‫الجمهورية الجزائرية الديمقراطية الشعبية‬

‫وزارة التعليــم العالــي والبحــث العلمــي‬

Université Ferhat ABBAS Sétif 1 1 ‫جامعـــة فرحات عباس سطيــف‬

Faculté des Sciences ‫كــــلـــيـــة الــعــــلـــوم‬
Département : Mathématiques

MEMOIRE DE MASTER

DOMAINE : Mathématiques et Informatique

FILIERE : Mathématiques
SPECIALITE : Optimisation et contrôle

Thème

Adaptation d'une nouvelle méthode de

projection pour la résolution de problème
des inégalités variationnelles.

Présenté par: Dirigé par :

Sebaihi Serine Dr. Grar Hassina

Baouz Hadjer

Promotion : 2021/2022
 Dédicaces

Je dédie ce travail

À mes chers parents qui m'ont éclairé le

chemin de la vie par leur grand soutien
et leurs encouragements, par leurs
énormes sacrifices qu'ils m'ont consentis
durant mes études. Je les remercie pour
tout ce qu’ils font pour moi.

À mes chères sœurs : Roumaissa, Nadia,

Malek, Tasnim.

À ma chère tante : Fadia.

À Mekarni Roukaia ma chère amie.

À mon cher binôme : Hadjer.

À Mekarni Roukaia ma chère

amie.

À mon cher binôme : Hadjer.

 Dédicaces

Je dédie ce mémoire
À mes parents pour leurs sacrifices, leur
amour, leur soutien et leur
encouragement.
À mon frère et ma sœur source de joie et
de bonheur.
À mon cher mari pour ses soutiens
moraux et ses conseils précieux.
À mon cher binôme pour sa patience et
sa compréhension tout au long de la
préparation de ce mémoire.
À mes chers grands-pères et grand-mère
et mes tantes.
À tous mes amis et mes camarades.
 Remerciements
Avant tout, nous tenons à remercier le bon Dieu le tout-
puissant de nous avoir accordé le courage, la patience, la
volonté et surtout la santé pour réaliser ce modeste travail.
Nous exprimons nos profondes gratitudes à notre
encadreur Dr. Grar Hassina, pour son aide, la qualité de
ses conseils, sa disponibilité, le temps qu'elle nous a
consacré ainsi que le degré de responsabilité au cours de
son encadrement.
Nous remercions également les membres du jury pour
l'intérêt qu'ils ont porté à notre travail.
Nos remerciements les plus profonds et les plus sincères
pour nos parents.
Enfin, un grand merci pour toute personne qui a contribué
de près ou de loin à la réalisation de ce travail de recherche
que nous espérons qu'il sera d'un apport profitable pour les
futurs étudiants.
Table des matières

Introduction 4

1 Notions et résultats préliminaires 5

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Problème d’inégalités variationnelles . . . . . . . . . . . . . . . . . . . . 5
1.3 Liens entre (V IP ) et autres problèmes mathématiques . . . . . . . . . . 6
1.4 Classi…cation de (V IP ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Types de monotonie . . . . . . . . . . . . . . . . . . . . . . . . . 10

1.4.2 Forme des contraintes . . . . . . . . . . . . . . . . . . . . . . . . 12

1.5 Principaux résultats d’existence et d’unicité des solutions de (V IP ) . . . 12

2 Résolution du problème (V IP ) 14
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Quelques méthodes de projection connues . . . . . . . . . . . . . . . . . 15
2.3 Méthode de Ye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3 Implémentation numérique 30
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Tests numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.2.1 Exemples à taille …xe . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.2.2 Exemples à taille variable . . . . . . . . . . . . . . . . . . . . . . 38

1
Conclusion 44

Bibliographie 45

2
Introduction

La théorie du problème d’inégalités variationnelles noté (V IP ) est une théorie très

vaste englobant les problèmes d’optimisation, de complémentarité, d’équilibre écono-
mique, de la théorie de jeux, ainsi que d’autres problèmes pratiques. Historiquement,
cette théorie a fait sa première apparition au milieu des années soixante où elle s’est dé-
veloppée principalement par les spécialistes des équations aux dérivées partielles, on cite
en particulier Stampacchia et Hartman [13] qui ont utilisé les inégalités variationnelles
comme un outil analytique permettant de résoudre ces équations avec des applications ti-
rées de la mécanique dans les espaces de dimensions in…nies. En dimensions …nies, Smith
[22] et Dafermos [4] ont remarqué que les conditions d’optimalité associées au problème
d’a¤ectation connu en réseaux de transport ont la structure d’un (V IP ). Depuis l’appa-
rition de leurs travaux, le problème d’inégalités variationnelles a eu un grand impact sur
le développement de plusieurs branches de sciences pures et appliquées, et par la suite
cette méthodologie est devenue un cadre formel autonome qui modélise et qui s’applique
à un éventail large de problèmes.
Au cours de ces dernières décennies et jusqu’à nos jours, les chercheurs attirés par ce
problème ne cessent guère de faire des progrès considérables dans le but de développer
une théorie mathématique riche et d’élaborer des algorithmes e¢ caces pour trouver des
solutions numériques pour ce problème. En e¤et, ils ont proposé plusieurs classes de mé-
thodes de résolution telles que les méthodes de projection et leurs variantes, les méthodes
de décomposition, les méthodes d’optimisation, ... etc.

3
 L’objectif de ce mémoire consiste à faire une étude théorique et numérique appro-
fondie proprement dite d’une nouvelle méthode de projection introduite par Mingle Ye
[27] en 2018 conçue spécialement pour résoudre les problèmes d’inégalités variationnelles
généralisés (GV IP ). Le mot généralisé ici signi…e que l’opérateur impliqué dans le pro-
blème associe à chaque élément de l’ensemble de départ un ensemble d’éléments dans
l’ensemble d’arrivée et non un seul élément comme celui du cas (V IP ) classique. Le pro-
blème d’inégalités variationnelles généralisé est connu par sa théorie di¢ cile car toutes
les notions utilisées sont des notions généralisées. Sans oublier sur le plan numérique,
le traitement de (GV IP ) est très délicat et nécessite toujours d’e¤orts d’avantage pour
développer des algorithmes de résolution e¢ caces.
L’idée de ce travail se base essentiellement sur l’essai de l’adaptation du principe
de cette méthode pour un (V IP ) classique et d’appliquer l’algorithme associé pour sa
résolution, une tâche qui ne sera pas certainement facile.
Ce mémoire comporte trois chapitres :
Le premier chapitre permet une compréhension du problème d’inégalités variation-
nelles où on donne les notions utiles pour sa présentation ainsi que les principaux résultats
d’existence et d’unicité des solutions.
On commence le second chapitre par un bref aperçu sur les premières méthodes de
projection. La grande partie de ce chapitre sera consacrée à la description détaillée de
l’algorithme correspondant à la méthode de projection adaptée suivi par l’analyse de sa
convergence où la démonstration des résultats théoriques a été aménagée de telle manière
qu’elle soit cohérente avec la résolution du problème en question.
Le troisième chapitre est une étude numérique comparative entre la méthode présentée
et l’une des méthodes de projection les plus connues pour les (V IP )s . Les résultats
obtenus de cette mise en œuvre nous ont permis de dégager quelques conclusions au
sujet du comportement de ce type de méthodes.

4
Chapitre 1

Notions et résultats préliminaires

1.1 Introduction
Dans ce chapitre, nous introduisons quelques notions de base relatives au problème
d’inégalités variationnelles dans l’espace euclidien de dimension …nie, ensuite nous don-
nons des résultats théoriques et quelques propriétés utiles pour ce problème.

1.2 Problème d’inégalités variationnelles

Dé…nition 1 On dé…nit le problème d’inégalités variationnelles classique noté V IP (F; C)
ou seulement (V IP ), sous la forme
8
< Trouver x 2 C tel que
V IP (F; C) (1.1)
: hF (x); x xi 0; 8x 2 C;

où C est un sous ensemble convexe fermé non vide de Rn , F un opérateur continu de

Rn vers Rn , et h ; i désigne le produit scalaire dans Rn :
On note par S l’ensemble des solutions d’un V IP (F; C):

5
Interprétation géométrique

Interprétation géométrique du problème des inégalités variationnelles

En terme géométrique, les inégalités variationnelles indiquent que

1. x 2 S () F (x) est orthogonal à l’ensemble C au point x.

2. x 2 S () F (x) et tout vecteur de la forme x x, (8x 2 C) forment un angle

90 .

