Optidyn

Ecole Nationale de la Statistique et de l’Administration Economique
2ème année, 2002-2003
OPTIMISATION DYNAMIQUE
Nizar TOUZI
CREST, [email protected]
http://www.crest.fr/pageperso/lfa/touzi/touzi.htm
1
Contents
1 Introduction 5
1.1 Rappels : optimisation statique . . . . . . . . . . . . . . . . . 5
1.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Les résultats d’existence . . . . . . . . . . . . . . . . . 7
1.1.3 Condition nécessaire d’optimalité d’Euler . . . . . . . . 8
1.1.4 Conditions suffisantes d’optimalité . . . . . . . . . . . 10
1.1.5 Contraintes d’égalité et d’inégalité . . . . . . . . . . . . 11
1.2 Introduction à l’optimisation dynamique . . . . . . . . . . . . 14
1.2.1 Modèle de consommation optimale en temps discret . . 14
1.2.2 Modèle à horizon fini . . . . . . . . . . . . . . . . . . . 16
1.2.3 Modèle à horizon infini . . . . . . . . . . . . . . . . . . 19
2 Calcul des variations 26

2.1 Problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2 Condition nécessaire d’optimalité : cas où l’état terminal est
contraint à l’égalité . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Cas où l’état terminal n’est pas contraint à l’égalité : condi-
tions de transversalité . . . . . . . . . . . . . . . . . . . . . . 31
2.4 Une condition suffisante d’optimalité . . . . . . . . . . . . . . 35
2.5 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5.1 Problème quadratique unidimensionnel . . . . . . . . . 36
2.5.2 Modèle de consommation optimale . . . . . . . . . . . 37
2.5.3 Croissance optimale avec ressource épuisable . . . . . . 39
2
3 Principe du maximum de Pontryagin 42
3.1 formulation de Lagrange du problème . . . . . . . . . . . . . . 42
3.2 Formulations équivalentes . . . . . . . . . . . . . . . . . . . . 43
3.3 Equation différentielle contrôlée : Existence et unicité . . . . . 45
3.4 Enoncé du principe du maximum de Pontryagin . . . . . . . . 46
3.5 Démonstration du principe du maximum de Pontryagin . . . . 47
3.6 Contraintes sur l’état terminal du système . . . . . . . . . . . 54
3.7 Réduction heuristique à un problème de calcul des variations . 57
3.8 Une condition suffisante d’optimalité . . . . . . . . . . . . . . 58
3.9 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.9.1 Régulateur linéaire quadratique . . . . . . . . . . . . . 61
3.9.2 Modèle à deux biens de consommation . . . . . . . . . 62
3.9.3 Croissance optimale avec ressource épuisable . . . . . . 65
4 Approche de la programmation dynamique 68

4.1 Formulation dynamique du problème . . . . . . . . . . . . . . 69
4.2 Principe de la programmation dynamique . . . . . . . . . . . . 70
4.3 Equation de Hamilton-Jacobi . . . . . . . . . . . . . . . . . . 72
4.4 Théorème de vérification . . . . . . . . . . . . . . . . . . . . . 75
4.5 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.5.1 Régulateur linéaire quadratique . . . . . . . . . . . . . 77
4.5.2 Modèle de consommation optimale . . . . . . . . . . . 79
4.5.3 Fonction valeur non régulière en des points isolés . . . 81
4.6 Principe du maximum et programmation dynamique . . . . . 82
4.6.1 Remarques générales . . . . . . . . . . . . . . . . . . . 82
4.6.2 Lien entre les deux approches . . . . . . . . . . . . . . 82
5 Le problème d’existence 84
5.1 Variables de contrôle admissibles . . . . . . . . . . . . . . . . 85
5.2 Un résultat d’existence . . . . . . . . . . . . . . . . . . . . . . 87
3
Ces notes de cours correspondent à un enseignement de deuxième année
de l’ENSAE. Le cours a été organisé en sept séances de deux heures. Bien
évidemment, il n’a pas été possible de traiter tous les points prévus. En
particulier, j’ai renvoyé à ces notes pour certains points techniques, et je me
suis borné à en expliquer l’intuition. Le dernier chapitre de ces notes n’a pas
été abordé en cours, et est présenté dans ces notes à titre de complément.
Bien qu’ayant relu attentivement ces notes, je reste persuadé qu’il reste
plusieurs imperfections. Je demande aux élèves de m’en excuser, et de me les
signaler afin d’en améliorer la qualité. Leurs camarades de l’année prochaine
leur en seront reconnaissants.
4
Chapter 1
Introduction
1.1 Rappels : optimisation statique

1.1.1 Définitions
Soit E un espace vectoriel normé (de dimension non nécessairement finie), et
considérons le problème de minimisation
φ := inf ϕ(x) , (1.1.1)

x∈K
où x ∈ E est la variable de contrôle, ϕ : E −→ IR est la fonction objectif, et

K ⊂ E est l’ensemble des décisions possibles.
Le but de ce paragraphe est de rappeler le traitement général du problème
d’optimisation ci-dessus.
a. La première question qui se pose est le problème d’existence :
∃ ? x∗ ∈ K : φ := ϕ(x∗ ) . (1.1.2)
Dans le cas où la réponse à cette question est positive, il est intéressant de
se poser le problème d’unicité du minimum.
b. Si l’existence d’une solution au problème (1.1.1) est assurée, on
peut alors écrire des conditions nécessaires d’optimalité du premier ordre
5
(d’Euler). Dans le cas non contraint (K = E), la condition nécessaire se
réduit à la condition de nullité du gradient au point de minimum.
Si l’ensemble des décisions possibles K est décrit par des contraintes
d’égalité et d’inégalité, les méthodes de dualité classiques conduisent alors
au théorème de Kuhn et Tucker, qui se réduit au théorème de Lagrange en
absence de contraintes d’inégalité.
Notons que les conditions nécessaires d’optimalité peuvent être utilisées
pour résoudre le problème d’existence (1.1.2). En effet, deux cas peuvent se
présenter :
- Si aucun point de E ne vérifie les conditions nécessaires du premier
ordre, alors le problème (1.1.1) n’admet pas de solution dans K.
- Si les conditions nécessaires du premier ordre permettent de sélectionner
un ensemble non vide de points de E, on peut recourir à des conditions
suffisantes d’optimalité pour en discuter l’optimalité.
Avant de procéder à l’énoncé précis de ces résultats, rappelons les définitions

et résultats suivant :
- Un sous-ensemble K d’un espace métrique est compact si et seulement
si de toute suite de K on peut extraire une sous-suite convergente.
- Une fonction ϕ définie sur un espace métrique et à valeurs réelles est
semi-continue inférieurement si et seulement si lim inf x0 →x ϕ(x0 ) ≥ ϕ(x) pour
tout x ∈ E,.
- Une fonction ϕ : E −→ IR est différentiable en un point x ∈ E s’il existe
une application linéaire Dϕ(x) de E dans IR telle que
ϕ(x + h) = ϕ(x) + Dϕ(x) · h + |h|ε(h) ,
où ε : E −→ IR est une fonction qui tend vers zéro quand |h| → 0. Quand
E est de dimension finie Dϕ(x) est le gradient de ϕ en x, et on a :
X ∂ϕ
Dϕ(x) · h = hi ,
i ∂xi
où (∂ϕ/∂xi )(x) est la dérivée partielle au point x par rapport à la variable
xi .
6
- Un sous-ensemble K d’un espace vectoriel est convexe si et seulement
si, pour tous x, y ∈ K et λ ∈ [0, 1], λx + (1 − λ)y ∈ K.
- Soit K un ensemble convexe. Une fonction ϕ : K −→ IR est convexe
(resp. strictement convexe) si et seulement si, pour tous x, y ∈ K et λ ∈ [0, 1],
ϕ (λx + (1 − λ)y) ≤ (resp. <) λϕ(x) + (1 − λ)ϕ(y).
1.1.2 Les résultats d’existence

Voici le résultat principal.
Théorème 1.1.1 Supposons que la fonction ϕ est semi-continue inférieurement

et que l’ensemble K est compact. Alors le problème (1.1.1) admet une solu-
tion, i.e. il existe x∗ ∈ K tel que φ = ϕ(x∗ ).
Démonstration. Soit (xn )n≥0 une suite minimisante pour le problème

(1.1.1), i.e.
xn ∈ K pour tout n et ϕ(xn ) −→ φ.
Comme K est compact, on peut extraire une suite (xnk )k≥0 qui converge
vers un élément x∗ ∈ K. On a bien évidemment ϕ(x∗ ) ≥ φ. Pour obtenir
l’inégalité inverse, on utilise l’hypothèse de semi-continuité de φ :
φ = lim ϕ(xn ) = lim ϕ(xnk ) ≥ lim inf ϕ(x0 ) ≥ ϕ(x∗ ) .

n→∞ k→∞ 0 ∗x →x
t
u
En pratique, ce théorème est difficile à utiliser quand l’espace E est de
dimension infinie. En dimension finie, les ensembles compacts s’identifient
aux ensembles fermés bornés, et le théorème ci-dessus est souvent utilisé sous
la forme suivante.
Corollaire 1.1.1 Soit E un espace vectoriel de dimension finie, et K un

sous-ensemble fermé de E. Supposons que ϕ est une fonction semi-continue
inférieurement de E dans IR vérifiant :

 0 si x ∈ K
lim ϕ(x) + χK (x) = +∞ avec χK (x) =  (1.1.3)
|x|→∞ +∞ sinon.
7
Alors le problème (1.1.1) admet une solution, i.e. il existe x∗ ∈ K tel que φ
= ϕ(x∗ ).
Démonstration. Soit (xn )n≥0 une suite minimisante pour le problème

(1.1.1), i.e. φ = limn→∞ ϕ(xn ).
1. Commençons par montrer que la suite (xn )n est bornée. Si elle ne l’était
pas, on peut en extraire une sous-suite (xnk )k d’éléments de K qui tend vers
l’infini. On a alors, d’après la condition (1.1.3)
φ = lim ϕ(xnk ) = +∞ ,
k→∞
ce qui est exclu par le fait que ϕ prend des valeurs dans IR.
2. Soit M := supn≥0 |xn |, et KM := K ∩ {x ∈ E : |x| ≤ M }. Comme
E est de dimension finie et K est fermé, il est clair que l’ensemble KM est
un compact de E. Par ailleurs, comme xn ∈ KM pour tout n, on déduit
que φ = supx∈KM ϕ(x). Le résultat d’existence est maintenant obtenue par
application directe du théorème 1.1.1. t
u
Nous terminons ce paragraphe par une condition suffisante pour l’unicité

d’une solution pour le problème de minimisation (1.1.1), s’il l’existence est
satisfaite.
Théorème 1.1.2 Si l’ensemble K est convexe et la fonction ϕ est stricte-

ment convexe, le problème de minimisation (1.1.1) admet au plus une solu-
tion.
Démonstration. Supposons qu’il existe deux solutions x∗1 et x∗2 pour le

problème de minimisation (1.1.1), et soit x∗ := (x∗1 + x∗2 )/2. Comme K est
convexe, x∗ ∈ K et on déduit de la stricte convexité de ϕ que ϕ(x∗ ) <
[ϕ(x∗1 ) + ϕ(x∗2 )]/2 = φ. Ceci est en contradiction avec la définition de φ. u
t
1.1.3 Condition nécessaire d’optimalité d’Euler

En l’absence de contraintes (K = E), il est bien connu que la fonction ob-
jectif doit admettre une différentielle Dϕ nulle en tout point extrémal. Bien
8
que cette notion soit généralisable pour des fonctions non différentiables,
nous allons nous concentrer dans ce cours sur le cas régulier. Afin de pren-
dre en compte la restriction des décisions possibles à K, nous avons besoin
d’introduire la notion suivante.
Définition 1.1.1 Soit K ⊂ E, et x ∈ K. Un élément y ∈ E est dit tangent

à K au point x (et on notera y ∈ T (x, K)) si on peut trouver une suite (hn )n
d’éléments non nuls de E et une suite (λn )n de réels strictement positifs telles
que
hn −→ y , λn −→ 0 , et x + λn hn ∈ K .
T (x, K) est appelé cône tangent à l’ensemble K au point x.
Il est facile de vérifier que T (x, K) est un cône convexe fermé. Cette
définition, un peu compliquée, exprime le fait que T (x, K) est l’ensemble des
directions ”qui rentrent dans K en x”. Si K est un ensemble convexe, on
peut la simplifier considérablement, et la réduire à la définition naturellement
attendue des directions rentrant dans K.
Théorème 1.1.3 (Condition d’Euler) Soit x∗ une solution du problème (1.1.1).

Si ϕ est différentiable en x∗ , alors
Dϕ(x∗ ) · y ≥ 0 pour tout y ∈ T (x, K) . (1.1.4)
Démonstration. Soit y ∈ T (x∗ , K). Le résultat est trivial pour y = 0,

on se concentre alors sur le cas y 6= 0. Par définition du cône tangent, il
existe une suite (hn )n d’éléments non nuls de E et une suite (λn )n de réels
strictement positifs telles que
hn −→ y , λn −→ 0 , et x∗ + λn hn ∈ K .
Comme x∗ est solution de (1.1.1), on a
|λn hn |−1 [ϕ(x∗ + λn hn ) − ϕ(x∗ )] ≥ 0 ,
9
et, en utilisant la différentiabilité de ϕ au point x∗ , on obtient par passage à
la limite :
Dϕ(x∗ ) · |y|−1 y ≥ 0 .
t
u
Si l’ensemble K est ouvert, on vérifie facilement que T (x, K) = E pour

tout x ∈ K. On a alors le corollaire suivant.
Corollaire 1.1.2 Soient K un sous-ensemble ouvert de E, et x∗ une solution

du problème (1.1.1). Si ϕ est différentiable en x∗ , alors
Dϕ(x∗ ) = 0 .
1.1.4 Conditions suffisantes d’optimalité

On dira qu’un point x∗ est un minimum local pour le problème (1.1.1) s’il
existe r > 0 tel que :
ϕ(x∗ ) = min ϕ(x) ,

x∈K∩B(x∗ ,r)
où B(x, r) est la boule ouverte centrée en x et de rayon r. On dira que x est
un minimum global pour le problème (1.1.1) si φ = ϕ(x∗ ).
Pour écrire des conditions suffisantes d’optimalité, nous allons supposer
que la fonction objectif ϕ est deux fois différentiable au point x∗ . Rappelons
que ceci veut dire qu’il existe une application bilinéaire symétrique D2 ϕ :
E × E −→ IR telle que
1
ϕ(x∗ + h) = ϕ(x∗ ) + Dϕ(x∗ ) · h + D2 ϕ(x∗ )(h, h) + |h|2 ε(h) ,(1.1.5)
2
où ε(h) −→ 0 quand h → 0. On dira que x est un point régulier pour ϕ si ϕ
est deux fois différentiable en x. Si E est de dimension finie d, on a :
d
∗ ∂2ϕ
2
(x∗ ) hi hj .
X
D ϕ(x )(h, h) =
i,j=1 ∂xi ∂xj
Le résultat suivant est une conséquence immédiate de (1.1.5).
10
Théorème 1.1.4 Soit x∗ ∈ K un point régulier pour ϕ, vérifiant la condi-
tion d’Euler (1.1.4). Supposons que :
D2 ϕ(x∗ )(h, h) < 0 pour tout h ∈ T (K, x∗ ), h 6= 0 .
Alors x∗ est une solution locale de (1.1.1).
Corollaire 1.1.3 Si K est convexe et ϕ est convexe, alors tout point x∗ de
différentiabilité de ϕ vérifiant la condition d’Euler (1.1.4) est une solution
globale de (1.1.1).
1.1.5 Contraintes d’égalité et d’inégalité

Dans ce paragraphe, nous étudions le cas où l’espace E est de dimension finie
d, et l’ensemble des décisions possibles K est décrit par un nombre fini p de
contraintes d’inéglité :
K = {x ∈ E : bj (x) ≤ 0, 1 ≤ j ≤ p pour tout x ∈ E} , (1.1.6)
b : E −→ IRp étant une fonction donnée de composantes bi : E −→ IR.
Notons que ce cadre inclut le cas des contraintes d’égalité dès que b admet
deux composantes opposées.
Afin d’appliquer la condition d’Euler du théorème 1.1.3, on doit exprimer
plus explicitement le cône tangent T (K, x) en tout point x ∈ K. Pour celà,
il convient de distinguer, parmi les contraintes d’inégalité, celles qui sont
saturées :
J(x) := {j = 1, . . . , p : bj (x) = 0} .
Il est alors facile de montrer que, si bj est continuement différentiable en x
pour tout j ∈ J(x), alors
T (K, x) ⊂ {y ∈ IRn : y · Dbj (x) ≤ 0 pour tout j ∈ J(x)} .
Malheureusement, l’inclusion inverse n’est pas toujours vérifiée. Le résultat
suivant donne une condition suffisante pour l’égalité entre ces deux cônes.
On notera
J conc (x) := {j ∈ J(x) : bj est une fonction concave au voisinage de x} .
11
Proposition 1.1.1 Supposons que b soit continue en x, et que bj soit différentiable
en x pour tout j ∈ J(x). S’il existe y ∈ IRn tel que
y · Dbj (x) ≤ 0 , j ∈ J conc (x) et y · Dbj (x) < 0 , j ∈ J(x) \ J conc (x) ,
alors T (K, x) = {y ∈ IRn : y · Dbj (x) ≤ 0 pour tout j ∈ J(x)}.
La démonstration est laissée au lecteur.
Définition 1.1.2 Un point x ∈ K est dit K−qualifié si la fonction b est

différentiable en x et
T (K, x) = {y ∈ IRn : y · Dbj (x) ≤ 0 pour tout j ∈ J(x)} .
Introduisons la fonctions L : E × IRp −→ IR définie par :
L(x, λ) := ϕ(x) + λ · b(x) .
Cette fonction est appelée Lagrangien associé au problème de minimisation

(1.1.1) avec contraintes d’inégalités décrites par (1.1.6). Les réels λ1 , . . . , λp
sont appelés multiplicateurs de Lagrange. Le résultat suivant fournit une
écriture plus explicite de la condition d’Euler du théorème 1.1.3.
Théorème 1.1.5 (Kuhn et Tucker) Supposons que l’ensemble des décisions

possibles soit décrit par (1.1.6), et soit x∗ une solution du problème de min-
imisation (1.1.1). Si ϕ est différentiable en x∗ , et si x∗ est un point K−qualifié,
alors :
p
il existe λ ∈ IR+ vérifiant DL(x∗ , λ) = 0
(1.1.7)
ainsi que les relations d’exclusion λj bj (x∗ ) = 0, 1 ≤ j ≤ p .
Démonstration. Soit x∗ une solution K−qualifiée du problème de minimi-

sation (1.1.1). Comme ϕ est différentiable en x∗ , on peut écrire la condition
d’Euler du théorème 1.1.3 :
Dϕ(x∗ ) · y ≥ 0 pour tout y ∈ T (K, x∗ ) .
12
On utilise maintenant l’expression de T (K, x∗ ), conséquence du fait que x∗
est un point K−qualifié. La condition d’Euler fournit alors la propriété
suivante :
pour tout y ∈ IRn , [ max∗ Dbj (x∗ ) · y ≤ 0 =⇒ −Dϕ(x∗ ) · y ≤ 0 ] .

j∈J(x )
D’après le lemme de Farkas, cette propriété est équivalente à
il existe λj ≥ 0 , j ∈ J(x∗ ) , tels que −Dϕ(x∗ ) = λj Dbj (x∗ ) .

X
j∈J(x∗ )
Ceci définit des multiplicateurs λj pour les contraintes saturées j ∈ J(x∗ ).

