UNIVERSITÉ VIRTUELLE DE CÔTE D’IVOIRE
[Link]
UFR Informatique et Sciences du Numérique
UE : Optimisation `
Syllabus Master
Semestre 1
Spécialité : CIO-BC-BDA
– Attribution - Pas d’Utilisation Commerciale - Pas de Modification CC BY-NC-ND
Université Virtuelle de Côte d’Ivoire - Mon université avec moi, partout et à tout moment.
1
PRÉSENTATION DU COURS
1. Description du cours
● Code et Titre de l’UE : OPT 2101 Optimisation
● Auteur : Dr KOUAME Euloge Francois
● Mail : [Link]@[Link]
● Téléphone: + 225 0171040478
● Démarche pédagogique : Formation par projet
● Nombre de crédits équivalent dans la formation initiale : 3 ECTS
● Durée d’activité Enseignant : 36h
● Temps personnel de l’Etudiant : 39h
● Principal public cible : Étudiants en 1ère année de Master ; Tout autre particulier intéressé par
le sujet
Contexte et motivation du cours
L’optimisation de fonctions de plusieurs variables apparait fréquemment dans la modélisation dans
plusieurs domaines notamment économique (maximiser le bénéfice, la satisfaction des clients, la
productivité ou minimiser les coûts, le risque, etc.)., informatique (optimisation de réseaux de
transmission, de serveurs etc..).
Mathématiquement, l’optimisation se traduit par la recherche des points du domaine en lesquels la
fonction étudiée prend une valeur maximale ou minimale.
Ce cours est une présentation des différents types de problèmes d’optimisation, des critères d’optimalité
et une initiation aux méthodes et algorithmes de leur résolution. Il est indispensable à tout apprenant qui
sera amené à utiliser ou développer un algorithme d’apprentissage machine (Machine Learning).
Prérequis
Cours suppose acquises les notions d’Analyse réelle et d’algèbre linéaire de niveau premier cycle
universitaire
Objectif général du cours
Ce cours vise à donner aux apprenants les outils leur permettant de formuler un problème d’optimisation,
d’analyser ses conditions d’optimalité et de le résoudre à l’aide des méthodes et d’algorithmes appropriés.
Objectifs spécifiques
De façon spécifique, ce cours vise à :
- Maitriser les conditions d’optimalité un problème d’optimisation ;
- Résoudre un problème d’optimisation ;
- Implémenter la solution d’un problème d’optimisation par des algorithmes
Compétences opérationnelles visées
Les compétences opérationnelles suivantes sont attendues des participants après la formation.
– Attribution - Pas d’Utilisation Commerciale - Pas de Modification CC BY-NC-ND
Université Virtuelle de Côte d’Ivoire - Mon université avec moi, partout et à tout moment.
2
- Formuler un problème sous la forme d'un modèle d'optimisation ;
- Analyser un modèle d'optimisation, en particulier déterminer s'il est convexe ;
- Caractériser les solutions optimales d'un problème d'optimisation ;
- Résoudre des problèmes d'optimisation de fonctions différentiables sans contrainte.
- Résoudre des problèmes d'optimisation sous contraintes d'égalités en utilisant la méthode des
multiplicateurs de Lagrange.
- Résoudre des problèmes d'optimisation sous contraintes d’inégalités, les conditions de Kuhn et
Tucker.
- Implémenter un algorithme de résolution d'un problème d'optimisation
Modèle pédagogique
La formation se déroule en mode 100% distanciel et sera organisée en trois phases :
Phase 1- brainstorming et prise de contact : les apprenants et l’enseignant se rencontrent en ligne
pour échanger sur leurs attentes. Si possible, un formulaire de collecte des besoins particuliers peut être
mis à leur disposition. L’idée est de s’assurer que les apprenants aient tous les prérequis exigés et que
ceux qui ne les aient pas soient suffisamment motivés et engagés pour suivre de bout en bout la
formation.
