Module : Optimisation Année 2018-2019
Responsable : I.DIDI Durée 1h30
Date : 02/07/2019
Épreuve nale
Exercice 1 [7 pts] 1 En optimisation unidimensionnelle, la méthode d'interpolation quadratique
consiste à approximer l'expression de la fonction objectif f (x) par un polynôme du second degré
p(x) = a0 + a1 x + a2 x2
où a0 , a1 et a2 sont constantes. Soit
p(xi ) = a0 + a1 xi + a2 x2i = f (xi ) = fi
pour i = 1, 2, 3 avec [x1 , x3 ] est l'intervalle qui contient le minimiseur x? de f (x). Supposons
que les valeurs fi sont connues, donner les expressions des constantes a1 et a2 puis l'expression
du minimiseur x? .
Application. Trouver l'estimé du minimum de la fonction f (x) = ex − x3 au points x1 = −1,
x2 = −0.5 et x3 = 0 puis tracer la fonction ainsi que son minimum.
Exercice 2 [4 pts] Soit f , la fonction dénie sur R2 par
f (x, y) = |1 + eix + eiy |2
où |Z| désigne le module du nombre complexe Z .
1. Montrer que (0, π) est un point critique de f .
2. Calculer le hessien de f et préciser la nature de ce point (min/max local ou point selle).
Exercice 3 [8 pts] 2 Dérouler l'algorithme du gradient à pas optimal et l'algorithme du gradient
à pas xe (sans hessien) avec α = 0.2 sur trois itérations pour le problème suivant :
1 9
min f (x, y) = x2 + y 2
2 2
à partir du point x0 = [10 1]T .
Bon courage
1. Test
2. 1 point est donné pour la propreté de la copie.