Pour les contraintes non saturées, on pose tout simplement
λj := 0 pour tout j 6∈ J(x∗ ) ,
et la démonstration du théorème est complète. t

u
Nous terminons ce paragraphe par l’énoncé du théorème de Lagrange qui

donne les conditions du premier ordre du problème (1.1.1) dans le cas où
l’ensemble K est décrit par des contraintes d’égalité :
K = {x ∈ E : aj (x) ≤ 0, 1 ≤ j ≤ m pour tout x ∈ E} . (1.1.8)
De même que dans le cas plus général des contraintes d’inégalité, si aj est
différentiable en x pour tout j = 1, . . . , m, on a
T (K, x) ⊂ {y ∈ E : y · Daj (x) = 0, 1 ≤ j ≤ m} , (1.1.9)
et x est un point K−qualifié si l’inclusion inverse est vérifiée. Le résultat

suivant donne une condition suffisante de k−qualification.
Proposition 1.1.2 Soit K le sous-ensemble de E définit par (1.1.8), et x

un poin de K. Supposons que
(i) aj soit continuement différentiable au voisinage de x pour tout j =
1, . . . , m,
(ii) Les gradients des contraintes {Daj (x), 1 ≤ j ≤ m} forment un
système libre.
Alors x est K−qualifié.
13
La démonstration de cette proposition peut être consultée par exemple
dans .... Dans le cadre de contraintes a l’égalité, le théorème de Kuhn et
Tucker se réduit à la forme suivante.
Théorème 1.1.6 (Lagrange) Supposons que l’ensemble des décision possi-

bles soit donné par (1.1.8), et soit x∗ une solution du problème de minimisa-
tion (1.1.1). Si ϕ est différentiable en x∗ , et si x∗ est un point K−qualifié,
alors :
il existe λ∗ ∈ IRm vérifiant DL(x∗ , λ∗ ) = 0 . (1.1.10)
1.2 Introduction à l’optimisation dynamique

Dans ce paragraphe, nous allons étudier un problème de consommation op-
timale en temps discret. En horizon fini, ce problème peut être traité par les
techniques d’optimisation statique. Nous allons néanmoins l’approcher par
les outils de l’optimisation dynamique, sujet de ce cours, afin de les introduire.
Le cadre du temps discret rend les idées sous-jacentes plus transparentes.
1.2.1 Modèle de consommation optimale en temps dis-

cret
On considère un agent économique doté d’un capital initial x > 0. Soit

T ∈ IN ∪ {+∞} une date donnée. On notera par X(t) la valeur de sa
richesse à toute date t.
- A chaque date t ∈ IN , t ≤ T , l’agent doit décider de la répartition de
sa richesse entre consommation, c(t), et épargne.
- On supposera que l’épargne est capotalisée á un taux d’intérêt nul.
Notons que l’on peut toujours se ramener à ce cadre en considérant la valeur
capitalisée de l’épargne comme numéraire.
- Il n’y a ni entrée ni sortie d’argent à partir de la date t = 1.
14
On voit alors immédiatement que la richesse de l’agent est régie par la
dynamique
X(t) − X(t − 1) = −c(t) pour tout 1 ≤ t ≤ T ,
si bien que la richesse est entièrement déterminée par le capital initiale et la

politique de consommation :
t−1
c
X
X0,x (t) := X(t) := x − cs .
s=0
Les préférences de l’agent sont caractérisées par sa fonction d’utilité in-

tertemporelle
T
T
X
U (c) := u(t, c(t)) pour tout c = (c(t), 0 ≤ t ≤ T ) ∈ IR+ ,
t=0
où
u : IN × IR+ −→ IR
(t, ξ) 7−→ u(t, ξ) .
Pour tout t ∈ IN, on supposera que la fonction ξ 7−→ u(t, ξ) est croissante,
strictement concave, continuement dérivable sur IR+ , et vérifie la condition
d’Inada :
∂u
uξ (t, 0+ ) := lim (t, ξ) = +∞ . (1.2.1)
ξ&0 ∂ξ
L’objectif de l’agent est alors défini par le problème de maximisation d’utilité :
V (x) := max U (c) , (1.2.2)

c∈A0 (x)
T
où A0 (x) est l’ensemble des plans de consommation c ∈ IR+ tels que U (c)
est bien défini (en tant que série, si T = +∞) et vérifiant la contrainte de
budget :
c
X0,x (t) ≥ 0 pour tout 0 ≤ t ≤ T . (1.2.3)
15
Remarque 1.2.1 La condition d’Inada (1.2.1) simplifie le traitement du
problème car elle assure que tout plan de consommation c situé sur le bord
T T
∂IR+ de IR+ est dominé (au sens du critère U ) par un autre plan de consom-
mation situé à l’intérieur du domaine.
En effet, comme la richesse initiale x est strictement positive, le plan de
consommation (c(t))0≤t≤T = 0 (qui consiste a jeter le capital initial) ne peut
être optimale. Soient alors deux dates t0 et t1 , et un plan de consommation
c ∈ A0 (x) tel que c(t0 ) = 0 et x1 := c(t1 ) > 0. Consiérons le plan de
consommation
c̃(t) := c(t) , t 6∈ {t0 , t1 } , c̃(t0 ) := εx1 et c̃(t1 ) := (1 − ε)x1 .
On utilise la stricte concavité de ξ 7−→ u(t, ξ), puis la condition d’Inada

(1.2.1), pour obtenir
U (c̃) − U (c) = [u(t0 , εx1 ) − u(t0 , 0)] + [u(t1 , (1 − ε)x1 ) − u(t1 , x1 )]

≥ εx1 [uξ (t0 , εx1 ) − uξ (t1 , (1 − ε)x1 )] > 0
pour ε assez petit. Ainsi le plan de consommation c̃ ∈ A0 (x), et il procure

un niveau d’utilité strictement supérieur à celui de c.
1.2.2 Modèle à horizon fini

On commence par considérer le cas T < ∞. Notons que du fait de la stricte
croissance de la fonction d’utilité ξ 7−→ u(T, ξ), un plan de consommation
c
optimal doit vérifier c(T ) = X0,x (T ). On ré-écrit alors le problème de max-
imisation d’utilité (1.2.2) sous la forme
−1
TX
c
V (x) = sup U (c) avec U (c) := u(t, c(t)) + u(T, X0,x (T(1.2.4)
)) ,
c∈A(x)(x) t=0
où l’ensemble des plans de consommation admissibles est donné par :

n o
T
A(x) := c ∈ IR+ : |c|1 ≤ x .
16
Ici, |z| := |zi |.
P
On est ainsi confronté à un problème de maximisation d’une fonction

continu (conséquence de la concavité) sur un domaine fermé borné de IRT .
Comme T < ∞, il s’agit d’un compact, et le théorème 1.1.1 garantit l’existence
d’une solution. Les hypothèses de stricte concavité permttent de conclure
l̀’unicité de cette solution.
La caractérisation de la solution du problème (1.2.4) peut être obtenue

au moins par deux méthodes différentes :
1. D’après la remarque 1.2.1, la solution du problème 1.2.4 est située à

l’intérueir du domaine. Nous pouvons alors écrire la condition du premier
ordre pour ce problème en oubliant la contrainte de positivité des consom-
mations ou, plus exactement, en remplaçant A(x) par son intérieur dans la
définition du problème (1.2.4). D’après le corollaire 1.1.2, le plan de consom-
mation optimal c∗ vérifie la condition du premier ordre :
∂U
c∗

(c∗ (t)) = uξ (t, c∗ (t)) − uξ T, X0,x (T ) = 0 pour tout t = 0, . . . , T − 1 .
∂c(t)
Comme u0ξ (t, .) est strictement décroissante et continue pour tout 0 ≤ tleT ,
elle admet une inverse I(t, .). Si on suppose de plus que
uξ (t, +∞) = 0 pour tout t = 0, . . . , T − 1 ,
on voit que la condition du premier s’écrit :

∗

c∗ (t) = I t, uξ (T, X0,x
c
(T )) pour tout t = 0, . . . , T − 1 ,
2. Nous allons donner maintenant une caractérisation du plan de consom-

mation optimal par une approche qui exploite le caractère dynamique du
problème. On définit alors la version dynamique du problème (1.2.4) :
V (t, x) := sup U (t, c) (1.2.5)

c∈A(t,x)
17
avec :
−1
TX
c
U (t, c) := u(s, c(s)) + u(T, X0,x (T )) ,
s=t
pour tout t ≤ T − 1, où l’ensemble des plans de consommation admissibles

est donné par :
n o
T −t
A(t, x) := c ∈ IR+ : |c|1 ≤ x .
On a bien sûr V (x) = V (0, x). Le problème V (t, x) correspond au problème

de consommation optimal entre les dates t et T , en partant d’une richesse
initiale x à la date t. Le résultat suivant est basé essentiellement sur la
forme additive dans le temps de la fonction objectif et sur la propriété de
concaténation de l’ensemble des plans de consommation admissibles :
A(t, x) = {(ξ, c) : 0 ≤ ξ ≤ x et c ∈ A(t + 1, x − ξ)} . (1.2.6)
Proposition 1.2.1 (Principe de la programmation dynamique) Soit t ≤ T

un entier naturel donné. Alors :
V (t, x) = sup {u(t, ξ) + V (t + 1, x − ξ)} .

0≤ξ≤x
Démonstration. On écrit simplement d’après (1.2.6) :

−1
TX
c
V (t, x) := sup u(s, c(s)) + u(T, X0,x (T ))
c∈A(t,x)(x) s=t
−1
TX
c
= sup u(t, ξ) + u(s, c(s)) + u(T, X0,x (T ))
0≤ξ≤x s=t+1
c ∈ A(t + 1, x − ξ)
−1
TX
c
= sup u(t, ξ) + sup u(s, c(s)) + u(T, X0,x−ξ (T ))
0≤ξ≤x c∈A(t+1,x−ξ) s=t+1
= sup u(t, ξ) + V (t + 1, x − ξ) .
0≤ξ≤x
t
u
18
A présent, observons que la fonction valeur du problème dynamique
(1.2.5) est connue à la date terminale :
V (T, x) = u(T, x) pour tout x ∈ IR+ .
Par conséquent, on peut déterminer toutes les fonctions V (t, x) par une
procédure itérative rétrograde en utilisant le principe de la programmation
dynamique.
On peut également identifier le plan de consommation optimal par la
condition du premier ordre :
uξ (t, c∗t ) = Vx (t + 1, x − c∗t ) pour tout t = 0, . . . , T ,
où on a encore utilisé la remarque 1.2.1 qui assure que le plan de consomma-
tion optimal est situé à l’intérieur du domaine.
Nous détaillerons plus les propriétés de cette approche dans le paragraphe
suivant.
1.2.3 Modèle à horizon infini

Nous consiérons à présent le problème de consommation optimale à horizon
infini T = +∞. Comme dans le cas à horizon fini, la stricte croissance de la
fonction d’utilité conduit à restreindre le plan de consommation optimal par
la contrainte :
∞
X
c(t) = x .
t=0
On ré-écrit le problème de maximisation d’utilité (1.2.2) sous la forme :
V (x) = sup U (c) (1.2.7)

c∈A(x)
avec :
 
X X
U (c) = u 0, x − c(t) + u(t, c(t)) ,
t≥1 t≥1
19
et
n o
n
A(x) := c ∈ IR+ : |c|1 ≤ x .
Ainsi l’ensemble des plans de consommation admissibles est maintenant un

sous-ensemble fermé borné de `1 , espace des suites absolument convergentes.
Cet espace n’étant pas de dimension fini, nous ne pouvons pas appliquer le
théorème 1.1.1 d’existence. Comme le problème admet toutes les propriété
de convexité souhaitées, nous obtiendrons néanmoins un résulat d’existence
à partir des conditions du premier ordre.
1. Comme dans le modèle à horizon fini, nous commençons par l’application

du Corollaire 1.1.2 grâce à la remarque 1.2.1. On obtient alors la condition
du premier ordre :
 
uξ (t, c∗ (t)) = uξ 0, x − c∗ (s) pour tout t ≥ 1 ,

X
s≥1
dont on peut déduire une caractérisation du plan de consommation optimal

en utilisant l’inversibilité de l’utilité marginale uξ (t, ·).
Exercice .1 Faire les calcul dans le cas u(t, ξ) = β t ξ γ /γ, où γ < 1 est un
paramètre donné.
2. Dans le reste de ce paragraphe, nous examinons l’approche par le principe

de la programmation dynamique. On introduit alors la version dynamique
associée au problème de maximisation (1.2.7) :
V (t, x) := sup U (t, c) (1.2.8)

c∈A(x)
avec :
!
X X
U (t, c) := u t, x − c(s) + u(s, c(s)) ,
s>t s>t
20
et
n o
IN
A(x) := c ∈ IR+ : |c|1 ≤ x .
Remarquons que V (x) = V (0, x). Dans notre context d’horizon infini, la
fonction objectif est encore additive dans le temps, et la condition de con-
caténation des plan de consommation
A(x) = {(ξ, c) : 0 ≤ ξ ≤ x et c ∈ A(x − ξ)} .
En suivant ligne par ligne la démonstration du cas à horizon fini, on obtient

alors :
Proposition 1.2.2 (Principe de la programmation dynamique) Soit t un

entier naturel donné. Alors :
V (t, x) = sup {u(t, ξ) + V (t + 1, x − ξ)} .

0≤ξ≤x
Remarque 1.2.2 Le principe de la programmation dynamique a transformé

notre problème de maximisation dans l’espace des suites en une succession
de problèmes de maximisation dans l’intervalle [0, x] de IR. Cependant, nous
sommes encore face un problème en dimension infini puisque le principe de
la programmation dynamique donne une equation vérifiée par la fonction
V (t, x) : il s’agit maintenant d’un problème de point fixe dans l’espace des
fonctions.
Contrairement au cas de l’horizon fini, nous ne disposons plus d’une con-

naissance de la fonction V à une certaine date, et nous ne pouvons donc plus
appliquer le raisonnement itératif rétrograde pour affirmer que le principe
de la programmation dynamique caractérise la fonction valeur V . L’exemple
suivant montre que ce résultat de caractérisation n’est pas vrai sans hy-
pothèse supplémentaire.
Exemple 1.2.1 Considérons le cas de la fonction d’utilité

xγ
u(t, x) = β t ,
γ
21
où γ < 1 est un paramètre donné. Soit k0 un réel suffisamment grand, et k :
IN −→ ]0, ∞[ une fonction définie par :
h i1−γ
k(0) := k0 et βk(t + 1) = k(t)1/1−γ − 1 pour tout t ∈ IN .
Alors, on voit par un calcul direct, que la fonction Vk (t, x) := β t k(t)xγ /γ

vérifie le principe de la programmation dynamique.
Le résultat suivant donne une condition suffisante pour que l’équation de

la programmation dynamique caractérise la fonction valeur du problème.
Proposition 1.2.3 Soit v :IN × IR+ −→ IR une solution de l’équation de la

programmation dynamique vérifiant :
−1
TX
!
lim v T, x − c(s) = 0 pour tout c ∈ A(x) .
T →∞
s=t
Alors v = V .
Démonstration. Pour (t, x) ∈ IN × IR+ fixé et c ∈ A(x), on a :
v(t, x) ≥ u(t, ct ) + v(t + 1, x − ct )

−1
TX −1
TX
!
≥ ··· ≥ u(s, cs ) + v T, x − cs .
s=t s=t
En faisant tendre T vers l’infini, on déduit de notre hypothèse que :

X
v(t, x) ≥ u(s, cs ) pour tout c ∈ A(x) ,
s≥t
et par suite v ≥ V .
Inversement, on fixe ε > 0 et on se donne une suite (δs )s≥t de réels
P
strictement positifs telle que s≥t δs = ε. Comme v vérifie le principe de la
programmation dynamique, on obtient l’existence de c(t) ∈ A(x) tel que :
v(t, x) ≤ u(t, c(t)) + δt + v(t + 1, x − c(t)) ,
22
i.e. c(t) est δt −optimal pour le problème de maximisation du principe de la
programmation dynamique. De même, il existe c(s) ∈ [0, x − c(t) − . . . −
c(s − 1)], s ≥ t, tel que :
−1
TX −1
TX
!
v(t, x) ≤ v T, x − c(s) + u(t, ct ) + δt
s=t s=t
La suite c ainsi construite est bien dans A(x). En faisant tendre T vers
l’infini, on déduit de notre hypothèse que :
X
v(t, x) ≤ ε + u(t, ct ) ,
s≥t
ce qui prouve que v ≤ V du fait que ε > 0 est arbitraire. t

u
Nous allons maintenant expliquer comment déduire le plan de consom-

mation optimal à partir du principe de la programmation dynamique.
Proposition 1.2.4 Soit c∗ un plan de consommation optimal pour le problème

V (t, x) i.e.:
c∗ ∈ A(x) et V (t, x) = u (s, c∗ (s)) .

X
s≥t
Alors V (t, x) = u(t, c∗t ) + V (t + 1, x − c∗t ).
Démonstration. En utilisant la propriété de concaténation des plans de

consommation (1.2.9), on voit immédiatement que :
u (s, c∗ (s)) ≤ V (t + 1, x − c∗ (t)) .

X
s≥t+1
Réciproquement, soient ε > 0 un paramètre fixé, et c = (c(s))s≥t un plan de

consommation défini par c(t) := c∗ (t) et (c(s))s≥t+1 une solution ε-optimale
de V (t + 1, x − c∗ (t)) i.e.:
(c(s))s≥t+1 ∈ A(x − c∗ (t)) et u(s, c(s)) ≥ V (t + 1, x − c∗ (t)) − ε .