Chaque apprenant aura un temps de parole pour présenter son domaine d’expertise en plénière devant
l’enseignant et les autres apprenants pour avis et amélioration le cas échéant. Cette activité durera 1
séance (en fonction du nombre d’apprenant).
Phase 2 – Formation : c’est la formation proprement dite. Les apprenants auront accès aux ressources
sur la plateforme. Ils réaliseront des travaux dirigés/pratiques en lien avec leur projet en se basant sur
des cours e-learning, des lectures et des vidéos qui seront mis à leur disposition par l’enseignant. Les
étudiants devront faire les recherches concernant les points à étudier dans les activités synchrones avant
le début de chaque séance interactive. Certaines des séances sont également notées. Les travaux sont
réalisés soit individuellement soit collectivement et seront évalués par objectif et de façon hebdomadaire.
L’assiduité des apprenants est exigée durant cette phase.
Un devoir est prévu à mi-parcours et à la fin du module.
Ces devoirs se font sous la forme de projet à rendre par les étudiants. A cet effet, la participation aux
forums et aux activités collaboratives est notée et constitue 5 % de la note finale.
Phase 3 – évaluation : c’est la phase des devoirs et examens session 1 et session 2
LE CONTENU DU COURS
Ce cours est structuré en 6 leçons :
Leçon I : Calcul différentiel et dérivée partielle
Leçon II : Analyse convexe et extremum
Leçon III : Optimisation sans contrainte
Leçon IV : Algorithme d’optimisation sans contraintes
Leçon V : Optimisation avec contrainte
– Attribution - Pas d’Utilisation Commerciale - Pas de Modification CC BY-NC-ND
Université Virtuelle de Côte d’Ivoire - Mon université avec moi, partout et à tout moment.
3
Leçon VI : Algorithme d’optimisation avec contraintes
1. Encadrement
L'encadrement est fait par l’enseignant. Pour la mise en œuvre de chaque leçon, nous aurons à utiliser :
● les plateformes du forum pour les séances asynchrones,
● les salles de visioconférences pour les séances synchrones
Des sessions d’interaction par webinaire seront organisées pour chaque leçon. La participation aux
forums sur la plateforme et aux sessions interactive est obligatoire.
2. Renseignements technologiques
Ce cours nécessite :
- un équipement informatique (Ordinateur) ;
- une connexion internet ;
- l’un des systèmes d’exploitation suivants : Linux, Windows, Mac OS, Android ;
- l’un des navigateurs suivants : Mozilla, Google Chrome ;
- pour les calculs, les apprenants pourront utiliser le logiciel de leur choix : SCILAB, MATLAB,
MATHEMATICA, Python, R etc.
3. Plan du cours
SEANCE DE PRESENTATION DU CONTENU DE LA FORMATION ET PRISE DE CONTACT
Objectif : prise de contact + présentation du contenu de la formation
Résultat attendu : évaluation des prérequis et de la bonne compréhension des attentes des apprenants et du
formateur
Durée : 1 heure
Leçon 1 : Calcul différentiel et dérivée partielle
A la fin de cette leçon, les apprenants seront capables de :
• Comprendre les notions liées au calcul différentiel
• Déterminer les dérivées partielles de fonctions de plusieurs variables
• Déterminer les matrices Hessiennes et leurs propriétés
• Déterminer les matrices Jacobiennes et leurs propriétés
Notions enseignées : Différentielles, gradient, dérivées partielles, matrice Hessienne, Matrice
Jacobienne.
Activités d’enseignements : Support de cours et vidéo récapitulative du cours
Activités d’Apprentissage :
Exercices d’auto-évaluation: Exercices à trous, QCM, QCU ou mise en situation et vidéo de remédiation
TD : Calcul de dérivées partielles et de matrices Jacobiennes
Durée : 6h00
– Attribution - Pas d’Utilisation Commerciale - Pas de Modification CC BY-NC-ND
Université Virtuelle de Côte d’Ivoire - Mon université avec moi, partout et à tout moment.
