Introduction à Optimisation
Objectifs
- Acquérir les bases de l'optimisation : variables de décision, fonction objectif, minimisation de problèmes non linéaires, problèmes de moindres carrés, minimisation sous contrainte
- Connaître et pratiquer les techniques d’optimisation numérique : méthodes itératives de gradients ; cas des problèmes de moindres carrés ; autres méthodes numériques telles que le recuit simulé (« simulated annealing »); problèmes de réseaux/graphes
Description
1. Minimisation libre et sous contrainte, multiplicateurs de Lagrange, convexité
2. Application 1 : Régression non linéaire, calage de modèles,
3. Application 2 : Méthode de Newton pour la recherche des points d'équilibre
4. Optimisation fonctionnelle
5. Application : surfaces minimales
Compétences visées
- être capable de poser un problème d'optimisation avec ou sans contrainte
- être capable d'utiliser des solveurs (Matlab, Python...) pour résoudre des problèmes de minimisation, type régression linéaire/non linéaire, méthode de Newton...
- être capable d'appliquer la minimisation fonctionnelle et les équations d'Euler-Lagrange pour des systèmes simples
Bibliographie
- Engineering Optimization (Theory and Practice) - Auteur : RAO S.S
- Operations Research, 2nd edition - Auteur : TAHA H.A - Editeur : Collier-McMilan
- Linear and Nonlinear Programming - Auteur : LUENBERGER D.G
Session 1 ou session unique - Contrôle des connaissances
Modalité | Nature | Coefficient | Remarques |
---|---|---|---|
CC (contrôle continu) | Oral/Ecrit | 100% | Rapport Introduction à l'optimisation |
Session 2 - Contrôle des connaissances
Modalité | Nature | Coefficient | Remarques |
---|---|---|---|
CC (contrôle continu) | Oral/Ecrit | 100% | Rapport Introduction à l'optimisation |
Contact(s)
BERGEZ VLADIMIRLieu(x)
- Toulouse