Fnctions Convexes

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 13

Chapitre 3

FONCTIONS CONVEXES

3.1 Notations et définitions préliminaires


L’étude des fonctions convexes montrera que celles ci sont continues sur tout l’intérieur
de leur domaine de définition et qu’elles sont presque partout différentiables. Une propriété
suffisante pour étudier les fonctions convexes est la semi-continuité inférieure :

Définition 3.1 Soit une fonction f : C 7→ R, où C est un ouvert de IRn . f est dite
semi-continue inférieurement (sci) en x ∈ C si, pour toute suite {xk } ⊂ C convergente
vers x, on a lim inf f (xk ) ≥ f (x).

Une notion fondamentale est celle de la dérivée directionnelle dont on rappelle les
définitions :

Définition 3.2 Soit une fonction f : C 7→ R, où C est un ouvert de IRn . La dérivée


directionnelle de f en x ∈ C dans la direction d ∈ IRn est définie par la limite quand elle
existe de :
f (x + td) − f (x)
f ′ (x; d) = lim
t↓0 t

La fonction f sera dite différentiable en x ∈ C si elle possède des dérivées directionnelles


dans toutes les directions et si f ′ est linéaire par rapport à d, i.e. s’il existe un vecteur
∇f (x) appelé le gradient de f en x tel que :

f ′ (x; d) = h∇f (x), di

Les composantes du gradient sont alors les dérivées partielles de f par rapport à chaque
variable xj , j = 1, . . . , n notées ∂f /∂xj (x).
Si F = [f1 · · · fp ]T est un vecteur de fonctions fi : C 7→ R, i = 1, . . . , p différentiables,
le Jacobien de la fonction vectorielle de IRn dans IRp est la matrice JF (x) de p lignes et n
colonnes dont les lignes sont les gradients ∇fi (x), i = 1, . . . , p.
Si une fonction f est deux fois différentiable en x, le Hessien est la matrice symétrique
(n × n) dont les éléments sont les dérivées secondes partielles par rapport aux variables xj
et xk notées ∂ 2 f /∂xj ∂xk , j, k = 1, . . . , n.

1
2 CHAPITRE 3. FONCTIONS CONVEXES

(x2 , f (x2 ))

f (x) ≤ λf (x1 ) + (1 − λ)f (x2 )

x = λx1 + (1 − λ)x2

(x1 , f (x1 ))

Figure 3.1 – Fonction convexe

3.2 Définitions et propriétés


On décrit dans ce chapitre les propriétés des fonctions convexes de IRn .

Définition 3.3 : Soit une fonction f : S 7→ R, où S est un ensemble convexe non vide
de IRn . f est dite convexe sur S si :

f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 ), ∀x1 et x2 ∈ S, λ ∈ (0, 1)

f est dite strictement convexe si l’inégalité précédente est stricte pour x1 6= x2 .

Définition 3.4 : f est fortement convexe de constante α > 0 si :


α
f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 ) − λ(1 − λ)kx1 − x2 k2
2
On montre facilement qu’une fonction fortement convexe est strictement convexe. On
a aussi la caractérisation suivante :

Proposition 3.1 Soit C un convexe de IRn et a ∈ IRn . La fonction f : C 7→ IRn est


fortement convexe sur C si et seulement si la fonction g définie ci-dessous est convexe :
α
g(x) = f (x) − kx − ak2
2
Démonstration : Exercice
Si f est convexe, la fonction g : S 7→ R telle que g = −f est dite concave sur S.
Les fonctions affines de IRn sont bien sûr convexes (elles sont aussi concaves). Comme
on le vérifiera plus loin, les fonctions quadratiques convexes de IRn sont celles qui sont
associées à une matrice semi-définie positive. Dans IR, des exemples courants de fonctions
convexes sont :
f (x) = x2
f (x) = ex
f (x) = − log x, sur x > 0

f (x) = − x sur x ≥ 0
f (x) = 1/x sur x > 0
3.2. DÉFINITIONS ET PROPRIÉTÉS 3

Figure 3.2 – Fonction quasiconvexe

f (x) = |x|
Le domaine de définition de f sera noté Dom(f ), c.a.d. :