X
s≥t+1
23
On vérifie que c est bien dans A(x) et on a les inégalités suivantes :
u (t, c∗ (t)) + u (s, c∗ (s)) ≥ (t, c∗ (t)) +

X X
u (s, c(s))
s≥t+1 s≥t+1
≥ (t, c∗ (t)) + V (t + 1, x − c∗ (t)) − ε .
Ceci termine la démonstration puisque ε > 0 est arbitraire. t

u
Remarque 1.2.3 D’après le principe de la programmation dynamique, on

déduit de la proposition ci-dessus que c∗t est un maximiseur dans l’équation
de la programmation dynamique.
Remarque 1.2.4 D’après la démonstration précédente, on voit que si (c∗ (s))s≥t

est un plan de consommation optimal pour V (t, x) alors (c∗ (s))s≥t+1 est un
plan de consommation optimal pour V (t + 1, x − c∗ (t)). En d’autres ter-
mes, un plan de consommation optimal reste optimal le long de la trajectoire
optimale.
La dernière remarque nos conduit à l’interrogation suivante : étant donné

un plan de consommation ĉ = (ĉ(s))s≥t qui maximise la suite des équations
de la programmation dynamique le long de sa trajectoire, peut-on affirmer
que ĉ est solution du problème V (t, x) ?
Proposition 1.2.5 Soit ĉ = (ĉ(s))s≥t ∈ A(x) un plan de consommation

vérifiant pour tout s ≥ t :
s−1
X
V (s, x̂(s)) = u (s, ĉ(s)) + V (s + 1, x̂(s) − ĉ(s)) où x̂(s) := x − ĉ(r) .
r=t
Supposons de plus que
lim V (s, x̂(s)) = 0 .

s→∞
Alors ĉ est un plan de consommation optimal pour V (t, x), i.e.:

X
V (t, x) = u (s, ĉ(s)) .
s≥t
24
Démonstration. D’après la propriété d’optimalité de ĉ dans le problème de
maximisation de l’équation de la programmation dynamique, on voit que :
V (t, x) = u (t, ĉ(t)) + V (t + 1, x − ĉ(t))

= u (t, ĉ(t)) + u (t + 1, ĉ(t + 1)) + V (t + 2, x − ĉ(t) − ĉ(t + 1))
s−1
X
= ... = u (r, ĉ(r)) + V (s, x̂(s)) ,
r=t
et on conclut en envoyant s vers l’infini. t

u
25
Chapter 2
Calcul des variations
2.1 Problème
Soient t0 < t1 ∈ IR et F : [t0 , t1 ] × IR× IRn −→ IR une fonction de classe C 1 .
Dans ce chapitre, nous étudions une première classe de problèmes dynamiques
qui s’écrivent sous la forme :
φ := inf ϕ(x) (2.1.1)

x ∈ C 1 ([t0 , t1 ], IRn )
x(t0 ) = x0
x(t1 ) − x1 ∈ C(I, J, K)
où
Z t1
ϕ(x) := F (t, x(t), ẋ(t)) dt .
t0
où x0 , x1 ∈ IRn sont donnés, I, J et K sont des sous-ensembles d’indices de

{1, . . . , n}, deux à deux disjoints, et
n o
C(I, J, K) := ξ ∈ IRn : ξ i ≤ 0, ξ j ≥ 0 et ξ k = 0 pour (i, j, k) ∈ I × J × K .
Ainsi le cas où la valeur terminale de la variable d’état n’est pas contrainte
est obtenu pour I = J = K = ∅.
26
Remarque 2.1.1 Soit G : IRn −→ IR une fonction de classe C 1 , et con-
sidérons le critère avec coût terminal :
Z t1
ϕ̃(x) := F (t, x(t), ẋ(t)) dt + G (x(t1 )) ,
t0
ainsi que le problème de minimisation
φ̃ := inf ϕ̃(x) . (2.1.2)

x ∈ C 1 ([t0 , t1 ], IRn )
x(t0 ) = x0
x(t1 ) − x1 ∈ C(I, J, K)
Alors, en introduisant
F̃ (t, ξ, v) := F (t, ξ, v) + DG (ξ) · v ,
On peut écrire ϕ̃ sous la forme

Z t1
ϕ̃(x) := F̃ (t, x(t), ẋ(t)) dt + G (x(t0 )) ,
t0
ramenant ainsi l’étude du problème (2.1.2) à celle du problème (2.1.1) sans

coût terminal.
2.2 Condition nécessaire d’optimalité : cas

où l’état terminal est contraint à l’égalité
Théorème 2.2.1 (équation d’Euler locale) Soit x∗ ∈ C 1 ([t0 , t1 ], IRn ) une
solution du problème (2.1.1). Alors, la fonction
t 7−→ Fv (t, x∗ (t), ẋ∗ (t))
est de classe C 1 sur [t0 , t1 ] et sa différentielle est donnée par
d
Fv (t, x∗ (t), ẋ∗ (t)) = Fx (t, x∗ (t), ẋ∗ (t)) pour tout t ∈ [t0 , t1 ] .
dt
27
Remarque 2.2.1 L’équation d’Euler locale est une condition nécessaire d’op-
timalité. Elle ne stipule pas l’existence d’une solution au problème de calcul
des variations (2.1.1).
Démonstration. Soit h ∈ C 1 ([t0 , t1 ], IRn ) telle que h(t0 ) = h(t1 ) = 0, et ε

un paramètre réel. On considère la petite variation de x∗ dans la direction
h:
xε := x∗ + εh .
Comme xε ∈ C 1 ([t0 , t1 ], IRn ) et xε (t0 ) = x0 , xε (t1 ) = x1 , il découle de

l’optimalité de x∗ que ε = 0 est un point de minimum de la fonction ε
7−→ J(xε ). Il est facile de vérifier que cette fonction est dérivable par rap-
port à ε (dérivation sous le signe intégrale, par un argument de convergence
dominée). Une condition nécessaire de cette condition de minimalité est alors
la nullité de la dérivée :

∂ ∂ Z t1 ∗
ε
J(x ) = F t, x (t) + εh(t), ẋ∗ (t) + εḣ(t) dt = 0.

∂ε ε=0
∂ε t0 ε=0
Ceci conduit à
Z t1 Z t1
∗ ∗
Fx (t, x (t), ẋ (t)) · h(t)dt + Fv (t, x∗ (t), ẋ∗ (t)) · ḣ(t)dt = 0 . (2.2.1)
t0 t0
On introduit la primitive H de la fonction t 7−→ Fx (t, x∗ (t), ẋ∗ (t))

Z t
H(t) := Fx (t, x∗ (t), ẋ∗ (t)) dt + K ,
t0
où est telle que

Z t1 Z t1
H(t)dt = Fv (t, x∗ (t), ẋ∗ (t)) dt (2.2.2)
t0 t0
En intégrant par parties la première intégrale de (2.2.1) et en se rappelant

que h(t0 ) = h(t1 ) = 0, on obtient
Z t1
{−H(t) + Fv (t, x∗ (t), ẋ∗ (t))} · ḣ(t)dt = 0 . (2.2.3)
t0
28
Observons à présent que la fonction
Z t
h(t) := {−H(s) + Fv (s, x∗ (s), ẋ∗ (s))} ds
t0
est de classe C 1 ([t0 , t1 ], IRn ) et qu’elle vérifie h(t0 ) = h(t1 ) = 0 en vertu de

(2.2.2). On peut alors substituer cette fonction dans (2.2.3). Ceci permet
d’obtenir :
Z t1
|−H(t) + Fv (t, x∗ (t), ẋ∗ (t))|2 dt = 0 ,
t0
ce qui donne, par continuité des fonction H, Fv et ẋ∗ :
H(t) = Fv (t, x∗ (t), ẋ∗ (t)) pour tout t ∈ [t0 , t1 ] .
Pour finir la démonstration, il suffit de remarquer que H est de classe C 1 ,

d’aprés sa définition, et de dériver cette relation. t
u
Remarque 2.2.2 Dans le cas du problème de calcul de variation avec coût

terminal (2.1.2) introduit dans la remarque 2.1.1, la condition d’Euler locale
sécrit :
d
F̃v (t, x∗ (t), ẋ∗ (t)) = F̃x (t, x∗ (t), ẋ∗ (t)) pour tout t ∈ [t0 , t1 ] ,
dt
soit, en se rappelant que F̃ (t, ξ, v) = F (t, ξ, v) + G0 (ξ) · v,
d
Fv (t, x∗ (t), ẋ∗ (t)) = Fx (t, x∗ (t), ẋ∗ (t)) pour tout t ∈ [t0 , t1 ] .
dt
Ainsi la condition d’Euler locale pour le problème (2.1.2) ne fait pas intervenir
la fonction de coût terminal G.
L’équation d’Euler énoncée dans le dernier théorème peut être étendue

au cas où le problème de maximisation est posé initialement sur l’ensemble
plus large des fonctions C 1 par morceaux.
29
Définition 2.2.1 Soit x : [t0 , t1 ] −→ IRn . On dit que x est continuement
1
différentiable par morceaux, et on note x ∈ Cpm ([t0 , t1 ], IRn ), s’il existe une
partition t0 = s0 < . . . < sm = t1 de l’intervalle [t0 , t1 ] telle que
• x ∈ C 0 ([t0 , t1 ], IRn ),
• x ∈ C 1 (]si−1 , si [, IRn ) pour tout i = 1, . . . , m,
• ẋ admet des limites à droite et à gauche finies en si pour tout i =
0, . . . , m.
Voici un cas où il est naturel d’étendre le problème à l’ensemble des

1
fonctions de Cpm ([t0 , t1 ], IRn ).
Exemple 2.2.1 On considère le problème de minimisation :

Z 1
φ := inf ϕ(x) où ϕ(x) := x(t)2 [1 − ẋ(t)]2 dt .
x(−1) = 0 −1
x(1) = 1
1
On remarque qu’il existe une solution de ce problème dans Cpm ([−1, 1], IR)
donnée par
x∗ (t) := t+ = max{0, t} pour tout t ∈ [−1, 1] .

1
Ainsi, la fonction valeur du problème de minimisation défini sur Cpm ([−1, 1], IR)
1
est nulle. Par ailleurs, il est facile de construire une suite xn dans C ([−1, 1], IR)
telle que ϕ(xn ) −→ 0. Ceci montre que la fonction valeur du problème de
minimisation défini sur C 1 ([−1, 1], IR) est également nulle. Cependant, le
problème n’admet pas de solution dans C 1 ([−1, 1], IR).
On introduit alors le problème
φpm := inf ϕ(x) (2.2.4)

1
x ∈ Cpm ([t0 , t1 ], IRn )
x(t0 ) = x0
x(t1 ) = x1
où
Z t1
ϕ(x) := F (t, x(t), ẋ(t)) dt .
t0
30
En regardant de près la démonstration précédente, on déduit l’extension
suivante de l’équation d’Euler.
Théorème 2.2.2 (équation d’Euler intégrale) Soit x∗ ∈ Cpm 1

([t0 , t1 ], IRn )
une solution du problème (2.2.4). Alors, il existe une constante K ∈ IR telle
que
Z t1
Fv (t, x∗ (t), ẋ∗ (t)) = Fx (t, x∗ (t), ẋ∗ (t)) dt + K .
t0
En particulier, on a les deux propriétés suivantes

(i) en tout point t̄ où la fonction t 7−→ Fx (t, x∗ (t), ẋ∗ (t)) est continue, l’équation
d’Euler locale est satisfaite :
d
Fv (t̄, x∗ (t̄), ẋ∗ (t̄)) = Fx (t̄, x∗ (t̄), ẋ∗ (t̄)) ,
dt
(ii) bien que ẋ∗ (s− ∗ +
i ) 6= ẋ (si ) en un nombre fini de points (si )0≤i≤m de
l’intervalle [t0 , t1 ], on a :

Fv si , x∗ (si ), ẋ∗ (s−
i ) = Fv si , x∗ (si ), ẋ∗ (s+
i )
2.3 Cas où l’état terminal n’est pas contraint

à l’égalité : conditions de transversalité
Dans ce paragraphe, nous étudions le problème de calcul des variations quand
l’état du système à la date terminale n’est pas nécessairement contraint à
l’égalité. Soient alors
I, J et K ⊂ {1, . . . , n}
des ensembles d’indices deux à deux disjoints. Remarquons immédiatement

que la réunion I ∪ J ∪ K peut être strictement incluse dans {1, . . . , n}. On
notera par (I ∪ J ∪ K)c le complémentaire de I ∪ J ∪ K dans l’ensemble
{1, . . . , n}.
31
Etant donné un point x1 de IRn , on considère le problème
φ := inf ϕ(x) (2.3.1)
x ∈ C 1 ([t0 , t1 ], IRn )
x(t0 ) = x0
x (t1 ) ≤ xi1 , i ∈ I
i
xj (t1 ) ≥ xj1 , j ∈ J
xk (t1 ) = xk1 , k ∈ K
où
Z t1
ϕ(x) := F (t, x(t), ẋ(t)) dt .
t0
Ainsi la valeur terminale de l’état du système est

- contrainte à l’inégalité pour les composantes à indice dans I ou dans J,
- contrainte à l’égalité pour les composantes k ∈ K,
- non contrainte pour les composantes k ∈ (I ∪ J ∪ K)c .
Enfin, étant donné une fonction x vérifiant les contraintes du problème
(2.3.1), il convient de distinguer parmi les contraintes d’inégalité celle qui
sont saturées :
n o
I(x) := i ∈ I : xi (t1 ) = xi1
n o
J(x) := j ∈ J : xj (t1 ) = xj1 ,
;
et on notera
L(x) := [I(x) ∪ J(x) ∪ K]c .
Théorème 2.3.1 Soit x∗ ∈ C 1 ([t0 , t1 ], IRn ) une solution du problème (2.3.1).

Alors :
(i) (équation d’Euler locale) la fonction t 7−→ Fv (t, x∗ (t), ẋ∗ (t)) est de classe
C 1 sur [t0 , t1 ] et sa différentielle est donnée par
d
Fv (t, x∗ (t), ẋ∗ (t)) = Fx (t, x∗ (t), ẋ∗ (t)) pour tout t ∈ [t0 , t1 ] ,
dt
(ii) (conditions de transversalité) pour tous i ∈ I(x∗ ), j ∈ J(x∗ ) et ` ∈ L(x∗ ),
Fvi (t1 , x∗ (t1 ), ẋ∗ (t1 )) ≤ 0, Fvj (t1 , x∗ (t1 ), ẋ∗ (t1 )) ≥ 0
Fv` (t1 , x∗ (t1 ), ẋ∗ (t1 )) = 0 .
32
Démonstration. Nous commençons par remarquer que x∗ est aussi solution
du problème de calcul des variation avec contrainte d’égalité sur la valeur
terminale de l’état du système :
inf ϕ(x) .
x ∈ C 1 ([t0 , t1 ], IRn )
x(t0 ) = x0
x(t1 ) = x∗ (t1 )
Ceci permet d’obtenir la partie (i) du théorème par application directe du

théorème 2.2.1.
Pour montrer que x∗ vérifie les conditions de transversalité, on se donne
des réels (λi )i∈I(x∗ ) , (µj )j∈J(x∗ ) et (γ` )`∈L(x∗ ) tels que
λi ≥ 0, µj ≥ 0, γ` ∈ IR pour tous i ∈ I(x∗ ), j ∈ J(x∗ ) et ` ∈ L(x∗ ) .
Soit h une fonction de C 1 ([t0 , t1 ], IRn ) telle que h(t0 ) = 0,
hi (t1 ) = −λi , hj (t1 ) = µj , hk (t1 ) = 0 et h` (t1 ) = γ`

(2.3.2)
pour tous i ∈ I(x∗ ), j ∈ J(x∗ ), k ∈ K et ` ∈ L(x∗ ) .
Alors, il existe ε̄ > 0 tel que pour tout ε ∈ [0, ε̄], la fonction xε := x∗ + εh
vérifie toutes les contraintes du problème (2.3.1). On en déduite que la
fonction ε 7−→ J(xε ), définie sur [0, ε̄], est minimisée par ε = 0, et par suite :

∂
ϕ(xε ) ≥ 0. (2.3.3)

∂ε
ε=0
En dérivant à l’intérieur du signe intégral comme dans la démonstration du

théorème 2.2.1, on obtient alors :
Z t1 Z t1
Fx (t, x∗ (t), ẋ∗ (t)) · h(t)dt + Fv (t, x∗ (t), ẋ∗ (t)) · ḣ(t)dt ≥ (2.3.4)
0.
t0 t0
7 → Fv (t, x∗ (t), ẋ∗ (t)) est de

D’après la partie (i) du théorème, la fonction t −
classe C 1 . On obtient alors par intégration par parties :
( )
Z t1 d
0 ≤ ∗ ∗
Fx (t, x (t), ẋ (t)) − Fv (t, x∗ (t), ẋ∗ (t)) · h(t)dt
t0 dt
+ [Fv (t, x∗ (t), ẋ∗ (t)) · h(t)]tt10 .
33
Comme x∗ vérifie l’équation d’Euler locale, encore d’après le (i), on about à :
0 ≤ Fv (t1 , x∗ (t1 ), ẋ∗ (t1 )) · h(t1 )
puisque h(t0 ) = 0. Enfin, en utilisant (2.3.2), on obtient :
λi Fvi (t1 , x∗ (t1 ), ẋ∗ (t1 ))

X
0 ≤ −
i∈I(x∗ )
µj Fvj (t1 , x∗ (t1 ), ẋ∗ (t1 ))

X
+
j∈J(x∗ )
γ` Fv` (t1 , x∗ (t1 ), ẋ∗ (t1 )) ,

X
+
`∈L(x∗ )
et les conditions de transversalité du (ii) découle du caractère arbitraire des

λi ≥ 0, µj ≥ 0 et γ` ∈ IR. t
u
Remarque 2.3.1 Cas d’un problème de maximisation. Dans le cas d’un

problème de maximisation, i.e. l’infimum (2.3.1) est remplacé par un supré-
mum, l’inégalité (2.3.3) est inversée. Par conséquent, toutes les inégalités
dans les conditions de transversalité sont inversées.
Remarque 2.3.2 Revenons au cas où la fonction objectif contient un terme

de coût terminal comme dans la remarque 2.1.1 :
Z t1
inf F (t, x(t), ẋ(t)) dt + G (x(t1 )) , (2.3.5)
x ∈ C 1 ([t0 , t1 ], IRn ) t0
x(t0 ) = x0
xi (t1 ) ≤ xi1 , i ∈ I
xj (t1 ) ≥ xj1 , j ∈ J
xk (t1 ) = xk1 , k ∈ K
et écrivons les conclusions du théorème 2.3.1 en fonction des fonctions F et

G.
(i) L’équation d’Euler locale ne fait pas intervenir G, comme il a déja été
observé dans la remarque 2.2.2.
34
(ii) Les conditions de transversalité sécrivent :
Fvi (t1 , x∗ (t1 ), ẋ∗ (t1 )) + Gxi (x∗ (t1 )) ≤ 0 pour i ∈ I(x∗ ) ,
Fvj (t1 , x∗ (t1 ), ẋ∗ (t1 )) + Gxj (x∗ (t1 )) ≥ 0 pour j ∈ J(x∗ ) ,
Fv` (t1 , x∗ (t1 ), ẋ∗ (t1 )) + Gx` (x∗ (t1 )) = 0 pour ` ∈ L(x∗ ) .
2.4 Une condition suffisante d’optimalité

Dans ce paragraphe, on considère le problème de calcul de variations général :
Z t1
φ := inf F (t, x(t), ẋ(t)) dt (2.4.1)
x ∈ C 1 ([t0 , t1 ], IRn ) t0
x(t0 ) = x0
x(t1 ) − x1 ∈ C(I, J, K)
où F est de classe C 1 , et I, J sont des sous-ensembles d’indices de {1, . . . , n}

comme dans le paragraphe précédent. on notera comme d’habitude
Z t1
ϕ(x) = F (t, x(t), ẋ(t)) dt .
t0
Théorème 2.4.1 Supposons que la fonction (ξ, v) 7−→ F (t, ξ, v) est con-
vexe pour tout t ∈ [t0 , t1 ]. Soit x̄ une fonction de C 1 ([t0 , t1 ], IRn ) vérifiant les
contraintes du problème (2.4.1), l’équation d’Euler locale, ainsi que les condi-
tions de transversalité correspondantes. Alors x̄ est une solution du problème
(2.4.1).
Démonstration. Soit x ∈ C 1 ([t0 , t1 ], IRn ) une fonction vérifiant les con-

traintes du problème (2.4.1), et montrons que ϕ(x) − ϕ(x̄) ≥ 0.
1. En utilisant la convexité de F (t, ·, ·), puis l’équation d’Euler locale vérifiée
par x̂, on obtient :
F (t, x(t), ẋ(t)) − F (t, x̄(t), x̄˙ (t))

≥ Fx (t, x̄(t), x̄˙ (t)) · [x(t) − x̄(t)]
+Fv (t, x̄(t), x̄˙ (t)) · [ẋ(t) − x̄˙ (t)]
d
= {Fv (t, x̄(t), x̄˙ (t)) · [x(t) − x̄(t)]} .
dt
35
En intégrant entre t0 et t1 , ceci montre que :
t
ϕ(x) − ϕ(x̄) ≥ [Fv (t, x̄(t), x̄˙ (t)) · (x(t) − x̄(t))]t10
= Fv (t1 , x̄(t1 ), x̄˙ (t1 )) · (x(t1 ) − x̄(t1 )) ,
puisque x(t0 ) = x̄(t0 ) = x0 .

