- 1. L'optimisation mathématique, également connue sous le nom de programmation mathématique, est une discipline qui consiste à trouver la meilleure solution parmi un ensemble de solutions possibles. Elle implique le processus de maximisation ou de minimisation d'une fonction objective tout en tenant compte des contraintes. Les problèmes d'optimisation se posent dans divers domaines tels que l'ingénierie, l'économie, la finance et la recherche opérationnelle. L'objectif de l'optimisation mathématique est d'améliorer l'efficacité, de maximiser les profits, de minimiser les coûts ou d'obtenir le meilleur résultat possible compte tenu des contraintes données. Différentes techniques telles que la programmation linéaire, la programmation non linéaire, la programmation en nombres entiers et l'optimisation stochastique sont utilisées pour résoudre les problèmes d'optimisation. Globalement, l'optimisation mathématique joue un rôle crucial dans les processus de prise de décision et la résolution de problèmes dans des scénarios complexes du monde réel.
Quel est l'objectif principal de l'optimisation mathématique ?
A) Minimiser ou maximiser une fonction objective
B) Compter les nombres premiers
C) Générer des nombres aléatoires
D) Résolution d'équations
- 2. Qu'est-ce qu'une contrainte dans les problèmes d'optimisation ?
A) L'estimation initiale
B) La formule mathématique
C) Le résultat final
D) Limitation des solutions possibles
- 3. Quel type d'optimisation recherche la valeur maximale d'une fonction objective ?
A) Maximisation
B) Minimisation
C) Randomisation
D) Simplification
- 4. Qu'est-ce que la fonction objective dans un problème d'optimisation ?
A) Une équation sans variables
B) Une opération mathématique aléatoire
C) Fonction à optimiser ou à minimiser
D) Une fonction de contrainte
- 5. Que signifie le terme "solution réalisable" dans le domaine de l'optimisation ?
A) Une solution qui satisfait toutes les contraintes
B) Une solution sans contraintes
C) Une solution aléatoire
D) Une solution incorrecte
- 6. Dans la programmation linéaire, qu'est-ce que la région réalisable ?
A) L'ensemble de toutes les solutions réalisables
B) La zone en dehors des contraintes
C) La région avec la valeur maximale
D) L'espace de solution
- 7. Quelle est l'importance de l'analyse de sensibilité dans l'optimisation ?
A) Sélectionne le meilleur algorithme
B) Génère des solutions aléatoires
C) Trouve l'optimum global
D) Évaluer l'impact des changements de paramètres sur la solution
- 8. Quelle méthode est couramment utilisée pour résoudre les problèmes de programmation linéaire ?
A) Essais et erreurs
B) Recuit simulé
C) Deviner et vérifier
D) Méthode du simplexe
- 9. Comment appelle-t-on également l'optimisation mathématique ?
A) Analyse quantitative
B) Conception d'algorithmes
C) Programmation mathématique
D) Maximisation de fonctions
- 10. En combien de sous-domaines l'optimisation mathématique est-elle généralement divisée ?
A) Un : optimisation générale.
B) Quatre : optimisation combinatoire, optimisation stochastique, optimisation dynamique et optimisation robuste.
C) Deux : optimisation discrète et optimisation continue.
D) Trois : programmation linéaire, programmation non linéaire et programmation en nombres entiers.
- 11. Quel type d'optimisation implique la recherche d'un objet tel qu'un entier, une permutation ou un graphe ?
A) Optimisation continue
B) Optimisation discrète
C) Programmation non linéaire
D) Programmation linéaire
- 12. Dans quel type d'optimisation les arguments optimaux sont-ils trouvés parmi un ensemble continu ?
A) Optimisation combinatoire
B) Programmation en nombres entiers
C) Optimisation discrète
D) Optimisation continue
- 13. Quelle branche des mathématiques traite des algorithmes déterministes pour les problèmes non convexes ?
A) Mathématiques discrètes
B) Programmation linéaire
C) Optimisation locale
D) Optimisation globale
- 14. Quelle est la valeur minimale de l'expression (x² + 1) lorsque x = -2 ?