Dom(f ) = {x ∈ IRn |f (x) < +∞}

On appelle propres les fonctions qui ne prennent jamais la valeur −∞ et qui ne sont pas
identiques à +∞. Par convention, la fonction convexe f prendra la valeur +∞ en dehors
de Dom(f ) et l’opération ∞ − ∞ est interdite.
On utilisera deux outils de représentation des fonctions de IRn :
L’épigraphe qui décrit f dans IRn+1 et les ensembles de niveaux qui sont des surfaces de
IRn .

Définition 3.5 : L’épigraphe d’une fonction f de IRn est noté epi(f ) et est défini par :
!
x
epi(f ) = { ∈ IRn+1 | z ≥ f (x)}
z

L’ensemble de niveau α est l’ensemble des x de IRn tels que f (x) = α. On lui associe
la section, notée Sα :
Sα = {x ∈ IRn | f (x) ≤ α}

L’épigraphe sera particulièrement utile pour transférer les propriétés des fonctions sur les
ensembles de IRn+1 . Par exemple, un épigraphe fermé signifie que la fonction est semi-
continue inférieurement (sci).
On a la caractérisation fondamentale suivante :
Une fonction est convexe si et seulement si son épigraphe est convexe.
Par contre, s’il est vrai qu’une fonction convexe possède des sections convexes (par
convention, l’ensemble vide est convexe), il existe des fonctions non convexes dont toutes
les sections sont convexes.

Définition 3.6 : Une fonction dont toutes les sections sont convexes est dite quasiconvexe
(Fig. 3.2). Une fonction convexe est donc quasiconvexe.
4 CHAPITRE 3. FONCTIONS CONVEXES

Proposition 3.2 f est quasiconvexe sur un ensemble convexe S si et seulement si :

f (λx1 + (1 − λ)x2 ) ≤ max{f (x1 ), f (x2 )}, ∀x1 , x2 ∈ S et λ ∈ (0, 1)

Propriétés des fonctions convexes :


Soient f1 et f2 deux fonctions convexes telles que Dom(f1 ) ∩ Dom(f2 ) 6= ∅. Alors :

i) f1 + f2 est convexe
ii) af1 est convexe ∀a ≥ 0
iii) sup{f1 , f2 } est convexe
iv) inf z {f1 (z) + f2 (x − z)} est convexe
Démonstration :
i) et ii) sont des conséquences immédiates de la définition.
iii) équivaut à epi(f1 ) ∩ epi(f2 ) est un ensemble convexe de IRn+1 .
iv) équivaut à epi(f1 ) + epi(f2 ) est un ensemble convexe de IRn+1 . Cette dernière opé-
ration est appelée l’inf-convolution de f1 et f2 , notée f1 2f2 .

f1 2f2 (x) = inf {f1 (z) + f2 (x − z)}


z

En général, la composition de deux fonctions convexes n’est pas convexe. On a par


contre le résultat suivant :

Lemme 3.1 Soit f une fonction convexe sur le sous-ensemble C de IRn , et φ une fonction
convexe non décroissante de f (C) dans IR. Alors h = φ ◦ f est convexe sur C.

Démonstration : Exercice.

