Chapitre 3 : Optimisation avec contraintes

1. Introduction

Le problème d’optimisation avec contraintes consiste à chercher une solution admissible

x∈ minimisant une fonction objective f(x), soumise à des contraintes de type égalité ou
inégalité ou mixte. Le problème à résoudre s’écrit sous la forme :

Minimiser (f(x))

=0 = 1,2, … … ,
ℎ ≤0 = 1,2, … … ,
Soumise à : (3.1)

2. Optimisation avec contraintes de type égalité

Le problème d’optimisation avec contraintes de type égalité s’écrit sous la forme :

=0 = 1,2, … … ,
Minimiser (f(x))
Soumise à : (3.2)

On suppose que les fonctions sont continues et continûment dérivables.

Pour résoudre ce problème, on utilise la méthode d’Euler-Lagrange (multiplicateurs de
Lagrange). Cette approche consiste à transformer un problème avec contraintes en un
problème sans contraintes.

, = +∑
Premièrement, on forme la fonction de Lagrange(Lagrangien) :

, = + ! (3.3)

, doit être nul :

Deuxièment, en cherche les points critiques de la fonction Lagrangien.
Le gradient du Lagrangien
=0
)* #,$
( ( )#+
&∇# , = ⋮
& ')* #,$
&
% )#- = 0
∇ #,$ , =
' (
)* #,$
=0
(3.4)
& )$+
&∇$ , = ⋮
& ')* #,$
% % )$- = 0

Pour étudier la nature des points critiques trouvés, on utilise la condition de deuxième ordre

. / = 0/12#2 − ∇x
,
qui consiste à étudier le signe des racines du déterminant de la matrice Q(w) définie par :
5 ! 6 c.à.d |. / |=0
2

5 0
(3.5)

⋯
);+ # );+ #
: )#+ )#- @
Avec : 5 =9 ⋮ ⋮ ?
9);= # ?
⋯
);= #
(3.6)
8 )#+ )#- >
1
Chapitre 3 : Optimisation avec contraintes

Si la fonction admet plusieurs minimums (maximums) locaux, alors il est intéressant

d’évaluer la fonction pour chaque point, pour déterminer le minimum (maximum) global.

Exemple : minimiser la fonction f(x)= -x1x2

Soumise à : g(x)=2x1+2x2-8=0

Calcul du Lagrangien : , =-x1x2+ (2x1+2x2-8)

Calcul des points critiques :

=− +2 = 0
)* #,$
)#+ A (1)

=− +2 =0
)* #,$
)#B
(2)

=2 +2 − 8 = 0 (3)
)* #,$
)$ A

L’équation (1) implique que : A = 2

=2
(4)
L’équation (2) implique que : (5)

4 +4 −8=0⇒ =1
En remplaçant les équations (4) et (5) dans l’équation (3), on obtient :

Il y’a un seul point critique :

(x1,x2, )= (2,2,1)

H2 , H2 , H
Etude de la nature des points critiques :
: : @ : 1 @@
9 1 0 9 H A H 1H ? 9 H 1 ??
9/ F0 1G − 9H 2
2
, , ? 9H ??
. / = 0/12#2 − ∇x ,
2
5 ! H2 9 1 ??
6=9 9 ?
5 0 9 8 H 2H 1 H A
A
> 8 H 2 >?
9 H H 1 ?
9 0 1 6 0 ?
8 H 1 H 2 >

/ 1 2
. / = I1 / 2J
2 2 0

|. / | = 8 − 8/ = 0 ⇒ / = 1 > 0 ⇒ le point trouvé est un minimum global (puisque il n’ya qu’un

Le déterminant de la matrice Q(w) est :

seul point critique).

3. Optimisation avec contraintes de type inégalité

Le problème d’optimisation avec contraintes de type inégalité s’écrit sous la forme :

Soumise à : ℎ ≤0 = 1,2, … … ,
Minimiser (f(x))
(3.7)
Les contraintes d’inégalité sont de type inférieur ou égal (≤ . Si des contraintes de
type supérieur ou égal (≥ sont présentes, il suffit alors de les exprimer par leur
opposé pour se ramener au cas étudié.
2
Chapitre 3 : Optimisation avec contraintes

Pour résoudre ce problème, on utilise la méthode de c (KKT).

sont les MN , pour construire une fonction Lagrangienne.

Cette méthode utilise ce qu’on appelle paramètres de Karush-Kuhn-Tucker qui

,O = +∑ O ℎ
P
Le lagrangien s’écrit :

,O = + O! (3.8)

domaine admissible D défini par des relations de contraintes inégalités ℎ ≤ 0, il existe

D’après Karush-Kuhn-Tucker, si en un point x, f(x) admet un minimum local dans un

alors des paramètres MN ≥ Q telle que la fonction de Lagrange vérifiée les conditions
(∇# ,O = 0
&∇R ,O ≤ 0
'Oℎ =0
& ∇A
suivantes : (3.9)

% S ,O ≥ 0
Ces conditions sont dites conditions de Karush-Kuhn-Tucker (KKT)

Lorsque le sens des inégalités des contraintes change, le signe des O change alors.

