AnnalesÉcoles d'ingénieurs
X-ENS MP 2020 — Maths C
Le problème étudie la minimisation d'une fonction sur une partie de définie par des contraintes . Après des préliminaires sur les fonctions convexes et -convexes, les fonctions coercives, la projection sur un convexe fermé et le cône des directions admissibles, il justifie la méthode de pénalisation, démontre le lemme de Farkas puis le théorème de Karush-Kuhn-Tucker, et étudie le problème dual via le lagrangien et ses points selles, jusqu'à la convergence de l'algorithme d'Uzawa pour des contraintes affines.
Le sujet, partie par partie
Notations et Partie I — Préliminaires p. 3–4
Fonctions convexes · Extrema et optimisation · Ensembles convexes · Calcul différentiel · Compacité · Projection orthogonale et moindres carrés — fonction convexe, fonction -convexe, fonction coercive, projection sur un convexe fermé, cône admissible, condition nécessaire d'optimalité, inégalité de monotonie du gradient
Partie II — Pénalisation p. 5
Optimisation sous contraintes d'inégalité · Fonctions convexes · Compacité · Suites numériques — méthode de pénalisation, fonction pénalisée, minimum unique, sous-suite convergente, contraintes d'inégalité
Partie III — Théorème de Karush-Kuhn-Tucker p. 5–7
Optimisation sous contraintes d'inégalité · Ensembles convexes · Fonctions convexes · Espaces vectoriels et dimension · Topologie, compacité, connexité — lemme de Farkas, cône convexe fermé, théorème de Karush-Kuhn-Tucker, multiplicateurs de Lagrange, contraintes actives, condition de qualification
Partie IV — Étude du problème dual p. 7–8
Optimisation sous contraintes d'inégalité · Descente de gradient · Points fixes et suites itératives · Fonctions convexes — lagrangien, problème dual, point selle, théorème d'Uzawa, algorithme d'Uzawa, projection sur l'orthant positif, gradient projeté