L3 MIASHS

TD 3

O PTIMISATION SANS CONTRAINTES

E XISTENCE DE MINIMISEURS

Exercice 1 (Fonctions pas minorées). Pour les fonctions suivantes f i : U ⊆ R N → R

f1 (x) = x f 2 ( x ) = ln( x ) f 3 ( x ) = tg( x )
x
f 4 ( x, y) = f 5 ( x, y) = ln(| x |) cos(y) f 6 ( x1 , . . . , x N ) = x1 ∥ x ∥,
y
préciser leur domaine de définition U et montrer qu’elles ne sont pas minorées : infU f i ( x ) = −∞.

Correction: Pour chacune de ses fonctions, nous allons montrer qu’il existe une suite minimisante.

1) Le domaine de définition de f 1 est U1 = R. On prend xn = −n et on a

lim f 1 (−n) = lim −n = −∞.
n→∞ n→∞

2) Le domaine de définition de f 2 est U2 =]0, ∞[. On prend xn = 1

n et on a
1 1
lim f 2 ( ) = lim ln( ) = −∞.
n→∞ n n→∞ n
3) Le domaine de définition de f 3 est U3 = R \ 2 + 2kπ : k ∈ Z . Pour xn = − π2 + 1
π
n et on a
π 1
lim f 3 ( xn ) = lim tg(− + ) = −∞.
n→∞ n→∞ 2 n
4) Le domaine de définition de f 4 est U4 = R × R \ {0}. On prend ( xn , yn ) = (1, − n1 ) et on a
1
lim f 4 ( xn , yn ) = lim = lim −n = −∞.
n→∞ n→∞ − 1 n→∞
n

5) Le domaine de définition de f 5 est U5 = R \ {0} × R. On prend ( xn , yn ) = ( n1 , 0) et on a

1
lim f 5 ( xn , yn ) = lim ln( ) cos(0) = −∞.
n→∞ n→∞ n
6) Le domaine de définition de f 6 est U6 = R N . On prend xn = (−n, 0, . . . , 0) et on a
√
lim f 6 ( xn ) = lim −n n = −∞.
n→∞ n→∞

Exercice 2 (Fonctions minorées, pas de minimiseur). Pour f i : U ⊆ R N → R données par

sin( x ) 1
f1 (x) = ex f2 (x) = − f3 (x) =
x |x|
sin( x2 + y2 ) 1
f 4 ( x, y) = e x−y f 5 ( x, y) = −
2 2
f 6 ( x1 , . . . , x N ) = ,
x +y ∥x∥
préciser leur domaine de définition U, montrer qu’elles sont minorées sur U, mais
argminU f i ( x ) = ∅.
Correction: Pour chacune de ses fonctions, nous allons trouver une borne, et montrer qu’il existe
une suite minimisante, mais la borne inférieure ne serra jamais atteinte.

1) Le domaine de définition de f 1 est U1 = R. On a

f1 (x) = ex ě 0 ∀ x ∈ R.
De plus il existe une suite xn = −n pour n ≥ 0 telle que
lim f 1 ( xn ) = lim e−n = 0.
n→∞ n→∞
Ainsi
inf f 1 = 0 et argminR f 1 = ∅.
R
2) Le domaine de définition de f 2 est U2 = R \ {0}. On a
sin x
f2 (x) = − ě −1 ∀ x ∈ U2 .
x
1
De plus il existe une suite xn = n pour n ≥ 0 telle que
sin( n1 )
lim f 2 ( xn ) = − lim 1
= −1.
n→∞ n→∞
n
Ainsi
inf f 2 = −1 et argminU2 f 2 = ∅.
U2
3) Le domaine de définition de f 3 est U3 = R \ {0}. De plus,
1
f3 (x) = ě0 ∀ x ∈ U3 ,
|x|
et il existe xn = n telle que
1
lim f 3 ( xn ) = lim = 0.
n→∞ n→∞ n
Ainsi
inf f 3 = 0 et argminU3 f 3 = ∅.
U3
4) Le domaine de définition de f 4 est U4 = R2 . On a
f 1 ( x ) = e x −y ě 0 ∀( x, y) ∈ R2 .
De plus il existe une suite ( xn , yn ) = (0, n) pour n ≥ 0 telle que
lim f 4 ( xn , yn ) = lim e−n = 0.
n→∞ n→∞
Ainsi
inf f 4 = 0 et argminR f 4 = ∅.
R2
5) Le domaine de définition de f 5 est U5 = R2 \ {(0, 0)}. On a
sin( x2 + y2 )
f 5 ( x, y) = − ě −1 ∀( x, y) ∈ U5 .
x 2 + y2
De plus il existe une suite ( xn , yn ) = ( n1 , 0) pour n ≥ 0 telle que
sin( n12 )
lim f 5 ( xn , yn ) = − lim 1
= −1.
n→∞ n→∞
n2
Ainsi
inf f 5 = −1 et argminU5 f 5 = ∅.
U5
6) Le domaine de définition de f 6 est U6 = R N \ {0}. On a
1
f6 (x) = ě0 ∀ x ∈ U6 .
∥x∥
De plus il existe une suite xn = (n, 0, . . . , 9) pour n ≥ 0 telle que
1
lim f 6 ( xn ) = lim = 0.
n→∞ n→∞ n
Ainsi
inf f 6 = 0 et argminU6 f 6 = ∅.
U6