Nous pouvons résumer les différentes conditions de Karush-Kuhn-Tucker (KKT) dans le

tableau suivant :

ℎ ≤0 ∇ , O = 0 ∇# ,O = 0
Contraintes Problème de minimisation Problème de maximisation
#
∇R ,O ≤ 0 ∇R ,O ≤ 0
Oℎ =0 Oℎ =0
∇AS ,O ≥ 0 ∇AS ,O ≤ 0
ℎ ≥0 ∇# ,O = 0 ∇# ,O = 0
∇R ,O ≤ 0 ∇R ,O ≤ 0
Oℎ =0 Oℎ =0
∇AS ,O ≤ 0 ∇AS ,O ≥ 0
Tableau 1 : Conditions de Karush-Kuhn-Tucker (KKT)

Exemple : minimiser la fonction f(x)= 4x12+5 x22

Soumise à : h(x)=x1-1≤ 0
Le Lagrangien s’écrit : , O = 4 A + 5 AA + O −1
Les conditions de Karush-Kuhn-Tucker s’écrivent :
=8 +O =0
)* #,R
)#+
(1)

= 10 =0
)* #,R
)#B A (2)

= −1≤0
)* #,R
)R
(3)
Oℎ =O −1 =0
O≥0
(4)
(5)

3
Chapitre 3 : Optimisation avec contraintes

A partir de l’équation (4) on a : O = 0 ou −1=0

Si O = 0 alors :

L’équation (1) donne : = 0 et l’équation (2) donne A = 0, on remarque que le point (0,0)
vérifiée toutes les conditions de KKT, alors (0,0) c’est minimum local.

Si = 1 alors :

L’équation (1) donne : O = −8 et l’équation (2) donne A = 0, cette solution est rejetée car
la condition (5) n’est pas vérifiée.

Alors le point (0,0) est la seule solution du problème, donc (0,0) c’est un minimum global.

4. Optimisation avec contraintes mixtes

Le problème d’optimisation avec contraintes mixtes s’écrit sous la forme :

=0 = 1,2, … … ,
Minimiser (f(x))

ℎ ≤0 = 1,2, … … ,
Soumise à : (3.10)

Dans le cas où il y’a simultanément des contraintes de type égalité et de type inégalité, alors
on introduit pour chaque contrainte un paramètre qui lui correspond.

Généralement, on appelle :

Paramètres de Karush-Kuhn-Tucker, les paramètres O relatifs aux contraintes

- Multiplicateurs de Lagrange, les paramètres relatifs aux contraintes égalité.
-
inégalité.

Pour résoudre ce problème, on déclare premièrement la fonction de Lagrange suivante

P

, O, = +U +UO ℎ

, O, = + ! + O! ℎ
En faisant le changement de variable suivant V = ,
(3.11)

V, O = W V + O ! ℎ
L’équation (3.11) peut être réécrite sous la forme :

Avec : W V = + !
(3.12)

Finalement, le problème revient à rechercher l’optimum de la fonction W V

≤ 0.
soumise à des
contraintes de type inégalitéℎ
Les conditions de Karush-Kuhn-Tucker s’écrivent :

4
Chapitre 3 : Optimisation avec contraintes

∇# V, O = 0
(∇X V, O =
& ∇$ V, O = 0
∇R V, O ≤ 0
' Oℎ =0
(3.13)
&
% O ≥0

+ A+ Y=1
Exemple : minimiser la fonction f(x)= x2+x3

+ AA + YA ≤ 1
soumise à : A
Le Lagrangien s’écrit : , O, =x2+x3+ + A + Y − 1 + O( A
+ A
A + A
Y − 1)

Les conditions de KKT s’écrivent :

= + 2O =0
)* X,R
)#+
(1)

= 1 + + 2O =0
)* X,R
)#B A (2)

= 1 + + 2O =0
)* X,R
)#Z Y (3)

= + + −1=0
)* X,R
)$ A Y (4)
= + + −1≤0
)* X,R A A A
)R A Y (5)
Oℎ
= O A + AA + YA − 1 = 0
O≥0
(6)

L’équation (6) donne : O = 0 ou + A + Y −1=0

(7)
A A A

1 ⇒ =0
Si O = 0 ⇒ [ 2 ⇒ = −1 il y’a contradiction, donc solution rejetée.
3 ⇒ = −1

( 1 ⇒ = − AR
$

&
+ AA + YA − 1 = 0 ⇒ 2 ⇒ =−
A $]
A
' AR
Si (8)
& 3 ⇒ =−
$]
% Y AR

+1 +1 1 3
En remplaçant l’équation (8) dans l’équation (4), on obtient :

− − − −1=− −− −1=0
2O 2O 2O O 2O

⇒ = −YO +1
A
R
(9)

= YR + Y
En remplaçant l’équation (9) dans l’équation (8), on va obtenir :
(
&
A = Y − ^R
'
&
(10)

% Y = Y − ^R
A A
A
+ A
A + A
Y − 1 = _YR + Y` + 2 _Y − ^R` − 1 = 0 (11)

5
Chapitre 3 : Optimisation avec contraintes

En faisant le changement de variable : a =

YR

1 A 1 1 A 2 1 2 2 1
On va réécrire l’équation (11) sous la forme :

ba + c + 2 b − ac − 1 = a A + a + + − a + a A − 1 = 0
3 3 2 3 9 9 3 2
4 2 1
⇒ aA = ⇒a=± ⇒O=±
9 3 2
La solution O = − A
est rejetée (car la condition (7) n’est pas vérifiée)
Si O = , on obtient : = 1 fg A = Y =0 = −1 cette solution est
A
et
admissible, car elle vérifiée toute les conditions de Karush-Kuhn-Tucker.
Et f(1,0,0)=0. Le minimum global.