\usepackage{tocbibind}
\usepackage{lmodern}
\usepackage{enumitem}
-\usepackage{algorithm}
+\usepackage{algorithm2e}
\usepackage{algorithmic}
$$ x_{k+1} = x_k - H[J](x_k)^{-1} \nabla J(x_k), $$
où $ d_k = -H[J](x_k)^{-1} \nabla J(x_k) $ est appelée direction de Newton. La direction $ d_k $ est également l’unique solution du problème :
$$ \underset{d \in \mathbb{R}^n}{\mathrm{argmin}} \ J(x_k) + \langle \nabla J(x_k),d \rangle + \frac{1}{2}\langle H[J](x_k)d,d \rangle $$
-Autrement dit, $ d_k $ est le point de minimum global de l’approximation de second ordre de $ J $ au voisinage du point courant $ x_k $.
+Autrement dit, $ d_k $ est le point de minimum global de l’approximation quadratique de $ J $ au voisinage du point courant $ x_k $.
À condition que la matrice $ H[J](x_k) $ soit définie positive à chaque itération, la méthode de Newton est bien une méthode de descente à pas fixe égal à $ 1 $.
\newline
Les propriétés remarquables de cet algorithme sont :
\newline
\STATE {//Incrémentation de k}
\STATE $ k \leftarrow k+1$
- \newline
-\newline
+
+
\STATE {//Deuxième itération :}
\STATE{//Calcule du gradient de $ J $ :}
\STATE $ \nabla J(x,y,z) = (2x_k,2y_k,2z_k)$ \hfill $ // résultat : (0,0,0) $
\STATE $ k \leftarrow k+1$\hfill $ //k = 1$
\ENDWHILE
- \end{algorithmic}
+
+\end{algorithmic}
\end{algorithm}