J'ai tenté d'inspecter le fichier joint getPDF.jsp(nonsmooth).pdf, mais son texte n'était pas lisible/recherchable dans l'outil. Le résumé ci-dessous s'appuie donc sur la théorie standard et les sources bibliographiques fournies.

1. Idée de base de l'analyse non lisse

• Le calcul différentiel classique fonctionne bien pour les fonctions lisses, mais de nombreuses fonctions importantes sont non lisses, comme :

  • f(x)=|x|
  • f(x)=max_i f_i(x)
  • les fonctions distance
  • les fonctions valeur en optimisation/contrôle
  • les fonctions de perte linéaires par morceaux de type ReLU

• Plutôt que de demander une dérivée unique, l'analyse non lisse demande un ensemble de dérivées généralisées.

• Pour une fonction localement lipschitzienne f: R^n -> R, Clarke a introduit les dérivées directionnelles généralisées et les gradients généralisés comme outils pour l'optimisation non lisse.

2. Dérivée directionnelle généralisée de Clarke

Pour une fonction f localement lipschitzienne, la dérivée directionnelle de Clarke au point x dans la direction v s'écrit généralement :

f°(x; v) = limsup_{y -> x, t ↓ 0} [f(y + t v) - f(y)] / t.

Points clés :

• Elle est conçue pour les fonctions non lisses localement lipschitziennes.
• Selon la théorie standard de Clarke, elle est positivement homogène et sous-additive en v.
• Elle est généralement plus grande ou égale à la dérivée directionnelle ordinaire dans des contextes comparables.
• Elle capture la croissance directionnelle locale la plus défavorable près de x.

3. Sous-différentiel de Clarke

Le sous-différentiel de Clarke est généralement défini par :

∂C f(x) = { ξ in R^n : f°(x; v) >= <ξ, v> pour tout v in R^n }.

Une description standard équivalente pour f localement lipschitzienne est que le sous-différentiel de Clarke est l'enveloppe convexe des limites de gradients classiques voisins là où la fonction est différentiable.

∂C f(x) = co { limites de ∇f(x_k) : x_k -> x, f différentiable en x_k }.

Ici, co désigne l'enveloppe convexe.

Propriétés clés :

• ∂C f(x) est une dérivée généralisée à valeurs ensemblistes pour les fonctions localement lipschitziennes.
• Dans la théorie de Clarke en dimension finie, ∂C f(x) est non vide, compact et convexe pour f localement lipschitzienne.
• Si f est continûment différentiable au voisinage de x, alors le sous-différentiel de Clarke se réduit au gradient ordinaire.

∂C f(x) = {∇f(x)}.

• Si f est convexe, le sous-différentiel de Clarke coïncide avec le sous-différentiel usuel de l'analyse convexe dans des contextes standards.

Exemple :

f(x) = |x|.

Alors

∂C f(x) =
  {-1},        x < 0
  [-1, 1],     x = 0
  {1},         x > 0.

C'est l'exemple de base classique montrant comment un point anguleux est représenté par tout un intervalle de pentes possibles.

4. Règles de calcul pour le sous-différentiel de Clarke

Soient f, g: R^n -> R localement lipschitziennes près de x ; les règles de calcul de Clarke sont une partie centrale de la théorie de l'optimisation non lisse.

Règle de la somme

∂C(f + g)(x) ⊂ ∂C f(x) + ∂C g(x).

Sous des conditions de régularité supplémentaires, l'égalité peut être vérifiée.

Multiplication par un scalaire

Pour un scalaire a,

∂C(a f)(x) = a ∂C f(x).

Si a < 0, l'ensemble est réfléchi.

Règle du produit

∂C(fg)(x) ⊂ f(x) ∂C g(x) + g(x) ∂C f(x).

C'est l'une des règles de calcul de type inclusion standard dans le calcul sous-différentiel de Clarke.

Règle du quotient

Si g(x) ≠ 0 et g est bornée loin de zéro près de x, la règle du quotient standard a la forme :

∂C(f/g)(x) ⊂ [g(x) ∂C f(x) - f(x) ∂C g(x)] / g(x)^2.

