- 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) Minimiser ou maximiser une fonction objective
C) Générer des nombres aléatoires
D) Compter les nombres premiers
- 2. Qu'est-ce qu'une contrainte dans les problèmes d'optimisation ?
A) L'estimation initiale
B) Le résultat final
C) Limitation des solutions possibles
D) La formule mathématique
- 3. Quel type d'optimisation recherche la valeur maximale d'une fonction objective ?
A) Minimisation
B) Simplification
C) Maximisation
D) Randomisation
- 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 incorrecte
B) Une solution qui satisfait toutes les contraintes
C) Une solution sans contraintes
D) Une solution aléatoire
- 6. Dans la programmation linéaire, qu'est-ce que la région réalisable ?
A) La zone en dehors des contraintes
B) L'espace de solution
C) La région avec la valeur maximale
D) L'ensemble de toutes les solutions réalisables
- 7. Quelle est l'importance de l'analyse de sensibilité dans l'optimisation ?
A) Trouve l'optimum global
B) Sélectionne le meilleur algorithme
C) Génère des solutions aléatoires
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) Recuit simulé
C) Méthode du simplexe
D) Essais et erreurs
- 9. Comment appelle-t-on également l'optimisation mathématique ?
A) Maximisation de fonctions
B) Conception d'algorithmes
C) Programmation mathématique
D) Analyse quantitative
- 10. En combien de sous-domaines l'optimisation mathématique est-elle généralement divisée ?
A) Deux : optimisation discrète et optimisation continue.
B) Quatre : optimisation combinatoire, optimisation stochastique, optimisation dynamique et optimisation robuste.
C) Un : optimisation générale.
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) Programmation linéaire
B) Optimisation discrète
C) Programmation non linéaire
D) Optimisation continue
- 12. Dans quel type d'optimisation les arguments optimaux sont-ils trouvés parmi un ensemble continu ?
A) Programmation en nombres entiers
B) Optimisation continue
C) Optimisation combinatoire
D) Optimisation discrète
- 13. Quelle branche des mathématiques traite des algorithmes déterministes pour les problèmes non convexes ?
A) Optimisation globale
B) Programmation linéaire
C) Optimisation locale
D) Mathématiques discrètes
- 14. Quel est le cas particulier de l'optimisation mathématique où toute solution est optimale ?
A) L'optimisation globale
B) Le problème de faisabilité
C) Le problème d'existence
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) Automatiquement par l'algorithme.
B) En ignorant les objectifs moins importants.
C) Grâce à l'analyse de données historiques.
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) Élimine les compromis
B) Augmente la complexité
C) Simplifie le problème
D) Réduit le nombre de solutions
- 18. Qui détermine la « solution préférée » parmi les solutions Pareto-optimales ?
A) L'algorithme d'optimisation
B) Un évaluateur externe
C) Le concepteur du système
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 2.
C) Oui, elle est égale à moins l'infini.
D) Non, elle n'est pas bornée.
- 20. Quelle est la valeur minimale de l'expression (x² + 1) lorsque x = -2 ?
A) 1
B) 5
C) 3
D) 4
- 21. Quelles sont les techniques numériques efficaces pour minimiser les fonctions convexes ?
A) Relaxation lagrangienne.
B) Recherches de direction.
C) Méthodes du point intérieur.
D) Régions de confiance.
- 22. 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) Méthodes quasi-Newton
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) 1939
B) 1950
C) 1947
D) 1960
- 24. Comment qualifie-t-on une conception si elle n'est dominée par aucune autre conception ?
A) Non-efficace
B) Inférieure
C) Optimal selon Pareto
D) Sous-optimale
- 25. Dans quel domaine la programmation stochastique et la simulation sont-elles utilisées pour soutenir la prise de décision ?
A) Modélisation moléculaire
B) Génie civil
C) Génie du contrôle
D) Recherche opérationnelle
- 26. Quels types de variables sont utilisés dans la programmation semi-définie (PSD) ?
A) Matrices semi-définies.
B) Variables binaires.
C) Variables continues.
D) Variables discrètes.
- 27. Dans quel domaine l'optimisation de la conception est-elle particulièrement appliquée ?
A) La cosmologie et l'astrophysique.
B) La microéconomie.
C) L'ingénierie électrique.
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) Les conditions de Karush-Kuhn-Tucker
C) Conditions d'ordre second
D) Conditions d'ordre premier
- 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) Fermat
B) John von Neumann
C) Leonid Kantorovich
D) George B. Dantzig
- 31. Pour quelle valeur de x la fonction (x2 + 1) atteint-elle sa valeur minimale ?
A) x = 0
B) x = 1
C) x = -1
D) x = ∞
|