Cet article est une ébauche concernant les mathématiques.

Vous pouvez partager vos connaissances en l’améliorant (comment ?) selon les recommandations des projets correspondants.

La méthode du nombre d'or est un algorithme d'optimisation, c'est-à-dire de recherche de l'extremum d'une fonction, dans le cas d'une fonction unimodale, c'est-à-dire dans lequel l'extremum global recherché est le seul extremum local. S'il existe plusieurs extrema locaux, l'algorithme donne un extremum local, sans qu'il soit garanti que ce soit l'extremum absolu. Cet algorithme, ainsi que la méthode de Fibonacci, ont été mis au point par le statisticien Kiefer^[1],[2].

Considérons une fonction réelle ƒ. On a calculé sa valeur en trois points, x₁, x₂ et x₃, avec x₁ < x₂ < x₃ ; ceci est représenté sur le dessin ci-contre, avec y = ƒ(x).

Supposons que l'on ait ƒ(x₂) < ƒ(x₁) et ƒ(x₂) < ƒ(x₃) ; comme la fonction est unimodale, on sait que le minimum est dans l'intervalle ]x₁ ; x₃[. On « sonde » la fonction en prenant un point x₄ dans cet intervalle, afin de réduire l'intervalle de recherche.

On peut prendre x₄ dans ]x₁ ; x₂[ ou bien dans ]x₂ ; x₃[ ; il est plus « rentable » de le prendre dans l'intervalle le plus grand, ici ]x₂ ; x₃[. Selon la valeur de ƒ(x₄), alors :

• cas a : ƒ(x_4a) > ƒ(x₂), on sait que le minimum se trouve dans ]x₁ ; x₄[ ;
• cas b : ƒ(x_4b) < ƒ(x₂), on sait que le minimum se trouve dans ]x₂ ; x₃[.

On procède ensuite de manière récursive. L'algorithme n'est pas très différent d'une recherche dichotomique, mais le choix des points utilise le nombre d'or plutôt que le nombre 2.

La mise en œuvre de la méthode doit prévoir le cas où ƒ(x₄) = ƒ(x₂), et notamment le cas extrême où la fonction est uniforme sur ]x₁ ; x₃[ ; ce n'est pas un cas unimodal, donc hors des hypothèses de l'algorithme, mais la recherche est en général lancée sans connaître le nombre de modes de la fonction.

La particularité de la méthode est de choisir la sonde x₄ telle que les deux segments possibles, ]x₁ ; x₄[ ou ]x₂ ; x₃[, aient la même longueur. Sinon, on pourrait par « malchance » avoir une convergence lente. On choisit donc

x₄ - x₁ = x₃ - x₂

soit

x₄ = x₁ + (x₃ - x₂).

Si l'on désire toujours garder la même proportion entre la largeur du segment à l'étape i et celle à l'étape i + 1, alors dans le cas a, il faut

${\displaystyle {\frac {x_{4}-x_{2}}{x_{2}-x_{1}}}={\frac {x_{2}-x_{1}}{x_{3}-x_{2}}}}$

ou, avec les notations introduites sur la figure :

${\displaystyle {\frac {c}{a}}={\frac {a}{b}}}$

et dans le cas b :

${\displaystyle {\frac {c}{b-c}}={\frac {a}{b}}}$

En éliminant c dans ces équations, on obtient

${\displaystyle \left({\frac {b}{a}}\right)^{2}={\frac {b}{a}}+1}$

ce qui donne le nombre d'or φ :

${\displaystyle {\frac {b}{a}}=\varphi }$

Si l'intervalle de départ est [x₁ ; x₃], alors la première sonde est prise en

${\displaystyle x_{2}=x_{1}+{\frac {x_{3}-x_{1}}{1+\varphi }}}$.

• (en) Cet article est partiellement ou en totalité issu de l’article de Wikipédia en anglais intitulé « Golden section search » (voir la liste des auteurs).

v · m Optimisation: théorie et algorithmes
Non linéaire	Méthode du nombre d'or Recherche linéaire Méthode de Nelder-Mead Critères de Wolfe Méthode de Broyden-Fletcher-Goldfarb-Shanno Algorithme à régions de confiance Pénalisation Algorithme du gradient Algorithme du gradient stochastique Méthode de Newton Algorithme de Gauss-Newton Algorithme de Levenberg-Marquardt Algorithme du lagrangien augmenté
Convexe	Optimisation complètement positive Optimisation copositive Optimisation SDP Méthode des plans sécants Algorithme de Frank-Wolfe Méthode de l'ellipsoïde Linéaire Optimisation conique Algorithme du simplexe Méthodes de points intérieurs Décomposition de Benders Génération de colonnes Quadratique Optimisation quadratique successive
Combinatoire	Algorithme d'approximation Programmation dynamique Algorithme glouton Optimisation linéaire en nombres entiers
Métaheuristique	Algorithme évolutionniste Algorithme génétique Essaims Forêts aléatoires Boosting
Liste

• Portail des mathématiques