Composition par une transformation affine :


Soit A une transformation affine de IRn dans IRp et f une fonction convexe de IRp dans
IR. Alors la fonction f ◦ A :
(f ◦ A)(x) = f (Ax)
est convexe. En effet, l’épigraphe de f ◦ A est l’image réciproque de l’épigraphe de f par
la transformation affine de IRn+1 dans IRp+1 : (x, z) 7→ (Ax, z).
De même, si f est une fonction convexe sur IRn , alors la fonction Af définie par :

(Af )(x) = inf{f (y) | Ay = x}

est convexe sur IRp . Cette fois-ci, l’épigraphe de Af est l’image directe de l’épigraphe de f
par la transformation affine précédente.
Application : Soit une fonction f de IRn × IRp , convexe en (x, y) ∈ IRn × IRp 7→ f (x, y).
Alors la fonction
x 7→ h(x) = inf p f (x, y)
y∈IR

est convexe sur IRn . En effet, elle s’écrit Af où A est l’opérateur de projection de IRn × IRp
sur IRn .
3.3. CONTINUITÉ ET DIFFÉRENTIABILITÉ 5

3.3 Continuité et différentiabilité


Dans la suite f est une fonction convexe propre définie sur un ouvert convexe C de IRn

Lemme 3.2 (Monotonie des accroissements) Soit x ∈ C et d une direction de IRn .


Alors, la fonction q(t) = f (x+td)−f
t
(x)
, définie pour des réels t suffisamment petits, est une
fonction croissante de t.

Démonstration Prenons un intervalle [h, k] avec 0 < h ≤ k. On a : x + hd = (1 − α)x +


α(x + kd) avec α = hk < 1. La convexité implique f (x + hd) ≤ (1 − hk )f (x) + hk f (x + kd)
qui s’écrit :
f (x + hd) − f (x) f (x + kd) − f (x)

h k
Le même raisonnement s’applique pour des pas négatifs. 2
Ce résultat implique, en étudiant les limites à gauche et à droite de q(t) quand t tend vers
0, l’existence de dérivées directionnelles en tout point de C, définies par :

f ′ (x; d) = lim q(t) = inf q(t)


t↓0 t>0

Observez que l’infimum est borné car, C étant un ouvert, il existe t < 0 tel que f ′ (x; d) ≥
q(t).

Théorème 3.1 : Une fonction convexe est continue sur rint(Dom(f )), c’est-à-dire en tout
point de l’intérieur de Dom(f ) relativement à la topologie induite dans aff{Dom(f )}.

Démonstration et résultats connexes : cf. Rockafellar, Convex Analysis, chap. 10.

En résumé, une fonction convexe est continue et différentiable presque partout sur
l’intérieur de son domaine. Si f est différentiable en x, on a :

f (y) ≥ f (x) + h∇f (x), y − xi, ∀y ∈ C

En effet, la dérivée directionnelle satisfait f ′ (x; y − x) ≤ f (y) − f (x) grâce à la relation


de monotonie précédente et, dans le cas différentiable f ′ (x; d) = h∇f (x), di. La réciproque
est vraie comme l’indique le théorème suivant :

Théorème 3.2 Si f est différentiable sur l’ouvert convexe C, alors les 3 affirmations
suivantes sont équivalentes :

f convexe sur C
∀x, y ∈ C h∇f (x), y − xi ≤ f (y) − f (x) (3.1)
∀x, y ∈ C h∇f (y) − ∇f (x), y − xi ≥ 0 (3.2)

Démonstration Montrons que (3.1) implique que f est convexe. Cette inégalité peut
s’écrire :
∀y ∈ C, sup{f (x) + h∇f (x), y − xi ≤ f (y)
x∈C

qui est en fait une égalité car on peut échanger les rôles de x et y. Donc, f est convexe en
tant que supremum d’une famille de fonctions affines.
6 CHAPITRE 3. FONCTIONS CONVEXES

Montrons maintenant que (3.2) implique (3.1) par l’absurde. Supposons un segment [x, y]
tel que h∇f (x), y − xi > f (y) − f (x). Grâce au théorème de Rolle, il existe un z =
(1 − λ)x + λy, λ ∈ [0, 1], satisfaisant f (y) = f (x) + h∇f (z), y − xi. On en déduit :

h∇f (z) − ∇f (x), z − xi = h∇f (z) − ∇f (x), λ(y − x)i < 0

ce qui contredit (3.2) pour le couple (x, z).