3. x 2 S () F (x) 2 NC (x), où NC (x) est le cône normal de C au point x dé…ni

par

NC (x) = fy 2 Rn = hy; x xi 0; 8x 2 Cg :

1.3 Liens entre (V IP ) et autres problèmes mathéma-

tiques
En e¤et, de nombreux problèmes mathématiques peuvent être formulés comme un
problème d’inégalités variationnelles. Dans cette partie on va présenter quelques pro-

6
blèmes et leurs relations avec V IP (F; C):

a) Système d’équations

La proposition suivante présente l’exemple le plus simple des cas particuliers de

(V IP ), il s’agit du problème de résolution d’un système d’équations

Proposition 1 Soit F : Rn ! Rn , si C = Rn , alors

x 2 S () F (x) = 0.

b) Problème de complémentarité

Dans le cas où C est un cône, alors V IP (F; C) est donné sous la forme d’un problème
de complémentarité général dé…ni par
8
< Trouver x 2 C tel que
(GCP )
: F (x) 2 C ; hx; F (x)i = 0;

avec
C = fy 2 Rn = hx; yi 0; 8x 2 Cg est le cône dual de C:

Proposition 2 Soit F : C ! Rn , C un cône de Rn , alors

x 2 S () x est une solution de (GCP ):

Parmi les cas particuliers intéressants de (GCP ), on distingue le cas où le cône

C = Rn+ , connu par le problème de complémentarité et noté par (CP ). Ce problème
qui a été introduit pour la première fois par R. Cottle en 1964 dans sa thèse de (PHD),
est dé…ni comme suit
8
< Trouvver x 0 tel que
(CP )
: F (x) 2 C ; hx; F (x)i = 0:

7
c) Problème d’optimisation

Le problème d’optimisation consiste à déterminer la solution maximale ou minimale

d’un problème d’optimisation donné par une fonction objectif f (f : C ! R) sur un
ensemble C non vide de Rn : Ce problème qui peut être considéré avec ou sans contraintes,
s’écrit comme suit
8
< min f (x)
(OP )
: x 2 C:

On note par l’ensemble des solutions de (OP ).

Pour établir la relation qui existe entre (V IP ) et problème d’optimisation, on a besoin
de la proposition suivante.

Proposition 3 [10] Soit f (f : C ! R) une fonction continûment di¤érentiable sur C

et ? 6= C Rn un convexe fermé, alors on a

x2 =) x solution de V IP (rf; C);

où V IP (rf; C) est dé…ni par

hrf (x); x xi 0; 8x 2 C:

De plus, si f est convexe sur C; alors

x est un solution de V IP (rf; C) ) x 2 :

La transformation d’un problème (V IP ) en un problème d’optimisation équivalent

est donnée par le théorème suivant

8
Théorème 1 [10] Supposons que C est un ensemble convexe fermé non vide de Rn , et
F un opérateur di¤érentiable sur C, alors on a
- Soit JF la matrice jacobienne de l’opérateur F , alors

JF symetrique =) 9f : C ! R tel que rf = F:

- Si de plus JF est semi dé…nie positive, alors le problème V IP (F; C) est équivalant
au problème (OP ).

d) Problème de point …xe

Avant de présenter le lien entre le problème de point …xe et V IP (F; C) donné par le
théorème ci-dessus, il faut tout d’abord qu’on énonce cette dé…nition.

Dé…nition 2 (Projection) Soit ? 6= C Rn un convexe fermé et on désigne par PC

l’opérateur de projection orthogonale sur C. Alors, pour tout vecteur x de Rn , il existe
un point unique x = PC (x) 2 C tel que

kx xk ky x k; 8y 2 C :

Où bien, en terme d’optimisation

1
x = PC (x) = arg min ky x k2 :
y2C 2

Théorème 2 Soit C Rn un convexe non vide et F : C ! Rn , alors on a

x 2 S , x = PC (x F (x); 8 > 0 (1.2)

Nous résumons dans le lemme suivant les principales propriétés de l’opérateur de

projection PC .

9
Lemme 1 Soit C Rn un convexe fermé non vide, on a
(i): L’inégalité de projection classique est dé…nie comme suit

x = PC (x) () hx x; y xi 0; 8y 2 C.

(ii): L’opérateur de projection est un opérateur non expansif, c’est à dire que

k PC (x) PC (y) k k x y k; 8x; y 2 Rn .

(iii): L’opérateur de projection véri…e aussi cette propriété

k PC (x) xk kx xk k PC (x) x k; 8x 2 Rn et x 2 C:

1.4 Classi…cation de (V IP )
Il existe deux créneaux principaux pour classi…er les problèmes (V IP )s
1. Le type de monotonie de l’opérateur F .
2. La structure de l’ensemble des contraintes associées.

1.4.1 Types de monotonie

Soit C un sous ensemble non vide de Rn et F un opérateur de C vers Rn ; les fonda-

mentaux types de monotonie de F sont donnés par :

- Monotonie

F est dit monotone sur C si et seulement si

hF (x) F (y); x yi 0; 8x; y 2 C:

10
- Stricte monotonie

F est dit strictement monotone sur C si et seulement si

hF (x) F (y); x yi > 0; 8x; y 2 C et x 6= y:

- Forte monotonie

F est dit fortement monotone sur C si et seulement s’il existe > 0 tel que

hF (x) F (y); x yi kx yk2 ; 8x; y 2 C:

- Paramonotonie

F est dit paramonotone sur C si et seulement si

8
< F est monotone:
: hF (x) F (y); x yi = 0 =) F (x) = F (y); 8x; y 2 C:

- Pseudo monotonie

F est dit pseudo monotone sur C si et seulement si l’une des deux conditions suivantes
est véri…ée
a) hF (x); y xi 0 =) hF (y); y xi 0; 8x; y 2 C:
b) hF (x); y xi > 0 =) hF (y); y xi > 0; 8x; y 2 C:

- Quasi monotonie

F est dit quasi monotone sur C si et seulement si

hF (x); y xi > 0 =) hF (y); y xi 0; 8x; y 2 C:

La relation qui lie les principaux types de monotonie est résumée par le schéma suivant

11
 Forte monotonie =) Stricte monotonie =) Paramonotonie =) Monotonie =)
Pseudo monotonie.

1.4.2 Forme des contraintes

Pour le problème (V IP ), il existe plusieurs cas particuliers importants dé…nis essen-

tiellement selon l’ensemble des contraintes C et l’opérateur F:

1. Si l’opérateur F est a¢ ne (i.e : F (x) = M x + q où M 2 Rn n

et q 2 Rn ), on
distingue deux cas :
– Si C est un cône convexe fermé non vide de Rn , on note le problème par AV IP (M; q; C).
– Si C est un polyèdre, on note le problème par LCAV IP (F; C).

2. Si l’opérateur F est quelconque, on distingue également deux cas :

– Si C est un polyèdre, on note le problème par LCV IP (F; C).
Yn
– Si C est le produit d’intervalles C = [ai ; bi ] (Box), on note le problème par
i=1
BV IP (F; C).

1.5 Principaux résultats d’existence et d’unicité des

solutions de (V IP )
Nous fournissons maintenant les conditions d’existence et d’unicité des solutions
de V IP (F; C) qui découlent essentiellement des propriétés de l’opérateur F et l’ensemble
C. En e¤et, nous citons les résultats suivants.

Théorème 3 [5] (Existence) Soit C un ensemble compact convexe non vide de Rn ; et

F un opérateur continu sur C, alors le problème V IP (F; C) admet au moins une solution.

L’existence d’une solution de V IP (F; C) peut être également établie sous la condition
de coercivité, comme le montre le corollaire suivant.

12
Corollaire 1 [1] Soit C un ensemble convexe fermé non vide de Rn et F un opérateur
continu et cœrcif sur C pour certains x0 2 C

hF (x); x x0 i
lim ! 1;
x2C;kxk !+1 kxk

alors V IP (F; C) admet une solution.

Théorème 4 [6] (Unicité) Soit C un ensemble convexe fermé non vide de Rn ; et F un

opérateur continu sur C.

Si F est strictement monotone sur C, alors V IP (F; C) admet au plus une solution.

Puisque la forte monotonie implique la stricte monotonie et la coercivité, le théo-

rème suivant fournit la condition sous laquelle l’existence et l’unicité de la solution de
V IP (F; C) sont garanties à la fois.

Théorème 5 [6] (Existence et unicité) Soit C un ensemble convexe fermé non vide
de Rn ;et F un opérateur continu sur C.

Si F est fortement monotone sur C, alors V IP (F; C) admet une solution unique.

13
Chapitre 2

Résolution du problème (V IP )

2.1 Introduction
Pour résoudre les problèmes (V IP )s , plusieurs stratégies fondamentales ont été pro-
posées, on cite à titre indicatif :
- Méthodes de projection [24].
- Méthodes de projection et contraction [12].
- Méthodes de point intérieur [3].
- Méthodes d’optimisation [7] .
- Méthodes de pénalité [1].
- Méthodes des directions alternées [11].
Dans ce chapitre, nous nous concentrons sur une nouvelle méthode de projection
adaptée pour résoudre V IP (F; C). D’abord, on va donner un bref aperçu historique sur
les premiers algorithmes de projection proposés et bien connus. Par la suite, nous allons
décrire certaines dé…nitions et propriétés relatives à la nouvelle méthode de projection
qui fait l’objet de cette étude, puis on énonce l’algorithme correspondant et on terminera
le chapitre par l’étude de sa convergence.