2. Remarquons maintenant que x̄k (t1 ) = xk (t1 ) = xk1 pour tout k ∈ K,
et que Fv` (t1 , x̄(t1 ), x̄˙ (t1 )) = 0 pour tout ` ∈ L(x̄) d’après la condition de
transversalité. Ceci permet d’écrire l’inégalité précédente sous la forme :

Fvi (t1 , x̄(t1 ), x̄˙ (t1 )) xi (t1 ) − x̄i (t1 )
X
ϕ(x) − ϕ(x̄) ≥
i∈I(x̄)

Fvj (t1 , x̄(t1 ), x̄˙ (t1 )) xj (t1 ) − x̄j (t1 )
X
+
j∈J(x̄)

Fvi (t1 , x̄(t1 ), x̄˙ (t1 )) xi (t1 ) − xi1
X
=
i∈I(x̄)

Fvj (t1 , x̄(t1 ), x̄˙ (t1 )) xj (t1 ) − xj1 .
X
+
j∈J(x̄)
Enfin, comme x vérifie les contraintes du problème (2.4.1) et que I(x̄) ⊂ I,

J(x̄) ⊂ J, on a xi (t1 ) − xi1 ≤ 0 et xj (t1 ) − xj1 ≥ 0 pour tous i ∈ I(x) et
j ∈ J(x). On déduit alors des conditions de transversalité que :

Fvi (t1 , x̄(t1 ), x̄˙ (t1 )) xi (t1 ) − xi1 ≥ 0 pour tout i ∈ I(x̄) ,

Fvj (t1 , x̄(t1 ), x̄˙ (t1 )) xj (t1 ) − xj1 ≥ 0 pour tout j ∈ J(x̄) ,
et par suite, on obtient l’inégalité voulue ϕ(x) − ϕ(x̄) ≥ 0. t

u
2.5 Exemples
2.5.1 Problème quadratique unidimensionnel
On considère le problème
Z 1 h i
inf x(t)2 + ẋ(t)2 dt .
x ∈ C 1 ([0, 1], IR) 0
x(0) = 1
36
On a alors F (t, ξ, v) = ξ 2 +v 2 , Fx (t, ξ, v) = 2ξ, Fv (t, ξ, v) = 2v, et la condition
d’Euler locale s’écrit :
ẍ(t) = x(t) pour tout t ∈ [0, 1] .
On obtient alors l’expression de x en fonction de deux constantes réelles α

et β :
x(t) = αet + βe−t .
Comme l’état terminal n’est pas contraint, on a la condition de transver-

salité :
Fv (1, x(1)ẋ(1)) = 2 ẋ(1) = 0 .
En combinant cette équation avec la condition initiale x(0) = 1, on détermine

les constantes :
e−1 e
α = −1
et β = .
e+e e + e−1
Enfin, on remarque que l’on est dans le cadre d’application du théorème 2.4.1.
On est alors assuré que x est une solution de notre problème, c’est d’ailleurs
la solution unique par stricte convexité de F (t, x, v) en (x, v).
2.5.2 Modèle de consommation optimale

On considère la version temps continu du problème de consommation optimal
étudié dans le paragraphe (1.2) de l’introduction. La dynamique de la richesse
est maintenant définie par :
ẋ(t) = −c(t) et x(0) = x0 , (2.5.1)
où c(t) est un taux de consommation à la date t. Les préférences de l’agent

sont caractérisées par la fonction d’utilité :
Z T
U (c) = e−βt u (c(t)) dt
0
37
où
u : IR+ −→ IR
ξ −→ u(ξ)
est une fonction croissante, strictement concave et vérifiant la condition
d’Inada
u0 (0+) = +∞ , (2.5.2)
qui, comme on l’a montré dans la remarque 1.2.1, permet d’ignorer la con-
trainte de positivité de la consommation. D’après (2.5.1), la version temps
continu du problème de choix optimal de consommation s’écrit :
Z T
sup e−βt u (−ẋ(t)) dt .
0
x ∈ C 1 ([0, 1], IR)
x(0) = x0
x(T ) ≥ 0
Dans cet exemple, on a F (t, x, v) = e−βt u(−v). La condition d’Euler locale

s’écrit :
d n −βt 0 o
0 = − e u (−ẋ) = e−βt [−βu0 (−ẋ) − u” (−ẋ) ẍ(t)] .
dt
Il est clair que la contrainte de positivité sur la richesse terminale doit être
saturée par tout plan de consommation optimal. Par conséquent, il n’y a pas
de condition de transversalité.
Afin d’aller plus loin dans les calculs, on suppose que
ξγ
u(ξ) =
γ
où γ < 1 est un paramètre donnée. La condition locale d’Euler devient alors :
−β (−ẋ)γ−1 + (1 − γ) (−ẋ)γ−2 ẍ(t) = 0 ,
soit, en multipliant par (−ẋ)−γ+2 :
(1 − γ)ẍ(t) + β ẋ(t) = 0 .
38
Compte tenu de la condition initiale x(0) = x0 et de la contrainte terminale
saturée x(T ) = 0, cette équation différentielle admet comme solution unique :
1 − e−βt/(1−γ)
" #
x(t) = x0 1− .
1 − e−βT /(1−γ)
Enfin, on remarque que l’on est dans le cadre d’application du théorème 2.4.1.
On est alors assuré que x est une solution de notre problème, c’est d’ailleurs
la solution unique par stricte concavité de u.
2.5.3 Croissance optimale avec ressource épuisable

Nous allons maintenant étudier un modèle un peu plus riche que celui de
l’exemple précédent, dans le sens où il sera possible de faire fructifier le
capital qui sera noté k dans l’exemple actuel. La dynamique du caiptal est
décrite par l’équation :
k̇ = ak(t)1−α r(t)α − c(t) , (2.5.3)
où c(t) désigne le taux de consommation à la date t, et r(t) un taux de

ressource, indispensable pour la production de capital, et puisé dans un stock
de ressource y(t) dont la dynamique est :
ẏ = −r(t) . (2.5.4)
On notera par x := (y, k) la variable d’état contrôlé du système. La variable

2
de contrôle (c, r) prend ses valeurs dans U = IR+ . On considère alors le
problème d’optimisation dynamique
Z T
sup ln c(t)dt .
0
(c, r) ∈ U
x(0) = x0
x(T ) = 0
Remarquons immédiatement que la contrainte de positivité sur les contrôles

peut être ignorée par définition de la fonction objectif et de la condition
39
terminale. Pour se ramener à un problème de calcul de variations, il suffit
de remplacer les contrôles c(t) et r(t) en fonction des variables d’état (y, k)
et leur vitesse (ẏ, k̇) :
c(t) = h(t, y(t), k(t), ẏ(t), k̇(t)) . (2.5.5)
et on écrit le problème sous la forme

Z T h i
sup ln ak(t)1−α (−ẏ(t))α − k̇(t) dt .
0
(c, r) ∈ U
x(0) = x0
x(T ) = 0
Ainsi, dans cet exemple F (t, x, v) = ln h(t, x, v) avec
h(t, x1 , x2 , v1 , v2 ) := ax1−α
2 (−v1 )α − v2 .
si bien que
La condition d’Euler locale s’écrit :
   
d  −c(t)−1 aαz(t)α−1  0 −ẏ(t)
−1
= c(t)−1  α
 où z(t) := .
dt −c(t) a(1 − α)z(t) k(t)
La première équation de ce système montre que
c(t)−1 z(t)α−1 = b1 est une fonction constante. (2.5.6)
En injectant cette information dans la deuxième équation, on voit que :
z(t)−1−α ż(t) = −a ,
ce qui conduit à l’existence d’une autre constante b2 telle que

1
az(t)α = .
b2 + αt
En combinant cette équation avec (2.5.5) et (2.5.6), on obtient une équation
différentielle pour la variable k :
k̇(t) = az(t)α k(t) − c(t)

= (b2 + αt)−1 k(t) − b1 a(1−α)/α (b2 + αt)(1−α)/α ,
40
Cette équation se résout explicitement. Tenant compte de la contrainte
k(T ) = 0, on obtient l’expression de k(t) (à deux constantes près) :
!1/α
(1−α)/α 1/α b2 + αT
k(t) = b1 a (b2 + αt) ln .
b2 + αt
On peut maintenant déterminer la variable d’état y :

!1/α
b1 b2 + αT
ẏ ∗ (t) = −z(t)k(t) = − ln .
a b2 + αt
Compte tenu de la contrainte terminale y(T ) = 0, on obtient l’expression de

y, toujours aux deux constantes près :
!1/α
b1 Z T b2 + αT
y(t) = ln dt .
a t b2 + αt
Enfin, pour déterminer les constantes b1 et b2 , il ne reste plus qu’à écrire

que :
k(0) = k0 et y(0) = y0 .
41
Chapter 3
Principe du maximum de
Pontryagin
3.1 formulation de Lagrange du problème

Dans ce chapitre, nous étudions une classe plus grande de problèmes de
contrôle dynamique. On considèrera un système dynamique dont l’évolution
est régie par l’équation différentielle
ẋ(t) = f (t, x(t), u(t)) pour t0 ≤ t ≤ t1 , (3.1.1)
appelée équation d’état. Ici, u(.) est une fonction de [t0 , t1 ] dans U ⊂ IRk .
C’est la variable de contrôle sur le système. Pour des raisons techniques liées
essentiellement au problème d’existence du chapitre 5, la variable de contrôle
sera supposée continue par morceaux. On notera par
0
U := Cpm [t0 , t1 ], U )
l’ensemble des variables de contrôle admissibles.

Dans le paragraphe 3.3, nous montrerons que pour toute variable de
contrôle u ∈ U et pour toute condition initiale donnée x(t0 ) = x0 , il existe
une solution unique x(.) = xu (.) de l’équation (3.1.1), appelée état contrôlé
du système, ou trajectoire contrôlée du système.
42
Etant donnée une fonction de coût F : [t0 , t1 ] × IRn × U −→ IR, on définit
le problème de minimisation :
Z t1
inf F (t, xu (t), u(t)) dt , (3.1.2)
u∈U t0
xu (t0 ) = x0
où x0 ∈ IRn est une condition initiale donnée.

La dépendance de la variable d’état xu par rapport à la variable de
contrôle u sera souvent omise, et on notera plus simplement x, sauf s’il y
a un risque de confusion.
Remarquons enfin que le problème de calcul des variations étudié dans
le chapitre 2 est un cas très particulier du problème de ce chapitre, qui
correspond à la spécification f (t, ξ, u) = u.
3.2 Formulations équivalentes

La formulation (3.1.2) du paragraphe précédent est appelée problème de La-
grange. Dans ce paragraphe, nous présentons deux formulations alternatives,
et on montrera que les trois formulations sont équivalentes dans le sens où
on peut toujours se ramener de l’une à l’autre.
Formulation de Mayer. Ici le critère à minimiser dépend uniquement de la

valeur terminale de l’état contrôlé du système. Pour une fonction G : IRn
−→ IR donnée, on définit le problème d’optimisation dynamique :
inf G (xu (t1 )) . (3.2.1)

u∈U
xu (t0 ) = x0
Si G est de classe C 1 , on remarque que l’on peut écrire :

Z t1
G (xu (t1 )) = G (xu (t0 )) + DG (xu (t1 )) · ẋu (t) dt
t0
Z t1
= G (x0 ) + DG (xu (t1 )) · f (t, xu (t), u(t)) dt ,
t0
43
compte tenu de l’équation différentielle qui régit l’évolution du système contrôlé.
Ainsi, en introduisant
F (t, ξ, ν) := DG(ξ) · f (t, ξ, ν),
on peut ré-écrire le problème de Mayer sous la formulation de Lagrange.

Réciproquement, on peut écrire un problème de Lagrange sous la formu-
lation de Mayer en augmentant le nombre de varaibles d’état :
 
u xu (t)  u
Z t
y (t) :=  avec xn+1 (t) := F (t, xu (t), u(t)) dt .
xun+1 (t) t0
Le système d’état augmenté est ainsi régi par l’équation différentielle

 
f (t, ξ, ν) 
ẏ(t) = g (t, y(t), u(t)) avec g(t, ξ, ζ, ν) :=  ,
F (t, ξ, ν)
et le problème de Lagrange se ré-écrit sous la forme

u
inf yn+1 (t1 ) ,
u∈U
y u (t0 ) = (x0 , 0)
et on retrouve bien un problème de Mayer.
Formulation de Bolza. Cette formulation regroupe les deux précédentes.

Etant données deux fonctions F : [t0 , t1 ] × IRn × U −→ IR et G : IRn −→ IR,
on définit le problème d’optimisation dynamique :
Z t1
inf F (t, xu (t), u(t)) dt + G (xu (t1 )) . (3.2.2)
u∈U t0
u
x (t0 ) = x0
Le problème de Lagrange rentre ainsi dans la classe des problèmes de Bolza

(G = 0). Réciproquement, en introduisant
F̃ (t, ξ, ν) := F̃ (t, ξ, ν) + DG(ξ) · f (t, ξ, ν) ,
on ramème le problème de Bolza à un problème de Lagrange.
44
3.3 Equation différentielle contrôlée : Exis-
tence et unicité
Commençons par préciser la notion de continuité par morceaux.
Définition 3.3.1 Une fonction u : [t0 , t1 ] −→ IRk est continue par morceaux
si
- u admet des limites à droite et à gauche en tout point de ]t0 , t1 [, une
limite à droite en t0 , et une limite à gauche en t1 ,
- l’ensemble des points de ]t0 , t1 [ où u n’est pas continue est fini.
Dans la suite de ce paragraphe, on se donne une fonction u ∈ U, et on

considère l’équation différentielle (3.1.1) où f est une fonction continue. Afin
d’éviter le problème de non dérivabilité de x aux points de discontinuité de
u, on écrira (3.1.1) sous la forme intégrale
Z t
x(t) = x0 + f (s, x(s), u(s)) ds , t0 ≤ t ≤ t1 . (3.3.1)
t0
Définition 3.3.2 Soit f : [t0 , t1 ] × IRn × U −→ IRn une fonction continue

et u une variable de contrôle dans U. On dit que x(.) est une solution de
(3.1.1) avec la condition initiale x(t0 ) = x0 si x vérifie (3.3.1).
Ainsi, une solution x de (3.1.1) est nécessairement continue. Elle est

dérivable à droite et à a gauche en tout point de [t0 , t1 ], avec
ẋ(t−) = f (t, x(t), u(t−)) et ẋ(t+) = f (t, x(t), u(t+)) ,
et par suite x est dérivable en tout point de continuité de u.

L’existence et l’unicité d’une solution de (3.1.1) (suivant la définition
précédente) est assurée par le théorème suivant.
Théorème 3.3.1 Soit f : [t0 , t1 ] × IRn × U −→ IRn une fonction continue

vérifiant les conditions de Lipschitz et de croissance linéaires : il existe K > 0
45
tel que
|f (t, ξ1 , ν) − f (t, ξ2 , ν)| ≤ K |ξ1 − ξ2 | , ξ1 , ξ2 ∈ IRn , (t, ν) ∈ [t0 , t1 ] × U ,
|f (t, ξ, ν)| ≤ K (1 + |ξ| + |ν|) , (t, ξ, ν) ∈ [t0 , t1 ] × IRn × U .
(3.3.2)
Alors, pour toute variable de contrôle u ∈ U, l’équation différentielle (3.1.1)
admet une unique solution vérifiant une condition initiale donnée x(t0 ) =
x0 ∈ IRn .
Ce résultat est un cas particulier du théorème 5.1.1 qui sera démontré
dans le chapitre 5.
3.4 Enoncé du principe du maximum de Pon-

tryagin
Dans ce paragraphe, nous énonçons la condition nécessaire d’optimalité pour
le problème de contrôle (3.1.2). Pour celà, nous introduisons le Hamiltonien
associé :
H(t, ξ, ν, π) := F (t, ξ, ν) + π · f (t, ξ, ν) (3.4.1)
défini sur [t0 , t1 ] × IRn × U × IR et à valeurs dans IR.
Théorème 3.4.1 Supposons que f et F soient continues, qu’elles vérifient
les conditions (3.3.2), et que les gradients partiels fx et Fx existent, continus,
et pour un certain α > 0,
ξ 7−→ (fx , Fx )(t, ξ, ν) est α−Hölderienne pour (t, ν) ∈ [t0 , t1 ] × U. (3.4.2)
∗
Soit u∗ un contrôle optimal pour le problème (3.1.2), et x∗ := xu l’état
contrôlé associé. Alors,
il existe p : [t0 , t1 ] −→ IRn de classe C 1 ,
telle que, pour tout t ∈ [t0 , t1 ] :
(i) H (t, x∗ (t), u∗ (t), p(t)) = min H (t, x∗ (t), ν, p(t)),
ν∈U
(ii) ṗ(t) = −Hx (t, x∗ (t), u∗ (t), p(t)) et p(t1 ) = 0.
46
Remarquons que ce théorème reste vrai sans l’hypothèse (3.4.2). Nous
imposons cette condition afin de simplifier la démonstration. Nous terminons
ce paragraphe par le vocabulaire asocié à l’énoncé précédent.
- La fonction p introduite dans l’énoncé prédent est appelée état adjoint du
système.
- L’équation différentielle qui régit sa dynamique est appelée équation d’état
adjoint.
- La condition terminale sur p est appelée condition de transversalité.
- On a l’habitude de regrouper l’équation d’état adjoint avec l’équation d’état,
définissant ainsi le système Hamiltonien :

 ẋ(t) = ∂H (t, x∗ (t), u∗ (t), p(t)) , x(t0 ) = x0 ,
∂p
 ṗ(t) = − ∂H (t, x∗ (t), u∗ (t), p(t)) , p(t ) = 0 .
(3.4.3)
∂x 1
3.5 Démonstration du principe du maximum

de Pontryagin
Dans ce paragraphe, nous considérons la formulation de Mayer
inf G (xu (t1 )) . (3.5.1)

u∈U
u
x (t0 ) = x0
Il est bien sûr immédiat de déduire théorème 3.4.1 en utilisant l’équivalence

entre les formulations de Lagrange, de Mayer et de Bolza expliquée dans le
paragraphe 3.2. Le résultat simple suivant nous sera très utile.
Lemme 3.5.1 (Gronwall) Soit f : [a, b] −→ IR une fonction continue par

morceaux véfiant
Z t
f (t) ≤ α + β f (s)ds pour tout t ∈ [a, b] , (3.5.2)
a
α, β > 0 étant deux réels indépendants de t. Alors
f (t) ≤ αeβ(t−a) pour tout t ∈ [a, b] .
47
Démonstration. En multipliant (3.5.2) par e−β(t−a) , on obtient :
Z t
d

−β(t−a)
e f (s)ds ≤ αe−β(t−a) pour tout t ∈ [a, b] ,
dt a
ce qui donne, par une simple intégration entre a et t,

Z t αh i
−β(t−a)
e f (s)ds ≤ 1 − e−β(t−a) pour tout t ∈ [a, b] .
a β
On réinjecte enfin cette inégalité dans (3.5.2) pour obtenir le résultat voulu.
t
u
Nous allons maintenant procéder à la démonstration du principe du max-

imum de Pontryagin dans le cas du problème de Mayer (3.5.1).
Etape 1 : Perturbation de la variable de contrôle. Soit ν ∈ U , 0 < ε < t1 − t0

et t0 + ε < τ ≤ t1 . On considère la variable de contrôle

 ν sur ]τ − ε, τ ]
uε :=
 u∗ sur [t0 , τ − ε]∪]τ, t1 ] .
Il est clair que uε ∈ U. On notera

1
xε := xuε yε := xε − x∗ et zε := yε .
ε
Etape 2 : Effet de la perturbation sur l’état du système. On a bien sûr :
yε = 0 sur [0, τ − ε] .
Le résultat suivant montre que yε converge vers 0 uniformément sur [t0 , t1 ],

avec un taux de convergence de ε, préparant ainsi l’analyse de zε .
Lemme 3.5.2 Sous les conditions (3.3.2) sur f , il existe une constant c telle
que :
sup |yε (t)| ≤ ε ec(t1 −t0 ) .

t0 ≤t≤t1
48
Démonstration. (i) Pour t ∈ ]τ − ε, τ ], on a
ẏε (t) = f (t, xε (t), ν) − f (t, x∗ , u∗ (t)) ,
et par suite, d’après (3.3.2) :

t
Z
[f (s, xε (s), ν) − f (t, x∗ (s), ν)] ds

|yε (t)| =

τ −ε
t
Z
∗ ∗ ∗

+ [f (s, x (s), ν) − f (t, x (s), u (s))] ds
τ −ε
Z t
≤ K |yε (s)|ds + εK (2 + |ν| + kx∗ k∞ + ku∗ k∞ )
τ −ε
Z t
0
≤ K ε+ |yε (s)|ds ,
τ −ε
où kϕk∞ = max[t0 ,t1 ] |ϕ| et K 0 est une constante strictement positive. La
fonction yε est continue par morceaux comme différence de deux fonctions
continues par morceaux. On peut alors appliquer le lemme de Gronwall pour
obtenir :
0
|yε (t)| ≤ K 0 ε eK ε(t−τ +ε) ≤ 2K 0 ε pour t ∈ ]τ − ε, τ ] , (3.5.3)
pour ε suffisamment petit.

