Optimisation avancée

About This Course

Ce cours explore les fondements et les applications de l’optimisation avancée, avec un accent particulier sur les processus stochastiques sous contrainte. Les étudiants apprendront à formuler des problèmes d’optimisation impliquant l’incertitude et à appliquer des méthodes numériques et analytiques pour trouver des solutions optimales ou quasi-optimales. Le programme couvre les concepts de base de l’optimisation convexe et non convexe, ainsi que les techniques spécifiques adaptées aux systèmes soumis à des variations aléatoires.Les principaux thèmes incluent l’optimisation sous contraintes, la programmation stochastique, les méthodes de gradient et de quasi-Newton, les algorithmes d’approximation et les techniques d’optimisation globale. Une attention particulière est portée sur les applications pratiques dans les domaines tels que la finance, la logistique, la planification industrielle et la gestion des risques, où les décisions doivent être prises malgré l’incertitude des paramètres.Le cours combine à la fois des aspects théoriques et pratiques, permettant aux étudiants de développer des compétences pour modéliser des problèmes complexes, analyser la sensibilité des solutions et implémenter des algorithmes efficaces. À travers des exercices et projets, les étudiants acquièrent une compréhension approfondie des défis liés à l’optimisation stochastique et des méthodes pour les surmonter.

En résumé, ce cours offre aux étudiants les outils mathématiques et computationnels nécessaires pour aborder des problèmes d’optimisation avancée, tout en intégrant l’incertitude inhérente aux systèmes réels.