Licence d'Economie et de Gestion. 2me Anne.

Mathmatiques 3

Anne universitaire 2007-2008 Pierre Fougres et Boyan Sirakov

Rsum d'optimisation sous contraintes Mthode de Lagrange

Tout comme pour l'optimisation libre, la dmarche pour optimiser localement une fonction f (x) de plusieurs variables sous contraintes h(x) = 0 consiste 1. chercher les points stationnaires du problme sous contraintes 2. tudier la nature de chaque point stationnaire en tudiant le "signe" d'une hessienne bien choisie. Cette hessienne ne fait plus intervenir seulement la fonction f mais aussi les contraintes h par l'intermdiaire du Lagrangien.

1 Rappels de certains points essentiels vus en cours

On considre une fonction de n variables f : x = (x1 , . . . , xn ) Rn f (x1 , . . . , xn ) R qu'on cherche optimiser sous les contraintes h(x) = 0 i.e. sur la surface S = {x : h(x) = 0}. Ici, l'application h : x = (x1 , . . . , xn ) Rn h(x) = h1 (x), . . . , hp (x) p R avec 1 p n est une application C 2 .

Hypothse importante: on suppose que h est rgulire, i.e. que, pour tout x S , la famille de vecteurs Dh1 (x), . . . , Dhp (x) est une famille libre de Rn . Nous ne rappelerons plus cette hypothse dans la suite.
S en n'importe quel point x de S par p quations linaires :

On a vu en cours qu'on peut alors caractriser facilement l'espace tangent

Thorme 1

Tx S = Vect (Dh1 (x), . . . , Dhp (x)) .

n

(1)

L'espace tangent S en x est un s.e.v. de R de dimension n p d'quation

Tx S = {v Rn : i = 1, . . . , p, v, Dhi (x) = 0}.

Il faut bien comprendre que chacune des p relations v, Dhi (x) = 0 est une quation linaire et que le thorme prcdent donne bien l'quation du s.e.v. Tx S . On supposera toujours que h est rgulire. S est alors dite surface rgulire de dimension n p. 1

Remarque 2 La preuve du thorme 1 comprend une partie dicile qui sort du cadre de ce cours. Elle utilise un thorme profond la base de la gomtrie direntielle : le thorme des fonctions implicites. Nous ne ferons que mentionner cette dicult.

2 Extrema locaux sous contraintes

1. B(x , r) , 2. Pour tout y B(x , r) S , on a f (y) f (x ).

Dnition 3 La fonction f : Rn R admet un maximum local sous la contrainte h(x) = 0 au point x S = x : h(x) = 0 si on peut trouver r > 0 tel que

Cela signie que les valeurs de f des points de la surface S autour de x sont infrieures f (x ). On dnit de mme un minimum local sous contraintes en changeant juste le signe par . Un extremum est un minimum ou un maximum.

3 Conditions ncessaires du 1er ordre : Lagrangien et points stationnaires

Dnition 4 (Lagrangien) Le Lagrangien du problme d'optimisation de f sous la contrainte h(x) = 0 est la fonction L(x, ) dnie pour (x, ) = (x1 , . . . , xn , 1 , . . . , p ) Rp par
L(x, ) = f (x) + 1 h1 (x) + + p hp (x) = f (x) + , h(x) R.

Dnition 5 (Point stationnaire et multiplicateurs) Un point x est dit point stationnaire du problme d'optimisation
Optimiser localement f (x) sous la contrainte h(x) = 0 s'il existe un vecteur = ( , . . . , ) Rp tel que p 1
DL x , = 0.

Les nombres , . . . , sont alors appels multiplicateurs de Lagrange du p 1 point stationnaire x .

2

Les points stationnaires du problme sous contraintes sont ainsi les points x tels qu'il existe Rp pour lequel (x , ) est un point stationnaire de L. On notera ici S(f |h(x) = 0) leur ensemble. Pour trouver les extrema d'une fonction sous contraintes, la premire tape est encore de rechercher les points stationnaires. C'est ce qu'arme le

Thorme 6 (Condition ncessaire du 1er ordre) Soit f : Rn R une fonction C 2 et h : Rp une application C 2 rgulire. Soit S = x : h(x) = 0 la surface rgulire associe. Si x S est un extremum local de f sous la contrainte h(x) = 0, x est un point stationnaire du problme d'optimisation Optimiser localement f (x) . sous contraintes sous la contrainte h(x) = 0

4 Conditions susantes du 2nd ordre

Soit x S(f |h(x) = 0) un point stationnaire et Rp un vecteur de multiplicateurs associ. C'est--dire
DL(x , ) = 0.

Question: x est-il ou non un extremum local du problme sous contraintes

On peut rpondre dans les cas "favorables" grce l'tude d'une matrice hessienne bien choisie. On suppose que f et h sont C 2 et que la contrainte h est rgulire. On note
2 H = Dxx L(x , ) =

2L (x , ) xi xj

Mn (R)
i,j=1,...,n

la matrice hessienne de L en la variable x au point (x , ). Soit qH (u) = u H tu sa forme quadratique associe. On note toujours S = {x : h(x) = 0} et Tx S l'espace tangent S en x .

Thorme 7 (Conditions susantes du 2nd ordre) Sous les hypothses cidessus, i) Si la restriction de qH Tx S est dnie positive , x est un minimum local de f sous la contrainte h(x) = 0.

ii) Si la restriction de qH Tx S est dnie ngative, x est un maximum local de f sous la contrainte h(x) = 0. iii) Si 0 est un point col de la restriction de qH Tx S , x est un point col de f et n'est pas un extremum local de f sous la contrainte h(x) = 0.
3

iv) Dans tous les autres cas, on ne peut pas conclure ( ce stade).
Remarquez bien que la discussion est similaire celle dj vue en optimisation libre mais que
La matrice hessienne H considrer est maintenant enne de L en la variable x au point (x , ). La forme quadratique dont on tudie le "signe" est la l'espace tangent Tx S .

la matrice hessirestriction de qH