-\chapter{Sujets d'étude en travaux dirigés}
-
-\section{Cahier des charges}
-
-Il s'agit de travailler en binôme ou bien seul sur des sujets complémentaires et d'approfondissement du cours. Le travail en question effectué durant les TDs consistera
-à effectuer un dossier sur un thème. Le dossier devra être tapé en Latex ou Tex puisque il peut y avoir des formules de mathématiques ou de physiques. Il pourra aussi comporter une partie "implémentation effective" d'algorithmes (en annexe).
-
-\vspace{.5em}
-
-Sur la fond, toutes les sources de connaissance utilisées devront être citées. En particulier, la méthodologie universitaire sera privilégiée
-(citations en note de bas de page et dans le corps du document, liste des références en fin de document dans la bibliographie, etc...).
-Wikipédia pourra être utilisé mais cela devra être mentionné en tant que référence (note de bas de page ou citation dans le corps du document).
-L'accent sera essentiellement mis sur la démarche scientifique utilisée à égal niveau avec le contenu acquis des connaissances.
-
-\vspace{.5em}
-
-Plusieurs sources devront être croisées afin de prétendre au maximum de vraisemblance
-et d'objectivité scientifique. Le document ne devra pas excéder 10 pages.
-On privilégiera les qualités de synthèse, d'organisation ainsi que du contenu du document.
-
-\section{Proposition de sujets}
-
-\subsection{Analyse numérique}
-
-\vspace{.5em}
-
-1) Méthode des moindres Carrés (cas général, cas pondéré, cas des équations non linéaires).
-
-\vspace{.5em}
-
-2) Méthode de Newton-Raphson (cas d'une variable, cas de deux variables) - Application: extrema d'une fonction à deux variables.
-
-\vspace{.5em}
-
-3) Autres méthodes: méthode de Jacobi, de Gauss-Seidel, etc....
-
-\vspace{.5em}
-
-\subsection{Optimisation}
-
-\vspace{.5em}
-
-\subsubsection{Optimisation sans contrainte}
-
-{\bf A- Algorithmes déterministes}
-
-\vspace{.5em}
-
-1) Régression linéaire sans contrainte (pré-requis: Méthode des moindres carrés).
-
-\vspace{.5em}
-
-2) Méthodes de descente: la méthode du gradient (à pas constant ou à pas variable ou à pas optimal).
-
-\vspace{.5em}
-
-3) Méthode de Newton (ou méthode dite de la tangente) et application à la recherche d'extrema.
-
-\vspace{.5em}
-
-4) Méthodes de descente: méthode du gradient conjugué (cas linéaire et cas général)
-
-\vspace{.5em}
-
-5) Méthode de relaxation
-
-\vspace{.5em}
-
-{\bf B- Algorithmes probabilistes ou dit stochastiques}
-
-\vspace{.5em}
-
-1) Dynamique de métropolis (prérequis: chaines de Markov)
-
-\vspace{.5em}
-
-2) Recuit simulé sur un ensemble fini et application au problème du voyageur de commerce (prérequis: dynamique de métropolis)
-
-\vspace{.5em}
+\chapter{Méthodes de programmation quadratique séquentielle}
+
+% \section{Cahier des charges}
+%
+% Il s'agit de travailler en binôme ou bien seul sur des sujets complémentaires et d'approfondissement du cours. Le travail en question effectué durant les TDs consistera
+% à effectuer un dossier sur un thème. Le dossier devra être tapé en Latex ou Tex puisque il peut y avoir des formules de mathématiques ou de physiques. Il pourra aussi comporter une partie "implémentation effective" d'algorithmes (en annexe).
+%
+% \vspace{.5em}
+%
+% Sur la fond, toutes les sources de connaissance utilisées devront être citées. En particulier, la méthodologie universitaire sera privilégiée
+% (citations en note de bas de page et dans le corps du document, liste des références en fin de document dans la bibliographie, etc...).
+% Wikipédia pourra être utilisé mais cela devra être mentionné en tant que référence (note de bas de page ou citation dans le corps du document).
+% L'accent sera essentiellement mis sur la démarche scientifique utilisée à égal niveau avec le contenu acquis des connaissances.
+%
+% \vspace{.5em}
+%
+% Plusieurs sources devront être croisées afin de prétendre au maximum de vraisemblance
+% et d'objectivité scientifique. Le document ne devra pas excéder 10 pages.
+% On privilégiera les qualités de synthèse, d'organisation ainsi que du contenu du document.
+%
+% \section{Proposition de sujets}
+%
+% \subsection{Analyse numérique}
+%
+% \vspace{.5em}
+%
+% 1) Méthode des moindres Carrés (cas général, cas pondéré, cas des équations non linéaires).
+%
+% \vspace{.5em}
+%
+% 2) Méthode de Newton-Raphson (cas d'une variable, cas de deux variables) - Application: extrema d'une fonction à deux variables.
+%
+% \vspace{.5em}
+%
+% 3) Autres méthodes: méthode de Jacobi, de Gauss-Seidel, etc....
+%
+% \vspace{.5em}
+
+\section{Optimisation}
+
+% \vspace{.5em}
+
+% \subsubsection{Optimisation sans contrainte}
+%
+% {\bf A- Algorithmes déterministes}
+%
+% \vspace{.5em}
+%
+% 1) Régression linéaire sans contrainte (pré-requis: Méthode des moindres carrés).
+%
+% \vspace{.5em}
+%
+% 2) Méthodes de descente: la méthode du gradient (à pas constant ou à pas variable ou à pas optimal).
+%
+% \vspace{.5em}
+%
+% 3) Méthode de Newton (ou méthode dite de la tangente) et application à la recherche d'extrema.
+%
+% \vspace{.5em}
+%
+% 4) Méthodes de descente: méthode du gradient conjugué (cas linéaire et cas général)
+%
+% \vspace{.5em}
+%
+% 5) Méthode de relaxation
+%
+% \vspace{.5em}
+%
+% {\bf B- Algorithmes probabilistes ou dit stochastiques}
+%
+% \vspace{.5em}
+%
+% 1) Dynamique de métropolis (prérequis: chaines de Markov)
+%
+% \vspace{.5em}
+%
+% 2) Recuit simulé sur un ensemble fini et application au problème du voyageur de commerce (prérequis: dynamique de métropolis)
+%
+% \vspace{.5em}