Règle de la chaîne

Si F: R^n -> R^m est strictement différentiable en x et φ: R^m -> R est localement lipschitzienne près de F(x), la règle de la chaîne de Clarke est généralement énoncée comme une inclusion du type suivant :

∂C(φ ∘ F)(x) ⊂ DF(x)^T ∂C φ(F(x)).

Si φ est régulière au sens de Clarke, des formes plus fortes sont disponibles.

Règle du max

Si

f(x) = max { f1(x),..., fm(x) },

où chaque fi est localement lipschitzienne, on définit l'ensemble des indices actifs

I(x) = { i : fi(x) = f(x) }.

Alors la règle du max standard de Clarke donne une inclusion de la forme suivante :

∂C f(x) ⊂ co ⋃_{i in I(x)} ∂C fi(x).

Si les fi sont lisses, cela devient :

∂C f(x) ⊂ co { ∇fi(x) : i in I(x) }.

Pour de nombreuses fonctions max standard, l'égalité est vérifiée sous des hypothèses de régularité appropriées.

Règle de Fermat pour l'optimisation non lisse

Si x est un minimiseur local de f localement lipschitzienne, alors la condition de Fermat non lisse est :

0 ∈ ∂C f(x).

C'est l'analogue non lisse de ∇f(x)=0.

5. Articles et ouvrages classiques

• Les travaux de F. H. Clarke sur les gradients généralisés sont une source fondatrice pour les dérivées généralisées de Clarke en analyse non lisse.

• Les dérivées directionnelles généralisées et les gradients généralisés de Clarke sont discutés dans la littérature sur l'optimisation non lisse en dimension finie, y compris les travaux de Hiriart-Urruty.

• Les travaux de Rockafellar sur les sous-gradients généralisés en programmation mathématique constituent une autre ligne fondatrice ; l'article cité expose les fondements des dérivées directionnelles généralisées et des sous-gradients.

• Les travaux de Hiriart-Urruty en dimension finie discutent des dérivées directionnelles de Clarke, des gradients généralisés de Clarke, des règles de calcul et des applications à l'optimisation non lisse.

6. Orientations de la littérature récente

• La recherche récente en optimisation non lisse continue d'utiliser les objets de type Clarke et des relaxations associées ; par exemple, un article de 2025 étudie la vitesse de convergence en utilisant le sous-différentiel de Goldstein, décrit comme une version relaxée du sous-différentiel de Clarke utilisé dans plusieurs algorithmes.

• Les dérivées directionnelles généralisées de Clarke continuent d'apparaître dans les conditions d'optimalité pour les problèmes d'optimisation ensembliste ; un article de 2025 étudie les solutions faibles approximatives à l'aide d'un nouveau type de dérivée généralisée de Clarke.

• Les publications récentes de Rockafellar indiquent un travail continu en analyse non lisse et à valeurs ensemblistes, y compris des travaux de 2025 liés au calcul des variations.

7. Parcours de lecture recommandé

1. Commencer par la dérivée directionnelle généralisée et le sous-différentiel de Clarke.
2. Apprendre les règles de calcul de base : somme, produit, chaîne, max et règles de Fermat.
3. Étudier les sous-différentiels convexes et les comparer aux sous-différentiels de Clarke.
4. Passer à l'analyse variationnelle : cônes normaux, codérivées et cadres plus larges de différenciation généralisée.
5. Lire des articles d'optimisation récents utilisant les sous-différentiels de Clarke ou de Goldstein dans les algorithmes.

Une première liste de lecture pratique serait :

• Les travaux de Clarke sur les gradients généralisés et les dérivées généralisées de Clarke.
• Les travaux de Hiriart-Urruty sur les dérivées généralisées et l'optimisation non lisse.
• L'article de Rockafellar « Generalized Subgradients in Mathematical Programming ».
• Des articles récents utilisant des sous-différentiels de type Goldstein ou Clarke dans des algorithmes d'optimisation non lisse et des conditions d'optimalité.

