de contraintes sont pris en compte :
Figure 21 – Séparation au point optimum — la première contrainte concerne le domaine de la variable tem-
pérature de la colonne qui doit être compris entre 70 et 220 ˚C. La
manipulation ne sera pas faite si les coordonnées imposées pour
cette variable sont en dehors de ce domaine ;
— la deuxième contrainte concerne la durée maximale d’analyse
gDMSO /kgsolution

qui a été fixée à 7 minutes. La manipulation sera exécutée, mais si la

durée de l’analyse est supérieure à 7 minutes, l’essai sera considéré
0,05 0,1 7' 0,2 0,25 comme le plus mauvais.
250 3 On prend pour matrice de départ celle définie par Spendley et al.
4
Le calcul des coordonnées réelles du premier simplex est le
1 1 2
4 suivant :
6 xB, 1 = 199,0 + 0,965 9 × (− 7,0) ⇒ xB, 1 = 192,2 ˚C
200 3 3'
2

5 xB, 2 = 3,45 + 0,258 8 × (− 0,5) ⇒ xB, 2 = 3,32 cm3 · s−1

150 xC, 1 = 199,0 + 0,2588 × (− 7,0) ⇒ xC, 1 = 197,2 ˚C

100 200 xC, 2 = 3,45 + 0,965 9 × (− 0,5) ⇒ xC, 2 = 2,97 cm3 · s−1
gHCl/kgsolution
Le tableau 21 rassemble données et résultats pour le premier
Figure 22 – Évolution avec contrainte simplex.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 228 − 16 © Techniques de l’Ingénieur, traité Analyse et Caractérisation
___________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

(0)

Tableau 21 – Premier simplex et détermination

du symétrique du plus mauvais point

Point Xi, 1 Xi, 2 xi, 1 xi, 2 CRF Code

X2

A 0,00 0,0000 199,0 3,45 − 9,68 W

10
B 0,9659 0,2588 192,2 3,32 − 7,32 B Y

C 0,2588 0,9659 197,2 2,97 − 9,58 N 9

23 X
G 0,61235 0,61235 194,795 3,145 W
22
R 1,2247 1,2247 190,4 2,84 − 7,24 R 8 21
T V
S 20
18
Les analyses HPLC sont alors effectuées : le point A ayant pour 7 19
réponse − 9,68 est donc considéré comme le plus mauvais point 17 U
(W). Q R
16
Le calcul des coordonnées du point symétrique, R (Reflex), peut 6
être fait, comme on l’a vu : 15
N P
• soit en coordonnées réduites : M 14
5 12
13
X G, 1 = 1
--- ( X B, 1 + X C, 1 ) = 1
--- ( 0 ,9659 + 0 ,2588 ) = 0 ,61235 11 O
2 2 J L
puis : 4 I 10
8
XR,1 = XG,1 + (XG,1 − XW,1) = 0,61235 + (0,61235 − 0,00) = 1,2247 9
7 K
ce qui donne, en variables réelles : 3 H
G
6
xR,1 = xA,1 + XR,1 × ∆x1 = 199,0 + 1,2247 × (− 7,0) = 190,4
5
F
• soit directement en coordonnées réelles : 2 E
4
3
--- ( x B, 1 + x C, 1 ) = 1
x G, 1 = 1 --- ( 192 ,2 + 197 ,2 ) = 194 ,7 D
2 2 1 C
2
puis :
1
xR, 1 = xG,1 + (xG,1 − xW,1) = 194,7 + (194,7 − 199) = 190,4 0 B
A
0 1 2 3 4 5 6 7
On procède de la même façon pour la variable x2. X1
La valeur de la fonction de réponse en ce point R (CRFR = − 7,24)
est supérieure à celle du plus mauvais point (CRFW = − 9,68). Ce
point est donc conservé et devient le point D. Dans ce nouveau sim-
plex, constitué des points B, C et D, la plus mauvaise réponse est
celle du point B. On calcule alors les coordonnées de son symétri-
que et on procède de la même façon à chaque itération. L’évolution
Figure 23 – Évolution du simplex. Application à la séparation
du simplex est représentée sur la figure 23 et le tableau 22.
d’alcools par CPG
On constate que la progression s’effectue en respectant la règle 1 (voir
§ 2.4) jusqu’au simplex no 9, constitué des points J (CRFJ = − 2,98),
H (CRFH = − 3,42) et K (CRFK = − 3,48) ; dans ce simplex le symétri- En 25 essais, on est passé d’une fonction de réponse chromato-
que de K redonnerait le point I précédemment éliminé, on applique
la règle 2 en éliminant le point H. La règle 2 est à nouveau appliquée graphique de − 9,7 à + 12,2.
au simplex no 17, constitué des points R, S et Q.
Dans le simplex no 22, le symétrique du plus mauvais point, W,
conduit à un point qui a dû être éliminé car la contrainte de temps
était dépassée. On construit alors le nouveau simplex avec le symé- Un autre exemple d’application, extrêmement intéressant car
trique du second plus mauvais point, V. les variables sont ici discontinues, est l’optimisation de l’acti-
vité biologique des acides phénoxyacétiques [33] ; les variables
On a arrêté la progression au simplex 23 car, d’une part, le symé- sont les valeurs des constantes σ de Hammett et π de Hansch
trique de W est à nouveau éliminé, la contrainte de temps étant des substituants des acides. Dans ce cas, le simplex, toujours un
dépassée et, d’autre part, le symétrique du second plus mauvais triangle, perd sa forme régulière et se déforme plus ou moins au
point, Y, donne le point V, déjà obtenu. On a donc considéré le point cours de son évolution mais la méthode n’en est pas moins efficace.
X comme représentant l’optimum.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation P 228 − 17
MÉTHODES DIRECTES D’OPTIMISATION ____________________________________________________________________________________________________