14
2.2 Quelques méthodes de projection connues
Les méthodes de projection jouent un rôle très important pour la résolution du pro-
blème d’inégalités variationnelles. En e¤et, ces méthodes sont largement étudiées en rai-
son de leur principe ainsi que leur simplicité de mise en œuvre en pratique.
Avant de passer à la présentation des méthodes de projection les plus connues pour
la résolution du (V IP ), on donne la fonction du résidu r associée à (V IP ) dé…nie par
l’équation de projection suivante :

r(xk ; ) = xk PC (xk F (xk )); 8 > 0 (2.1)

Il est clair que

x est un solution de V IP (F; C) () kr(x; )k = 0; 8 > 0 (2.2)

Par la suite, on note dans le cas = 1; r xk ; 1 par r xk :

Procédure de base

Cette méthode coïncide intégralement avec la méthode du gradient projeté connue

en optimisation où son principe se base essentiellement sur l’application du théorème de
point …xe introduite en 1970.
Son schéma itératif est donné par

xk+1 = PC (xk F (xk )):

Conditions de convergence
Cet algorithme converge vers l’unique solution de V IP (F; C) si :
- F satisfait la condition de la forte monotonie de constante sur C.
- F satisfait la condition de continuité de Lipschitz sur C qu’on rappelle sa dé…nition
ici :

15
 F est continu de Lipschitz, s’il existe L 0 tel que

kF (x) F (y)k Lkx y k; 8x; y 2 C:

- Pour tout choix de 2 0; L2 2 , alors la convergence de la procédure de base est

garantie.

Méthode de Korpolevich [17]

Cette variante connue également par la méthode de l’extragradiant, a été proposée

par Korpolevich en 1976 où son algorithme fait recours au calcul de deux projections à
chaque itération,
8
< y k = PC (xk F (xk ))
: xk+1 = P (xk F (y k )):
C

Le vecteur xk F (y k ) est la projection de xk sur un hyperplan qui sépare xk de

l’ensemble des solutions.
Conditions de convergence
Cet algorithme converge vers une solution de V IP (F; C) pour tout choix de
2 0; L1 si :
- F satisfait la condition de monotonie sur C.
- F satisfait la condition de continuité de Lipschitz sur C.

Méthode de Korpolovich modi…ée [15]

C’est une variante de la méthode de Korpolovich introduite par A. Iusem en 1976

dont la suite des itérés est générée par le schéma suivant :
8
< y k = P (xk k
C k F (x ))
: xk+1 = P (xk k
C k F (y )):

16
 Conditions de convergence
Cet algorithme converge vers une solution de V IP (F; C) si :
- F satisfait la condition de monotonie sur C.
- F satisfait la condition de continuité sur C.
La détermination du pas k est faite par une procédure de recherche linéaire dite
relaxation. De plus, l’expression du pas k assure que l’hyperplan Hk de normale F (y k )
passant par y k sépare l’itéré xk de l’ensemble S et xk k F (y
k
) est la projection de xk
sur Hk . L’hyperplan Hk est bien dé…ni par l’équation

Hk = x 2 Rn = F (y k ); x yk = 0 ;

et k est donné par l’expression

2
k = F (y k ); xk y k = F (y k ) :

Remarque 1 Il est évident, qu’a…n de déterminer un certain pas de déplacement satis-

faisant la procédure de la recherche linéaire proposée par Iusem dans sa méthode, il est
nécessaire d’évaluer plusieurs projections sur C avant de tomber sur le bon choix, donc
on doit e¤ectuer un coût de calcul très excessif.

Méthode de double projection [16]

Dans le but de réduire ce coût calculatoire, Iusem a proposé une autre fois en 1997
une nouvelle version des méthodes de projection pour résoudre les (V IP )s et qui possède
le même schéma itératif précédent et converge sous mêmes conditions.
Sa stratégie dans cette méthode est basée d’une part sur l’introduction d’une pro-
cédure de recherche linéaire de type Armijo pour déterminer k tout en assurent la
séparation de xk de l’ensemble S et d’autre part sur la nécessité d’e¤ectuer à chaque
itération deux projections seulement.

Remarque 2 Malgré que les résultats numériques obtenus à travers les travaux réalisés

17
en appliquant la méthode de double projection n’ont été pas vraiment encourageants, mais
sur le plan théorique, cette méthode est considérée comme l’origine de tous les dévelop-
pements ultérieurs concernant les méthodes de projection proposées par la suite.

Méthode de Solodov [23]

Quelques années plus tard, Solodov et Svaiter ont pu développer une autre méthode
de projection simple et qui possède des propriétés théoriques et numériques meilleures.
En e¤et, le principe de cette dernière se base sur la même l’idée de Iusem et elle converge
sous les conditions de la continuité et la pseudo monotonie de F seulement. A…n d’amélio-
rer la performance algorithmique de la méthode de double projection, des modi…cations
importantes ont été apportées. Ces dernières consistent dans la nouvelle technique pro-
posée pour déterminer la suite f kg (comme indiqué dans l’algorithme ci-dessous) et de
considérer la région de projection pour obtenir l’itéré xk+1 est l’intersection de C et le
demi-espace noté Dk contenant S. On signale l’hyperplan Hk dé…ni auparavant est la
frontière de Dk .

On donne par la suite l’algorithme associé à la méthode de Solodov.

Algorithme de Solodov
- Initialisation : k = 0, x0 2 Rn ; 2 [0; 1]; 2 [0; 1]; 1 > 0; > 0; " est une
précision donnée.
On prend k = min f 1 ; 1g :

On calcule z k = PC xk k F (x
k
) et r(xk ; k) = xk zk :
- Critère d’arrêt : Si k r(xk ; k) k "; stop xk 2 S.
Sinon, trouver m le plus petit entier positif tel que

F (xk m
k r(x
k
; k ); r(x
k
; k) k r(xk ; k) k2 :
k

m
On prend k = k et on pose y k = xk k r(x
k
; k ):

18
 - Itération :
xk+1 = PC\Dk (xk );

où Dk = x 2 Rn = F (y k ); x yk 0 :
k = k + 1 et on réitère.

2.3 Méthode de Ye
Il est remarqué que l’ingrédient principal dans l’aspect algorithmique des dernières
méthodes de projection et autres dont on n’a pas présenté dans ce mémoire est la construc-
tion d’un hyperplan qui sépare e¤ectivement l’itéré xk de l’ensemble S ensuite de projeter
ce point sur C ou l’intersection de C et le demi-espace contenant S pour avoir l’itéré sui-
vant xk+1 .
Dans cette étude, nous présentons une nouvelle méthode de projection qui été propo-
sée par Mingle Ye [27] en 2018 tout à fait di¤érente des méthodes présentées au début
de ce chapitre. Cette dernière a été conçue spécialement pour résoudre les problèmes
d’inégalités variationnelles généralisés (GV IP ) où l’opérateur associé est un opérateur
multivoque ou bien dit également une multifonction. Pour ce type d’applications, on fait
correspondre à chaque élément de l’ensemble de départ un ensemble d’éléments de l’en-
semble d’arrivée et non un seul élément comme celui du cas de (V IP ) où l’opérateur
associe est dit un opérateur univoque.
L’exemple le plus populaire des fonctions multivoques est celui de sous di¤érentiel as-
socié à une fonction non di¤érentiable. Le problème d’inégalités variationnelles généralisé
est connu par sa théorie di¢ cile car toutes les notions utilisées sont des notions généra-
lisées. Sur le plan numérique, la résolution de (GV IP ) est très délicate et elle nécessite
toujours de fournir plus d’e¤orts pour élaborer des algorithmes e¢ caces.
L’idée de ce travail consiste en grande partie sur l’essai de l’adaptation du principe
de la méthode de Ye pour un (V IP ) classique et d’appliquer l’algorithme associé pour sa
résolution. En e¤et, le principe de cette dernière est basé sur l’introduction d’une nouvelle

19
procédure de recherche linéaire pour déterminer le pas k et sur la construction d’un
nouvel hyperplan qui satisfait la propriété de séparation. De plus, l’itéré xk+1 est obtenu
en projetant l’itéré précédent xk seulement sur le demi-espace contenant l’ensemble des
solutions de (V IP ) et dont la frontière est le nouvel hyperplan indiqué ci-dessus. Par
conséquent, la suite des itérés générée par l’algorithme correspondant n’est pas forcément
contenue dans C.
Dans la partie suivante, nous décrivons soigneusement l’algorithme correspondant à
cette méthode suivi par l’analyse de sa convergence où la démonstration des résultats
théoriques obtenus a été aménagée de telle manière qu’elle soit cohérente avec l’étude du
problème en question.
Algorithme de Ye
- Initialisation : x0 2 Rn ; l; 2 (0; 1) ; k = 0; m = 1; " est une précision donnée.
On calcule z k = PC xk F xk et r xk = xk zk :
- Critère d’arrêt : Si k r xk k "; stop xk 2 S:
Sinon trouver, m le plus petit entier positif tel que

l m F xk F y k (m) ; xk yk k xk y k (m) k2 ; (2.3)

où y k (m) = PC xk l m F xk :
On prend k = lm et on pose y k = PC xk kF xk :
- Itération :
xk+1 = PDk xk ;

où
Dk = v 2 Rn j xk yk k F xk F (y k ); v yk 0 (2.4)

k = k + 1 et on réitère.
Dans ce qui suit, on a besoin de rappeler les résultats théoriques suivants.