Les autres implications sont immédiates. 2
Monotonie de l’opérateur Gradient : la relation (3.2) signifie que l’opérateur Gradient
∇f : C 7→ IRn est monotone sur C.
Fonctions fortement convexes différentiable :

Proposition 3.3 : Soit une fonction f de IRn dans IR fortement convexe de constante α
sur un ensemble convexe C et différentiable sur C ; alors :

∀x, y ∈ C, h∇f (y) − ∇f (x), y − xi ≥ αkx − yk2

Corollaire 3.1 (Fonctions convexes deux fois différentiables) Si f est deux fois diffé-
rentiable sur C, f est convexe si et seulement si le Hessien ∇2 f (x) est semi-définie positif
sur C.

Démonstration : Exercice.
Exercice : Montrer le résultat suivant :
Si f est deux fois différentiable et fortement convexe (de paramètre α), alors la matrice
∇2 f (x) − αI est définie positive.

3.4 Supports affines et fonctions conjuguées


On note Γ0 l’ensemble des fonctions convexes propres et sci. Ce sont les fonctions
dont l’épigraphe est un ensemble convexe fermé. D’aprés la représentation externe de ces
ensembles abordée au chapitre 1, ces épigraphes coïncident avec l’intersection de tous les
demi-espaces qui les contiennent. On peut remarquer sur la figure 3.3 ci-dessus qu’un tel
demi-espace (associé à un hyperplan non vertical) est l’épigraphe d’une fonction affine qui
minore f .
On a d’ailleurs le théorème fondamental suivant :

Théorème 3.3 : Une fonction f appartient à Γ0 si et seulement si f est l’enveloppe su-


périeure des fonctions affines qui la minorent.

Démonstration Il est clair qu’une fonction qui est l’enveloppe supérieure de fonctions
affines de IRn est dans Γ0 .
Soit f ∈ Γ0 ; puisque f est ! propre, il existe au moins un x tel que f (x) est fini. On
x
en déduit que le point avec z < f (x) n’appartient pas à epi(f ). On peut donc le
z
séparer par un hyperplan qui est clairement non vertical. Il correspond donc à l’épigraphe
d’une fonction affine qui minore f . Supposons que f ne soit pas l’enveloppe supérieure
de ses minorantes affines. Cela implique qu’il existe x̄ ∈ Dom(f ) tel que f (x̄) > z̄, où
z̄ = sup{hai , x̄i + bi , i ∈ I}, I représentant ici les indices des fonctions affines qui minorent
3.4. SUPPORTS AFFINES ET FONCTIONS CONJUGUÉES 7

epi(f )

ai

hai , xi + bi ≤ f (x)

Figure 3.3 – Fonctions affines minorantes d’une fonction convexe


!

f . A nouveau, on peut séparer et l’épigraphe de f pour obtenir une minorante de

f contredisant la définition de z̄. 2
Si f 6∈ Γ0 , cette enveloppe supérieure notée cl(convf ) est la plus grande fonction convexe
sci qui minore f .
On remarque que ces demi-espaces définissent des hyperplans frontières non verticaux à
condition de se placer à l’intérieur du domaine ; on va maintenant les construire en utilisant
l’outil suivant :
Définition 3.7 : On appelle fonction support d’un ensemble C de IRn la fonction σC
définie par :
σC (y) = suphy, xi
x∈C