Exercice 3 (Fonctions minorées, avec minimiseur(s)). Pour les fonctions suivantes f i : R N → R

f 1 ( x ) = x2 f 2 ( x ) = ( x − 1)2 ( x + 2)2 f 3 ( x ) = cos( x ) sin( x )

f 4 ( x, y) = x2 f 5 ( x, y) = ( x − 1)2 (y + 2)2 f 6 ( x, y) = e x (sin(y) + 1).

montrer qu’elles sont minorées sur R N , et trouver à l’aide des definitions uniquement,

inf f i et argminRN f i .
RN

Correction: Pour chacune de ses fonctions, nous allons trouver une borne, ainsi que les points ou
cette borne est atteinte.
1) Il est evident que f 1 ( x ) = x2 ě 0 pour tout x ∈ R avec égalité ssi x = 0. On a donc

inf f 1 = 0 et argminR f 1 = {0}.

R

2) Il est evident que f 4 ( x, y) = x2 ě 0 pour tout ( x, y) ∈ R2 avec egalité ssi x = 0. On a donc

inf f 4 = 0 et argminR2 f 4 = {(0, y) : y ∈ R} = {0} × R.

R2

3) Il est evident que f 2 ( x ) = ( x − 1)2 ( x + 2)2 ě 0 pour tout x ∈ R avec égalité ssi x ∈ {−2, 1}. On
a donc
inf f 2 = 0 et argminR f 2 = {−2, 1}.
R

4) Il est evident que f 5 ( x, y) = ( x − 1)2 (y + 2)2 ě 0 pour tout x ∈ R avec égalité ssi x = 1 ou
y = −2. On a donc
inf f 5 = 0
R2
et
argminR2 f 5 = {(1, y) : y ∈ R} ∪ {( x, −2) : x ∈ R} = {1} × R ∪ R × {−2}.
5) On observe que f 3 ( x ) = cos( x ) sin( x ) ≥ −1 pour tout x ∈ R. Afin de trouver la borne
inférieure, ainsi que les points de min, nous allons s’appuyer sur la formule trigonométrique
de double angle, i.e. réécrire la fonction comme
1 1
f (x) = sin(2x ) ≥ − ∀ x ∈ R,
2 2
avec égalité ssi x = −π/6 + 2kπ avec k ∈ Z. Ainsi
1 π
inf f 3 = − et argminR f 5 = + 2πZ.
R 2 6
6) On observe que
∀( x, y) ∈ R2
f 6 ( x, y) = e x (sin(y) + 1) ě 0
avec égalité ssi sin(y) = −1, donc y = −π + 2kπ avec k ∈ Z. On a donc
inf f 6 = 0 et argminR2 f 6 = R × (−π + 2πZ) .
R2

Exercice 4 (Existence des minimiseurs - compacité). Justifier si les fonctions suivantes f i : U ⊂

R N → R admettent des minimiseurs sur l’ensemble K ⊂ U donné, et préciser
inf f i et argminK f i .
K
1) f 1 ( x, y) = e x sin y et K = [ a, b] × R

xy si x > 0
2) f 2 ( x, y) = et K = R2 .
(1 − x )y si x ≤ 0.
n o
3) f ( x ) = ⟨ Ax, x ⟩ avec A ∈ M N (R) et K = x ∈ R N : ∑iN=1 ci xi2 ≤ 1 où ci > 0.