Lemme 2 [27] Soit x 2 Rn et > 0, on a

20
 i) k r (x; ) k est une fonction croissante par rapport à :
ii) k r (x; ) k= est une fonction décroissante par rapport à :
iii) min (1; ) k r (x) k k r (x; ) k max (1; ) k r (x) k:

Dé…nition 3 Soit C un ensemble convexe fermé non vide de Rn , la distance d’un point
x 2 Rn à C notée par dist(x; C) est dé…nie par

dist (x; C) = inf fk x y k = y 2 Cg :

Lemme 3 [14] Soit K un ensemble convexe fermé non vide de Rn ; h est une fonction de
Rn vers R et K = fx 2 K j h (x) 0g :Si h est continue de Lipchitz sur K de constante
> 0; alors
1
dist x; K max fh (x) ; 0g ; 8x 2 K (2.5)

Proposition 4 Soit 1 > 0; si k r (x; 1) k = 0, alors pour tout 2 > 0; on a

k r (x; 2) k = 0:

Maintenant pour dé…nir la caractérisation de la nouvelle itération, nous avons besoin

en premier lieu des lemmes ci-après.

Lemme 4 Soit u 2 Rn , a 2 R et D = fv 2 Rn j hu; vi a 0g, alors

hu; xi a
PD (x) = x u:
k u k2

Démonstration 1 L’expression de la projection précédente de x 2

= D est obtenue à partir
des conditions de KKT pour le problème d’optimisation sous contraintes ci-dessous

1
arg min k y x k2 :
y2H 2

21
Lemme 5 [27] La procédure de recherche linéaire (2:3) est bien dé…nie, autrement dit
qu’il existe toujours un entier positif m tel que

l m F xk F y k (m) ; xk yk k xk y k (m) k2 :

Démonstration 2 Supposons que

l m F xk F y k (m) ; xk yk > k xk y k (m) k2 ; 8m 1:

On utilise l’inégalité de Cauchy-Schwarz, on trouve

l m k F xk F y k (m) k> k xk y k (m) k (2.6)

Alors, on a deux cas :

Cas 1 : Si xk 2
= C; on a k xk y k (m) k !k xk PC xk k> 0 (m ! 1) et donc la
suite y k (m) jm 2 N est bornée et du fait que F est continu, alors F (y k (m))jm 2 N
est aussi bornée.
De plus, on a lm k F xk F y k (m) k ! 0; (m ! 1) ceci est une contradiction
avec l’inégalité (2:6).
Cas 2 : Si xk 2 C; l’inégalité (2:6) est équivalente à

k xk y k (m) k k r xk ; l m k
k F xk F y k (m) k> = :
lm lm

De plus, d’après le Lemme 2; ii) et en prenant lm ! 0 (m ! 1) ;on sait qu’il

existe un entier positif N tel que
pour tout m > N , on a

k k k r xk ; l m k k r xk k
kF x F y (m) k> = k xk xk k > 0 (2.7)
lm 1

Où la dernière inégalité découle car xk = PC xk F xk .

22
 D’autre part, puisque F est continu et le fait que y k (m) ! PC xk = xk (m ! 1) ;
alors F y k (m) ! F xk (m ! 1) et donc k F y k (m) F xk k ! 0:
Il est évident qu’on a une contradiction avec (2:7).
Par conséquent, la procédure de recherche linéaire est bien dé…nie.

Le but du lemme suivant est de montrer que le demi-espace Dk dé…ni par (2:4) sépare
e¤ectivement le point xk de l’ensemble des solutions S.

Lemme 6 [27] Soit xk une suite générée par l’algorithme de Ye et F un opérateur

pseudo-monotone sur C, si Dk est un demi-espace dé…ni par (2:4), alors S Dk et
xk 2
= Dk . De plus, on a

xk yk k F xk F (y k ); xk yk (1 ) k xk y k k2 > 0:

Démonstration 3 Soit xk 2
= S pour un certain k, sinon la procédure de recherche li-
néaire de l’algorithme de Ye doit être arrêtée à ce point.
D’après (2:3), on a

xk yk k F xk F (y k ); xk yk =k xk y k k2 k F xk F (y k ); xk yk
k xk y k k2 k xk y k k2
= (1 ) k xk y k k2 > 0:

Où la dernière inégalité découle du fait que xk 2

= S; y k = PC xk kF xk et
l’équivalence (2:2).
Par conséquent, xk 2
= Dk :
Soit x 2 S C, alors F (x) ; y k x 0 et comme F est pseudo monotone sur C,
on obtient
F yk ; yk x 0 (2.8)

23
 On utilise l’inégalité (2:4), on trouve

xk yk k F xk F (y k ); x y k = xk yk kF xk ; x yk + k F yk ; x yk :

D’après l’inégalité (2:8), il découle que F y k ; x yk 0; d’où

xk yk k F xk F (y k ); x yk xk yk kF xk ; x yk 0:

Cette dernière inégalité est une conséquence immédiate de la dé…nition de y k et le

premier résultat du Lemme 1. En combinant ce résultat, avec la dé…nition de Dk ; nous
permet de déduire que S Dk :

Puisque l’itéré suivant xk+1 est obtenu en projetant l’itéré xk sur le demi espace Dk ,
nous avons le résultat suivant.

Lemme 7 Soit xk une suite générée par l’algorithme de Ye, alors

xk yk k F x
k
F (y k ); xk y k
xk+1 = xk xk yk k F xk F (y k ) :
k xk y k k
k (F (x ) F (y k )) k2

Démonstration 4 D’après le Lemme 6, on sait que si xk 2

= Dk et
xk yk k F xk F (y k 6= 0, alors en utilisant le Lemme 4 et cela en rempla-
çant u; a et x par xk yk k F xk F (y k ) ; xk yk k F xk F (y k ); y k et
xk respectivement, on obtient

xk yk k F x
k
F (y k ); xk y k
PDk xk = xk xk yk k F xk F (y k ) :
k xk y k k
k (F (x ) F (y k )) k2

Par conséquent, la dé…nition de xk+1 = PDk xk :

Remarque 3 Ce résultat est vrai sans avoir besoin de la condition que xk soit dans C.

24
 Donnons les lemmes suivants qui établissent la convergence de cette méthode.

Lemme 8 [27] Soit xk une suite in…nie générée par l’algorithme de Ye et x 2 S, alors
pour tout k > 0, il existe M > 0 tel que

k xk+1 x k2 k xk x k2 M k xk y k k4 (2.9)

Démonstration 5 En utilisant le Lemme 6, on a x 2 S Dk et comme

xk+1 = PDk (xk ), on remplace x; C et xk par xk ; Dk et x respectivement dans le Lemme
1; iii), pour tout k > 0, on a

k xk+1 x k2 k xk x k2 k xk+1 xk k2 =k xk x k2 dist2 xk ; Dk (2.10)

De cette inégalité, on remarque que la suite k xk x k est décroissante et bornée, alors

elle est convergente et on a

lim dist xk ; Dk = lim k xk+1 xk k= 0:

k !1 k !1

La suite xk est bornée et comme F est continu, ceci implique que F (xk ); k 2 N
est aussi borné, donc

k yk x k k PC (xk kF xk ) xk:

D’après le Lemme 1; ii), on obtient

k yk x k k xk kF xk xk:

Alors, la suite y k est bornée, de même l’ensemble F (y k ); k 2 N est bornée.

Donc, il doit existe une constante L 0 tel que

k xk yk k F xk F (y k ) k L; 8k > 0 (2.11)

25
 Soit hk (:) = xk yk k F xk F (y k ); : y k ; En se servant de l’inégalité de
Cauchy-Shwarz et l’inégalité (2:11) ; hk est continu de Lipchitz sur Rn de constante L
pour tout k 2 N:
D’après le Lemme 3; si on remplace x; K et K par xk ; Rn et Dk respectivement, on
trouve

dist xk ; Dk L 1
max hk xk ; 0 L 1
(1 ) k xk y k k2 0:

De la dernière inégalité et Lemme 6, la dé…nition de hk xk et l’inégalité (2; 10) ; on

obtient
k xk+1 x k2 k x k x k2 L 2
(1 )2 k xk y k k4 :

On pose M = L 2
(1 )2 , on trouve l’inégalité (2; 9) :

Lemme 9 [27] Soit xk une suite générée par l’algorithme de Ye, alors

lim k xk y k k= lim k r xk ; k k= 0 (2.12)

k !1 k !1

Démonstration 6 La preuve découle directement de l’inégalité (2:9) et le fait que k xk+1 x k2

est une suite décroissante et bornée.