(ii) Pour t ∈ ]τ, t1 ], on a
ẏε (t) = f (t, xε (t), u∗ (t)) − f (t, x∗ , u∗ (t)) ,
et par suite, d’après (3.3.2) :

Z t
|yε (t)| ≤ |yε (τ )| + K |yε (s)|ds
τ
Z t
0
≤ K 2ε + |yε (s)|ds ,
τ
d’après (3.5.3). On obtient alors par le lemme de Gronwall :

0 0
|yε (t)| ≤ 2K 0 ε eK (t−τ ) ≤ 2K 0 εeK (t1 −t0 ) pour t ∈ ]τ − ε, τ ] .(3.5.4)
Le résultat du lemme découle de (3.5.3) et (3.5.4). t

u
Nous somme maintenant en mesure d’analyser le comportement asymp-

totique de zε .
49
Lemme 3.5.3 Supposons que f vérifie les conditions (3.3.2), et que le gra-
dient partiel fx existe, est continu, et vérifie (3.4.2). Alors, la fonction zε
converge simplement sur [t0 , t1 ] vers la fonction z définie par :
z(t) = 0 ; t ∈ [0, τ [
z(τ ) = f (τ, x∗ (τ ), ν) − f (τ, x∗ (τ ), u∗ (τ )) (3.5.5)
ż(t) = fx (t, x∗ (t), u∗ (t)) z(t) ; t ∈ [τ, t1 [ .
Démonstration. (i) La convergence de z(t) vers zéro pour t < τ est

évidente. Nous commençons alors par étudier la limite de zε (τ ). Pour
t ∈ ]τ − ε, τ ], on a
ẏε (t) = f (t, xε (t), ν) − f (t, x∗ , u∗ (t))

= f (t, x∗ (t), ν) − f (t, x∗ (t), u∗ (t)) + fx (t, x∗ (t), ν) y ε (t) + εηε (t) ,
où εηε (t) = ◦ (|y ε (t)|). En utilisant la condition (3.4.2) sur fx , on obtient une
meilleure estimation sur ηε . En effet, pour une certaine combinaison convexe
x̄(t) de xε (t) et x∗ (t), on a :
|εηε | = |fx (t, x̄(t), u∗ (t)) − fx (t, x∗ (t), u∗ (t))| · |yε (t)|
≤ C |x̄(t) − x∗ (t)|α |yε (t)| ≤ C |yε |1+α ≤ C 0 ε1+α , τ − ε < t(3.5.6)
≤τ ,
d’après le lemme 3.5.2 précédent. Pour montrer la convergence de zε (τ ) vers

z(τ ) (défini dans l’énoncé du lemme), on calcule
Z τ
zε (τ ) = żε (t)dt
τ −ε
1Z τ
= [f (t, x∗ (t), ν) − f (t, x∗ (t), u∗ (t))] dt
ε Zτ −ε
τ Z τ
+ ηε (t)dt + fx (t, x∗ (t), ν) z ε (t)dt .
τ −ε τ −ε
D’après (3.5.6), on voit que

Z τ
ηε (t)dt −→ 0 quand ε −→ 0 .
τ −ε
50
Par continuité de la fonction t 7−→ fx (t, x∗ (t), ν) z ε (t), on voit aussi que
Z τ
fx (t, x∗ (t), ν) z ε (t)dt −→ 0 quand ε −→ 0 .
τ −ε
Enfin, par le théorème de la moyenne :

1Z τ
[f (t, x∗ (t), ν) − f (t, x∗ (t), u∗ (t))] dt −→ z(τ ) quand ε −→ 0 .
ε τ −ε
(ii) Pour t ∈ ]τ, t1 ], on a
ẏε (t) = f (t, xε (t), u∗ (t)) − f (t, x∗ , u∗ (t))

= fx (t, x∗ (t), u∗ (t)) yε (t) + εηε (t) ,
où εηε (t) = ◦ (|y ε (t)|). En utilisant la condition (3.4.2) comme dans la
première étape de cette démonstration, on obtient l’éstimation suivante pour
ηε :
|ηε | ≤ C 0 εα , τ ≥ t ≤ t1 . (3.5.7)
Pour montrer la convergence de zε vers z sur ]τ, t1 ], on calcule :
żε (t) − ż(t) = fx (t, x∗ (t), u∗ (t)) [zε (t) − ż(t)] + ηε (t) ,
et par suite :
Z t
|zε (t) − z(t)| ≤ |zε (τ ) − z(τ )| + |ηε (s)|ds
τ
Z t
+ |fx (s, x∗ (s), u∗ (s))| · |zε (s) − ż(s)| ds .
τ
Comme fx est continue, on voit que la quantité fx (s, x∗ (s), u∗ (s)) est bornée
sur l’intervalle [τ, t1 ]. En utilisant en plus (3.5.7), on otient alors l’existence
d’une constante C telle que
Z t
α
|zε (t) − z(t)| ≤ |zε (τ ) − z(τ )| + C ε + |zε (s) − ż(s)|ds .
τ
D’après le lemme de Gronwall, ceci assure que
|zε (t) − z(t)| ≤ (|zε (τ ) − z(τ )| + Cεα ) eC(t−τ ) , pour t ∈ [τ, t1 ] ,
51
ce qui montre bien la convergence simple de zε vers z d’après la convergence
de zε (τ ) vers z(τ ) établie dans la première partie de cette démonstration.
t
u
Etape 3 : Effet de la perturbation sur la fonction objectif. Comme x∗ est

supposée être une solution du problème de minimisation (3.2.1), la fonction
ε 7−→ G (xε (t1 )) définie sur [0, τ − t0 ] est minimsée pour ε = 0. Comme G
est différentiable, on écrit la condition du premier ordre :

∂
0 ≤ G (xε (t1 )) = DG (x∗ (t1 )) · z(t1 ) . (3.5.8)

∂ε ε=0
On a ainsi montré que pour tout choix de ν ∈ U et τ ∈ ]t0 , t1 [, l’inégalité

(3.5.8) est vérifiée, où z(.) est une fonction dépendant de (ν, τ ) définie dans
(3.5.5).
Cette condition nécessaire d’optimalité étant peu commode à exploiter,
nous allons l’exprimer sous une autre forme équivalente. On introduit la
fonction p(.) définie par :
ṗ(t) = −fx (t, x∗ (t), u∗ (t))T p(t) et p(t1 ) = DG (x∗ (t1 )) ,
ou l’exposant T désigne l’opérateur de transposition. On calcule alors que,

pour tout point τ ≤ t ≤ t0 de continuité de u∗ :
d
[p(t) · z(t)] = ṗ(t) · z(t) + p(t) · z(t)
dt
= −fx (t, x∗ (t), u∗ (t))T p(t) · z(t) + p(t) · fx (t, x∗ (t), u∗ (t)) z(t)
= 0.
Comme p et z sont continues, ceci montre que la fonction t 7−→ p(t) · z(t) est
constante sur [τ, t1 ], et par suite p(t1 )·z(t1 ) = p(τ )·z(τ ). D’après l’expression
de z(τ ) dans (3.5.5) et la condition (3.5.8), on obtient alors :
p(τ ) · f (τ, x∗ (τ ), ν) ≥ p(τ ) · f (τ, x∗ (τ ), u∗ (τ ))
pour tous τ ∈]t0 , t1 [ et ν ∈ U , terminant la démonstration du théorème 3.4.1.

t
u
52
Etape 4 : Retour à la formulation de Lagrange. Nous allons maintenant
appliquer le résultat obtenu dans l’étape précédente au problème de Mayer
inf G (y(t1 )) ,
u∈U
y u (t0 ) − y0 = 0
où y est l’état du système augmenté

 
x n+1
Z t
y :=   avec y (t) := F (t, xu (t), u(t)) dt .
y n+1 t0
La dynamique du système contrôlé y est régie par l’équation différentielle

 
f 
ẏ(t) = g (t, y(t), u(t)) où g(t, ξ, ζ, ν) :=  (t, ξ, ν)
F
pour tout (t, ξ, ζ, ν) ∈ [t0 , t1 ] × IRn × IR × U . Enfin, la fonction objectif est

définie par
G(ξ, ζ) = ζ pour tout (ξ, ζ) ∈ IRn × IR .

 
p(t) 
On note par q(t) =  ∈ IRn × IR l’état adjoint du système défini par
p0 (t)
l’équation différentielle adjointe et la condition de transversalité :
q̇(t) = −gyT (t, y ∗ (t), u∗ (t)) , q(t1 ) = DG (y ∗ (t1 )) .
Le principe du maximum de Pontryagin pour le problème de Mayer ci-dessus

obtenu dans l’étape précédente assure que
q(t) · g (t, y ∗ (t), u∗ (t)) = min q(t) · g (t, y ∗ (t), ν) pour t ∈ [t0 , t1 ].(3.5.9)
ν∈U
D’après l’expression de g et de G, on obtient par un calcul direct p˙0 (t) = 0,

soit
p0 (t) = 1 pour tout t ∈ [t0 , t1 ] ,
53
et
ṗ(t) = Fx (t, x∗ (t), u∗ (t)) + p(t) · fxT (t, x∗ (t), u∗ (t)) , p(t1 ) = 0 .
Enfin, la condition (3.5.9) sécrit :
H (t, y ∗ (t), u∗ (t), p(t)) = min H (t, y ∗ (t), ν, p(t)) pour tout t ∈ [t0 , t1 ] ,
ν∈U
où
H(t, ξ, ν, π) := F (t, ξ, ν) + π · f (t, ξ, ν) .
3.6 Contraintes sur l’état terminal du système

Dans ce paragraphe, nus considérons un problème de contrôle optimal avec
contraintes sur l’état terminal du système :
Z t1
inf F (t, xu (t), u(t)) dt , (3.6.1)
u∈U t0
u
x (t0 ) − x0 = 0
xu (t1 ) − x1 ∈ C(I, J, K)
où x0 , x1 ∈ IRn sont des données du problème, I, J et K sont des sous

ensembles d’indices de {1, . . . , n} deux à deux disjoints, et
n o
C(I, J, K) := ξ ∈ IRn : ξ i ≤ 0, ξ j ≥ 0 et ξ k = 0 pour (i, j, k) ∈ I × J × K .
Parmi les contraintes d’inégalité, il convient de distinguer celles qui sont

saturées. On notera alors pour tout x = xu (.) :
n o n o
I(x) = i ∈ I : xi (t) − xi1 = 0 et J(x) = j ∈ J : xj (t) − xj1 = 0 .
Nous noterons enfin
L(x) := [I(x) ∪ J(x) ∪ K]c .
54
Afin de simplifier l’écriture, on utilise la formulation de Mayer
inf G (y(t1 )) , (3.6.2)

u∈U
u
y (t0 ) − y0 = 0
y u (t1 ) − y1 ∈ D(I, J, K)
où y est l’état du système augmenté

 
x n+1
Z t
y :=  n+1
 avec y (t) := F (t, xu (t), u(t)) dt ,
y t0
y0 := (xT0 , 0)T , y1 := (xT1 , 0)T , G(ξ, ζ) = ζ pour tout (ξ, ζ) ∈ IRn × IR, et
D(I, J, K) := C(I, J, K) × IR .
La dynamique du système augmenté est gouverné par l’équation différentielle

 
f 
ẏ(t) = g (t, y(t), u(t)) où g(t, ξ, ζ, ν) :=  (t, ξ, ν)
F
pour tout (t, ξ, ζ, ν) ∈ [t0 , t1 ] × IRn × IR × U .

Soient λ un vecteur de IRn de multiplicateurs de Lagrange associés aux
contraintes décrites par l’ensemble C(I, J, K). D’après le théorème de Kuhn
et Tucker, les composantes de λ vérifient
λi ≥ 0 , λj ≤ 0 , λ` = 0 pour i ∈ I, j ∈ J, ` ∈ [I ∪ J ∪ K]c ,(3.6.3)
et le problème (3.6.2) est ramené au problème de Mayer sans contraintes sur

l’état terminal
inf L (y(t1 ), λ) , (3.6.4)

u∈U
u
y (t0 ) − y0 = 0
où L est le Lagrangien :
L (ξ, λ) := G(ξ) + λ · ξ . pour tout ξ ∈ IRn+1 .
55
Nous sommes maintenant dans le cadre d’application du principe du max-
imum de Pontryagin énoncé dans le théorème 3.4.1 : supposons que u∗ est
une variable de contrôle optimale dans U pour le problème (3.6.4), soit x∗
∗
:= xu létat du système associé, alors il existe un état adjoint q : [t0 , t1 ] −→
IRn défini par l’équation d’état adjoint
q̇(t) = −gyT (t, y ∗ (t), u∗ (t)) , (3.6.5)
ainsi que la condition de transversalité :
q(t1 ) = Ly (y(t1 ), λ) ,
tel que
q(t) · g (t, y ∗ (t), u∗ (t)) = min q(t) · g (t, y ∗ (t), ν) . (3.6.6)

ν∈U
En utilisant les conditions de Kuhn et Tucker (3.6.3) sur le multiplicateur λ,

on peut alors ré-écrire la condition de transversalité sous la forme :
q i (t1 ) ≥ Giy (y ∗ (t1 )) , pj (t1 ) ≤ Gjy (y ∗ (t1 )) et p` (t1 ) = G`y (y ∗ (t1 ))

pour tous (i, j, `) ∈ I(y ∗ ) × J(y ∗ ) × L(y ∗ ) . (3.6.7)
En conclusion, le principe du maximum de Pontryagin dans le problème avec

contraintes sur létat terminal (3.6.2) assure l’éxistence d’un état adjoint du
système, vérifiant l’équation différentielle adjointe (3.6.5) et la condition de
transversalité (3.6.7), tel que (y ∗ , u∗ , q) vérifie (3.6.6).
En retournant les changements de variables qui nous ont conduit du
système x au système y, on peut maintenant énoncer le principe du max-
imum de Pontryagin pour le problème de Lagrange (3.6.1).
Théorème 3.6.1 Supposons que les conditions du théorème 3.4.1 soient

∗
vérifiée. Soit u∗ un contrôle optimal pour le problème (3.6.1), et x∗ := xu
l’état contrôlé associé. Alors,
il existe p : [t0 , t1 ] −→ IRn de classe C 1 ,
56
telle que pour tout t ∈ [t0 , t1 ] :
(i) H (t, x∗ (t), u∗ (t), p(t)) = min H (t, x∗ (t), ν, p(t)),
ν∈U
(ii) ṗ(t) = −Hx (t, x∗ (t), u∗ (t), p(t))
(iii) p vérifie les conditions de transversalité :
pi (t1 ) ≥ 0, pj (t1 ) ≤ 0, p` (t1 ) = 0

pour tout (i, j, `) ∈ I(x∗ ) × J(x∗ ) × L(x∗ ) .
Remarque 3.6.1 Cas d’un problème de maximisation. Dans le cas d’un

problème de maximisation, i.e. l’infimum (3.6.1) est remplacé par un supré-
mum, toutes les inégalités dans les conditions de transversalité sont
inversées.
3.7 Réduction heuristique à un problème de

calcul des variations
Dans ce paragraphe, nous montrons de manière heuristique comment on peut
retrouver le principe du maximum de Pontryagin à partir du théorème de
Lagrange 1.1.6 et l’équation d’Euler locale du théorème 2.2.1. On considère
alors un problème de Lagrange
Z t1
inf F (t, xu (t), u(t)) dt ,
u∈U t0
u
x (t0 ) = x0
sans contraintes sur l’état terminal, où la dynamique du système est gou-
vernée par l’équation d’état
ẋ(t) = f (t, x(t), u(t)) pour t0 ≤ t ≤ t1 .
La prise en compte de contraintes sur l’état terminal ne pose pas de problème

particulier.
Pour nous ramener à un problème de calcul de variations, nous allons
traiter l’équation différentielle qui régit l’état du système contrôlé comme
57
une contrainte à l’égalité dans un problème de minimisation par rapport aux
variables x, ẋ, u. Ceci conduit à introduire un multiplicateur de Lagrange
p(t) ∈ IRn pour chaque t ∈ [t0 , t1 ], et à définir le Lagrangien :
Z t1
L (x, ẋ, u, p) := [F (t, x(t), u(t)) − p(t) · ẋ(t) + p(t) · f (t, x(t), u(t))] dt
t0
Z t1
= [H (t, x(t), u(t), p(t)) − p(t) · ẋ(t)] dt ,
t0
où H est le Hamiltonien du système. Etant donné le multiplicateur de La-

grange p(.), on minimise le Lagrangien par rapport aux variables x, ẋ, u, qui
sont maintenant non contraintes. La minimisation par rapport à la variable
de contrôle u conduit à la caractérisation d’un contrôle optimal u∗ tel que
H ∗ (t, x(t), p(t)) := H (t, x(t), u∗ (t), p(t)) = min H (t, x(t), ν), p(t))
ν∈U
pour tout t ∈ [t0 , t1 ]. Nous sommes alors ramené au problème

Z t1
min [H ∗ (t, x(t), p(t)) − p(t) · dotx(t)] dt ,
t0
et on reconnait un problème de calcul de variations. L’utilisation du théorème

2.2.1 permet d’écrire la condition du premier ordre :
ṗ(t) = −Hx∗ (t, x∗ (t), p(t)) ,
qui n’est autre que l’équation différentielle adjointe, ainsi que la condition de
transversalité :
p(t1 ) = 0 .
3.8 Une condition suffisante d’optimalité

Dans ce paragraphe, on considère le problème d’optimisation dynamique
Z t1
inf F (t, xu (t), u(t)) dt , (3.8.1)
u∈U t0
u
x (t0 ) − x0 = 0
xu (t1 ) − x1 ∈ C(I, J, K)
avec les mêmes notation que celles du paragraphe 3.6.
58
∗
Théorème 3.8.1 Soit u∗ ∈ U et x∗ = xu l’état contrôlé associé. Supposons
que x∗ vérifie les contraintes du problème (3.8.1), ainsi que les conditions
nécessaires du théorème 3.6.1. On suppose de plus que la fonction
H ∗ (t, ξ, π) := min H(t, ξ, ν, π)

ν∈U
est convexe en ξ pour tout (t, π) ∈ [t0 , t1 ] × IRn . Alors la variable de contrôle
u∗ est solution du problème (3.8.1).
Démonstration. Soit u ∈ U et x = xu l’état du système associée avec

la condition initiale x(t0 ) = x0 . Supposons que x vérifie les contraintes
terminales x(t1 ) − x1 ∈ C(I, J, K). Afin de montrer le théorème, nous devons
vérifier que
Z t1 Z t1
δ := F (t, x∗ (t), u∗ (t)) dt − F (t, x(t), u(t)) dt ≤ 0 . (3.8.2)
t0 t0
Par définition du Hamiltonien du système, on a

Z t1
δ = [H (t, x∗ (t), u∗ (t), p(t)) − H (t, x(t), u(t), p(t))] dt
t0
Z t1
+ p(t) · [f (t, x(t), u(t)) − f (t, x∗ (t), u∗ (t))] dt ,
t0
où p(t) est l’état adjoint du système. Comme u∗ vérifie
H (t, x∗ (t), u∗ (t), p(t)) = min H (t, x∗ (t), ν, p(t)) = H ∗ (t, x∗ (t), p(t)) ,
ν∈U
on déduit de léquation d’état du système que :