Correction: Nous allons appliquer le resultat suivant : Si f est une fonction continue sur un compact
K, alors elle est borné et atteint ses bornes (infK f et supK f ).
1) La fonction f 1 ( x, y) = e x sin y est continue sur R2 . L’ensemble K n’est pas compact, mais la
fonction f 1 étant périodique par rapport à la varible y, il suffit de regarder les valeurs de f sur
une cellule de périodicité : K̃ = [ a, b] × [0, 2π ]. Nous avons ainsi K̃ un compact et donc il existe
inf f = inf f .
K̃ K

Comme sin y ≥ −1 pour tout y ∈ [0, 2π ] et e a ≤ e x ≤ eb pour tout x ∈ [ a, b], on a

f 1 ( x, y) = e x sin y ≥ −eb ∀( x, y) ∈ K̃.
Au view de signe et de la monotonie de e x et sin y sur on aura
argminK̃ f 1 = {(b, 2π )}
d’ou on déduit que
argminK f 1 = {b} × (π + 2πZ) .
2) La fonction f 2 est discontinue au points (0, y0 ) pour y0 ∈ R∗ , car
lim f ( x, y0 ) = lim xy0 = 0
x →0,x >0 x →0,x >0
et
lim f ( x, y0 ) = lim (1 − x )y0 = y0 ̸= 0.
x →0,x <0 x →0,x >0
De plus K = R2 n’est pas un compact. On observe, par ailleurs,
inf f 2 = −∞.
R2

3) La fonction f : R N → R donné par

f ( x ) = ⟨ Ax, x ⟩
est continue, car nous avons la majoration
| f ( x ) − f ( x0 )| = ⟨ Ax, x ⟩ − ⟨ Ax0 , x0 ⟩
= ⟨ A( x − x0 ), x ⟩ + ⟨ Ax0 , ( x − x0 )⟩
=  A∥ x − x0 ∥ (∥ x ∥ + ∥ x0 ∥) .
donc f ( x ) → f ( x0 ) quand x → x0 .
 On etablie dans la suite que l’ensemble K est un compact, en montrant qu’il est fermé +
borné. En effet, il est un ensemble fermé car c’est l’image inverse d’un borné de R par une
fonction continue g( x ) = ∑iN=1 ci xi2 :
n o
K = x ∈ R N : 0 ≤ g( x ) ≤ 1 = g−1 ([0, 1]).

Pour voir qu’il est aussi fermé, on doit vérifier qu’il existe R > 0 tel que K ⊂ BR (0). En effet, si
x ∈ K, alors pour tout i = 1, . . . , N on a
N
1
ci xi2 ≤ ∑ ci xi2 ≤ 1 ⇒ xi2 ≤
ci
,
i =1

donc
v s
uN
1
∥ x ∥ = t ∑ xi2 ≤ ∑
u
=: R.
i =1
c
i = 1n i

Exercice 5 (Existence des minimiseurs - coercivité). Justifier si les fonctions suivantes f i : U ⊂

R N → R admettent des minimiseurs sur un ensemble K ⊂ U donné, et preciser

inf f i et argminK f i .
K
i π πh
1) f 1 ( x, y) = tan(| x |)y2 et K = − , × R.
2 2
2) f ( x ) = ⟨ Ax, x ⟩ avec A ∈ M N (R), A ≻ 0, et K = x ∈ R N : xi ě ci où ci ∈ R.


Correction:
1) Soit f 1 ( x, y) = tan(| x |)y2 . Cette fonction est définie et continue surl’ensemble ouvert K (Re-
marque : elle n’est pas différentiable sur l’axe x = 0). Elle n’est pas coercive, car constante égale
à zéro sur l’axe x = 0. Cependant, on voit que

f 1 ě 0.

Donc f 1 est minorée par 0. De plus

f 1 ( x, y) = 0 ⇐⇒ y = 0 ou x = 0.

Donc le min de f 1 est 0, et l’argmin est

{( x, y) ∈ K : x = 0 ou y = 0}.

2) On a f 2 ( x ) =< Ax, x >. On suppose que A est symétrique (pourquoi est-ce toujours possible ?).
Si A est définie positive, alors elle est coercive et strictement convexe. Elle est aussi continue.
Donc f 2 admet un au moins un minimiseur sur l’ensemble K car il est fermé.

L’ensemble K est convexe, donc le minimiseur de f 2 est unique. L’argmin contient donc un
unique élément.