Maintenant, nous sommes prêts à prouver le résultat principal de cette étude.

Théorème 6 [27] Soit xk une suite in…nie générée par l’algorithme de Ye, alors tout
point d’accumulation de xk est une solution de V IP (F; C) :

Démonstration 7 Soit x un point d’accumulation de la suite xk et puisque F (xk )

est bornée, d’après le Lemme 8; il existe un ensemble d’indices I N tel que

lim xk ; F (xk ) = (x ; F (x )) (2.13)

k !1;k2I

26
 Où F (x ) est un point d’accumulation de la suite F (xk ) , et donc l’équation (2:12)
donne
lim yk = x :
k !1;k2I

En combinant l’hypothèse que C est un ensemble fermé et y k 2 C pour tout k, on

déduit que x 2 C:
Pour démontrer que x 2 S, on utilise la Proposition 4 et le l’équivalence (2:2), alors
il sera su¢ sant de montrer qu’il existe un nombre positif tel que kr(x ; )k = 0:
Pour cela, montrons d’abord qu’il existe un ensemble d’indices I I tel que

lim kr(xk )k = 0 (2.14)

k !1;k2I

Soit = inf k2I f kg ; on distingue deux cas :

Cas 1 : Si > 0, alors k > ; pour tout k 2 I, et par le Lemme 2; iii) on déduit
que
kr(xk ; k )k kr(xk ; k )k
0 kr(xk )k :
min ( k ; 1) min ( ; 1)
On considère la limite lorsque k ! 1, avec l’équation (2:12) ; on trouve

lim kr(xk )k = 0:
k !1;k2I

Cas 2 : Si = 0, alors il existe un ensemble d’indices I I tel que

lim k =0 (2.15)
k !1;k2I

De plus, l’équation (2:3) implique que

1
kl F xk F (y k (m 1)); xk y k (m 1) kxk y k (m 1)k2 = kr(x ; kl
1
)k2 :

En se servant de l’inégalité de Cauchy-Schwarz et Lemme 2; ii), on a pour k 2 I

27
su¢ samment grand, on a

kr(xk ; k l 1 )k kr(xk )k
kF xk F (y k (m 1)k 1
(2.16)
kl 1

Nous montrons d’abord que lim kxk y k (m 1)k = 0:

k !1;k2I
En e¤et, comme F (xk ) est bornée et par la non expansivité de l’opérateur de la
projection orthogonale et les inégalités (2:12), (2:15) ; il en résulte que

kxk y k (m 1)k kxk y k k + ky k y k (m 1)k

kxk y k k + k(xk k F (x
k
)) (xk kl
1
F (xk )k

= kxk yk k + k (l
1
1)kF (xk )k:

On considère la limite k ! 1; k 2 I; on trouve que kxk y k (m 1)k ! 0:

Par conséquent, l’équation (2:13) implique que ky k (m 1) x k ! 0 (k ! 1; k 2 I).
D’autre part, puisque F est continu, alors F (y k (m 1)) ! F (x ) quand (k ! 1; k 2 I).
Donc, il découle que kF (y k (m 1) F xk k ! 0:
D’après l’analyse ci-dessus, la relation (2:14) est satisfaite.
Puisque kr(:)k est une fonction continue, alors en utilisant les équations (2:13) ; (2:14)
et en passant à la limite, on aura le résultat cherché.

kr(x )k = 0:

Remarque 4 - Pour que les itérés générés par l’algorithme de Ye soient dans l’ensemble
des contraintes et pour être plus proches de l’ensemble des solutions, on a suggéré une
deuxième version de l’algorithme de Ye où on calcule xk+1 de la même manière que la mé-
thode de Solodov, autrement dit xk+1 = PC\Dk xk . Pour les démonstrations des résultats
théoriques déjà obtenus restent les mêmes si on introduit la modi…cation proposée. Mais
numériquement, on sera devant des calculs plus à cause de l’augmentation des contraintes
sur lesquelles on doit projeter.

28
 - La méthode de Ye n’a pas l’aspect d’une méthode de double projection du fait qu’à
l’itération k, si la procédure de recherche linéaire donnée dans l’algorithme est satisfaite
pour un certain m, pour calculer y k (m), alors on doit e¤ectuer m projections sur C.
De plus, le calcul d’une autre projection pour avoir z k : Numériquement, on s’attend à
un volume calculatoire considérable en comparaison à celui d’une méthode de type double
projection. Mais pour véri…er ce point de vue algorithmique, il faut e¤ectuer une étude
numérique comparative entre cette méthode et une méthode de type double projection où
on a opté pour le choix de la méthode de Solodov. Cette étude sera le contenu du chapitre
suivant.

29
Chapitre 3

Implémentation numérique

3.1 Introduction
Dans ce chapitre, nous présentons des expérimentations numériques comparatives
entre les deux versions l’algorithme de Ye où xk+1 est calculé de deux manières
( xk+1 = PDk xk et xk+1 = PC\Dk xk ) et l’algorithme de Solodov. Ces tests ont été
réalisés par micro-ordinateur (hp, intel core i5 ) en logiciel MATLAB.
La précision choisie étant " = 10 6 ; et on note que pour le calcul de la projection sur
C; C \ Dk on a utilisé le solveur quadprog qui existe sur MATLAB conçu pour la réso-
lution des programmes quadratiques convexes. Dans chaque exemple, on donne le point
initial x0 et la solution optimale x: Pour les paramètres associés à chaque algorithme,
on démarre par des valeurs initiales, ensuite on les fait varier mais les valeurs choisies
doivent appartenir aux intervalles indiqués, jusqu’à on obtient la solution approximative
meilleure avec le nombre d’itérations et temps de calcul les petits possibles sans détériorer
la qualité de cette dernière.
On note par :
Alg1 : L’algorithme associé à la méthode de Ye où xk+1 = PDk xk :
Alg2 : L’algorithme associé à la méthode de Ye où xk+1 = PC\Dk xk :
Alg3 : L’algorithme associé à la méthode de Solodov.

30
 k : Le nombre d’itérations nécessaires pour trouver la solution approximative.
T : Le temps d’exécution en secondes.
Dans notre étude numérique, nous avons considéré des exemples à taille …xe et d’autres
à taille variable pour évaluer l’e¢ cacité des algorithmes présentés.

3.2 Tests numériques

3.2.1 Exemples à taille …xe

Exemple 1 [20] L’opérateur est donné par F : R4 ! R4

0 1
3x21
+ 2x1 x2 + 2x22
+ x3 + 3x4 6
B C
B 2 2 C
B 2x1 + x1 + 2x2 + 2x3 + 2x4 2 C
F (x) = B
B
C;
C
B 2 2
3x1 + x1 x2 + 2x2 + 9x4 9 C
@ A
2 2 3
x1 + 3x2 + 2x + 3x4 3

et l’ensemble des contraintes

( )
X
4
C= x 2 R4+ : xi = 4 :
i=1

Cet exemple possède quatre solutions : x1 = (1; 0; 3; 0)T ; x2 = (0; 0; 4; 0)T ;

x3 = (1:2247; 0; 0; 2:7753)T ; x4 = (1:1204; 1:7175; 0:4096; 0:7525)T :

Alg1 Alg2
x0 l k T l k T
(0; 0; 0; 0) 0:7 0:8 18 0:1168 0:8 0:9 2 0:0255
(1; 0; 0; 3) 0:82 0:92 33 0:2219 0:52 0:9 14 0:1417
(0; 0; 4; 1) 0:7 0:8 16 0:1394 0:7 0:8 1 0:6510
(0; 2; 2; 3) 0:74 0:99 31 0:2139 0:8 0:9 5 0:0620

31
 Alg3
x0 k T
(0; 0; 0; 0) 2 2 0:0131
(1; 0; 0; 3) 1 11 0:0686
(0; 0; 4; 1) 2 1 0:0217
(0; 2; 2; 3) 0:49 36 0:2865

Exemple 2 [18] L’opérateur est donné par F : R5 ! R5 ; > 0

0 1
arctan (x1 2)
B C
B C
Barctan (x2 2)C
B C
B C
F (x) = Ax + Barctan (x3 2)C + b;
B C
B C
Barctan (x3 2)C
@ A
arctan (x5 2)

où A et b sont dé…nis par

0 1 0 1
0:726 0:949 0:266 1:193 0:504 5:308
B C B C
B C B C
B 1:645 0:678 0:333 0:217 1:443C B 0:008 C
B C B C
B C B C
A = B 1:016 0:225 0:796 0:934 1:007 C ; b = B 0:938 C ;
B C B C
B C B C
B 1:063 0:567 1:144 0:550 0:548 C B 1:024 C
@ A @ A
0:259 1:453 1:073 0:509 1:026 1:312

et l’ensemble des contraintes

( )
X
5
C= x 2 R5+ : xi 10 :
i=1

Cet exemple possède une solution unique x = (2; 2; 2; 2; 2)T :

