Forum de Mathématiques: Maths-Forum

Justement je pense que c'est la le probleme, pourriez vous m'indiquer ce que je dois faire pour résoudre ce soucis?
Merci pour votre reponse

En fait il se trouve que j'ai fait une erreur dans l'enoncé voila le corrigé: min \frac{1}{2}(x_1^2+2x_2^2+3x_3^2) sous contraintes x_1+x_2+x_3=1 x_i\geq 0 , \forall i=1,...,3 Je corrige donc ce que j'ai fait: Je pose f(x_1,x_2,x_3)=\frac{1}{2}(x_1^2+2x_2^2+3x_3^2) et h(x...

Bonjour, j'ai une application numerique en optimisation avec contraintes que je ne sait pas faire. Voila le systeme : min \frac{1}{2}(x_1^2+x_2^2+x_3^2) sous contraintes x_1+x_2+x_3=1 x_i\geq 0 , \forall i=1,...,3 Voila donc ce que j'ai fait mais il me semble qu'il me manque des egalités. Si...

En fait j'ai encore un soucis, Si je note x_j la sous-suite de x_k et que x_{j+1} la projection de x_j- \rho \nabla f(x_j) J'ai donc \leq 0 - \rho \leq 0 J'obtiens alors : +||x_j-x_{j+1}||^2 + \rho \leq \rho Et la je n'arrive pas a montrer que la partie gauche est plus grande que 0. Pouvez v...

Je vous remercie beaucoup, vous m'avez beaucoup aidé.
Encore merci

Bonjour, je dois trouver un contre-exemple pour la proposition suivante car il me semble que c'est faux. Si U est un sous-ensemble fermé non vide de \R^n et U possede un hyperplan d'appui en tout point de sa frontiere, alors U est convexe. Sachant qu 'un hyperplan d'appui est : H est un hyperplan d'...

Merci beaucoup de m'avoir aider, par la projection et cauchy schwartz je suis arrivé a montrer le resultat.
Encore merci pour votre aide

C'est pour cela que je n'etais pas trop sur de moi et que j'avais besoin de votre avis. Je sais que f admet un unique minimum et que s est valeur d'adherence de (xk) et je me disais peut-etre que du coup s etait ce minimum.

Par le fait que s est le minimum

Je me permet de relancer mon sujet car je ne suis pas sur de tout ce que j'ai ecrit.
Merci d'avance

Bonjour a tous, apres longue reflexion il me semble qu'il ya une erreur dans mon enoncé et je vous donne raison ThSQ, il faut que \Omega soit convexe. Alors je reprend du depart, je sais et j'ai deja montrer que : \Omega Compact f est strictement convexe \nabla f est lipschitz de constante L on etud...

Je vous remercie pour votre intérêt à mon problème. Mon énoncé ne dit rien de plus sur \Omega que ce que j'ai dis plus haut. Enfin l'ensemble est peut-etre convexe, fermé cela doit pouvoir se montrer mais cela n'ai pas donné dans l'enoncé. f(x^{k+1})-f(x^k)\leq (L-\frac{1}{\rho}&...

alors , est un ensemble compact.
Voila c'est tout ce qu'on sait.

Je me permets de relancer mon pb parce que je suis toujours a la recherche d'une solution et j'aimerais avoir quelques indications.
Merci d'avance

Bonjour a tous, je dois montrer que : s \in \Omega et \geq 0 pour tout x \in \Omega Sachant que f est strictement convexe \nabla f est lipschitz de constante L on etudie la methode du gradient projete avec x^0 fixé, \rho >0 fixé x^{k+1}=P_\Omega(x^k-\rho \nabla f(x^k) f(x^{k+1})-f(x^...

Merci pour vos reponses, je comprends un petit peu mieu meme s'il reste plusieurs endroit encore un peu flou. Premierement, pourquoi ce \psi_n il fallait prevoir a l'avance que \psi_n allait tendre vers f(x,y)? Ensuite, pourquoi cette limite vaut f(x,y)? Est-ce que c'est a ce moment qu'on doit utili...

Bonjour, je suis en train de réviser pour mon partiel, et j'ai un exo de mon TD que je ne comprends pas. Voila l'énoncé : Soit f:R²->R, on suppose que pour x \in R fixé, y->f(x,y) borélienne pour y \in x-> f(x,y) continue. Montrer que (x,y)->f(x,y) est borélienne Voila ce que le prof a donné comme c...

N'ayant pas de reponse, je me permet de relancer mon message!
Merci d'avance

Bonjour, je dois demontrer le theoreme suivant: Supposons que : (i) il existe k>0, ||\Delta f(x) -\Delta f(y)|| \leq k_f ||x-y|| (ii) f est fortement monotone de constante c>0 \forall x,y \in \Re, \geq c||x-y||^2 (iii) \exists a,b \in \Re,\forall k , 0<a \leq t \leq b \leq \frac{2c}{...

Oui j'arrive a calculer le gradient mais pas a le reduire à une forme unique, voila ce que j'obtient : ( ln(x_1) +1-x_1 ln(\sum x_i)-\frac{\sum(x_i)}{x_1} ; ... ; ln(x_n) +1-x_n ln(\sum x_i)-\frac{\sum(x_i)}{x_n} ) Je voudrais un truc sous la forme sca...