Pour identifier l’argmin, on pourra utiliser le Théorème de Karush-Kuhn-Tucker que l’on

verra dans l’optimisation avec contraintes.
 C ONDITIONS D ’ OPTIMALIT É

Exercice 6 (Conditions d’optimalité et extremas). À partir de la carte des courbes de niveau de la

figure ci-desous, localiser les points critiques de f : R2 → R et préciser pour chacun de ces points
s’il s’agit d’un point-selle ou d’un maximum ou d’un minimum local.

Vérifier ensuite le raisonnement sachant que

f ( x, y) = 3x − x3 − 2y2 + y4 .

Correction: Les points de minimum/maximum sont entourés de lignes de niveau concentriques,

qui ont de niveaux descendents/ascendents vers ”le centre”. Quand aux points selles, eux se
present sur les ”intersection en croix”, car nous avons d’un coté (exterieur) des lignes de niveaux
ascendantes/descendants et de l’autre coté (interieur) des lignes de niveaux descendants/ascen-
dants. Ainsi, on distingue :

points de min : (−1, 1), (−1, −1)

points de max : (1, 0)
points selle : (−1, 0), (−1, 1), (1, 1).
On vérifie maintenant que les résultats retrouves en regardant la carte de lignes de niveaux corres-
pondent bien aux valeurs trouvées analytiquement. En effet, cette carte correspond à la fonction

f ( x, y) = 3x − x3 − 2y2 + y4 .

Les points critiques de f vérifient

∂f
( x, y) = 3 − 3x2 = 0
∂x
∂f
( x, y) = −4y + 4y3 = 0.
∂y
Donc x = ±1 et y = 0 ou y = ±1. Ainsi, l’ensemble de points critiques est

S = {(1, 0); (1, 1); (1, −1); (−1, 0); (−1, 1); (−1, −1)}.
Pour déterminer la nature des points critiques, on regarde la matrice hessienne de f :
   
f xx ( x, y) f xy ( x, y) −6x 0
H f ( x, y) = = .
f xy ( x, y) f yy ( x, y) 0 −4 + 12y2
On évalue maintenant la hessienne dans chacun des points critiques afin de déduire leur nature.
 
−6 0
H f (1, 0) = ⇒ (1, 0) point de max.
0 −4
 
−6 0
H f (1, ±1) = ⇒ (1, ±1) points selle.
0 8
 
6 0
H f (−1, 0) = ⇒ (−1, 0) point selle.
0 −4
 
6 0
H f (−1, ±1) = ⇒ (−1, ±1) points de min.
0 8

Exercice 7 (Conditions d’optimalité et extremas). Soit f : R2 → R définie par

f ( x, y) = x2 + y2 cos x.
1) Trouver les points critiques de f sur R2 à l’aide de son gradient ∇ f ( x ).
2) Classifier les points critiques de f à l’aide de la matrice Hessienne H f ( x ).
3) Que peut-on dire sur infR2 f ?

Correction:
Soit
f ( x, y) = x2 + y2 cos( x ).
1) On a
2x − y2 sin( x )
 
∇ f ( x, y) = .
2y cos( x )
Les points critiques sont les points d’annulation du gradient, autrement dit, ce sont les points
qui vérifiient
2x − y2 sin( x ) = 0


2y cos( x ) = 0.
LA second équation impose soit que y = 0, auquel cas la première équation impose que x = 0,
donc (0, 0) est point critique, soit que cos( x ) = 0.
Dans ce second cas, on a donc
π
x = + kπ, k ∈ Z.
2
Observons que
π
sin( + kπ ) = (−1)k .
2
Donc la première équation impose que
y2 = (−1)k (π + 2kπ ).
Donc, pour trouver un tel y, il faut que le terme de gauche soit positif. c’est possible dans deux
cas : ou bien k ě 0 et k pair, ou bien k ď 0 et k impair. Ainsi, on trouve au final que les points
critiques sont
π √ π
q
{(0, 0)} ∪ {( + kπ, ± π + 2kπ, k positif et pair} ∪ {( + kπ, ± |π + 2kπ |, k négatif et impair}.
2 2
2) On calcule la Hessienne
2 − y2 cos( x ) −2y sin( x )
 
H f ( x, y) = .
−2y2 sin( x ) 2 cos( x )
En (0, 0), la Hessienne vaut
 
2 0
H f (0, 0) = .
−0 2
Les valeurs propres sont 2 et 2, la matrice est donc définie positive, et (0, 0) est donc un mini-
mum local.