(0)
donc toute variable binaire, c’est-à-dire celles qui possèdent seule-
Tableau 22 – Évolution du simplex pour la séparation ment deux états.
d’un mélange d’alcools par CPG Le domaine de variation des variables est, a priori, illimité mais peut
être soumis à des contraintes qui dépendent du phénomène étudié.
Simplex Sommets CRF
L’augmentation du nombre de variables entraîne seulement une
1 A, B, C A − 9,68 B − 9,58 C − 7,32 augmentation linéaire du nombre d’expériences, k + 1, pour établir
le simplex initial. Le nombre nécessaire d’essais pour obtenir l’opti-
2 D, B, C D − 7,24 B − 9,58 C − 7,32 mum n’est, ensuite, pas lié de façon directe au nombre de variables.
3 D, E, C D − 7,24 E − 6,52 C − 7,32 Il est bien évident qu’il est plus sage de limiter le nombre de varia-
bles. Néanmoins, il est rassurant de savoir qu’une variable non-
4 D, E, F D − 7,24 E − 6,52 F − 3,63
influente ne perturbe en rien la marche du simplex. Par contre, il
5 G, E, F G − 3,56 E − 6,52 F − 3,63 n’est pas possible de mettre en évidence le fait qu’elle n’influence
pas la progression du simplex car sa valeur évolue comme celle de
6 G, H, F G − 3,56 H − 3,42 F − 3,63
variables influentes.
7 G, H, I G − 3,56 H − 3,42 I − 3,53 Il est aisé d’ajouter une variable au cours de l’exploitation du
8 J, H, I J − 2,98 H − 3,42 I − 3,53 simplex ; il suffit, pour cela, de construire un nouveau simplex en pre-
nant comme point de base l’optimum déjà obtenu, avec une dimen-
9 J, H, K J − 2,98 H − 3,42 K − 3,48 sion supplémentaire.
10 J, L, K J − 2,98 L − 1,96 K − 3,48 ■ Réponses
11 J, L, M J − 2,98 L − 1,96 M − 2,23 Il existe, là encore, deux aspects principaux en rapport avec la
12 N, L, M N − 1,48 L − 1,96 M − 2,23 nature et le nombre des réponses.
Comme on l’a vu, la seule exigence de la méthode est d’être capa-
13 N, L, O N − 1,48 L − 1,96 O − 1,55 ble d’estimer le plus mauvais point et ceci entraîne deux conséquen-
14 N, P, O N − 1,48 P − 0,66 O − 1,55 ces principales : d’une part, il est possible de travailler avec une
réponse qualitative qui peut être un critère subjectif de qualité ou
15 N, P, Q N − 1,48 P − 0,66 Q − 0,11
d’esthétique et, d’autre part, la méthode tolère des erreurs aléatoi-
16 R, P, Q R 0,33 P − 0,66 Q − 0,11 res sur la réponse et, donc, ne nécessite pas une grande précision ce
qui est souvent le cas dans le domaine expérimental.
17 R, S, Q R 0,33 S − 0,67 Q − 0,11
La méthode ne peut tolérer plusieurs réponses simultanées car le
18 R, S, T R 0,33 S − 0,67 T 5,05 simplex progresserait probablement dans des directions différen-
19 R, U, T R 0,33 U 2,77 T 5,05 tes. Par contre, il est possible d’établir une réponse unique en utili-
sant une relation pondérée de diverses fonctions de réponse.
20 V, U, T V 8,22 U 2,77 T 5,05
■ Méthodologie
21 V, W, T V 8,22 W 7,27 T 5,05
La méthode envisage aussi le cas où il y a une erreur, même gros-
22 V, W, X V 8,22 W 7,27 X 12,21 sière, sur l’estimation du meilleur point puisque, lorsqu’un point est
23 Y, W, X Y 10,05 W 7,27 X 12,21 conservé dans k + 1 simplex, il est répété. La méthode prévoit donc
de s’autocontrôler.
Ce principe de droit à l’erreur confère à la méthode une grande
souplesse d’utilisation qui lui permet de se diriger obligatoirement
4. Principales caractéristiques vers l’optimum, mais avec plus ou moins de rapidité, tout particuliè-
rement dans le cas de manipulations délicates dont les résultats
de la méthode Simplex sont susceptibles d’être entachés d’erreurs importantes.
La méthode est évolutive, elle peut ainsi suivre un optimum qui
évolue avec le temps, en raison, par exemple, de la dérive d’un
À partir des règles d’utilisation de la méthode et de ces exemples appareillage ou de la qualité d’une matière première.
d’application, les caractéristiques principales suivantes peuvent être
dégagées. De même que pour les variables, on peut, comme on l’a vu dans
le troisième exemple, imposer une contrainte à la réponse ou
■ Variables encore une fonction de contrainte.
Il existe deux aspects principaux relatifs à la nature et au nombre Enfin, il est possible de changer de critère de réponse au cours de
des variables : l’optimisation : par exemple, on peut commencer l’optimisation
avec un premier critère de rendement puis continuer avec un critère
Comme on l’a vu, les variables peuvent être continues ou discon- de pureté, le rendement optimal servant alors de fonction de
tinues mais doivent pouvoir prendre plusieurs valeurs. Ceci exclut contrainte.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 228 − 18 © Techniques de l’Ingénieur, traité Analyse et Caractérisation