J'ai tenté d'inspecter le fichier joint getPDF.jsp(nonsmooth).pdf, mais son texte n'était pas lisible/recherchable dans l'outil. Le résumé ci-dessous s'appuie donc sur la théorie standard et les sources bibliographiques fournies.

1. Idée de base de l'analyse non lisse

• Le calcul différentiel classique fonctionne bien pour les fonctions lisses, mais de nombreuses fonctions importantes sont non lisses, comme :

  • f(x)=|x|
  • f(x)=max_i f_i(x)
  • les fonctions distance
  • les fonctions valeur en optimisation/contrôle
  • les fonctions de perte linéaires par morceaux de type ReLU

• Plutôt que de demander une dérivée unique, l'analyse non lisse demande un ensemble de dérivées généralisées.

• Pour une fonction localement lipschitzienne f: R^n -> R, Clarke a introduit les dérivées directionnelles généralisées et les gradients généralisés comme outils pour l'optimisation non lisse.

2. Dérivée directionnelle généralisée de Clarke

Pour une fonction f localement lipschitzienne, la dérivée directionnelle de Clarke au point x dans la direction v s'écrit généralement :

f°(x; v) = limsup_{y -> x, t ↓ 0} [f(y + t v) - f(y)] / t.

Points clés :

• Elle est conçue pour les fonctions non lisses localement lipschitziennes.
• Selon la théorie standard de Clarke, elle est positivement homogène et sous-additive en v.
• Elle est généralement plus grande ou égale à la dérivée directionnelle ordinaire dans des contextes comparables.
• Elle capture la croissance directionnelle locale la plus défavorable près de x.

3. Sous-différentiel de Clarke

Le sous-différentiel de Clarke est généralement défini par :

∂C f(x) = { ξ in R^n : f°(x; v) >= <ξ, v> pour tout v in R^n }.

Une description standard équivalente pour f localement lipschitzienne est que le sous-différentiel de Clarke est l'enveloppe convexe des limites de gradients classiques voisins là où la fonction est différentiable.

∂C f(x) = co { limites de ∇f(x_k) : x_k -> x, f différentiable en x_k }.

Ici, co désigne l'enveloppe convexe.

Propriétés clés :

• ∂C f(x) est une dérivée généralisée à valeurs ensemblistes pour les fonctions localement lipschitziennes.
• Dans la théorie de Clarke en dimension finie, ∂C f(x) est non vide, compact et convexe pour f localement lipschitzienne.
• Si f est continûment différentiable au voisinage de x, alors le sous-différentiel de Clarke se réduit au gradient ordinaire.

∂C f(x) = {∇f(x)}.

• Si f est convexe, le sous-différentiel de Clarke coïncide avec le sous-différentiel usuel de l'analyse convexe dans des contextes standards.

Exemple :

f(x) = |x|.

Alors

∂C f(x) =
  {-1},        x < 0
  [-1, 1],     x = 0
  {1},         x > 0.

C'est l'exemple de base classique montrant comment un point anguleux est représenté par tout un intervalle de pentes possibles.

4. Règles de calcul pour le sous-différentiel de Clarke

Soient f, g: R^n -> R localement lipschitziennes près de x ; les règles de calcul de Clarke sont une partie centrale de la théorie de l'optimisation non lisse.

Règle de la somme

∂C(f + g)(x) ⊂ ∂C f(x) + ∂C g(x).

Sous des conditions de régularité supplémentaires, l'égalité peut être vérifiée.

Multiplication par un scalaire

Pour un scalaire a,

∂C(a f)(x) = a ∂C f(x).

Si a < 0, l'ensemble est réfléchi.

Règle du produit

∂C(fg)(x) ⊂ f(x) ∂C g(x) + g(x) ∂C f(x).

C'est l'une des règles de calcul de type inclusion standard dans le calcul sous-différentiel de Clarke.

Règle du quotient

Si g(x) ≠ 0 et g est bornée loin de zéro près de x, la règle du quotient standard a la forme :

∂C(f/g)(x) ⊂ [g(x) ∂C f(x) - f(x) ∂C g(x)] / g(x)^2.