En évaluant la Hessienne sur les autres points critiques, on a

 
2 −2y sin( x )
H f ( x, y) = .
−2y2 sin( x ) 0
Le determinant est négatif strictement, donc on a des points selles.
3) Montrons que f n’est pas minorée. Pour ce faire, observons que
f (π, n) = π 2 − n2 −→ −∞.
n→+∞

Exercice 8 (Fonction quadratique et minimiseurs). Soit f : R N → R donné par

f ( x ) = ⟨ Ax, x ⟩,
où A est une matrice symétrique. Montrer que f admet un minimiseur en 0 si et seulement si
A ⪰ 0. Est-ce que dans ce cas le minimiseur est unique ?

Correction: Par définition, f admet un minimiseur en x = 0 ssi

f (0) ≤ f ( x ) ∀x ∈ RN ,
ce qui est équivalent à
0 ≤ ⟨ Ax, x ⟩ ∀x ∈ RN ,
qui est précisément la définition d’une matrice positive. Donc cela équivaut A ⪰ 0.

Le minimiseur est unique que si A ≻ 0. En effet, la matrice est diagonalisable A = P−1 DP et si

elle admet une valeur propre nule, soit λ1 , alors le vecteur u qui vérifie Pu = ( a, 0, . . . , 0) est aussi
un minimiseur de f , quelque soit a ∈ R∗ :
f ( a, 0, . . . , 0) = ⟨ Au, u⟩ = ⟨ P−1 DPu, u⟩ = ⟨ DPu, Pu⟩ = λ1 a2 = 0.

Exercice 9 (Fonction quadratique et minimiseurs). Soit f : R N → R donné par

1
f (x) = ⟨ Ax, x ⟩ − ⟨b, x ⟩ + c,
2
où A est une matrice symétrique positive, b ∈ R N est tel que b ∈ Im( A) et c ∈ R.
1) Montrer que l’ensemble des points critiques et un espace affine de dimension N − rang( A).
2) Soient 0 < λ1 ≤ . . . ≤ λ M les valeurs propres nonnules de A. Verifier que
∀ x ∈ ker( A⊥ ) ⟨ Ax, x ⟩ ě λ1 ∥ x ∥2 .
3) Déduire que f admet un minimiseur sur K = ker( A⊥ ).
4) Montrer que f est coercive si et seulement si A ≻ 0. Conclure que dans ce cas, A admet un
unique minimiseur sur R N .

Correction:
1) La fonction f est C ∞ . Ses points critiques sont les points d’annulation du gradient qui est ici
∇ f ( x ) = Ax − b.
Donc, ∇ f ( x ) = 0 ⇐⇒ Ax = b. L’ensemble des points x qui vérifient cela est bien un espace
affine de dimension égale au kernel, soit N − rang( A).
2) Soit x ∈ ker( A⊥ ). Les vecteur propres e1 , . . . , e M associés aux valeurs propres λ1 , . . . , λ M forment
une base de ker( A⊥ ). Donc il existe a1 , . . . , am tels que
x = a 1 e1 + . . . + a m e m ,
et donc
M M
⟨ Ax, x ⟩ = ∑ a i λ i ě λ1 ∑ a i = λ1 ∥ x ∥2 .
i =1 i =1
3) La quesiton précédente implique que f est coercive sur ker( A⊥ ) : pour tout x dans cet ensmble,
on a bien
f ( x ) ě λ1 ∥ x ∥2 − ∥b∥∥ x ∥ − c,
et il est clair que λ1 ∥ x ∥2 − ∥b∥∥ x ∥ − c tends vers +∞ quand ∥ x ∥ tends vers +∞.

L’ensemble K est fermé, car espace vectoriel de diemnsion finie, donc puisque f est continue
est coercive, elle admet au moins un minimiseur sur K.
4) Si A ≻ 0, alors K = R N , et rang( A) = N, et les questions qui précédent permettent de conclure.
Réciproquement, on peut faire par l’absurde : si f ̸≻ 0, alors il existe au moins un vecteur propre
associé à une valeur propre nulle, soit a un tel vecteur. Soit z tel que Az = b. Alors
f (z + le) = f (z), pour tout l ∈ R,
ce qui nie la coercivité quand l tends vers l’infini.

Exercice 10 (Moindre carré). Soit A ∈ M M,N (R), y ∈ R M et f : R N → R la fonction moindre

carré
f ( x ) = ∥ Ax − b∥2 .
1) Montrer que f admet un minimiseur sur R N .
2) Montrer que f est coercive si et seulement si A est injective. Déduire que dans ce cas le mini-
miseur est unique.