Remarquons que σC est convexe et semi-continue inférieurement, en tant que supremum


d’une famille de fonctions linéaires. σC est aussi positivement homogène, c’est-à-dire σC (ay) =
aσC (y), ∀a ≥ 0. Observez que son épigraphe est un cône convexe. On citera de plus deux
propriétés remarquables dont les démonstrations sont laissées en exercice :
1. C1 ⊂ C2 =⇒ σC1 (y) ≤ σC2 (y), ∀y
2. σC = σconv{C} = σcl(conv(C))
Considérons pour une certaine fonction f de Γ0 le calcul de σepi(f ) dans IRn+1 pour
la direction (non horizontale) Y = (y0 , −1)T . Supposons que Y ∈ Dom(σepi(f ) ) ; il existe
alors x0 ∈ Dom(f ) tel que :
σepi(f ) (Y ) = hy0 , x0 i − f (x0 )
Cette correspondance définit une fonction de IRn appelée fonction conjuguée de f :
Définition 3.8 : On appelle fonction conjuguée d’une fonction f de IRn la fonction f ∗
définie par :
f ∗ (y) = sup hy, xi − f (x)
x∈Dom(f )
8 CHAPITRE 3. FONCTIONS CONVEXES

epi(f )
H0

x
x0
−f ∗ (y0 ) Y

Figure 3.4 – Conjuguée et support de l’épigraphe

Donc, σepi(f ) (Y ) = hy0 , x0 i − f (x0 ) = f ∗ (y0 ) (Fig. 3.4).


Pour chaque x ∈ Dom(f ), hy, xi − f (x) définit une fonction affine de la variable y. On
en déduit que f ∗ ∈ Γ0 . La dualité inhérente à la propriété de convexité consiste à identifier
les fonctions telles que (f ∗ )∗ = f :
Théorème 3.4 : f ∈ Γ0 si et seulement si f ∗∗ = f
Démonstration On doit seulement démontrer l’implication directe : l’hyperplan associé
au calcul de f ∗ (y), H0 , est un hyperplan support de l’épigraphe de f :
!
x
H0 = { | hy0 , xi − z = hy0 , x0 i − f (x0 )}
z
Donc, f ∗ (y0 ) ≥ hy0 , xi − f (x), ∀x ∈ Dom(f ).
Cette inégalité, appelée inégalité de Fenchel peut s’écrire :
f (x) ≥ hx, yi − f ∗ (y), ∀y ∈ Dom(f ∗ ) et ∀x ∈ Dom(f )
En prenant le supremum des termes de droite, on trouve que f ∗∗ = cl(convf ). Donc,
d’après le théorème précédent, si f ∈ Γ0 , f ∗∗ = f . 2

Exemples de fonctions conjuguées


a) Soit χC la fonction indicatrice d’un ensemble C de IRn définie par :
(
0 si x ∈ C
χC (x) =
+∞ sinon
χC est convexe si et seulement si C est convexe.
(χC )∗ (y) = sup{hy, xi − χC (x)} = suphy, xi = σC (y)
x∈C

La fonction support est la conjuguée de l’indicatrice.


3.5. SOUS-DIFFÉRENTIABILITÉ 9

w z

epi(f )

[−1/2, 7/4]
epi(f ∗ )

x
y
z = −2x + 3/4
[−2, −3/4]

z = −1/2x − 7/4

Figure 3.5 – Exemple e)

1 1
b) f (x) = 1/pkxkp −→ f ∗ (y) = 1/qkykq , où p + q =1
n
c) Dans IR , f (x) = ha, xi + b =⇒ f ∗ (y) = −b + χ{a} (y)
d) Soient f1 et f2 deux fonctions convexes de IRn et soit f = f1 2f2 . Alors

f ∗ = f1∗ + f2∗
(f1 2f2 )∗ (y) = supx {hy, xi − inf{f1 (x1 ) + f2 (x2 ) | x1 + x2 = x}}
= supx sup{hy, xi − f1 (x1 ) − f2 (x2 ) | x1 + x2 = x}
En effet,
= sup{hy, x1 i + hy, x2 i − f1 (x1 ) − f2 (x2 ) | x1 , x2 }
= f1∗ (y) + f2∗ (y)
e) Dans IR, f (x) = x2 − x + 1 =⇒ f ∗ (y) = sup{x.y − x2 + x − 1} = 1/4(y + 1)2 − 1

3.5 Sous-différentiabilité
Si on reprend l’équation de l’hyperplan support H0 , on a la relation :

∀x ∈ Dom(f ), hy0 , xi − f (x) ≤ hy0 , x0 i − f (x0 )

On dit alors que y0 est un sous-gradient de f en x0 .

