CHAPITRE 3 : OPTIMISATION D’UNE FONCTION À PLUSIEURS VARIABLES
3-1. Extrema locaux d’une fonction à plusieurs variables libres
3-1-1. Définition
Soit f une application dans un sous ensemble E de ℝ𝑛 et A ∈ E
- on dit que f a un maximum au sens large au point A si ∀ 𝑥 ∈ E, f(X) ≤ f(A)
- on dit que f a un maximum au sens stricte au point A si ∀ 𝑥 ∈ E, f(X) < f(A)
- on dit que f a un minimum au sens large au point A si ∀ 𝑥 ∈ E, f(X) ≥ f(A)
- on dit que f a un minimum au sens stricte au point A si ∀ 𝑥 ∈ E, f(X) > f(A)
3-1-2. Condition du premier ordre
Soit A(𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑛 ) ∈ 𝐸 et f une fonction dérivable au point A. On dit que le point A est un
point stationnaire (point critique ou point d’équilibre ou point candidat à l’extrémum) si au point
A toutes les dérivées partielles de 1er ordre sont nulles.
𝜕𝑓 𝜕𝑓 𝜕𝑓 𝜕𝑓
C’est-à-dire 𝜕𝑥 = 0 , 𝜕𝑥 = 0 , 𝜕𝑥 = 0 , …., 𝜕𝑥 = 0
1 2 3 𝑛
Exemple soit la fonction f(𝑥1 , 𝑥2 ) = 2𝑥13 − 2𝑥1 𝑥2 + 𝑥22
𝜕𝑓 𝜕𝑓
= 6𝑥12 − 2𝑥2 , 𝜕𝑥 = −2𝑥1 + 2𝑥2
𝜕𝑥1 2
𝜕𝑓
=0
𝜕𝑥 6𝑥12 − 2𝑥2 = 0
{ 𝜕𝑓1 ⇒{ en additionnant membre par membre ont obtient l’équation
=0 −2𝑥1 + 2𝑥2 = 0
𝜕𝑥2
suivante 6𝑥12 − 2𝑥1 = 0 en résolvant cette équation on trouve 𝑥1 = 0 𝑜𝑢 𝑥1 = 1/3
1 1 1 1
Pour 𝑥1 = 0, 𝑥2 = 0 ; pour 𝑥1 = 3 , 𝑥2 = 3 , on a donc deux points candidats A(0,0) et B(3 , 3)
Les conditions du 1er ordre ne sont pas suffisantes pour déterminer les extrema.
3-1-3. Conditions du second ordre
Elles permettent de déterminer si les points stationnaires A et B sont des optima
𝜕𝑓 𝜕𝑓 𝜕2 𝑓
Notons 𝑓𝑖𝑗 la dérivée partielle de f par rapport à 𝑥𝑖 𝑒𝑡 𝑥𝑗 𝑓𝑖𝑗 = (𝜕𝑥 ) = = 𝑓𝑥′′𝑖 𝑥𝑗
𝜕𝑥𝑗 𝑖 𝜕𝑥𝑖 𝜕𝑥𝑗
Soit ∆1 , ∆2 , … . , ∆𝑛 les déterminants définis par :
𝑓11 𝑓12 … 𝑓1𝑛
𝑓 𝑓 𝑓 𝑓 … 𝑓1𝑛
∆1 = 𝑓11 , ∆2 = | 11 12 | ∆𝑛 = | 21 22 |= |𝐻|, H est appelé matrice hessienne
𝑓21 𝑓22 ⋮ ⋮ ⋮ ⋮
𝑓𝑛1 𝑓𝑛2 … 𝑓𝑛𝑛
Les ∆𝑖 sont les mineurs principaux
- Soit A(𝑥10 , 𝑥20 , . . , 𝑥𝑛0 ) un point stationnaire
a) Si ∆𝒊 (𝑨) > 0 i = 1,2,3…,n alors le point stationnaire A est un minimum, dans ce cas la matrice
1
hessienne est dite définie positive.
b) Si (−𝟏)𝒊 ∆𝒊 (𝑨) > 0 i = 1,2,3…,n alors le point stationnaire A est un maximum, dans ce cas la
matrice hessienne est dite définie négative.