Z t1
δ = [H ∗ (t, x∗ (t), p(t)) − H (t, x(t), u(t), p(t))] dt
t0
Z t1
+ p(t) · [ẋ(t) − ẋ∗ (t)] dt
t0
Z t1
≤ [H ∗ (t, x∗ (t), p(t)) − H ∗ (t, x(t), p(t))] dt
t0
Z t1
+ p(t) · [ẋ(t) − ẋ∗ (t)] dt .
t0
59
En utilisant l’hypothèse de convexité de H ∗ (t, ξ, π) par rapport à ξ, qui assure
que :
H ∗ (t, x(t), p(t)) ≥ H ∗ (t, x∗ (t), p(t)) + Hx∗ (t, x∗ (t), p(t)) · [x(t) − x∗ (t)] ,
ainsi que l’équation différentielle adjointe qui régit la dynamique de l’état

adjoint, on obtient alors :
Z t1 Z t1
δ ≤ − Hx∗ (t, x∗ (t), p(t)) · [x(t) − x∗ (t)] dt + p(t) · [ẋ(t) − ẋ∗ (t)] dt
t0 t0
Z t1
= [ṗ(t) · (x(t) − x∗ (t)) + p(t) · (ẋ(t) − ẋ∗ (t))] dt
t0
Z t1
d
= {p(t) · (x(t) − x∗ (t))} dt
t0 dt
= p(t1 ) · (x(t1 ) − x∗ (t1 ))
puisque x(t0 ) = x∗ (t0 ) = x0 . On décompose ce dernier produit scalaire afin

de distinguer les contraintes saturées des autres :

pi (t1 ) xi (t1 ) − xi1
X
δ ≤
i∈I(x∗ )

pj (t1 ) xj (t1 ) − xj1
X
+
j∈J(x∗ )

p` (t1 ) x` (t1 ) − x∗ ` (t1 )
X
+
`∈L(x∗ )
où on a utilisé le fait que xk (t1 ) = x∗ k (t1 ) = xk1 pour tout k ∈ K. Enfin,
remarquons que xi (t1 ) − xi1 ≤ 0 pour i ∈ I(x∗ ) et xj (t1 ) − xj1 ≥ 0 pour
j ∈ J(x∗ ). L’inégalité (3.8.2) découle de la condition de transversalité du
théorème 3.6.1 :
pi (t1 ) ≥ 0, pj (t1 ) ≤ 0 et p` (t1 ) = 0

pour tout (i, j, `) ∈ I(x∗ ) × J(x∗ ) × L(x∗ ) .
t
u
60
3.9 Exemples
3.9.1 Régulateur linéaire quadratique
Dans cet exemple très classique, la variable de contrôle u prend ses valeurs
dans U = IRp et l’équation d’état du système est linéaire en (x, u) :
ẋ = A(t)x(t) + B(t)u(t) ,
où A et B sont deux fonctions définies sur [t0 , t1 ] et à valeurs respectivement

dans MIR (n, n) et MIR (n, p).
On considère alors le problème de Lagrange
Z t1
inf F (t, xu (t), u(t)) dt ,
u∈U t0
xu (t0 ) = x0
où la fonction de coût instantané F est quadratique en x et en u :
F (t, ξ, ν) := ξ · M (t)ξ + ν · N (t)ν ,
M et N étant deux fonctions définies sur [t0 , t1 ] et à valeurs respectivement

dans SI++ ++
R (n) et SIR (p) (ensemble des matrices symétriques semi définies
positives de taille n et p).
Nous commençons par écrire le Hamiltonien du système :
H(t, ξ, ν, π) := ξ · M (t)ξ + ν · N (t)ν + π · [A(t)ξ + B(t)ν] .
Il s’agit d’une fonction convexe par rapport à la variable de contrôle ν,

puisque N (t) est une matrice positive. On calcule immédiatement la valeur
du contrôle optimal en minimisant le Hamiltonien par rapport à la variable
de contrôle
1
min H(t, ξ, ν, π) = H(t, ξ, u∗ (t), π) avec u∗ (t) := − N (t)−1 B(t)T p(t) .
ν∈U 2
L’état du système associé à ce contrôle optimal est ainsi défini par
1
ẋ(t) = A(t)x(t) − B(t)N (t)−1 B(t)T p(t) , x(0) = x0 .
2
61
Enfin, l’état adjoint du système est défini par l’équation différentielle ad-
jointe :
ṗ(t) = A(t)T p(t) + 2M (t)x(t) ,
ainsi que la condition de transversalité
p(t1 ) = 0 .
Le couple (x, p) est ainsi défini par le système linéaire du premier ordre :
    
ẋ(t)  A(t) − 21 B(t)N (t)−1 B(t)T   x(t) 
 =  ,
ṗ(t) 2M (t) A(t)T p(t)
et les conditions aux bords
x(t0 ) = x0 , p(t1 ) = 0 .
3.9.2 Modèle à deux biens de consommation

On étudie le comportement optimal d’un agent pouvant consommer deux
biens. Les variables principales du modèle sont :
- le prix relatif du bien 2 par rapport au bien 1 est noté y(t),
- le flux de revenu de l’agent touché sous la forme d’une dotation en bien
1 est noté s(t)
- le taux d’intérêt réel est noté r(t)
- la richesse de l’agent exprimée en terme du bien 1 est notée x(t).
En supposant que le capital de l’agent est rémunérée au taux d’intérêt
réel, on obtient la dynamique suivante de la richesse de l’agent :
ẋ(t) = r(t)x(t) + s(t) − c1 (t) − y(t)c2 (t) , (3.9.1)
où ci (t) est le taux de consommation du bien i à l’instant t. Ainsi, la variable

de contrôle du problème est le couple (c1 , c2 ) qui est une fonction de [0, T ]
62
2
dans U = IR+ . Soit x0 > 0 un capital initial donnée, on cherche alors à
résoudre le problème :
Z T
sup e−δt U (c1 (t), c2 (t)) dt ,
0
(c1 , c2 ) ∈ U
x(0) = x0
x(T ) ≥ 0
où δ > 0 est un facteur d’escompte psychologique et

2
(σ1 , σ2 ) ∈ IR+ 7−→ U (σ1 , σ2 )
est une fonction de classe C 1 , concave en (σ1 , σ2 ), et croissante par rapport

à chacun de ses arguments. Afin de simplifier l’analyse, on supposera que
∂U 2
(σ1 , σ2 ) = +∞ pour (σ1 , σ2 ) ∈ ∂IR+ . (3.9.2)
∂σi
1. Commençons par écrire les conditions du premier ordre du problème.
On remarque que la dynamique de l’état adjoint de ce problème est simple-
ment donnée par
ṗ(t) = −r(t)p(t)dt .
Remarquons que la contrainte terminale x(T ) ≥ 0 est nécessairement saturée

par la trajectoire optimale, i.e.
x∗ (T ) = 0 . (3.9.3)
Par suite, la condition de transversalité pour notre problème de maximisa-

tion est
pT := p(T ) ≥ 0 .
On écrit alors l’expression de l’état adjoint en fonction de ce paramètre posi-

tif :
RT
r(s)ds
p(t) = pT e t pour tout t ∈ [0, T ] .
63
Le Hamiltonien du système est donné par :
H (t, ξ, σ1 , σ2 , π) := e−δt U (σ1 , σ2 ) + π [r(t)ξ + s(t) − σ1 − y(t)σ2 ] .
Comme H est concave par rapport au couple (c1 , c2 ), on résout le problème

de maximisation du Hamiltonien en écrivant la condition du premier ordre :
−δt ∂U

 e

 (c∗1 (t), c∗2 (t)) = p(t)
∂σ1 (3.9.4)
∂U ∗
 e−δt (c1 (t), c∗2 (t)) = p(t)y(t) ,


∂σ2
sans se soucier de la condition de positivité sur les consommations c1 et c2 ,
grâce à (3.9.2).
2. Supposons maintenant que
U (σ1 , σ2 ) = ln [V (σ1 , σ2 )] ,
où V est une fonction concave, homogène de degré 1, et croissante en chacun

de ses arguments. Dans ce cas, on peut ré-écrire le système (3.9.4) sous la
forme
∗
 V (c∗ (t), c∗ (t)) − c∗ (t)Vσ 1, c∗2 (t) = e+δt p(t)c∗ (t)V (c∗ (t), c∗ (t))

1
2 ∗ 2 2 c1 (t) 1 1 2
 c∗ (t)V c2 (t) +δt ∗ ∗ ∗
2 σ2 1, ∗
c1 (t)
= e p(t)y(t)c (t)V (c (t), c (t)) .
2 1 2
En additionnant les deux équations du système, on obtient :

RT
−δt−
ĉ(t) := c∗1 (t) + y(t)c∗2 (t) = p−1
T e
t
r(s)ds
.
Revenant à l’équation d’état, on voit qu’on peut l’exprimer en fonction de

cette nouvelle variable
ẋ∗ (t) = r(t)x∗ (t) + s(t) − ĉ(t) ,
dont on peut écrire la solution explicite en fonction de la condition initiale

x∗ (0) = x0 :
Rt 1 − e−δt − R T r(s)ds Z t RT
x∗ (t) = x0 e 0
r(s)ds
− e t + s(u)e u r(v)dv du .
δpT 0
64
Enfin, en écrivant la condition (3.9.3), on détermine la valeur de la constante

1 − e−δt /δ
pT = RT RT RT ,
r(s)ds r(v)dv
x0 e 0 + 0 s(u)e u du
identifiant ainsi complètement l’état optimal du système et l’état adjoint.
Pour obtenir les fonctions consommation optimale ci (.), il suffit maintenant
de résoudre le système (3.9.4).
3. Pour aller plus loin dans les calculs, on peut maintenant spécifier la
fonction V sous la forme
V (σ1 , σ2 ) := σ1α σ21−α ,
où α est un paramètre dans l’intervalle ouvert ]0, 1[...
3.9.3 Croissance optimale avec ressource épuisable

Nous reprenons ici l’exemple qui a été traité dans le paragraphe 2.5.3 par
le calcul des variations. Rappelons qu’il s’agit du problème d’optimisation
dynamique suivant :
Z T
sup ln c(t)dt
0
(c, r) ∈ U
x(0) = x0
x(T ) = 0
avec des variables d’état contrôlées x := (y, k) définies par l’équation d’état :
ẏ(t) = −r(t) et k̇(t) = ak(t)1−α r(t)α − c(t) .
Le Hamiltonien du système s’ćrit
h i
H(y, k, c, r, π, µ) := ln c − πr + µ ak 1−α rα − c .
Il s’agit d’une fonction strictement concave en (c, r), on obtient alors le max-
imum par la condition du premier ordre :

1

c∗ (t)
− q(t) = 0
 −p(t) + αaq(t)k ∗ (t)1−α r ∗ (t)α−1 = 0 .
(3.9.5)
65
La dynamique des variables d’état adjoint est régie par l’équation différentielle
adjointe :
!α
r∗ (t)
ṗ(t) = 0 et q̇(t) = −a(1 − α) ∗ q(t) . (3.9.6)
k (t)
Posons alors z(t) = r∗ (t)/k ∗ (t). D’après la première équation de (3.9.6), on

voit que p(t) = π pour tout t ∈ [0, T ]. Par suite en dérivant la deuxième
équation de (3.9.5) par rapport à t, on obtient
ż(t) q̇(t)
(1 − α) = ,
z(t) q(t)
et la deuxième équation de (3.9.6) devient :
z(t)−(1+α) ż(t) = −a .
On en déduit l’existence d’une constante b telle que

!α
r(t) 1
a = az(t)α = .
k(t) b + αt
On a ainsi déterminé l’expression des variables d’état adjoint à deux con-

stantes près :
π −1/α 1
p(t) = π et q(t) = a (b + αt)1− α .
α
Ceci permet de déterminer la consommation optimale (à deux constantes
près) d’après la première équation de (3.9.5) :
α 1/α 1
c∗ (t) = a (b + αt)−1+ α ,
π
et la dynamique de la variable k ∗ est alors donnée par
k̇ ∗ (t) = az(t)α k ∗ (t) − c∗ (t)

α 1
= (b + αt)−1 k ∗ (t) − a1/α (b + αt)1− α .
π
66
Cette équation se résout explicitement. Tenant compte de la contrainte
k ∗ (T ) = 0, on obtient l’expression de k ∗ (t) (à deux constantes près) :
!1/α
∗ α 1/α b2 + αT
k (t) = a (b2 + αt)1/α ln .
π b2 + αt
On peut maintenant déterminer la variable d’état y en revenant à l’équation

d’état :
ẏ ∗ (t) = −z(t)k ∗ (t) .
Compte tenu de la contrainte terminale y ∗ (T ) = 0, on obtient l’expression

de y ∗ , toujours aux deux constantes près :
!1/α
αZ T b2 + αT
y(t) = ln dt .
π t b2 + αt
Enfin, pour déterminer les constantes π et b, il ne reste plus qu’à écrire que :
k ∗ (0) = k0 et y ∗ (0) = y0 .
67
Chapter 4
Approche de la programmation
dynamique
Comme dans les chapitres précédents, on s’intéresse au problème d’optimisation

dynamique
Z t1
inf F (t, x(t), u(t)) dt + G (x(t1 )) (4.0.1)
u∈U t0
où l’état du système contrôlé est régi par la dynamique
x(t0 ) = x0 , ẋ(t) = f (t, x(t), u(t)) . (4.0.2)
On supposera que la fonction f : [t0 , t1 ] × IRn × U −→ IRn vérifie les con-

ditions de Lipschitz et de croissance linéaire du théorème 3.3.1, qui assurent
l’existence et l’unicité d’une solution à l’équation d’état (4.0.2).
La fonction F : [t0 , t1 ]×IRn ×U −→ IR sera supposée continue. L’ensemble
U désigne comme dans les paragraphes précédents la famille de toutes les
fonctions continues par morceaux de [t0 , t1 ] dans un sous ensemble fermé U
de IRk .
68
4.1 Formulation dynamique du problème
L’approche de Bellman pour la résolution du problème (4.0.1) consiste à
exploiter le caractère dynamique du système. Pour celà on commence par
introduire la version dynamique du problème en plaçant l’origine des temps
à des dates t ∈ [t0 , t1 ].
Contrôles admissibles : afin de définir l’évolution du système à partir de

la date t, nous avons besoin uniquement de la restriction de la variable de
contrôle sur [t, t1 ]. On désigne alors par
Ut := {u : [t, t1 ] −→ U continue par morceaux} .
L’équation d’état du système est maintenant définie par une variable de contrôle
u ∈ Ut et une condition initiale au temps t :
x(t) = xt , ẋ(s) = f (s, x(s), u(s)) .
La fonction de coût relative à la période de temps restante est définie par :

Z t1
J (t, xt , u) := F (s, x(s), u(s)) ds + G (x(t1 )) ,
t
où la dépendance de l’état du système x par rapport à la variable de contrôle

u a encore été omise.
La version dynamique du problème (4.0.1) est définie par :
V (t, xt ) := inf J(t, xt , u) . (4.1.1)

u∈Ut
Le problème (4.0.1) correspond au cas où l’origine des temps est t0 et est
donné par V (t0 , x0 ). L’approche de Bellman consiste à déduire V (0, x0 ) à
partir de la caractérisation de la fonction valeur V comme fonction des deux
variables t et xt .
69
4.2 Principe de la programmation dynamique
Théorème 4.2.1 Soient t ∈ [t0 , t1 [ et xt ∈ IRn donnés. Alors, pour tout réel
s ∈ [t, T ], on a :
Z s
V (t, xt ) = inf F (r, x(r), u(r)) dr + V (s, x(s)) .
u∈Ut t
Démonstration. Pour t ∈ [t0 , t1 [, s ∈ [t, T ] et xt ∈ IRn fixés, on note

Z s
W (t, xt ) := inf F (r, x(r), u(r)) dr + V (s, x(s)) .
u∈Ut t
1. Pour montrer que V ≤ W , on considère deux variables de contrôle arbi-

traires u ∈ Ut et v ∈ Us , et on remarque que
w := u1[t,s[ + v1[s,t1 [
définit une variable de contrôle dans Ut . Par définition de V (t, xt ), on a

alors :
Z t1
V (t, xt ) ≤ J(t, xT , w) = F (r, x(r), w(r)) dr + G (x(t1 ))
t
Z s Z t1
= F (r, x(r), u(r)) dr + F (r, x(r), v(r)) dr + G (x(t1 ))
t s
Z s
= F (r, x(r), u(r)) dr + J (s, x(s), v) .
t
On obtient alors l’inégalité V ≤ W en prenant l’infimum sur les u ∈ Ut et les

v ∈ Us .
2. Pour obtenir l’inégalité inverse, on se donne un paramètre ε > 0 ainsi
qu’un contrôle ε−optimal uε ∈ Ut pour le problème V (t, y) :
V (t, xt ) ≤ J(t, xt , uε ) ≤ V (t, xt ) + ε .
En remarquant que la fonction ũε , définie comme la restriction de uε à

l’intervalle [s, t1 ], est une variable de contrôle dans Us , on déduit de la
70
définition de J que :
Z s
W (t, y) ≤ F (r, x(r), uε (r)) dr + V (s, x(s))
Zt s
≤ F (r, x(r), uε (r)) dr + J (s, x(s), ũε )
t
= J (t, xt , uε )
≤ V (t, y) + ε ,
et l’inégalité voulue découle du caractère arbitraire du paramètre ε > 0. u
t
Remarque 4.2.1 Observons que l’argument essentiel de la démonstration
est la possibilité de recollement, ou de concaténation, des variables de contrôle.
Celà n’aurait pas été possible si on s’était restreint à des variables de contrôle
continues
Remarque 4.2.2 La principe de la programmation dynamique ci-dessus dit
en particulier que la fonction
Z s
s 7−→ F (r, x(r), u(r)) dr + V (s, x(s))
t
est une fonction croissante, pour tout choix de la variable de contrôle u ∈ Ut .
Remarque 4.2.3 S’il existe un contrôle optimal u∗ ∈ Ut pour le problème
(4.1.1), i.e. V (t, xt ) = J(t, xt , u∗ ), alors la fonction
Z s
s 7−→ F (r, x∗ (r), u∗ (r)) dr + V (s, x∗ (s))
t
∗
est constante, où on a noté x∗ := xu . En effet, d’après la propriété de
décroissance ci-dessus et le fait que V (t1 , xt1 ) = G(xt1 ), on a :
Z t1
V (t, xt ) ≤ F (r, x(r), u∗ (r)) dr + V (t1 , x∗ (t1 ))
t
Z t1
= F (r, x(r), u∗ (r)) dr + G (x∗ (t1 ))
t
= J(t, xt , u∗ ) = V (t, xt ) .
Remarque 4.2.4 D’après la remarque précédente, on voit que si u∗ ∈ Ut est
un contrôle optimal pour le problème V (t, xt ) de (4.1.1), alors la restriction
de u∗ à l’intervalle [s, t1 ] est un contrôle optimal pour le problème V (s, x∗ (s))
pour tout s ∈ [t, t1 ].
71
4.3 Equation de Hamilton-Jacobi
On rappelle la définition du Hamiltonien du système
H(t, ξ, ν, π) := F (t, ξ, ν) + π · f (t, ξ, ν)
pour tous (t, ξ, ν) ∈ [t0 , t1 ] × IRn × U . Comme dans l’approche du principe

du maximum de Pontryagin, la recherche du contrôle optimal est liée à la
minimisation du Hamiltonien. On définit alors :
H ∗ (t, ξ, π) := inf H(t, ξ, ν, π) .

