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