Définition 3.9 On appelle sous-gradient d’une fonction convexe f en x0 tout vecteur γ


de IRn tel que :
∀x ∈ Dom(f ), f (x) ≥ f (x0 ) + hγ, x − x0 i
L’ensemble des sous-gradients en x0 est le sous-différentiel de f en x0 , noté ∂f (x0 ) et on
dira que f est sous-différentiable en x0 s’il existe au moins un sous-gradient.

Exemple :
Dans IR, f (x) = max{ax + b, cx + d} où a < 0 et c > 0.
d−b
On notera x0 = a−c le point qui minimise f , et f0 = f (x0 ) (Figure 3.6) L’ensemble des
sous-gradients est le segment [a, c]
Des résultats précédents, on tire donc que les 3 conditions suivantes sont équivalentes :
10 CHAPITRE 3. FONCTIONS CONVEXES

epi(f )
 
a
−1
 
c
−1

 
γ
−1
x0

Figure 3.6 – Support affine et sous-gradient : γ ∈ [a, c]

i) y0 ∈ ∂f (x0 )
ii) x0 ∈ ∂f ∗ (y0 )
iii) f (x0 ) + f ∗ (y0 ) = hx0 , y0 i
On va voir maintenant que ces sous-gradients généralisent le concept de gradient dans
certains cas non différentiables.
On a vu plus haut que les dérivées directionnelles existent en tout point intérieur
au domaine et dans toute direction. Observons que f ′ (x; ·) est une fonction positivement
homogène et sous-additive, i.e. :

f ′ (x; ad) = af ′ (x; d) si a ≥ 0


f ′ (x; d + d′ ) ≤ f ′ (x; d) + f ′ (x; d′ )

Elle est donc la fonction support d’un ensemble qui n’est autre que le sous-différentiel.
En effet, soit g ∈ ∂f (x0 ). On a donc f (x0 + td) ≥ f (x0 ) + thg, di, ce qui implique :

f ′ (x0 ; d) ≥ hg, di, ∀g ∈ ∂f (x0 ), et ∀d ∈ aff{Dom(f )} − {x0 }

Le sous-différentiel est donc l’ensemble (convexe compact) dont la fonction support est
la dérivée directionnelle, soit :

f ′ (x0 ; d) = max{hg, di | g ∈ ∂f (x0 )}

Une conséquence importante est que, si f est différentiable en x0 , le sous-différentiel ∂f (x0 )


se réduit à un élément, le gradient de f en x0 .

f différentiable en x0 ⇐⇒ ∂f (x0 ) = {∇f (x0 )}

On rejoint alors l’inégalité (3.1) trouvée à la section 3.2 qui exprime que la tangente se
situe au dessous du graphe.

Exemples de calcul du sous-différentiel :


a) Soit un ensemble C convexe fermé de IRn et soit χC sa fonction indicatrice. On a alors :
n
si x ∈ C, ∂χC (x) = {g
( ∈ IR |σC (g) = hg, xi} = NC (x), le cône normal à C en x.
x2 si x < 0
b) Dans IR, f (x) =
2x si x ≥ 0
3.6. OPTIMALITÉ 11

f n’est pas différentiable en 0 et ∂f (0) = [0, 2].


