- 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) Compter les nombres premiers
D) Générer des nombres aléatoires
- 2. Qu'est-ce qu'une contrainte dans les problèmes d'optimisation ?
A) Limitation des solutions possibles
B) La formule mathématique
C) L'estimation initiale
D) Le résultat final
- 3. Quel type d'optimisation recherche la valeur maximale d'une fonction objective ?
A) Randomisation
B) Minimisation
C) Maximisation
D) Simplification
- 4. Qu'est-ce que la fonction objective dans un problème d'optimisation ?
A) Fonction à optimiser ou à minimiser
B) Une opération mathématique aléatoire
C) Une fonction de contrainte
D) Une équation sans variables
- 5. Que signifie le terme "solution réalisable" dans le domaine de l'optimisation ?
A) Une solution aléatoire
B) Une solution sans contraintes
C) Une solution qui satisfait toutes les contraintes
D) Une solution incorrecte
- 6. Dans la programmation linéaire, qu'est-ce que la région réalisable ?
A) La zone en dehors des contraintes
B) L'ensemble de toutes les solutions réalisables
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) Trouve l'optimum global
B) Sélectionne le meilleur algorithme
C) Évaluer l'impact des changements de paramètres sur la solution
D) Génère des solutions aléatoires
- 8. Quelle méthode est couramment utilisée pour résoudre les problèmes de programmation linéaire ?
A) Méthode du simplexe
B) Deviner et vérifier
C) Essais et erreurs
D) Recuit simulé
- 9. Comment appelle-t-on également l'optimisation mathématique ?
A) Conception d'algorithmes
B) Analyse quantitative
C) Maximisation de fonctions
D) Programmation mathématique
- 10. En combien de sous-domaines l'optimisation mathématique est-elle généralement divisée ?
A) Trois : programmation linéaire, programmation non linéaire et programmation en nombres entiers.
B) Deux : optimisation discrète et optimisation continue.
C) Un : optimisation générale.
D) Quatre : optimisation combinatoire, optimisation stochastique, optimisation dynamique et optimisation robuste.
- 11. Quel type d'optimisation implique la recherche d'un objet tel qu'un entier, une permutation ou un graphe ?
A) Optimisation discrète
B) Programmation non linéaire
C) Optimisation continue
D) Programmation linéaire
- 12. Dans quel type d'optimisation les arguments optimaux sont-ils trouvés parmi un ensemble continu ?
A) Programmation en nombres entiers
B) Optimisation discrète
C) Optimisation combinatoire
D) Optimisation continue
- 13. Quelle branche des mathématiques traite des algorithmes déterministes pour les problèmes non convexes ?
A) Optimisation globale
B) Optimisation locale
C) Mathématiques discrètes
D) Programmation linéaire
- 14. Quel est le cas particulier de l'optimisation mathématique où toute solution est optimale ?
A) Le problème de faisabilité
B) Le problème d'existence
C) L'optimisation multi-modale
D) L'optimisation globale
- 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) Par le biais de sessions interactives avec le décideur.
B) Automatiquement par l'algorithme.
C) Grâce à l'analyse de données historiques.
D) En ignorant les objectifs moins importants.
- 17. Quels sont les effets de l'ajout de plusieurs objectifs à un problème d'optimisation ?
A) Réduit le nombre de solutions
B) Élimine les compromis
C) Simplifie le problème
D) Augmente la complexité
- 18. Qui détermine la « solution préférée » parmi les solutions Pareto-optimales ?
A) Le décideur
B) Le concepteur du système
C) L'algorithme d'optimisation
D) Un évaluateur externe
- 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 2.
C) Oui, elle est égale à l'infini.
D) Oui, elle est égale à moins l'infini.
- 20. Quelle est la valeur minimale de l'expression (x² + 1) lorsque x = -2 ?
A) 3
B) 1
C) 4
D) 5
- 21. Quelles sont les techniques numériques efficaces pour minimiser les fonctions convexes ?
A) Recherches de direction.
B) Méthodes du point intérieur.
C) Relaxation lagrangienne.
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) 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) 1939
B) 1950
C) 1947
D) 1960
- 24. Comment qualifie-t-on une conception si elle n'est dominée par aucune autre conception ?
A) Optimal selon Pareto
B) Inférieure
C) Non-efficace
D) Sous-optimale
- 25. 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
- 26. Quels types de variables sont utilisés dans la programmation semi-définie (PSD) ?
A) Variables discrètes.
B) Variables binaires.
C) Variables continues.
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) La microéconomie.
C) La cosmologie et l'astrophysique.
D) L'ingénierie électrique.
- 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 de faisabilité
C) Conditions d'ordre premier
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) Leonid Kantorovich
B) John von Neumann
C) George B. Dantzig
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
|