Si l’une des deux conditions précédentes n’est pas vérifiée le point A n’est pas un optimum
Pour l’exemple précédent, 𝑓11 = 12𝑥1 ; 𝑓12 = −2; 𝑓21 = −2; 𝑓22 = 2
12𝑥1 −2
∆1 = 12𝑥1 ; ∆2 = | | = 24𝑥1 − 4
−2 2
∆1 (𝐴) = 0; ∆2 (𝐴) = −4 le point A n’est pas un optimum
∆1 (𝐵) = 4; ∆2 (𝐵) = 4 le point B est un minimum
Note si f est une fonction d’une seule variable les conditions du second ordre se réduisent à
𝑓 ′′ > 0 pour un minimum et 𝑓 ′′ < 0 pour un maximum.
Propriétés des fonctions convexes et concaves.
Si f est différentiable jusqu’à l’ordre 2 sur un ensemble convexe D ( un ensemble D de ℝ𝑛 est dit
convexe si et seulement si ∀ 𝛼 ∈ [0,1], ∀ 𝑀1 , 𝑀2 ∈ 𝐷 on a 𝛼 𝑀1 + (1 − 𝛼)𝑀2 ∈ 𝐷)
1) Si les mineurs principaux sont tous positif c’est-à-dire ∆𝑖 > 0 ∀ 𝑖 alors f est convexe. Si f est
convexe, elle admet un minimum.
2) Si les mineurs principaux alternent en signe le premier étant négatif c’est-à-dire
(−1)𝑖 ∆𝑖 > 0 ∀ 𝑖 alors f est concave. Si f est concave, elle admet un maximum.
3-2. Optimisation sous contraintes exprimées sous forme d’égalité
Il s’agit de traiter ici le cas où les variables ne sont pas libres mais soumises à des contraintes.
Méthode du lagrangien
Soit une fonction f de n variables représenté par X(𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑛 ) et soumises à p contrainte de
la forme 𝑔𝑘 (𝑋) = 𝑏𝑘 k = 1,2,..,p
L(X, λ) = f(X) + ∑𝑝𝑘=1 𝜆𝑘 (𝑏𝑘 − 𝑔𝑘 (𝑋)) est dite fonction de lagrange ou tout simplement le
lagrangien. Les nombres réels 𝜆𝑘 sont appelés multiplicateurs de lagrange
3-2-1. Conditions du premier ordre (condition nécessaire)
Soient A(𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑛 ) un point de E, f et g des fonctions dérivables au point A. On dit que le
point A est un point stationnaire (point critique ou point d’équilibre ou point candidat à
l’extrémum) sous contrainte si au point A toutes les dérivées partielles du premier ordre du
lagrangien sont nulles.
𝜕𝐿 𝑝
= 0 𝑖 = 1,2, . . , 𝑛 𝜕𝐿 𝜕𝑔𝑘 (𝑋)
𝜕𝑥𝑖 − ∑ 𝜆𝑘 =0
⇒ {𝜕𝑥𝑖 𝜕𝑥𝑖
𝜕𝐿 𝑘=1
= 0 𝑘 = 1,2, . . , 𝑝 (𝑏
{𝜕𝜆𝑘 𝑘 − 𝑔𝑘 (𝑋)) = 0
2
Note pour toute solution, le multiplicateur du lagrange est unique
𝜕𝑔𝑘 (𝑋)
La matrice jacobienne est J = ( ) k = 1,2,…,p ; i = 1,2,…,n
𝜕𝑥𝑖
3-2-2. Conditions du second ordre
Les conditions du second ordre sont obtenues en calculant les mineurs principaux de la matrice
𝑂 𝐽
hessienne bordée du lagrangien L. si A est un point stationnaire on a 𝐻𝐴 = ( )
𝐽′ 𝐻𝐿
0 … 0
𝜕𝑔𝑘 (𝐴) 𝜕2 𝐿
O = ( ⋮ ⋱ ⋮ ) O est la matrice carrée nulle d’ordre p, J = ( 𝜕𝑥 ), 𝐻𝐿 = (𝜕𝑥 𝜕𝑥 )
𝑖 𝑖 𝑗
0 … 0
i=1,2,…,n ; j = 1,2,..,n ; J’ est la transposée de J
a) Minimum
Le point stationnaire A est un minimum local si les n-p derniers mineurs principaux de HA sont