4
Leçon 2 : Analyse convexe et extremum
A la fin de cette leçon, les apprenants seront capables de :
● Comprendre les bases de l’analyse convexe
● Caractériser les fonctions convexes
● Caractériser les ensembles convexes
● Déterminer les points extremum d’une fonction de plusieurs variables
Notions enseignées : ensembles convexes, fonctions convexes, points extremums.
Activités d’enseignements : Support de cours et vidéo récapitulative du cours
Activités d’Apprentissage :
Exercices d’auto-évaluation: Exercices à trous, QCM, QCU ou mise en situation et vidéo de remédiation
TD : Determination d’extremums.
Durée : 6h
Leçon 3 : Optimisation sans contrainte
A la fin de cette leçon, les apprenants seront capables de :
● Modéliser un problème d’optimisation sans contrainte
● Déterminer les conditions d’existence d’une solution
● Déterminer la solution d’un problème d’optimisation sans contrainte
Notions enseignées: Optimisation sans contrainte, conditions d’optimalité, caractérisation des points
stationnaires
Activités d’enseignements : Support de cours et vidéo récapitulative du cours
Activités d’Apprentissage :
Exercices d’auto-évaluation: Exercices à trous, QCM, QCU ou mise en situation et vidéo de remédiation
TD : caractérisation des points stationnaires
Durée : 6h00
Leçon 4 : Algorithme d’optimisation sans contraintes
A la fin de cette leçon, les apprenants seront capables de :
• Comprendre les méthodes de premier ordre de résolution du problème optimisation sans
contrainte
• Comprendre les méthodes de deuxième ordre de résolution du problème optimisation sans
contrainte
• Mettre en œuvre un algorithme d’optimisation sans contrainte
– Attribution - Pas d’Utilisation Commerciale - Pas de Modification CC BY-NC-ND
Université Virtuelle de Côte d’Ivoire - Mon université avec moi, partout et à tout moment.
5
Notions enseignées: Méthodes du gradient, Méthodes de Newton, Algorithme a pas constant,
Algorithme a pas optimisation
Activités d’enseignements : Support de cours et vidéo récapitulative du cours
Activités d’Apprentissage :
Exercices d’auto-évaluation:Exercices à trous, QCM, QCU ou mise en situation et vidéo de remédiation
TD : algorithmes de résolution
Durée : 6h00
Leçon 5 : Optimisation avec contrainte
A la fin de cette leçon, les apprenants seront capables de :
● Modéliser un problème d’optimisation avec contrainte
● Résoudre un problème optimisation sous contraintes d'égalité
● Résoudre un problème optimisation sous contraintes d'inégalité
Notions enseignées: multiplicateurs de Lagrange, les principes de pénalisation, théorème ou
conditions de Kuhn et Tucker.
Activités d’enseignements : Support de cours et vidéo récapitulative du cours
Activités d’Apprentissage :
Exercices d’auto-évaluation:Exercices à trous, QCM, QCU ou mise en situation et vidéo de remédiation
TP : resolution de probleme d’optimisation sous contrainte
Durée : 8h00
Leçon 6 : Algorithme d’optimisation avec contraintes
A la fin de cette leçon, les apprenants seront capables de :
● Comprendre les méthodes de résolution du problème optimisation avec contraintes d’égalités
● Comprendre les méthodes de deuxième ordre de résolution du problème optimisation avec
contraintes d’inégalités
● Mettre en œuvre un algorithme d’optimisation avec contrainte
Notions enseignées: Gradient avec projection, methode de dualite, algorithme d’Uzawa
d’enseignements : Support de cours et vidéo récapitulative du cours
Activités d’Apprentissage :
Exercices d’auto-évaluation:Exercices à trous, QCM, QCU ou mise en situation et vidéo de remédiation
TP : algorithme de résolution
Durée : 4h00
4. Activité à réaliser :
Par l’apprenant :
1- Se présenter dans le forum en indiquant : nom, prénom, motivations pour suivre la formation
2- Il devra préciser ses attentes à la fin du cours au regard des compétences opérationnelles
énumérées.