32
 Alg1 Alg2
x0 l k T l k T
(0; 0; 0; 0; 0) 0:001 0:001 1 0:0125 0:001 0:001 1 0:0281
(10; 0; 10; 0; 10) 0:49 0:95 17 0:1705 0:62 0:9 16 0:3287
(10; 0; 0; 0; 0) 0:49 0:95 14 0:1391 0:62 0:9 16 0:3106
(0; 2:5; 2:5; 2:5; 2:5) 0:62 0:9 15 0:1623 0:62 0:9 16 0:3530
(1; 1; 1; 1; 1) 0:001 0:001 1 0:0139 0:8 0:9 1 0:0408
( 1; 1; 1; 1; 1) 0:62 0:8 14 0:1763 0:8 0:9 1 0:0377

Alg3
x0 k T
(0; 0; 0; 0; 0) 1 1 0:0156
(10; 0; 10; 0; 10) 0:19 28 0:4300
(10; 0; 0; 0; 0) 0:19 31 0:4657
(0; 2:5; 2:5; 2:5; 2:5) 0:19 22 0:2990
(1; 1; 1; 1; 1) 2 1 0:0125
( 1; 1; 1; 1; 1) 2 1 0:0194

33
Exemple 3 [8] L’opérateur est donné par F : R9 ! R9
0 1
x2 (sin x1 + 1)
B C
B C
B x3 (0:5x2 1) C
B C
B C
B x23 x5 C
B C
B C
B x4 + ln (x27 1) + 2x8 1 C
B C
B C
F (x) = B x5 1 C;
B C
B p C
B x5 x6 + x7 1 C
B C
B C
B x3 (x2 x7 ) + x1 x5 C
B C
B C
B 4x6 x7 + 1 C
@ A
x2 + 3x3 2x4 2x5 + 3x6 + 2x29

et l’ensemble des contraintes

C = x 2 R9 : 0 xi 3 :

Cet exemple possède une solution unique x = (0; 2; 1; 1; 1; 1; 0; 0; 0)T :

Alg1 Alg2
x0 l k T l k T
(0; :::; 0) 0:9 0:9 53 1:3168 0:75 0:99 37 1:0337
(0:5; :::; 0:5) 0:8 0:9 46 1:0079 0:9 0:9 49 1:3961
(1; :::; 1) 0:85 0:92 46 1:0227 0:75 0:99 23 0:6858

Alg3
x0 k T
(0; :::; 0) 2 41 0:8468
(0:5; :::; 0:5) 1 24 0:4413
(1; :::; 1) 1 16 0:3305

34
Exemple 4 [8] L’opérateur est donné par F : R9 ! R9
0 1
x2 sin x1 + x2
B C
B 1 C
B xx
2 2 3
x3 C
B C
B C
B x23 x5 C
B C
B C
B x4 + ln (x27 + 1) + 2x8 1 C
B C
B C
F (x) = B x5 1 C;
B C
B p C
B x5 x6 + x7 1 C
B C
B C
B x3 x2 x3 x7 + x1 x5 C
B C
B C
B 4x6 x7 + 1 C
@ A
3x1 + x2 + 3x3 2x4 2x5 + 3x6 2x7 + 3x8 + 2x39

et l’ensemble des contraintes

C = x 2 R9 : x i 0 :

Cet exemple possède une solution x = (0; 2; 1; 1; 1; 1; 0; 0; 0)T :

Alg1 Alg2
x0 l k T l k T
(0; :::; 0) 0:72 0:99 52 0:8989 0:72 0:99 54 1:7932
(0:5; :::; 0:5) 0:7 0:9 63 1:0846 0:7 0:9 52 1:6656
1
4
; :::; 14 0:7 0:9 63 1:1108 0:7 0:9 54 1:7445

Alg3
x0 k T
(0; :::; 0) 1:5 40 0:6989
(0:5; :::; 0:5) 1:5 28 0:5306
1
4
; :::; 41 1:5 31 0:2751

35
Exemple 5 [19] L’opérateur est donné par F : R10 ! R10

F1 (x) = 34x21 + 42x1 x2 + 20x1 x3 + 20x1 x3 + 42x1 x5 + 34x1 + 21x22 + 20x2 x3 + 20x2 x5 + 21x2

+10x23 + 10x3 + 10x24 + 20x4 x5 + 10x4 + 21x25 + 21x5 + 34:

F2 (x) = 21x21 + 42x1 x2 + 20x1 x3 + 20x1 x5 + 21x1 + 34x22 + 42x2 x3 + 20x2 x4 + 20x2 x5

+34x2 + 12x23 + 20x3 x4 + 21x3 x4 + 10x24 + 10x4 + 10x25 + 10x5 + 34:

F3 (x) = 10x21 + 20x1 x2 + 20x1 x3 + 10x1 + 21x22 + 42x2 x3 + 20x2 x4 + 21x2 + 34x23 + 34x3 x4

+20x3 x5 + 34x3 + 21x24 + 20x4 x5 + 21x4 + 10x25 + 34:

F4 (x) = 10x21 + 20x1 x4 + 20x1 x5 + 10x1 + 10x22 + 20x2 x3 + 20x2 x4 + 10x2 + 21x23 + 20x3 x5

+21x3 + 42x3 x4 + 34x34 + 42x4 x5 + 34x4 + 21x25 + 21x5 + 34:

F5 (x) = 21x21 + 20x1 x2 + 20x1 x4 + 42x1 x5 + 21x1 + 10x22 + 20x2 x5 + 10x2 + 10x23 + 20x3 x4

+20x3 x5 + 10x3 + 21x24 + 42x4 x5 + 21x4 + 34x25 + 34x5 + 34:

F6 (x) = 23x26 + 10x27 + 10x210 + 20x6 x7 + 20x6 x10 + 23x6 + 10x7 + 10x10 + 23:

F7 (x) = 23x27 + 10x28 + 10x26 + 20x7 x8 + 20x6 x7 + 23x7 + 10x8 + 10x6 + 23:

F8 (x) = 23x28 + 10x29 + 10x27 + 20x8 x9 + 20x7 x8 + 23x8 + 10x9 + 10x7 + 23:

F9 (x) = 23x29 + 10x210 + 10x28 + 20x9 x10 + 20x8 x9 + 23x9 + 10x10 + 10x8 + 23:

F10 (x) = 23x210 + 10x26 + 10x29 + 20x6 x10 + 20x9 x10 + 23x10 + 10x6 + 10x9 + 23:

Et l’ensemble des contraintes est donné par

C = x 2 R10
+ : xi + xi+5 =
i
10
; i = 1 :::5 :

Cet exemple possède une solution unique

x = (0; 0; 0:0188; 0:1359; 0:1146; 0:1; 0:2; 0:2812; 0:2641; 0:3854)T :

36
 Alg1 Alg2
x0 l k T l k T
(0; :::; 0) 0:9 0:99 52 1:2662 0:55 0:99 41 1:2126
(1; :::; 1) 0:73 0:99 111 1:9021 0:55 0:99 41 1:2203
(0:5; :::; 0:5) 0:85 0:99 246 4:4018 0:55 0:99 41 1:1144

Alg3
x0 k T
(0; :::; 0) 0:2 29 0:4649
(1; :::; 1) 0:2 25 0:3965
(0:5; :::; 0:5) 0:2 25 0:3915

Exemple 6 [2] L’opérateur est donné par F : R10 ! R10

F (x) = Ax + b, tel que

0 1 0 1
-47.2469 -4 4 -16 -10 2 -8 0 0 16 22.6248
B C B C
B C B C
B -4 -41.2469 0 -10 8 -8 -8 -10 0 -10 C B 22.6248 C
B C B C
B C B C
B 4 0 -41.2469 -6 17 0 -6 14 10 0 C B 22.6248 C
B C B C
B C B C
B 16 -10 -6 -47.2469 -6 -2 14 2 -14 4 C B 22.6248 C
B C B C
B C B C
B -10 8 14 -6 -43.2469 0 -8 4 8 -4 C B 22.6248 C
A=B
B
C et b = B
C B
C;
C
B 2 -8 0 -2 0 -43.2469 18 10 4 0 C B 22.6248 C
B C B C
B C B C
B -8 -8 -6 14 -8 18 -39.2496 2 4 0 C B 22.6248 C
B C B C
B C B C
B 0 -10 14 2 4 10 2 -45.2496 -6 -4 C B 22.6248 C
B C B C
B C B C
B 0 0 10 14 8 4 4 -6 -41.2496 6 C B 22.6248 C
@ A @ A
16 -10 0 4 -4 0 0 -4 6 -39.2496 22.6248

et l’ensemble des contraintes

C = x 2 R10 : 0 xi 1; i = 1 :::10 :

