More and more fixlets.
[Projet_Recherche_Operationnelle.git] / rapport / ProjetOptimRO.tex
index 489e6c85001df30c282f361407ec0e384c8c21f3..f0024f2a1063b6f2a4240ef6bebfa329b89874a5 100644 (file)
@@ -775,8 +775,8 @@ Dans les deux cas, les équations de quasi-Newton forment un système sous-déte
 \newline
 Une stratégie commune est de calculer $ (x_{k+1},\lambda_{k+1},\mu_{k+1}) $ pour une matrice $ H_k $ donnée et faire une mise à jour de $ H_k $ de rang 1 ou 2 :
 $$ H_{k+1} = H_k + U_k $$
-
-\subsubsection{Mises à jour DFP et BFGS}
+% \subsubsection{Mises à jour DFP et BFGS}
+Les méthodes de mise à jour DFP et BFGS suivent par exemple cette stratégie.
 
 \subsection{Exemple d'utilisation de PQS}
 
@@ -844,12 +844,12 @@ $ L((100,100,0),(1,1)) = 4800. $
 \begin{algorithm}
  \caption {Trace d'éxécution de l'algorithme PQS}
  \begin{algorithmic}
-  \REQUIRE $g(x_0,y_0,z_0)\leq 0$, $(x_0,y_0,z_0) = (10, 10 ,10)$
+  \REQUIRE $(x_0,y_0,z_0) = (100, 100 ,0), g(x_0,y_0,z_0) \leq 0$
   \ENSURE $\displaystyle\min_{(x,y,z) \in \mathbb{R}^3} J(x,y,z) = x^2 + y^2 + z^2 -r^2$ and \newline $g(x,y,z) = (g_1(x,y,z), g_2(x,y,z)) = (x^2 + y^2 - r_1^2, x^2 + z^2 -r_2^2) \leq 0 $
   \STATE \textbf{Data :}
   \STATE $k \leftarrow 0, (x_k, y_k, z_k) \leftarrow (100, 100, 0), r \leftarrow 100$
   \STATE $r_1 = r_2 \leftarrow 10, \varepsilon \leftarrow 0.01$
-  \STATE $\lambda_1 = \lambda_2 = 1$
+  \STATE $\lambda_1 = \lambda_2 \leftarrow 1$
   \STATE $ H[J](x,y,z)^{-1} \leftarrow
    \begin{pmatrix}
     0.5 & 0   & 0   \\
@@ -857,7 +857,7 @@ $ L((100,100,0),(1,1)) = 4800. $
     0   & 0   & 0.5 \\
    \end{pmatrix} $
   \newline
-  \STATE {//Calcul des deux composantes du gradient de $ g $: }
+  \STATE {//Pré-calcul des deux composantes du gradient de $ g $:}
   \STATE $ \nabla g_1(x_k,y_k,z_k) = ((2x_k,2y_k,0)$ \hfill $ //résultat : (20, 20, 0)$
   \STATE $ \nabla g_2(x_k,y_k,z_k) = (2x_k,0,2z_k))$ \hfill $ //résultat : (20, 0, 20)$
   \STATE $ \nabla g(x_k,y_k,z_k) = (\nabla g_1(x_k,y_k,z_k), \nabla g_2(x_k,y_k,z_k))$