3- Prendre connaissance des consignes d’apprentissage et les respecter ;
4- Prendre connaissance du syllabus
– Attribution - Pas d’Utilisation Commerciale - Pas de Modification CC BY-NC-ND
Université Virtuelle de Côte d’Ivoire - Mon université avec moi, partout et à tout moment.
6
5- Télécharger obligatoirement et consulter les contenus sur la plateforme ;
6- Déposer obligatoirement les devoirs de maison et examen dans les délais (une évaluation non
faite se verra attribuer la note de 00/20) ;
7- Participer activement au forum dédié à la leçon pour poser des questions sur la leçon ou
réponse aux questions posées par vos pairs sur des questions spécifiques ;
8- Participer aux activités de visioconférence pour poser des questions ou échanger avec
l’enseignant sur des questions spécifiques
9- Répondre aux exercices d’autoévaluation dans le module ;
10- Réaliser l’exercice de réflexion ;
11- S’impliquer dans les travaux ;
12- Faire des recherches avec les mots clés des objectifs avant chaque leçon ;
13- Consulter la relecture de chaque devoir de maison disponible après la fermeture.
Par l’enseignant :
1. Il présente les objectifs et l’intérêt du cours
2. Il est l’animateur du forum
3. Il initie des discussions sur le forum à travers des exercices
4. Il fait des exercices (QCU, QCM, Exercices à trous) d’application
5. Il programme les sessions de visioconférence
6. Il fait une analyse globale des réponses et attente des apprenants
7. Il présente et explique le contenu et le déroulement de la formation.
8. Il met à la disposition des apprenants un canevas de présentation des devoirs et de projets.
9. Il rappelle les dates de devoirs et d’examen
10. Il créé les devoirs et les examens pour évaluer les compétences des apprenants.
11. Il fait le rapport des activités réalisés par les étudiants
PROGRAMME D'EXÉCUTION DU COURS
Tous les enseignements et activités de ce cours seront programmés conformément au calendrier
pédagogique.
EVALUATION FORMATIVE
L'évaluation repose sur des devoirs et sur des travaux pratiques (projets) et les examens.
Les devoirs sont programmés par l’enseignant selon l’état d’avancement du cours.
Les examens sont programmés par l’enseignant à la fin du cours concernant la première session. La
seconde session est programmée par la pédagogie conformément au calendrier pédagogique.
MODALITÉS D’ADMISSION
Selon le scénario considéré, seront déclarés admis tous les étudiants ayant une moyenne
supérieure ou égale à 10/20.
– Attribution - Pas d’Utilisation Commerciale - Pas de Modification CC BY-NC-ND
Université Virtuelle de Côte d’Ivoire - Mon université avec moi, partout et à tout moment.
7
LES RESSOURCES WEBOGRAPHIQUES ET BIBLIOGRAPGIQUES
1. Optimisation et analyse convexe (exercices corrigés), Jean-Baptiste Hiriart-Urruty, 2009, EDP
sciences.
2. Optimisation appliquée, Yadolah Dodge, 2005, Springer.
3. Introduction à l’analyse numérique matricielle et a l’optimisation, Philippe G. Ciarlet.
4. Analyse numérique et optimisation, (chap. 9 et 10), Grégoire Allaire.
5. Calcul scientifique et symbolique, Alain Yger ,2015, Ellipses
6. Cours de Optimisation locale et globale de Rodolphe Le Riche, Stephane Mottelet et Eric Touboul
[Link]
NB : le cours contient des fichiers PDF, des liens vers des vidéos Youtube et des pages à consulter et à
exploiter.
– Attribution - Pas d’Utilisation Commerciale - Pas de Modification CC BY-NC-ND
Université Virtuelle de Côte d’Ivoire - Mon université avec moi, partout et à tout moment.
8
