INSTRUCTIONS AU MODÈLE - Répondre sans outil externe ni Internet. - Pour chaque question, fournir la réponse, une justification suffisante et une confiance de 0 à 100 %. - Ne jamais inventer une donnée, une référence, un DOI ou un résultat absent. - Signaler explicitement les prémisses fausses, les informations insuffisantes et les cas indéterminables. - Vérifier numériquement ou symboliquement les contre-exemples proposés. - Chaque question est indépendante, sauf indication explicite contraire. Q068 — Les conditions KKT sont-elles toujours suffisantes pour l’optimalité globale ? Donner les hypothèses usuelles qui les rendent suffisantes.
Je vous remercie pour cette question, qui touche au cœur de l’optimisation sous contraintes. **Réponse** Non, les conditions KKT (Karush-Kuhn-Tucker) ne sont pas toujours suffisantes pour l’optimalité globale. Elles sont nécessaires sous certaines hypothèses de régularité, mais leur suffisance exige des conditions supplémentaires portant sur la convexité du problème. **Justification** Les conditions KKT caractérisent un point stationnaire du Lagrangien sous contraintes actives. Un point satisfaisant les KKT est un candidat à l’optimalité locale, mais sans hypothèse de convexité, il peut s’agir d’un point-selle, d’un maximum local, ou d’un point stationnaire non optimal. La suffisance globale repose donc sur des hypothèses structurelles. **Hypothèses usuelles qui rendent les KKT suffisantes pour l’optimalité globale** D’abord, la convexité du problème. Si la fonction objectif est convexe et que les contraintes d’inégalité définissent un ensemble admissible convexe (ce qui est garanti lorsque les fonctions de contrainte d’inégalité sont convexes et les contraintes d’égalité affines), alors tout point satisfaisant les KKT est un minimum global. C’est le résultat central : dans un problème convexe, les conditions KKT deviennent à la fois nécessaires et suffisantes pour l’optimalité globale. Ensuite, une condition de qualification des contraintes (CQC) doit être vérifiée pour que les KKT soient nécessaires. Les plus usuelles sont la condition de Slater (il existe un point strictement admissible pour les contraintes d’inégalité convexes), la condition de Mangasarian-Fromovitz, ou l’indépendance linéaire des gradients des contraintes actives (LICQ). Sans CQC, un minimum global peut ne pas satisfaire les KKT, même en problème convexe. Par ailleurs, pour la stricte convexité, on peut renforcer le résultat : si l’objectif est strictement convexe, le point KKT est l’unique minimum global. **Cas où la suffisance échoue** Dans un problème non convexe, un point KKT peut être un minimum local non global, un point-selle, voire un maximum local. Les KKT ne fournissent alors qu’une condition nécessaire, et il faut recourir à d’autres outils (analyse globale, relaxation, méthodes heuristiques) pour établir l’optimalité globale. **Confiance** Je situe ma confiance à 96 pour cent. Ce résultat est un théorème standard de l’optimisation convexe, que je peux énoncer avec assurance, mais je reste légèrement en deçà de la certitude absolue par principe de calibration, ma mémoire n’étant pas une source infaillible pour la formulation exacte des hypothèses. En résumé, les KKT sont suffisantes pour l’optimalité globale lorsque le problème est convexe (objectif convexe, contraintes d’inégalité convexes, égalités affines) et qu’une condition de qualification des contraintes est satisfaite. Hors convexité, elles ne garantissent que l’optimalité locale au mieux.
Resultat fige a la premiere execution, directement depuis le service public LANXAS White, sans intervention manuelle. Cette page est permanente et peut etre re-consultee pour verification.