Optimisation et applications (M3)
Laurent Dumas (UVSQ), Marx Cerf (EADS)
http://dumas.perso.math.cnrs.fr/M3.html
PARTIE 1: Méthodes d’optimisation sans gradient (directes, évolutionnaires)
PARTIE 2 Méthodes de type SQP (Sequential Quadratic Programming)
associées respectivement aux
PROJET 1: identification de paramètres (Laurent Dumas)
PROJET 2: Lanceur spatial (Max Cerf)
Cours M3, optimisation et applications
Problème 1: problème du voyageur de commerce
• Objectif: déterminer la distance minimale à parcourir pour visiter toutes les villes une et
une seule fois.
Cours M3, optimisation sans gradient et applications
Problème 2: configuration d’une molécule d’énergie minimale
N=4 atomes N=7 atomes
• Objectif: déterminer la position de N atomes minimisant le potentiel de Lennard Jones de
la molécule associée: V( r )=1/r12 – 2/r 6 pour 2 atomes à une distance r.
Cours M3, optimisation sans gradient et applications
Problème 3: optimisation de forme d’un réseau de Bragg
-Objectif: étant donné la forme d’un filtre en longueur d’onde, déterminer les
caractéristiques d’une fibre optique (réseau de Bragg) permettant d’obtenir ce filtre.
Problème posé par: Alcatel.
Cours M3, optimisation sans gradient et applications
Problème 4: optimisation de parcs de panneaux solaires
-Objectif: étant donné une zone d’implantation de panneaux solaires, déterminer
le meilleur positionnement des structures pour maximiser l’espérance de
production sur la durée de vie du projet.
Problème posé par: GDF/Suez.
Cours M3, optimisation sans gradient et applications
Problème 5: décodage d’une image floue et bruitée
Code à 13 chiffres
• Objectif: à partir d’une image floue et bruitée d’un code barre, être capable d’identifier ce
code barre
Cours M3, optimisation sans gradient et applications
Problème 6: réduction de consommation d’un véhicule
Traînée aérodynamique Résistance au roulement Masse
A 120 km/h, facteurs de la consommation d’un véhicule:
Résistance au
roulement
26%
Traînée
aérodynamique
74%
…dont 65% à 70 % dépend de
la forme extérieure… Lignes de courant et tourbillons longitudinaux à l’arrière d’un
véhicule expérimental type 206 (DRIA)
…dont 90 % de la forme arrière!
• Objectif: obtenir la forme arrière optimale d’une automobile par simulation numérique.
Cours M3, optimisation sans gradient et applications
Problème 7: optimisation de trajectoire d’un lanceur spatial
• Objectif: atteindre l’orbite de la mission en minimisant la consommation
Maths en mouvement, ENS, 11/05/09
Principales caractéristiques de ces problèmes
Problème 1: Problème 2: Problème 5: Problème 6:
économie chimie automobile espace
Paramètres permutations position des forme du Commandes de
de {1,…,n} atomes véhicule la mission
Fonction simple simple issue d’une explicite
coût EDP
Calcul du // explicite non explicite explicite
gradient
Minimas // oui oui oui
locaux
Contraintes non non non linéaires non linéaires
Cours M3, optimisation sans gradient et applications
Optimisation sans gradient: plan détaillé
1. Méthodes sans gradient déterministes
2.1 Méthodes directes (Nelder Mead, MDS/Torczon)
2.2 Interpolation (modèles quadratiques et régions de confiance)
2.3 Surfaces de réponse (RBF, krigeage)
2. Méthodes sans gradient stochastiques
3.1 Recuit simulés
3.2 Algorithmes génétiques, essaim de particules, stratégies d’évolution
3.3 Résultats de convergence
3.4 Extensions (adaptativité, gestion des contraintes , version multi-objectif)
3. Détails du projet « identification de paramètres »
Cours M3, optimisation sans gradient et applications
Optimisation de type SQP: plan détaillé
1. Problème d’optimisation avec contrainte à résoudre
1.1 Formulation du problème et Lagrangien
1.2 Conditions d’optimalité KKT
2. L’algorithme SQP
2.1 Principe général et algorithme
1.2 Méthodes quasi Newton
1.3 Modification du Hessien
1.4 Globalisation
3. Le logiciel
4. Détails du projet « lanceur spatial »
Cours M3, optimisation sans gradient et applications