ν∈U
Théorème 4.3.1 Supposons que la fonction V soit de classe C 1 sur [t0 , t1 ]×

IRn . Alors :
(i) V est une sursolution de l’équation d’Hamilton-Jacobi :
∂V
(t, ξ) + H ∗ (t, ξ, Dx V (t, ξ)) ≥ 0 pour (t, ξ) ∈ [t0 , t1 [×IRn .
∂t
(ii) Si de plus la fonction H ∗ est continue, alors V est solution de l’équation
d’Hmilton-Jacobi :
∂V
(t, ξ) + H ∗ (t, ξ, Dx V (t, ξ)) = 0 pour (t, ξ) ∈ [t0 , t1 [×IRn .
∂t
Démonstration. (i) D’après le principe de la programmation dynamique,
Z t+h
V (t, xt ) ≤ F (r, x(r), u(r)) dr + V (t + h, x(t + h))
t
pour tous h ∈ ]0, t1 − t] et u ∈ Ut . Prenons une variable de contrôle constante

u(r) = ν pour tout r ∈ [t, t1 ], où ν est un élément arbitraire dans U . Comme
V est de classe C 1 , on peut ré-écrire l’inégalité précédente sous la forme :
( )
1 Z t+h ∂V
0 ≤ (r, x(r)) + H (r, x(r), ν, Dx V (r, x(r))) dr .
h t ∂t
Remarquons à présent que la fonction à l’intérieur de l’intégrale est continue
par rapport à la variable temporelle. En faisant tendre h vers zéro, on déduit
alors du théorème de la moyenne que
∂V
0 ≤ (t, xt ) + H (t, xt , ν, Dx V (t, xt )) ,
∂t
72
et on obtient le résultat annoncé comme conséquence du caractère arbitraire
de ν ∈ U .
(ii) Pour montrer la deuxième partie du théorème, nous allons supposer au

contraire l’existence d’un couple (t∗ , ξ ∗ ) ∈ [t0 , t1 [×IRn tel que
∂V ∗ ∗
(t , ξ ) + H ∗ (t∗ , ξ ∗ , Dx V (t∗ , ξ ∗ )) > 0 ,
∂t
et nous chercherons à aboutir à une contradiction. On introduit la fonction
ϕ(t, ξ) := V (t, ξ) − |t − t∗ |2 − |ξ − ξ ∗ |2 pour (t, ξ) ∈ [t0 , t1 ] × IRn .
Comme DV (t∗ , ξ ∗ ) = Dϕ(t∗ , ξ ∗ ), on voit que

∂ϕ ∗ ∗
(t , ξ ) + H ∗ (t∗ , ξ ∗ , Dx ϕ(t∗ , ξ ∗ )) > 0
∂t
et, d’après la continuité de H ∗ , il existe δ > 0 tel que
∂ϕ
(t, ξ) + H ∗ (t, ξ, Dx ϕ(t, ξ)) ≥ 0 (4.3.1)
∂t
pour tout (t, ξ) ∈ Dδ := [t∗ , t∗ + δ] × B δ (ξ ∗ ) , (4.3.2)
où B δ (ξ ∗ ) désigne la boule fermée de rayon δ et de centre ξ ∗ . Comme (t∗ , ξ ∗ )

est un point de minimum strict pour la fonction V − ϕ, on a :
2ε := min (V − ϕ) > 0 . (4.3.3)

∂Dδ
Enfin, soit uε ∈ Ut∗ un contrôle ε−optimal pour V (t∗ , ξ ∗ ), xε := xuε l’état du

système associé, et hε > 0 la durée de temps définie par
t∗ + hε := inf {t > t0 : (t, xε (t)) 6∈ Dδ } .
Remarquons que, par continuité de xε , on a (t∗ + hε , xε (t∗ + hε )) ∈ ∂Dδ , et

par suite :
V (t∗ + hε , xε (t∗ + hε )) ≥ 2ε + ϕ (t∗ + hε , xε (t∗ + hε )) , (4.3.4)
par définition de ε dans (4.3.3).
73
Comme uε est une variable de contrôle ε− optimale, on a :
V (t∗ , ξ ∗ ) + ε ≥ J(t∗ , ξ ∗ , uε )
Z t∗ +hε
= F (r, xε (r), uε (r)) dr + J (t0 + hε , xε (t0 + hε ), ũε )
t∗
Z t∗ +hε
≥ F (r, xε (r), uε (r)) dr + V (t0 + hε , xε (t0 + hε )) ,
t∗
où ũε est la restriction de uε à l’intervalle [t∗ + hε , t1 ]. En se rappelant que

V (t∗ , ξ ∗ ) = ϕ(t∗ , ξ ∗ ) et en utilisant (4.3.4), on obtient alors :
Z t∗ +hε
ϕ(t∗ , ξ ∗ ) + ε ≥ F (r, xε (r), uε (r)) dr + 2ε + ϕ (t0 + hε , xε (t0 + hε )) ,
t∗
et par suite :
t∗ +hε
( )
Z
∂ϕ
−ε ≥ (r, xε (r)) + H (r, xε (r), uε (r), Dx ϕ(r, xε (r))) dr
t∗ ∂t
Z t∗ +hε ( )
∂ϕ ∗
≥ (r, xε (r)) + H (r, xε (r), Dx ϕ(r, xε (r))) dr
t∗ ∂t
≥ 0,
puisque (r, xε (r)) ∈ Dδ pour t∗ ≤ r ≤ t∗ + hε . Cette inégalité est contradic-

toire avec (4.3.3) et termine la démonstration. t
u
Avant de conclure ce paragraphe, remarquons que l’hypothèse de régularité

1
C sur la fonction valeur est très forte. En effet, il est facile de constru-
ire des exemples de problèmes d’optimisation dynamique qui conduisent à
une fonction valeur non régulière, voir exemple ci-dessous. Ceci a motivé
l’introduction de différentes notions de solutions faibles. Pour celà il existe
deux voies :
- soit, on ré-écrit la démonstration du théorème en utilisant des dérivées
généralisés au sens de Schwartz ; là encore, il faut démontrer, ou supposer,
que la fonction valeur admet cette régularité faible ; le lecteur intéressé peut
consulter l’ouvrage de Fleming et Rishel [2].
74
- soit on utilise la théorie des solutions de viscosité qui nécessite unique-
ment de vérifier que la fonction valeur est localement bornée afin de pou-
voir définir ses enveloppes semi continues supérieure et inférieure; le lecteur
intéressé peut consulter l’ouvrage de Fleming et Soner [3].
Exemple (problème d’optimisation dynamique avec fonction valeur non régulière.)

Prenons f (t, ξ, ν) = ν, U = [−1, 1], and n = 1. L’état contôlé du système
est ainsi défini par :
Z t
x(t) = x + u(s)ds pour t0 ≤ t ≤ t1 .
t0
On considère le problème d’optimisation dynamique
V (t, x) := sup |x(t1 )|2

u∈U
Z t1 2
= sup x+ u(s)ds .
u∈U t
Il est facile d’obtenir directement la solution de ce problème :


 (x + T − t)2 pour x ≥ 0 avec contôle optimal ν̂ = 1 ,
V (t, x) = 
(x − T + t)2 pour x ≤ 0 avec contôle optimal ν̂ = −1 .
Cette fonction est continue, mais n’est pas dérivable au point x = 0.
4.4 Théorème de vérification

Le résultat principal de ce paragraphe donne une condition suffisante pour
qu’une fonction vérifiant l’équation d’Hamilton-Jacobi soit solution du problème
d’optimisation dynamique (4.0.1).
Théorème 4.4.1 Soit W : [t0 , t1 ] × IRn −→ IR de classe C 1 .

(i) Si
∂W
W (T, ξ) ≤ G(ξ) et − (t, ξ) − H ∗ (t, ξ, Dx W (t, ξ)) ≤ 0 ,
∂t
75
alors W ≤ v.
(ii) Si
∂W
W (T, ξ) = G(ξ) , (t, ξ) − H ∗ (t, ξ, Dx W (t, ξ)) = 0 ,
−
∂t
et il existe une variable de contrôle u∗ ∈ Ut telle que pour tout s ∈ [t, T ] :
H ∗ (s, x∗ (s), Dx W (s, x∗ (s))) = H ∗ (s, x∗ (s), u∗ (s), Dx W (s, x∗ (s))) ,
alors V = W .
Démonstration. Soit u une variable de contrôle dans Ut et x := xu l’état

du système associé vérifiant la condition initiale x(t) = ξ. La fonction W
étant de classe C 1 , on écrit :
( )
∂W Z t1 ∂W
W (t1 , x(t1 )) = W (t, ξ) + (r, x(r)) + (r, x(r)) · ẋ(r) dr
t ∂t ∂x
Z t1 ( )
∂W ∂W
= W (t, ξ) + (r, x(r)) + (r, x(r)) · f (r, x(r), u(r)) dr
t ∂t ∂x
Z t1
= W (t, ξ) − F (r, x(r), u(r))dr
t
( )
Z t1 ∂W
+ (r, x(r)) + H (r, x(r), u(r), Dx W (r, x(r))) dr .
t ∂t
On utilise maintenant la définition de H ∗ ainsi que l’inéquation différentielle
vérifiée par W pour obtenir :
Z t1
W (t1 , x(t1 )) ≥ W (t, ξ) − F (r, x(r), u(r))dr
t
( )
Z t1 ∂W
+ (r, x(r)) + H ∗ (r, x(r), Dx W (r, x(r))) dr
t ∂t
Z t1
≥ W (t, ξ) − F (r, x(r), u(r))dr .
t
Enfin, comme W (T, .) ≤ G et la variable de contrôle u est arbitraire dans Ut ,

ceci permet de déduire que :
Z t1
W (t, ξ) ≤ inf F (r, x(r), u(r))dr + W (t1 , x(t1 ))
u∈Ut t
Z t1
≤ inf F (r, x(r), u(r))dr + G(x(t1 )) = V (t, ξ) .
u∈Ut t
76
(ii) On ré-écrit l’argument ci-dessus avec la variable de contrôle u∗ introduite
dans la partie (ii) du théorème, et on vérifie que toutes les inégalités sont en
fait des égalités. t
u
Remarque 4.4.1 La variable de contrôle u∗ introduite au (ii) du théorème

4.4.1 précédent est obtenue par minimisation de la fonction H (t, x∗ (t), ν, Wx (t, x∗ (t))).
Par conséquent, on peut écrire u∗ (t) = ν̂ [t, x∗ (t), Wx (t, x∗ (t))] pour une cer-
taine fonction ν̂, et l’équation d’état du système est donnée par
ẋ∗ (t) = g (t, x∗ (t)) := f (t, x∗ (t), ν̂ [t, x∗ (t), ν, Wx (t, x∗ (t))]) .
Ainsi, afin de garantir que u∗ soit un contrôle admissible, i.e. u∗ ∈ Ut , il faut

vérifier que la fonction g vérifie les conditions de Lipschitz et de croissance
linéaire.
4.5 Exemples
4.5.1 Régulateur linéaire quadratique
Reprenons une version de type Bolza de l’exemple du paragraphe 3.9.1. Rap-
pelons que la variable de contrôle u prend ses valeurs dans U = IRp et
l’équation d’état du système est linéaire en (x, u) :
ẋ = A(t)x(t) + B(t)u(t) ,
où A et B sont deux fonctions définies sur [t0 , t1 ] et à valeurs respectivement

dans MIR (n, n) et MIR (n, p). Il s’agit de résoudre le problème de Lagrange
Z t1
inf F (t, xu (t), u(t)) dt + G (xu (t1 )) ,
u∈U t0
u
x (t0 ) = x0
où la fonction de coût instantané F est quadratique en x et en u :
F (t, ξ, ν) := ξ · M (t)ξ + ν · N (t)ν et G(ξ) := ξ · Qξ ,
77
M et N étant deux fonctions définies sur [t0 , t1 ] et à valeurs respectivement
dans SI++ ++
R (n) et SIR (p) (ensemble des matrices symétriques semi définies
positives de taille n et p), et Q ∈ SI+
R (p).
Le Hamiltonien du système
H(t, ξ, ν, π) := ξ · M (t)ξ + ν · N (t)ν + π · [A(t)ξ + B(t)ν]
est une fonction convexe par rapport à la variable de contrôle ν, puisque N (t)
est une matrice positive. On calcule immédiatement la valeur du contrôle
optimal en minimisant le Hamiltonien par rapport à la variable de contrôle
1
H ∗ (t, ξ, π) = H(t, ξ, u∗ (t), π) avec u∗ (t) := − N (t)−1 B(t)T p(t) ,
2
et
1
H ∗ (t, ξ, π) = ξ · M (t)ξ + π · A(t)ξ − π · B(t)N (t)−1 B(t)T π .
4
L’équation d’Hamilton-Jacobi s’écrit alors :
!
∂V ∂V
0 = (t, ξ) + H ∗ t, ξ, (t, ξ)
∂t ∂x
∂V ∂V
= (t, ξ) + ξ · M (t)ξ + (t, ξ) · A(t)ξ
∂t ∂x
1 ∂V ∂V
− (t, ξ) · B(t)N (t)−1 B(t)T (t, ξ) .
4 ∂x ∂x
On cherche alors une solution de l’équation d’Hamilton-Jacobi sous la forme
V (t, ξ) = ξ · K(t)ξ , pour t0 ≤ t ≤ t1 . (4.5.1)
Remarquons tout d’abord que V (T, ξ) = ξ · Qξ, ce qui est compatible avec
la forme ci-dessus et impose
K(T ) = Q .
Remplaçons ensuite la forme (4.5.1) dans l’équation d’Hamilton-Jacobi. En

utilisant le caractère arbitraire de ξ ∈ IRn , on obtient :
1
K̇(t) = K(t) · B(t)N (t)−1 B(t)T K(t) − K(t) · A(t) − M (t) .
4
78
Il s’agit donc d’une équation de Riccati dont on peut exhiber une expression
explicite de la solution dans certains cas. Enfin, la solution du problème est
complètement caractérisée en vérifiant que la fonction V (t, ξ) ainsi trouvée
vérifie toutes les conditions du théorème de vérification.
4.5.2 Modèle de consommation optimale

Reprenons l’exemple du paragraphe 2.5.2 en incluant le désir de l’investisseur
de laisser un héritage à sa descendance. Rappelons que la variable d’état est
régie par la dynamique
ẋ(t) = −c(t) et x(0) = x0 ,
où c(t) est un taux de consommation à la date t. Les préférences de l’agent

sont caractérisées par la fonction d’utilité :
Z T
U (c) = e−βt u (c(t)) dt + e−βT u (x(t))
0
où
ξγ
u(ξ) := ,
γ
γ < 1 étant un paramètre donné. Rappelons que la contrainte de positivité de
la consommation peut être ignorée, comme il a été expliqué dans la remarque
1.2.1. Le problème de choix optimal de consommation s’écrit :
sup U (c) ,
c∈U
où U est l’ensemble des fonctions continues par morceaux de [t0 , t1 ] dans IR+ .
Dans cet exemple, Le Hamiltonien est donné par
H(t, ξ, σ, π) := e−βt u(σ) − πσ .
Comme H est concave par rapport l̀a variable de contrôle σ, on déduit

aisément que
−1/(1−γ)
H ∗ (t, ξ, π) = H(t, ξ, σ ∗ (t), π) avec σ ∗ (t) := πeβt ,
79
et
1 − γ −βt βt −γ/(1−γ)
H ∗ (t, ξ, π) = e πe
γ
L’équation d’Hamilton-Jacobi s’écrit alors :
!
∂V ∂V
0 = (t, ξ) + H ∗ t, ξ, (t, ξ)
∂t ∂x
∂V 1 − γ −βt βt −γ/(1−γ)
= (t, ξ) + e πe
∂t γ
On cherche alors une solution de l’équation d’Hamilton-Jacobi sous la forme
V (t, ξ) = e−βt A(t)u(ξ) , pour t0 ≤ t ≤ t1 .
Remarquons que V (T, ξ) = e−βT u(ξ) et, par suite, la fonction A doit vérifier
la condition terminale
A(T ) = 1 .
En remplaçant dans l’équation d’Hamilton-Jacobi, on obtient que la fonction

A(.) doit vérifier l’équation différentielle ordinaire :
Ȧ(t) + (1 − γ)A(t)−γ/(1−γ) − βA(t) = 0 ,
soit :
d n o β
A(t)1/(1−γ) = A(t)1/(1−γ) − 1 .
dt 1−γ
Compte-tenu de la condition terminale A(T ) = 1, ceci donne comme solution

unique
( )1
1−γ h i
A(t) = 1+ 1 − eβ(t−T )/(1−γ) − γ eβ(t−T ) .
β
Il ne reste plus qu’à vérifier que la fonction V (t, ξ) ainsi trouvée vérifie toutes
les conditions du théorème de vérification...
80
4.5.3 Fonction valeur non régulière en des points isolés
Une relecture de la démonstration du théorème 4.4.1 révèle que l’énoncé du
théorème reste vrai dans le cas où la fonction W (candidat pour la fonction
valeur) est de classe C 1 sauf en des points isolés.
Dans cet exemple, nous reprenons l’exemple du paragraphe 4.3 dans lequel
la fonction valeur V est de classe C 1 sauf en zéro, point isolé du domaine.
Rappelons qu’il s’agit du problème d’optimisation dynamique suivant :
V (t, x) := sup |x(t1 )|2 ,

u∈U
avec un état du système régi par
ẋ(t) = u(t)dt et x(t0 ) = x ,
et la variable de contrôle u prend ses valeurs dans l’ensemble
U = [−1, 1] .
On se propose ici de vérifier que la solution naturelle


 (x + T − t)2 pour x ≥ 0
V (t, x) = 
(x − T + t)2 pour x ≤ 0
est solution de l’équation de Hamilton-Jacobi, correspondant à ce problème,
en tout point régulier. Le Hamiltonien du problème s’écrit
H(t, ξ, ν, π) := νπ ,
et par suite
H ∗ (t, ξ, π) := sup H(t, ξ, ν, π) = |π| ,

|ν|≤1
et on vérifie immédiatement que la fonction V ci-dessus résout l’q́uation

d’Hamilton-Jacobi

∂V ∂V
+ = 0

∂t ∂x
en tout point (t, ξ) ∈ [t0 , t1 ] × (IR \ {0}).
81
4.6 Principe du maximum et programmation
dynamique
4.6.1 Remarques générales
Rappelons que le principe du maximum de Pontryagin conduit à la résolution
d’un système d’équations différentielles ordinaires pour l’état optimal du
système et l’état adjoint associé, avec la donnée d’une condition initiale
pour l’état optimal du système et une condition terminale pour l’état ad-
joint. Quant à l’approche par la programmation dynamique, elle conduit à
la résolution d’une équation aux dérivées partielles avec la donnée d’une con-
dition terminale. Voici quelques remarques sur la comparaison de ces deux
approches :
- La résolution d’une équation aux dérivées partielles est a priori plus difficile
que la résolution d’un système d’équations différentielles ordinaires.
- L’approche par la programmation dynamique est particulièrement intéressante
dans le cas où on a une idée‘a priori sur la forme de la solution. Ceci est
le cas pour le problème de consommation optimale du paragraphe 4.5.2, ou
celui du régulateur quadratique linéaire du paragraphe 4.5.1.
- Dans la cas où on a recours à des méthodes numériques pour la résolution
du problème, l’approche du principe du maximum présente l’inconvénient
d’avoir une condition initiale pour la variable d’état et une condition finale
pour la variable d’état adjoint. On est alors amené à mettre en place des
méthodes numériques de type forward-backward qui peuvent être assez lour-
des à gérer. L’équation d’Hamilton-Jacobi évite cette difficulté puisqu’elle ne
fait intervenir qu’une condition terminale pour la fonction valeur du problème
dynamique.
4.6.2 Lien entre les deux approches