A) 3
B) 4
C) 5
D) 1
- 15. Pour quelle valeur de x la fonction (x2 + 1) atteint-elle sa valeur minimale ?
A) x = ∞
B) x = -1
C) x = 1
D) x = 0
- 16. Existe-t-il une valeur maximale pour la fonction 2x sur l'ensemble des nombres réels ?
A) Oui, elle est égale à moins l'infini.
B) Oui, elle est égale à l'infini.
C) Oui, elle est égale à 2.
D) Non, elle n'est pas bornée.
- 17. À qui est-on tenu de créditer l'introduction du terme "programmation linéaire" ?
A) Fermat
B) John von Neumann
C) Leonid Kantorovich
D) George B. Dantzig
- 18. En quelle année Leonid Kantorovich a-t-il introduit une grande partie de la théorie de la programmation linéaire ?
A) 1950
B) 1960
C) 1947
D) 1939
- 19. Quels types de variables sont utilisés dans la programmation semi-définie (PSD) ?
A) Variables binaires.
B) Variables discrètes.
C) Variables continues.
D) Matrices semi-définies.
- 20. Quels sont les effets de l'ajout de plusieurs objectifs à un problème d'optimisation ?
A) Augmente la complexité
B) Simplifie le problème
C) Réduit le nombre de solutions
D) Élimine les compromis
- 21. Comment qualifie-t-on une conception si elle n'est dominée par aucune autre conception ?
A) Sous-optimale
B) Optimal selon Pareto
C) Inférieure
D) Non-efficace
- 22. Qui détermine la « solution préférée » parmi les solutions Pareto-optimales ?
A) Le concepteur du système
B) Un évaluateur externe
C) L'algorithme d'optimisation
D) Le décideur
- 23. Comment peut-on parfois déduire les informations manquantes dans un problème d'optimisation multi-objectifs ?
A) Automatiquement par l'algorithme.
B) En ignorant les objectifs moins importants.
C) Par le biais de sessions interactives avec le décideur.
D) Grâce à l'analyse de données historiques.
- 24. Quel est le cas particulier de l'optimisation mathématique où toute solution est optimale ?
A) Le problème de faisabilité
B) L'optimisation globale
C) L'optimisation multi-modale
D) Le problème d'existence
- 25. Quelles sont les conditions utilisées pour trouver les optima dans les problèmes avec des contraintes d'égalité et/ou d'inégalité ?
A) Les conditions de Karush-Kuhn-Tucker
B) Conditions d'ordre premier
C) Conditions de faisabilité
D) Conditions d'ordre second
- 26. Quelles sont les techniques numériques efficaces pour minimiser les fonctions convexes ?
A) Méthodes du point intérieur.
B) Recherches de direction.
C) Relaxation lagrangienne.
D) Régions de confiance.
- 27. Quelle méthode garantit la convergence en optimisant une fonction le long d'une seule dimension ?
A) Régions de confiance.
B) Recherches de direction.
C) Estimation du moment positif-négatif.
D) Relaxation lagrangienne.
- 28. Quelle méthode utilise une approximation du gradient aléatoire pour l'optimisation stochastique ?
A) L'approximation stochastique par perturbation simultanée (SPSA)
B) Méthode de l'ellipsoïde
C) Algorithmes d'optimisation quantique
D) Méthodes du point intérieur
- 29. Quelle méthode est historiquement importante mais lente, et qui suscite un regain d'intérêt pour les problèmes de grande taille ?
A) Approximation stochastique par perturbation simultanée
B) Descente de gradient
C) Méthodes quasi-Newton
D) Méthodes de descente par coordonnées
- 30. Dans quel domaine l'optimisation de la conception est-elle particulièrement appliquée ?
A) L'ingénierie, en particulier l'ingénierie aérospatiale.
B) La cosmologie et l'astrophysique.
C) La microéconomie.
D) L'ingénierie électrique.
- 31. Dans quel domaine la programmation stochastique et la simulation sont-elles utilisées pour soutenir la prise de décision ?
A) Génie du contrôle
B) Recherche opérationnelle
C) Génie civil
D) Modélisation moléculaire
|