tous négatifs lorsque P est impaire ou tous positifs lorsque P est paire. C’est-à-dire
(−𝟏)𝒑∆𝒊 > 𝟎 i = 2p +1, …n+p (p est le nombre de contrainte)
b) Maximum
Le point stationnaire A est un maximum local si les n-p derniers mineurs principaux alterne en
signe le premier étant négatif si p est paire ou positif si p est impaire c’est-à-dire
(−𝟏)𝒊−𝒑 ∆𝒊 > 𝟎 i = 2p +1, …n+p (p est le nombre de contrainte)
Exercice d’application
Optimiser la fonction f(x,y) = 𝑥 2 + 2𝑦 2 − 𝑥𝑦 sous la contrainte x + y = 8
Solution
L(x,y,λ) = 𝑥 2 + 2𝑦 2 − 𝑥𝑦 +λ[8 – (x + y)]
1) Conditions du premier ordre
𝜕𝐿
=0
𝜕𝑥 2𝑥 − 𝑦 − 𝜆 = 0 2𝑥 − 𝑦 = 𝜆 (1)
𝜕𝐿
= 0 ⇒ { 4𝑦 − 𝑥 − 𝜆 = 0 ⇒ { 4𝑦 − 𝑥 = 𝜆 (2)
𝜕𝑦
8 – (x + y) = 0 𝑥+𝑦 =8 (3)
𝜕𝐿
{𝜕𝜆 = 0
3𝑥 − 5𝑦 = 0
D’après les équations (1) et (2) on a 3x - 5y = 0 ⇒ { après résolution on trouve
𝑥+𝑦 =8
x= 5 et y = 3, le point A(5,3) est un point stationnaire
2) conditions du second ordre
3
𝑙 𝑙12 0 1 1
2 −1 |𝐻|
J=(1,1), 𝐻𝐿 = | 11 |= | | = |1 2 −1| = −8 n= 2 ; p = 1, n-p = 1
𝑙21𝑙22 −1 4
1 −1 4
∆3 = −8, (−1)1 ∆3 = 8 > 0 donc le point A est un minimum
Exercice 1 (Application à l’économie)
Un consommateur dispose d’un revenu de 400 unités monétaires qu’il consacre à l’achat de deux
biens x et y de prix respectifs 4 unités monétaires et 10 unités monétaires. Sa satisfaction est
exprimée par sa fonction d‘utilité. La fonction d’utilité est donnée par U(x,y) = xy
1) Déterminer son équilibre
2) Vérifier qu’il s’agit bien d’un maximum.
Exercice 2
Optimiser la fonction f(x,y) = xy sous la contrainte 𝑥 2 + 𝑦 2 = 2
3-3. Optimisation sous contraintes exprimées sous forme d’inégalité (𝒈𝒌 (𝑿) ≥ 𝟎 )
La plupart des problèmes d’optimisation en économie font intervenir les contraintes sous formes
d’inégalité pour résoudre ce type de problème, on cherche à transformer les contraintes qui sont
sous formes d’inégalité en contrainte sous forme d’égalité.
3-3-1. Définition
- contraintes saturées
soient 𝑔𝑘 (𝑋) (k =1,2,…,m) des fonctions dérivables au point A tel que 𝑔𝑘 (𝑋) ≥ 0. On dit que la
contrainte 𝑔𝑘 (𝑋) ≥ 0 est saturée en A si et seulement si 𝑔𝑘 (𝐴) = 0
- contraintes régulières
soient 𝑔𝑘 (𝑋) (k =1,2,…,m) des fonctions dérivables au point A tel que 𝑔𝑘 (𝑋) ≥ 0. On dit que la
contrainte 𝑔𝑘 (𝑋) ≥ 0 est régulière en A si et seulement si 𝑔𝑘 (𝐴) > 0
3-3-2. Théorème de Kuhn et Tucker
Soient f(X) et 𝑔𝑘 (𝑋) des fonctions dérivables à dérivées partielles continues au voisinage d’un
point A tel que 𝑔𝑘 (𝐴) ≥ 0 et les contraintes 𝑔𝑘 (𝑋) ≥ 0 soient régulières en A, si A est un extrémum
local de f sous m contraintes alors il existe m nombres 𝜆𝑘 (k =1,2,..,m) tel que
𝜕𝑔𝑘 (𝐴)
(1) 𝑓𝑥′𝑖 (𝐴) + ∑𝑚
𝑘=1 𝜆𝑘 = 0 i = 1,2,…,n k = 1,2,..,m
𝜕𝑥𝑖
(2) 𝜆𝑘 𝑔𝑘 (𝐴) = 0
(3) 𝜆𝑘 ≥ 0 si on a un maximum
(4) 𝜆𝑘 ≤ 0 si on a un minimum