Dans ce paragraphe, nous allons montrer que le principe du maximum est
étroitement lié à l’équation d’Hamilton-Jacobi obtenue par l’approche de la
82
programmation dynamique. Pour celà, nous allons ignorer toutes les dif-
ficultés liées à la régularité de la fonction valeur V (t, x) du problème dy-
namique, et nous allons considérer la fonction
p(t) := Dx V (t, x∗ (t)) ; t0 ≤ t ≤ t1 . (4.6.1)
Comme V (t1 , .) = G, on voit que la fonction p vérifie la condition de tranb-
sversalité
p(t1 ) = Dx G (x(t1 )) .
Nous allons maintenant vérifier que p vérifie l’équation d’état adjoint :
ṗ(t) = −Hx∗ (t, x∗ (t), p(t)) , (4.6.2)
ce qui permet de conclure que la fonction p est l’état adjoint introduit dans le
principe du maximum de Pontryagin. Pour obtenir (4.6.2), on dérive (4.6.1)
par rapport à t :
d
ṗ(t) = {Dx V (t, x∗ (t))}
dt ( )
∂ ∂V
= (t, x (t)) + Dxx V (t, x∗ (t)) ẋ∗ (t) .
∗
∂x ∂t
En remarquant que ẋ∗ (t) = f (t, x∗ (t), u∗ (t)) = (∂H ∗ /∂p) (t, x∗ (t), Dx V (t, x∗ (t))),
on voit que :
( )
∂ ∂V
ṗ(t) = (t, x∗ (t))
∂x ∂t
∂H ∗
+Dxx V (t, x∗ (t)) (t, x∗ (t), Dx V (t, x∗ (t))) . (4.6.3)
∂p
Enfin, en utilisant l’équation d’Hamilton-Jacobi, on a :
( )
∂ ∂V ∂
(t, x∗ (t)) = − {H ∗ (t, x∗ (t), Dx V (t, x∗ (t)))}
∂x ∂t ∂x
∂H ∗
= − (t, x∗ (t), Dx V (t, x∗ (t)))
∂x
∂H ∗
−Dxx V (t, x∗ (t)) (t, x∗ (t), Dx V (t, x∗ (t))) ,
∂p
et on obtient alors (4.6.2) en remplaçant dans (4.6.3).
83
Chapter 5
Le problème d’existence
Dans ce chapitre, on considère la formulation de Mayer d’un problème d’optimisation

dynamique :
V := inf G (x(t1 )) , (5.0.1)

u∈U
x(t0 ) = x0
où la variable d’état x est régie par l’équation d’état contrôlée
ẋ(t) = f (t, x(t), u(t)) t0 ≤ t ≤ t1 . (5.0.2)
Nous allons donner un résultat d’existence pour ce problème utilisant des

techniques standards de l’analyse, évitant en particulier les techniques d’analyse
fonctionnelles à base de topologie faible. La difficulté principale provient du
fait que U est un sous-ensemble d’un espace de dimension infini.
Comme d’habitude, afin d’établir un résultat d’existence, nous commençons
par considérer une suite minimisante (un )n≥0 pour le problème (5.0.1), et on
n
note xn := xu l’état du système associé. Ainsi, limn→∞ G (xn (t1 )) = V .
Nous allons suivre le schéma de démonstration suivant :
1. en se plaçant dans un espace convenable pour l’état du système, nous
commençons par montrer, par un raisonnement de compacité, l’existence
d’une sous-suite (xnk )k≥0 qui converge vers une certaine fonction x∗ , et telle
que G (x∗ (t1 )) = V , par continuité de G;
84
2. on montre ensuite l’existence d’une variable de contrôle admissible u∗ telle
∗
que x∗ = xu .
5.1 Variables de contrôle admissibles

Dans les chapitres précédents, nous avons considéré des variables de contrôle
continues par morceaux, induisant des variables d’état C 1 par morceaux.
Malheureusement, l’espace des fonctions C 1 par morceaux n’est pas compact
pour les topologies naturelles, ce qui pose une difficulté majeure dans l’étape
1 ci-dessus. Il est alors nécessaire d’étendre l’espace qui contient les variables
d’état.
Définition-théorème Une fonction φ : [t0 , t1 ] −→ IRn est dite absolue-

ment continue si elle est dérivable presque partout, et que sa dérivée φ0 est
mesurable et vérifie
Z t
φ(t) = φ(t0 ) + φ0 (s)ds , t0 ≤ t ≤ t1 .
t0
On peut montrer que l’espace des fonctions absoluement continues est

l’ensemble des limites uniformes de fonctions C 1 par morceaux. Par conséquent
l’étape 1 ci-dessus pourra être effectuée confortablement dans cet espace.
Afin de ramener les variables d’états à cet espace, il est nécessaire d’étendre
l’ensemble des variables de contrôle admissibles en considérant
U := {u : [t0 , t1 ] −→ U mesurable} ,
et on est donc amené au problème d’existence et d’unicité d’une solution à

l’équation d’état (5.0.2) (étant donnée une condition initiale x(t0 ) = x0 ) dans
le cas où la variable de contrôle u est mesurable.
85
Théorème 5.1.1 Supposons que la fonction f vérifie les conditions de Lip-
schitz et de croissance linéaire
|f (t, ξ1 , ν) − f (t, ξ2 , ν)| ≤ K |ξ1 − ξ2 | , ξ1 , ξ2 ∈ IRn , (t, ν) ∈ [t0 , t1 ] × U ,

|f (t, ξ, ν)| ≤ K (1 + |ξ| + |ν|) , (t, ξ, ν) ∈ [t0 , t1 ] × IRn × U .
(5.1.1)
Soit u [t0 , t1 ] −→ U une fonction mesurable. Alors, il existe une unique
fonction absoluement continue x vérifiant
Z t
x(t) = x0 + f (s, x(s), u(s)) ds pour t0 ≤ t ≤ t1 . (5.1.2)
t0
Démonstration. 1. Commençons par montrer l’unicité. Soient x et y deux

fonctions absoluement continues vérifiant
Z t Z t
x(t) = x0 + f (s, x(s), u(s)) ds et y(t) = x0 + f (s, y(s), u(s)) ds
t0 t0
pour tout t ∈ [t0 , t1 ]. En utilisant la condition de Lipschitz sur f , on obtient :

t
Z

|x(t) − y(t)| = [f (s, x(s), u(s)) − f (s, y(s), u(s))] ds
t0
Z t
≤ |f (s, x(s), u(s)) − f (s, y(s), u(s))| ds
t0
Z t
≤ K |x(s) − y(s)| ds ,
t0
et on déduit que |x(t) − y(t)| = 0 pour tout t ∈ [t0 , t1 ] par le lemme de

Gronwall 3.5.1.
2. Montrons à présent l’existence locale d’une solution. Plus précisément,
nous allons montrer qu’il existe une solution de (5.1.2) sur l’intervalle [t0 , t0 +
α] pour tout α < min{K −1 , t1 − t0 }. Pour celà, on considère l’opérateur
T : (C([t0 , t0 + α], IRn ), k.k∞ ) −→ (C([t0 , t0 + α], IRn ), k.k∞ )
défini par :
Z t
T x(t) := x0 + f (s, x(s), u(s)) ds ; t0 ≤ t ≤ t1 .
t0
86
On calcule alors :
Z t
kT x − T yk∞ ≤ |f (s, x(s), u(s)) − f (s, y(s), u(s))| ds
t0
≤ Kαkx − yk∞ .
Comme α < K −1 , ceci prouve que T est contractant et possède, par conséquent,
un unique point fixe.
3. Pour finir la démonstration, il reste à montrer l’existence d’une solution
maximale sur l’intervalle [t0 , t1 ]. Cette partie de la démonstration utilise
la condition de croissance linéaire sur f , et ne diffère en aucun point de
la démonstration classique dans le cas où u est continu, voir par exemple
Shwartz [5], théorème 4.2.10. t
u
5.2 Un résultat d’existence

L’ingrédient principal pour le résultat d’existence suivant est le critère de
compacité d’Ascoli. Rappelons qu’une partie H de C 0 ([t0 , t1 ], IRn ) est dite
équicontinue si pour tout ε > 0, il existe η > 0 tel que
pour tout (t, s) ∈ [t0 , t1 ]2 : |t − s| ≤ η −→ sup |h(t) − h(s)| ≤ ε .

h∈H
Théorème 5.2.1 (Ascoli) Soit H un sous-ensemble de C 0 ([t0 , t1 ], IRn ). Si

H est équicontinu et uniformément borné, alors H est relativement compact
dans C 0 ([t0 , t1 ], IRn ) au sens de la norme de la convergence uniforme k.k∞ .
Le lemme suivant montre que le critère de compacité d’Ascoli s’applique

naturellement dans notre cadre.
Lemme 5.2.1 Supposons que U soit borné et que la fonction f vérifie la

deuxième condition (de croissance linéaire) de (5.1.1). Alors, il existe une
constante C > 0 telle que :
kxu k∞ ≤ C et xu est C−Lipschitzienne pour tout u ∈ U .
En particulier, la famille {xu : ∈ U } est un sous-ensemble équicontinu et

uniformément borné de C 0 ([t0 , t1 ], IRn ).
87
Démonstration. Il suffit d’estimer directement pour t0 ≤ s ≤ t ≤ t1 :
Z t
|x(t) − x(s)| ≤ |f (r, x(r), u(r))| dr
s
Z t
≤ K (1 + |x(r) − x(s)| + |x(s)| + |u(r)|) dr (5.2.1)
s
Z t
≤ K1 1 + (|x(r) − x(s)| + |x(s)|) dr ,
s
d’après la bornitude de U . Pour s = t0 , ceci montre que

Z t
|x(t) − x0 | ≤ K2 1 + |x(r) − x0 |dr ,
s
pour une certaine constante K” > 0, et on obtient une borne uniforme pour
x(.) en utilisant le lemme de Gronwall 3.5.1. On déduit alors de (5.2.1) que :
|x(t) − x(s)| ≤ K3 |t − s|dr ,
prouvant ainsi l’équicontinuité de la famille {xu : u ∈ U}. t

u
Nous pouvons maintenant énoncer et démontrer un résultat d’existence

pour le problème 5.0.1.
Théorème 5.2.2 Supposons que U est compact, G est continu, f vérifie les
conditions de Lipschitz et de croissance linéaire (5.1.1), et que l’ensemble
N (t, x) := {f (t, x, ν) : ν ∈ U }
est convexe pour tout (t, x) ∈ [t0 , t1 ] × IRn . Alors, le problème d’optimisation
dynamique 5.0.1 admet une solution,

i.e. il existe une variable de contrôle
∗
u∗ ∈ U telle que V = G xu (t1 ) .
Démonstration. 1. Soit (un )n≥0 une suite minimisante pour le problème

(5.0.1), i.e.
un ∈ U et lim G (xn (t1 )) ,

n→∞
88
n
où on a noté xn := xu . D’après le lemme 5.2.1 et le critère de compacité
d’Ascoli, on déduit l’existence d’une sous-suite, que l’on continuera à désigner
par (xn )n≥0 , et d’une fonction continue x∗ telles que
xn −→ x∗ uniformément sur [t0 , t1 ] .
Comme G est continu, on a V = G (x∗ (t1 )). Pour finir la démonstration

du théorème, il reste à trouver une variable de contrôle u∗ ∈ U telle que
∗
x∗ = xu .
2. D’après le lemme 5.2.1, xn est C−Lipschtzienne pour tout n. Cette
propriété étant préservée par passage à la limite uniforme, on déduit que x∗
est absoluement continue. Ainsi ẋ∗ existe presque partout et
Z t
∗
x (t) = x0 + ẋ∗ (s)ds pour t0 ≤ t ≤ t1 .
t0
3. Montrons à présent que ẋ∗ (t) ∈ N ∗ (t) := N (t, x∗ (t)) p.p. Commençons
par remarquer que, pour tout paramètre a > 0, l’ensemble
Oa := {x ∈ IRn : dist (x, N ∗ (t)) < a}
est convexe, comme conséquence de la convexité de N ∗ (t). Comme la fonction

f est uniformément continue sur le compact [t0 , t1 ]×{|ξ| ≤ C}×U ⊂ [t0 , t1 ]×
IRn × U , il existe ηa > 0, tel que ηa −→ 0 quand a → 0 et :
|s − t| + |ξ − x∗ (t)| < 3ηa =⇒ N (s, ξ) ⊂ Oa .
D’après la convergence uniforme de xn vers x∗ et le fait que x∗ est C−Lipschit-

zienne, on voit que pour |s − t| ≤ δa := ηa min{1, C −1 } et n ≥ Na suffisam-
ment grand :
|xn (s) − x∗ (s)| ≤ ηa et |x∗ (s) − x∗ (t)| ≤ ηa .
On en déduit que |s − t| + |xn (s) − x∗ (s)| ≤ ηa , et par suite
N (s, xn (s)) ⊂ Oa pour |s − t| ≤ δa et n ≥ Na .
89
4. D’après la convergence uniforme de xn vers x∗ , on a :
x∗ (t + h) − x∗ (t) xn (t + h) − xn (t)
= lim
h n→∞ h
1 Z t+h
= n→∞
lim f (s, xn (s), un (s)) ds .
h t
Pour h ≤ δa , on déduit de l’étape précédente que f (s, xn (s), un (s)) ∈ N (s, xn (s))
⊂ Oa pour tout s ∈ [t, t + h]. Comme Oa est convexe, on voit que
x∗ (t + h) − x∗ (t)
∈ Oa ,
h
et par suite ẋ∗ (t) ∈ Oa pour presque tout t ∈ [t0 , t1 ]. Comme le paramètre
a > 0 est arbitraire, on en déduit que
ẋ∗ (t) ∈ N ∗ (t) = N (t, x∗ (t)) .
5. Par définition de l’ensemble N (t, x∗ (t)), on a ainsi montré que ẋ∗ (t) =
f (t, x∗ (t), u∗ (t)) pour un certain u∗ (t) ∈ U . Pour montrer que u∗ ∈ U, il reste
à faire appel à un théorème de sélection mesurable pour assurer la possibilité
de choisir une telle fonction u∗ qui soit de plus mesurable... t
u
90
Bibliography
[1] Demange G. et Rochet J.-C. (1992), Méthodes Mathématiques de la

Finance, Economica.
[2] Fleming W.H. et Rishel R.W. (1975), Deterministic and Stochastic

Optimal Control, Springer-Verlag.
[3] Fleming W.H. et Soner H.M. (1993), Controlled Markov Processes and
Viscosity Solutions, Springer-Verlag.
[4] Kamien, M.I. et Schwartz N.L. (1991), Dynamic Optimization: the

Calculus of Variations and Optimal Control in Economics and Man-
agement (2ème edition), North Holland, New-York.
[5] Schwatrz L. (1997), Analyse II : Calcul différentiel et équations

différentielles, Collection Enseignement des Sciences, Hermann.
[6] Vieille N. (2000), Optimisation Dynamique, Polycopié ENSAE.
91

Optidyn

Transféré par

Droits d'auteur :

Formats disponibles

Optidyn

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Optidyn

Transféré par

Droits d'auteur :

Formats disponibles

Ecole Nationale de la Statistique et de l’Administration Economique

2ème année, 2002-2003

2 Calcul des variations 26

4 Approche de la programmation dynamique 68

1.1 Rappels : optimisation statique

φ := inf ϕ(x) , (1.1.1)

où x ∈ E est la variable de contrôle, ϕ : E −→ IR est la fonction objectif, et

Avant de procéder à l’énoncé précis de ces résultats, rappelons les définitions

ϕ(x + h) = ϕ(x) + Dϕ(x) · h + |h|ε(h) ,

1.1.2 Les résultats d’existence

Théorème 1.1.1 Supposons que la fonction ϕ est semi-continue inférieurement

Démonstration. Soit (xn )n≥0 une suite minimisante pour le problème

xn ∈ K pour tout n et ϕ(xn ) −→ φ.

φ = lim ϕ(xn ) = lim ϕ(xnk ) ≥ lim inf ϕ(x0 ) ≥ ϕ(x∗ ) .

Corollaire 1.1.1 Soit E un espace vectoriel de dimension finie, et K un

Démonstration. Soit (xn )n≥0 une suite minimisante pour le problème

Nous terminons ce paragraphe par une condition suffisante pour l’unicité

Théorème 1.1.2 Si l’ensemble K est convexe et la fonction ϕ est stricte-

Démonstration. Supposons qu’il existe deux solutions x∗1 et x∗2 pour le

1.1.3 Condition nécessaire d’optimalité d’Euler

Définition 1.1.1 Soit K ⊂ E, et x ∈ K. Un élément y ∈ E est dit tangent

T (x, K) est appelé cône tangent à l’ensemble K au point x.

Théorème 1.1.3 (Condition d’Euler) Soit x∗ une solution du problème (1.1.1).

Dϕ(x∗ ) · y ≥ 0 pour tout y ∈ T (x, K) . (1.1.4)

Démonstration. Soit y ∈ T (x∗ , K). Le résultat est trivial pour y = 0,

Comme x∗ est solution de (1.1.1), on a

|λn hn |−1 [ϕ(x∗ + λn hn ) − ϕ(x∗ )] ≥ 0 ,

Si l’ensemble K est ouvert, on vérifie facilement que T (x, K) = E pour

Corollaire 1.1.2 Soient K un sous-ensemble ouvert de E, et x∗ une solution

1.1.4 Conditions suffisantes d’optimalité

ϕ(x∗ ) = min ϕ(x) ,

Le résultat suivant est une conséquence immédiate de (1.1.5).

1.1.5 Contraintes d’égalité et d’inégalité

alors T (K, x) = {y ∈ IRn : y · Dbj (x) ≤ 0 pour tout j ∈ J(x)}.

La démonstration est laissée au lecteur.

Définition 1.1.2 Un point x ∈ K est dit K−qualifié si la fonction b est

T (K, x) = {y ∈ IRn : y · Dbj (x) ≤ 0 pour tout j ∈ J(x)} .

Introduisons la fonctions L : E × IRp −→ IR définie par :

L(x, λ) := ϕ(x) + λ · b(x) .

Cette fonction est appelée Lagrangien associé au problème de minimisation

Théorème 1.1.5 (Kuhn et Tucker) Supposons que l’ensemble des décisions

Démonstration. Soit x∗ une solution K−qualifiée du problème de minimi-

Dϕ(x∗ ) · y ≥ 0 pour tout y ∈ T (K, x∗ ) .

pour tout y ∈ IRn , [ max∗ Dbj (x∗ ) · y ≤ 0 =⇒ −Dϕ(x∗ ) · y ≤ 0 ] .

D’après le lemme de Farkas, cette propriété est équivalente à

il existe λj ≥ 0 , j ∈ J(x∗ ) , tels que −Dϕ(x∗ ) = λj Dbj (x∗ ) .

Ceci définit des multiplicateurs λj pour les contraintes saturées j ∈ J(x∗ ).

λj := 0 pour tout j 6∈ J(x∗ ) ,

et la démonstration du théorème est complète. t

Nous terminons ce paragraphe par l’énoncé du théorème de Lagrange qui

K = {x ∈ E : aj (x) ≤ 0, 1 ≤ j ≤ m pour tout x ∈ E} . (1.1.8)

T (K, x) ⊂ {y ∈ E : y · Daj (x) = 0, 1 ≤ j ≤ m} , (1.1.9)

et x est un point K−qualifié si l’inclusion inverse est vérifiée. Le résultat

Proposition 1.1.2 Soit K le sous-ensemble de E définit par (1.1.8), et x

Théorème 1.1.6 (Lagrange) Supposons que l’ensemble des décision possi-

il existe λ∗ ∈ IRm vérifiant DL(x∗ , λ∗ ) = 0 . (1.1.10)

1.2 Introduction à l’optimisation dynamique

1.2.1 Modèle de consommation optimale en temps dis-

On considère un agent économique doté d’un capital initial x > 0. Soit