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