Section outline

  • La minimisation sans contrainte constitue un problème fondamental en optimisation, consistant à déterminer les points où une fonction réelle atteint ses valeurs minimales sans restriction explicite sur les variables. Ce type de problème apparaît naturellement dans de nombreux domaines scientifiques et techniques, notamment en apprentissage automatique, en traitement du signal, en mécanique et en économie.

    Les algorithmes de minimisation sans contrainte reposent principalement sur l’exploitation des propriétés différentielles des fonctions à optimiser, telles que le gradient et la hessienne. Ils permettent de construire des procédures itératives visant à approcher un minimum local ou global à partir d’une estimation initiale. Ce chapitre présente les principes généraux de ces méthodes, leurs hypothèses de convergence et les principaux algorithmes classiques, tels que la descente de gradient, la méthode de Newton et leurs variantes.