c) Soit f (x) = max{hai , xi + bi , i ∈ I} une fonction affine par morceaux qui est bien
convexe et sci. On se propose de calculer le sous-différentiel en un point x0 et soit I(x0 ) =
{i ∈ I |f (x0 ) = hai , x0 i + bi }. On peut alors réécrire f comme :

f (x) = f (x0 ) + max{hai , x − x0 i − ei , i ∈ I}

où ei = f (x0 )−hai , x0 i−bi ≥ 0 (donc ei = 0, ∀i ∈ I(x0 )). On en déduit, pour t suffisamment


petit :
f (x0 + td) = f (x0 ) + t max{hai , di, i ∈ I(x0 )}
Donc f ′ (x0 ; d) = maxi∈I(x0 ) hai , di et d’après les résultats précédents sur la dérivée direc-
tionnelle et le fait que σai ,i∈I(x0 ) = σconv{ai ,i∈I(x0 )} , on obtient :

∂f (x0 ) = conv{ai , i ∈ I(x0 )}

On peut généraliser ce résultat au cas d’une fonction ’max’ comme f (x) = max{fi (x), i ∈
I} où les fi sont convexes, différentiables. En x0 ∈ i∈I Dom(fi ), on a :
T

∂f (x0 ) = conv{∇fi (x0 ), i ∈ I(x0 )}

Ce dernier exemple est un cas particulier du théorème suivant, dû à Danskin :

Théorème 3.5 Soit Z un sous-ensemble compact de IRm et Φ : IRn ×Z 7→ IR une fonction


continue, différentiable et convexe par rapport à son premier argument x ∈ IRn et ce, pour
tout z ∈ Z. Soit :
f (x) = max Φ(x, z)
z∈Z

et soit Z(x) l’ensemble des z qui maximisent Φ(x, z) sur Z. Alors :


i) f est convexe et f ′ (x; d) = maxz∈Z(x) Φ′ (x, z; d)
ii) ∂f (x) = conv{∇x Φ(x, z), z ∈ Z(x)}

Démonstration : cf. Hiriart-Urruty et Lemarechal, 1993

3.6 Optimalité
Quand on cherche à minimiser une fonction de IRn , on distingue minimum global de
minimum local : un minimum global de f est un point m ∈ Dom(f ) tel que f (x) ≥
f (m), ∀x ∈ Dom(f ) ; pour définir un minimum local, on remplace x ∈ Dom(f ) par x ∈
Dom(f )∩Vǫ(m), où Vǫ (m) est un voisinage de m de rayon ǫ, i.e. Vǫ (m) = {x | kx−m|| ≤ ǫ}
pour un ǫ > 0.

Théorème 3.6 Soit f une fonction convexe de IRn et m un point où f est sous-différentiable.
Une condition nécessaire et suffisante pour qu’un point x soit un minimum global d’une
fonction convexe est 0 ∈ ∂f (m).
12 CHAPITRE 3. FONCTIONS CONVEXES

Démonstration Conséquence immédiate de la définition d’un sous-gradient.

f (x) ≥ f (m) ⇐⇒ f (x) ≥ f (m) + h0, x − mi

2
On retrouve dans le cas différentiable la condition nécessaire d’optimalité du premier
ordre : si m minimise f , le gradient de f en m est nul. Cette relation est locale, alors que
tout minimum local d’une fonction convexe est un minimum global. Dans le cas
convexe, la condition d’optimalité du premier ordre est nécessaire et suffisante (Observez
que la condition du deuxième ordre est satisfaite en tout point car le Hessien d’une fonction
convexe deux fois différentiable est semi-défini positif).
3.6. OPTIMALITÉ 13

Références :
C. Berge et A. Ghouila-Houri, Programmes, Jeux et Transport, Dunod, 1962
J.B. Hiriart-Urruty et C. Lemarechal, Convex Analysis and Minimization Algorithms,
Springer V., 1993
P.J. Laurent, Approximation et Optimisation, Hermann, 1972
R.T Rockafellar, Convex Analysis, Princeton U. , 1970
J. Stoer et C. Witzgall, Convexity and Optimization, Springer V., 1970

Vous aimerez peut-être aussi