Ces conditions sont dites conditions de Kuhn et Tucker
Notes
- si l’on pose L(X) = f(X) + ∑𝑚
𝑘=1 𝜆𝑘 𝑔𝑘 (𝑋), les conditions (1) se mettent sous la forme
4
𝐿′𝑥𝑖 (𝐴) = 0
Les relations (2) sont appelées relations d’exclusions
- on applique le théorème de Kuhn et Tucker pour rechercher les points candidats à l’extrémum
3-3-3. Conditions du second ordre
Critère de la matrice hessienne bordée
Elle consiste à examiner chacun des points candidats à l’extrémum, cet examen peut s’effectuer en
utilisant les critères du second ordre qui ont été définis dans le cas de l’optimisation sous contrainte
exprimé sous forme d’égalité
- Si (−𝟏)𝒑 ∆𝒊 > 𝟎, le point stationnaire est un minimum
- si (−𝟏)𝒊−𝒑 ∆𝒊 > 𝟎, le point stationnaire est un maximum
Exemple Optimiser la fonction f(x, y) = xy - 𝑥 2 − 𝑦 2 sous les contraintes 2x + y ≥ 5 et y≥ 3
La transformation des contraintes sous la forme 𝑔𝑘 (𝑋) ≥ 0 nous donne 2x + y −5 ≥ 0 et
y −3 ≥ 0
L(x,y,𝜆1 , 𝜆2 ) = 𝑥𝑦 − 𝑥 2 − 𝑦 2 + 𝜆1 (2𝑥 + 𝑦 − 5) + 𝜆2 (𝑦 − 3)
Conditions du premier ordre
𝜕𝐿
= 𝑦 − 2𝑥 + 2𝜆1 = 0
𝜕𝑥
𝜕𝐿
= 𝑥 − 2𝑦 + 𝜆1 + 𝜆2 = 0
𝜕𝑦
𝜆1 (2𝑥 + 𝑦 − 5) = 0
{ 𝜆2 (𝑦 − 3) = 0
1er cas si tous les contraintes sont régulières ( 𝜆1 = 0, 𝜆2 = 0)
𝑦 − 2𝑥 = 0
𝑥 − 2𝑦 = 0
{
2𝑥 + 𝑦 − 5 > 0
𝑦−3>0
D’après les deux premières équations on trouve x = 0 et y = 0 mais en remplaçant x et y par zero
les deux inéquations ne sont pas vérifiées. Donc le point A(0, 0) n’est pas un point stationnaire
2éme cas si tous les deux contraintes sont saturées ( 𝜆1 ≠ 0 𝑒𝑡 𝜆2 ≠ 0)
𝑦 − 2𝑥 + 2𝜆1 = 0
𝑥 − 2𝑦 + 𝜆1 + 𝜆2 = 0
{
(2𝑥 + 𝑦 − 5) = 0
(𝑦 − 3) = 0
5
D’après les deux dernières équations on trouve x = 1 et y = 3 mais en remplaçant x et y par leurs
1 11
valeurs dans les deux premières équations on trouve 𝜆1 = − 2 𝑒𝑡 𝜆2 = . Donc le point B(1, 3)
2
est un point stationnaire, mais ce n’est ni un minimum ni un maximum.
3éme cas si la première contrainte est régulière et la second saturée (𝜆1 = 0 𝑒𝑡 𝜆2 ≠ 0)
𝑦 − 2𝑥 = 0
𝑥 − 2𝑦 + 𝜆2 = 0
{
2𝑥 + 𝑦 − 5 > 0
(𝑦 − 3) = 0
D’après la première et la dernière équation on trouve x = 3/2 et y = 3, en remplaçant x et y par leurs
9
valeurs dans la deuxième équation on trouve 𝜆2 = 2 l’inéquation étant verifiée, le point
3
C(2 , 3) peut-être un maximum.
4éme cas si la première contrainte est saturée et la second régulière (𝜆1 ≠ 0 𝑒𝑡 𝜆2 = 0)
𝑦 − 2𝑥 + 2𝜆1 = 0
𝑥 − 2𝑦 + 𝜆1 = 0
{
(2𝑥 + 𝑦 − 5) = 0
𝑦−3>0
D’après les trois premières équations on trouve x = 25/14 et y = 10/7 mais l’inéquation n’est pas
25 10
vérifiée. Donc le point D(14 , 7 ) n’est pas un point candidat à l’extrémum
Condition du second ordre (pour le point c)
L(x,y, 𝜆2 ) = 𝑥𝑦 − 𝑥 2 − 𝑦 2 + 𝜆2 (𝑦 − 3) car 𝜆1 = 0
0 0 1
J = (0 1) n-p = 1 |𝐻𝐶 | = |0 −2 1 | = 2 , (−1)2 ∗ 2 = 2 > 0 Donc le point C est un
1 1 −2
maximum