37
 Cet exemple possède une solution unique x = (1; 1; 0; 0; 1; 0; 1; 1; 0; 0)T :

Alg1 Alg2
x0 l k T l k T
(2; 2; 5; 0; 1; 0; 1; 2; 0; 0) 0:0001 0:000001 6 0:1962 0:01 0:01 1 0:0403
(1; :::; 1) 0:01 0:01 17 0:4105 0:1 0:1 19 0:7960
(2; :::; 2) 0:01 0:01 19 0:4331 0:9 0:9 2 0:0850

Alg3
x0 k T
(2; 2; 5; 0; 1; 0; 1; 2; 0; 0) 1:9 2 0:0495
(1; :::; 1) 2 2 0:0501
(2; :::; 2) 2 2 0:0566

3.2.2 Exemples à taille variable

Exemple 7 [21] L’opérateur est donné par F : Rn ! Rn où F (x) = 2x:

L’ensemble des contraintes est
( )
X
n
C= x 2 Rn : xi j; j = 1; :::; n; xi 0; i = 1; :::; n :
i=1

1 T
Cet exemple possède une solution unique x = n
; :::; n1 :

38
 Alg1 Alg2
n x0 l k T l k T
5 (0:5; :::; 0:5) 0:9 0:9 1 0:0381 0:9 0:9 1 0:0346
(1; :::; 1) 0:9 0:9 1 0:0326 0:9 0:9 1 0:0466
(5; :::; 5) 0:9 0:9 1 0:0347 0:9 0:9 1 0:0501
10 (0:5; :::; 0:5) 0:9 0:9 1 0:0324 0:9 0:9 1 0:0486
(1; :::; 1) 0:9 0:9 1 0:0435 0:9 0:9 1 0:0587
(5; :::; 5) 0:9 0:9 1 0:0369 0:9 0:9 1 0:0483
100 (0:5; :::; 0:5) 0:9 0:9 1 0:0621 0:9 0:9 1 0:0653
(1; :::; 1) 0:9 0:9 1 0:0553 0:9 0:9 1 0:0637
(5; :::; 5) 0:9 0:9 1 0:0599 0:9 0:9 1 0:0609
500 (0:5; :::; 0:5) 0:9 0:9 1 0:4683 0:9 0:9 1 0:8174
(1; :::; 1) 0:9 0:9 1 0:5078 0:9 0:9 1 0:5852
(5; :::; 5) 0:9 0:9 1 0:4802 0:9 0:9 1 0:5880
1000 (0:5; :::; 0:5) 0:9 0:9 1 2:4177 0:9 0:9 1 3:6344
(1; :::; 1) 0:9 0:9 1 2:3993 0:9 0:9 1 2:9815
(5; :::; 5) 0:9 0:9 1 2:5295 0:9 0:9 1 3:0632
2000 (0:5; :::; 0:5) 0:9 0:9 1 13:9234 0:9 0:9 1 18:0901
(1; :::; 1) 0:9 0:9 1 13:7767 0:9 0:9 1 18:0901
(5; :::; 5) 0:9 0:9 1 13:5967 0:9 0:9 1 18:8880
3000 (0:5; :::; 0:5) 0:9 0:9 1 42:3611 0:9 0:9 1 61:9822
(1; :::; 1) 0:9 0:9 1 43:3333 0:9 0:9 1 54:1818
(5; :::; 5) 0:9 0:9 1 45:2277 0:9 0:9 1 54:2010

39
 Alg3
n x0 k T
5 (0:5; :::; 0:5) 1:9 1 0:0134
(1; :::; 1) 2 3 0:0296
(5; :::; 5) 2 5 0:0507
10 (0:5; :::; 0:5) 2 3 0:0458
(1; :::; 1) 2 3 0:0416
(5; :::; 5) 1:9 5 0:0911
100 (0:5; :::; 0:5) 1:9 5 0:8674
(1; :::; 1) 2 7 1:5166
(5; :::; 5) 2 12 2:1782
500 (0:5; :::; 0:5) 1:9 10 94:5057
(1; :::; 1) 2 11 107:2011
(5; :::; 5) 1:9 11 110:7846
1000 (0:5; :::; 0:5) 1:9 9 532:5315
(1; :::; 1) 2 11 663:9014
(5; :::; 5) 1:9 14 728:2401
2000 (0:5; :::; 0:5) 2 11 4420:9641
(1; :::; 1) 2 13 5498:9340
(5; :::; 5) 1:9 11 4532:5636
3000 (0:5; :::; 0:5) 1:9 11 16332:3466
(1; :::; 1) 2 13 23143:4948
(5; :::; 5) 1:9 14 34259:6547

40
Exemple 8 Soit F (x) = Dx + b où D est une matrice non symétrique dé…nie comme
suit
0 1
4 1
B C
B C
B 1 4 1 C
B C
B C
B 4 1 C
B C
B C T
D=B : : : C ; b = ( 1; :::; 1) :
B C
B C
B : : : C
B C
B C
B 4 1C
@ A
4

L’ensemble des contraintes est

C = fx 2 Rn : 0 xi 1; i = 1; :::; ng :

La solution de cet exemple est x̄ = (0.3556,0.4222,0.3333,...,0.3330,0.3320,0.3281,0.3125,0.2500)T :

41
 Alg1 Alg2
n x0 l k T l k T
10 (0; :::; 0) 0:79 0:9 13 0:3165 0:79 0:9 13 0:3662
( 1; :::; 1) 0:79 0:9 15 0:3819 0:79 0:9 13 0:3990
(1; :::; 1) 0:79 0:9 15 0:3958 0:79 0:9 15 0:5078
100 (0; :::; 0) 0:79 0:9 13 0:3605 0:79 0:9 13 0:5030
( 1; :::; 1) 0:79 0:9 14 0:3981 0:79 0:9 13 0:5728
(1; :::; 1) 0:79 0:9 14 0:4286 0:79 0:9 14 1:1548
200 (0; :::; 0) 0:79 0:9 13 0:4697 0:79 0:9 13 0:8765
( 1; :::; 1) 0:79 0:9 14 0:4808 0:79 0:9 13 0:8586
(1; :::; 1) 0:79 0:9 14 0:4879 0:79 0:9 14 3:0897
1000 (0; :::; 0) 0:79 0:9 14 4:8445 0:79 0:9 14 15:1407
( 1; :::; 1) 0:79 0:9 15 4:6048 0:79 0:9 15 20:8878
(1; :::; 1) 0:79 0:9 14 4:3555 0:79 0:9 15 134:9280
2000 (0; :::; 0) 0:79 0:9 14 15:6032 0:79 0:9 14 83:3288
( 1; :::; 1) 0:79 0:9 15 15:7837 0:79 0:9 15 122:1889
(1; :::; 1) 0:79 0:9 15 17:3835 0:79 0:9 15 1196:5164
3000 (0; :::; 0) 0:79 0:9 14 34:7994 0:79 0:9 14 274:0012
( 1; :::; 1) 0:79 0:9 15 36:7716 0:79 0:9 15 406:9857
(1; :::; 1) 0:79 0:9 15 35:4155 0:79 0:9 15 4021:5833

42
 Alg3
n x0 k T
10 (0; :::; 0) 0:5 15 0:2965
( 1; :::; 1) 0:5 17 0:3308
(1; :::; 1) 0:5 15 0:2757
100 (0; :::; 0) 0:69 17 0:9142
( 1; :::; 1) 0:69 19 0:9345
(1; :::; 1) 0:69 19 2:3632
200 (0; :::; 0) 0:69 17 1:1173
( 1; :::; 1) 0:69 20 2:0305
(1; :::; 1) 0:69 19 6:1430
1000 (0; :::; 0) 0:69 18 33:3183
( 1; :::; 1) 0:69 20 37:2354
(1; :::; 1) 0:69 19 36:3679
2000 (0; :::; 0) 0:69 18 256:7010
( 1; :::; 1) 0:69 20 920:5748
(1; :::; 1) 0:69 20 193:5728
3000 (0; :::; 0) 0:69 19 803:5836
( 1; :::; 1) 0:69 20 798:2831
(1; :::; 1) 0:69 20 457:7229

43
 Commentaires des résultats
À travers les tests numériques e¤ectués pour des exemples de des dimensions di¤é-
rentes, on a pu enregistré les remarques suivantes :
– Pour les exemples à taille …xe, on a constaté que la méthode de Solodov a la
supériorité en terme du nombre d’itérations et le temps d’exécution, sauf dans
l’exemple 2 où on trouve que la méthode de Ye où xk+1 = PC\Dk xk est meilleure
selon le nombre d’itérations, mais selon le temps d’exécution la méthode de Ye
où xk+1 = PDk xk est la plus e¢ cace. Cela, peut être justi…é du fait que pour
le premier cas, on a plus de contraintes sur lesquelles on doit projeter pour avoir
l’itéré xk+1 . Par contre, le deuxième cas, on a une seule contrainte a¢ ne et donc
l’itéré xk+1 est donné par une expression explicite directe.
– Pour les exemples à taille variable, le nombre d’itérations et le temps d’exécution
obtenus par de la méthode de Ye dans les deux versions sont presque identiques,
mais ils sont nettement meilleurs en comparaison avec ceux obtenus par la méthode
de Solodov.