Règle de la chaîne

Si F: R^n -> R^m est strictement différentiable en x et φ: R^m -> R est localement lipschitzienne près de F(x), la règle de la chaîne de Clarke est généralement énoncée comme une inclusion du type suivant :

∂C(φ ∘ F)(x) ⊂ DF(x)^T ∂C φ(F(x)).

Si φ est régulière au sens de Clarke, des formes plus fortes sont disponibles.

Règle du max

Si

f(x) = max { f1(x),..., fm(x) },

où chaque fi est localement lipschitzienne, on définit l'ensemble des indices actifs

I(x) = { i : fi(x) = f(x) }.

Alors la règle du max standard de Clarke donne une inclusion de la forme suivante :

∂C f(x) ⊂ co ⋃_{i in I(x)} ∂C fi(x).

Si les fi sont lisses, cela devient :

∂C f(x) ⊂ co { ∇fi(x) : i in I(x) }.

Pour de nombreuses fonctions max standard, l'égalité est vérifiée sous des hypothèses de régularité appropriées.

Règle de Fermat pour l'optimisation non lisse

Si x est un minimiseur local de f localement lipschitzienne, alors la condition de Fermat non lisse est :

0 ∈ ∂C f(x).

C'est l'analogue non lisse de ∇f(x)=0.

5. Articles et ouvrages classiques

• Les travaux de F. H. Clarke sur les gradients généralisés sont une source fondatrice pour les dérivées généralisées de Clarke en analyse non lisse.

• Les dérivées directionnelles généralisées et les gradients généralisés de Clarke sont discutés dans la littérature sur l'optimisation non lisse en dimension finie, y compris les travaux de Hiriart-Urruty.

• Les travaux de Rockafellar sur les sous-gradients généralisés en programmation mathématique constituent une autre ligne fondatrice ; l'article cité expose les fondements des dérivées directionnelles généralisées et des sous-gradients.

• Les travaux de Hiriart-Urruty en dimension finie discutent des dérivées directionnelles de Clarke, des gradients généralisés de Clarke, des règles de calcul et des applications à l'optimisation non lisse.

6. Orientations de la littérature récente

• La recherche récente en optimisation non lisse continue d'utiliser les objets de type Clarke et des relaxations associées ; par exemple, un article de 2025 étudie la vitesse de convergence en utilisant le sous-différentiel de Goldstein, décrit comme une version relaxée du sous-différentiel de Clarke utilisé dans plusieurs algorithmes.

• Les dérivées directionnelles généralisées de Clarke continuent d'apparaître dans les conditions d'optimalité pour les problèmes d'optimisation ensembliste ; un article de 2025 étudie les solutions faibles approximatives à l'aide d'un nouveau type de dérivée généralisée de Clarke.

• Les publications récentes de Rockafellar indiquent un travail continu en analyse non lisse et à valeurs ensemblistes, y compris des travaux de 2025 liés au calcul des variations.

7. Parcours de lecture recommandé

1. Commencer par la dérivée directionnelle généralisée et le sous-différentiel de Clarke.
2. Apprendre les règles de calcul de base : somme, produit, chaîne, max et règles de Fermat.
3. Étudier les sous-différentiels convexes et les comparer aux sous-différentiels de Clarke.
4. Passer à l'analyse variationnelle : cônes normaux, codérivées et cadres plus larges de différenciation généralisée.
5. Lire des articles d'optimisation récents utilisant les sous-différentiels de Clarke ou de Goldstein dans les algorithmes.

Une première liste de lecture pratique serait :

• Les travaux de Clarke sur les gradients généralisés et les dérivées généralisées de Clarke.
• Les travaux de Hiriart-Urruty sur les dérivées généralisées et l'optimisation non lisse.
• L'article de Rockafellar « Generalized Subgradients in Mathematical Programming ».
• Des articles récents utilisant des sous-différentiels de type Goldstein ou Clarke dans des algorithmes d'optimisation non lisse et des conditions d'optimalité.