Optimization in the presence of uncertainties

L’optimisation est un sujet très important dans tous les domaines. Cependant, parmi toutes les applications de l’optimisation, il est difficile de trouver des exemples de systèmes à optimiser qui ne comprennent pas un certain niveau d'incertitude sur les valeurs de quelques paramètres. Le thème central de cette thèse est donc le traitement des différents aspects de l’optimisation en présence d’incertitudes. Nous commençons par présenter un bref état de l’art des méthodes permettant de prendre en compte les incertitudes dans l’optimisation. Cette revue de la littérature a permis de constater une lacune concernant la caractérisation des propriétés probabilistes du point d’optimum de fonctions dépendant de paramètres aléatoires. Donc, la première contribution de cette thèse est le développement de deux méthodes pour approcher la fonction densité de probabilité (FDP) d’un tel point : la méthode basée sur la Simulation de Monte Carlo et la méthode de projection en dimension finie basée sur l’Approximation par polynômes de chaos. Les résultats numériques ont montré que celle-ci est adaptée à l’approximation de la FDP du point optimal du processus d'optimisation dans les situations étudiées. Il a été montré que la méthode numérique est capable d’approcher aussi des moments d'ordre élevé du point optimal, tels que l’aplatissement et l’asymétrie. Ensuite, nous passons au traitement de contraintes probabilistes en utilisant l’optimisation fiabiliste. Dans ce sujet, une nouvelle méthode basée sur des coefficients de sécurité est développée. Les exemples montrent que le principal avantage de cette méthode est son coût de calcul qui est très proche de celui de l’optimisation déterministe conventionnelle, ce qui permet son couplage avec un algorithme d’optimisation globale arbitraire.The optimization is a very important tool in several domains. However, among its applications, it is hard to find examples of systems to be optimized that do not possess a certain uncertainty level on its parameters. The main goal of this thesis is the treatment of different aspects of the optimization under uncertainty. We present a brief review of the literature on this topic, which shows the lack of methods able to characterize the probabilistic properties of the optimum point of functions that depend on random parameters. Thus, the first main contribution of this thesis is the development of two methods to eliminate this lack: the first is based on Monte Carlo Simulation (MCS) (considered as the reference result) and the second is based on the polynomial chaos expansion (PCE). The validation of the PCE based method was pursued by comparing its results to those provided by the MCS method. The numerical analysis shows that the PCE method is able to approximate the probability density function of the optimal point in all the problems solved. It was also showed that it is able to approximate even high order statistical moments such as the kurtosis and the asymmetry. The second main contribution of this thesis is on the treatment of probabilistic constraints using the reliability based design optimization (RBDO). Here, a new RBDO method based on safety factors was developed. The numerical examples showed that the main advantage of such method is its computational cost, which is very close to the one of the standard deterministic optimization. This fact makes it possible to couple the new method with global optimization algorithms