44
Conclusion

Dans ce mémoire on a présenté une étude théorique et numérique détaillée d’une

nouvelle méthode de type projection pour résoudre le problème d’inégalités variation-
nelles. En général, cette étude nous a permis de voir des techniques récentes tout à fait
di¤érentes de celles connues pour les méthodes de double projection. Les résultats numé-
riques présentés dans un cadre comparatif montrent qu’on ne peut pas vraiment tirer une
conclusion globale au sujet de l’e¢ cacité de cette nouvelle méthode, mais il faut pousser
l’étude plus loin pour pouvoir évaluer e¤ectivement la performance des deux types de
méthodes.
Parmi les travaux qui peuvent être abordés comme perspectives de recherche dans
l’avenir, on cite par exemple :
- Tester un grand nombre d’exemples pour juger le comportement de la méthode
adaptée d’une manière plus précise.
- Faire des études comparatives avec les nouvelles méthodes de projection conçues
pour (V IP ) en particulier [7], qui possède une e¢ cacité numérique remarquable.
- Combiner les propriétés de la méthode présentée et celles des méthodes de double
projection récentes a…n de pro…ter au mieux des qualités de chacune d’elles et de déve-
lopper de nouveaux algorithmes plus performants.

45
Bibliographie

[1] A. Auslender, Optimisation : Méthodes numériques, Masson - Paris, (1976).

[2] B. Benbara, Application de la méthode branch and bound en programmation qua-

dratique non convexe, Mémoire de Master 2, Optimisation et Contrôle, (2020).

[3] Y. Censor, A. N. Iusem and S. A. Zenios, An interior point method with Bregman
functions for variational inequality problem with paramonotone operators, Mathe-
matical Programming 81, 373-400, (1998).

[4] S. Dafermos, Tra¢ c equilibria and variational inequalities. Transportation Sci. 14,
42-54, (1980).

[5] B. C. Eaves, On the basic theorem of complementarity, Mathematical Programming

1 , 68-75, (1971).

[6] F. Facchinei, J. S. Pang, Finite-dimensional variational inequalities and complemen-

tarity problems, Springer Series in Operations Research, (2003).

[7] M. Fukushima, Equivalent di¤erentiable optimization problems and descent methods

for asymmetric variational inequality problems, Mathematical Programming 53, 99-
110, (1992).

[8] H. Grar, Etude théorique et numérique d’une méthode de point intérieur pour la
résolution du problème d’inégalités variationnelles, Thèse de Magister, (2000).

[9] H. Grar, D.Benterki, New e¤ective method projection algorithm to solve variational
inequalities problem, RAIRO Operations Research 49, 805-820, (2015).

46
[10] D. Han, Two New Self-Adaptive projection methods for variational inequality pro-
blems, computers and mathematics with applications 43, 1529-1537, (2002).

[11] D. Han, A proximal decomposition for variational inequality problems, Journal of

Computational and Applied Mathematics, 231-244, (2003).

[12] D. Han, A new class of projection and contraction methods for solving variational
inequality problems, Computers and Mathematics with Applications, 51, 937-950,
(2006).

[13] P. Hartman and G. Stampacchia. On some nonlinear elliptic di¤erential functional

equations. Acta Math., 115 : 271-310, (1966).

[14] Y. He, A new double projection algorithm for variational inequalities. J Comput
Appl Math. 185, 166-173, (2006).

[15] A. N. Iusem, An iterative algorithm for variational inequalities problem, Comput.

Appl. Math, 13, 103-114, (1994).

[16] A.N. Iusem and B.F. Svaiter, A variant of Korpelevich’s method for variational
inequalities with a new search strategy, Optimization 42, 309-321, (1997).

[17] G.M. Korpelevich, The extragradient method for …nding saddle points and other
problems, Matecon 12, 747-756, (1976).

[18] P. Marcotte, J.P. Dussault, A note on globally convergent Newton method for solving
variational inequalities, Operations Research Letters 6, 35-42, (1987).

[19] A. Maugeri, Convex programming, variational inequalities, and applications to the

tra¢ c equilibrium problem, Applied Mathematics & Optimization 16, 169-185,
(1987).

[20] J. S. Pang and S. A. Gagriel, NE/SQP : A robust algorithm for the nonlinear com-
plementarity problem, Mathematical Programming 60, 295-337, (1993)

[21] C. Sakkouh, Résolution d’un problème d’inégalités variationnelles a¢ nes non mono-
tones via la programmation DC, Mémoire de Master 2, Optimisation et Contrôle,
(2020).

47
[22] M. J. Smith. The existence, uniqueness and stability of tra¢ c equilibria, Transpn.
Res, 13B, 295-304, (1979).

[23] M.V. Solodov and B.F. Svaiter, A new projection method for variational inequality
problems, SIAM Journal on Control and Optimization 37, 765-776, (1999).

[24] M.V. Solodov and P. Tseng, Modi…ed projection-type methods for monotone va-
riational inequalities, SIAM Journal of Control and Optimization 34, 1814-1830,
(1996).

[25] J. Wang, N. Xiu and C.Y. Wang, A new version of extragradient method for va-
riational inequality problems, Computers and Mathematics with Applications, 42,
969-979, (2001).

[26] Y. J. Wang, N. Xiu and C.Y. Wang, Uni…ed framework of extragradient-type method
for pseudomonotone variational inequalities, Journal of Optimization Theory and
Applications 111, 641-656, (2001).

[27] M.Ye, An improved projection method for solving generalized variational inequality
problems, Optimization, (2018).

48
 :‫ملخص‬

‫ هذه الطّريقة‬.(VIP) ‫معمقة لطريقة إسقاط جديدة حلل مسألة املرتاجحات التغريية‬ّ ‫اهلدف من هذه املذكرة هو إجراء دراسة نظرية وعددية‬
‫املتحصل عليها آنفا مث تكييفها بطريقة‬
ّ ‫ النتائج النظري ــة‬.‫املعممة‬
ّ (VIP) ‫ خصيصا حلل مسائل‬2018 ‫ يف‬M.Ye ‫مت إقرتاحها من طرف‬
‫ هذا البحث مرفق بدراسة عددية يف إطار مقارنة بني الطريقة املقرتحة وواحدة من بني الطّرق‬.‫حّت تكون متالئمــة مع حل املسألة املعيّنة‬
ّ
‫ملتحصل عليها مسحت لنا ابستخالص مالحظات حول سلوك هذا النوع من الطّرق كما ّمت إقرتا‬
ّ ‫ النّتائج العددية ا‬.(VIP) ‫املعروفة حلل‬
.‫بعض التّصورات للبحث يف املستقبل خبصوص هذا املوضوع‬

:‫الكلمات املفتاحية‬

.‫الشبه رتيبة‬
ّ ‫ املؤثّرات‬,‫ طريقة ثنائية اإلسقاط‬,‫ ط ـريقة اإلسقاط‬,‫املعممة‬
ّ ‫ مسألة املرتاجحات التغرييّة‬,‫مسالة املرتاجحات التغريية‬

Abstract:
The objective of this dissertation is to make an in-depth and proper theoretical and numerical study
of a new projection method for solving the variational inequality problem (VIP). This method was
introduced by M. Ye in 2018 especially for the generalized problems (VIP). The theoretical results
already established have been arranged in such a way that they are coherent for the resolution of the
problem in question. This study is accompanied by an effective implementation in a comparative
framework between the method presented and one of the best known methods for (VIP). The
numerical results obtained allowed us to draw conclusions about the behavior of this type of methods
and to propose some research perspectives for the future about this topic.

Key words:
Variational inequalities problem, Generalized Variational inequalities problem, Projection methods,
Double projection methods, pseudomonotone operators.

Résumé :
L'objectif de ce mémoire consiste à faire une étude théorique et numérique approfondie proprement
dite d'une nouvelle méthode de projection pour résoudre le problème d'inégalités variationnelles
(VIP). Cette méthode a été introduite par M. Ye en 2018 conçu spécialement pour les problèmes
(VIP) généralisés. Les résultats théoriques déjà établis ont été aménagés de telle manière qu'ils soient
cohérents pour la résolution du problème en question. Cette étude est accompagnée par mise en œuvre
effective dans un cadre comparatif entre la méthode présentée et l'une des méthodes les plus connues
pour les (VIP). Les résultats numériques obtenus nous ont permis de dégager des conclusions au sujet
du comportement de ce type de méthodes et de proposer quelques perspectives de recherche dans le
futur concernant ce sujet.

Mots clés :
Problème des inégalités variationnelles, Problème des inégalités variationnelles généralisé, Méthodes
de projection, Méthodes de double projection, Opérateurs pseudomonotones.