Conception d'algorithmes pour l'approximation de la "Cut-Norm" avec l'inégalité de Grothendieck.
1. Universit´e Paris-Est Marne-la-Vall´ee
D´epartement de Math´ematiques
Ann´ee Universitaire 2018-2019
Projet TER
Sous la direction de Monsieur Olivier Gu´edon
Titre: Approximation de la cut-norm par
l’in´egalit´e de Grothendieck
Imad Berkani, Obeye Seck
4. 4 TABLE DES MATI`ERES
0.1 Introduction
En 1953, A. Grothendieck dans son papier ”R´esum´e de la th´eorie m´etrique
des produits tensoriels topologiques” [3] , a d´emontr´e l’in´egalit´e suivante :Soit
H un espace de Hilbert quelconque et A = (aij) ∈ Rn×m
une matrice d’ordre
n × m, n, m ≥ 1, il existe C > 0 tel que pour tout x(i)
, y(j)
vecteurs unitaires de
H on a :
max
x(i),y(j)∈H
i,j
aij x(i)
, y(j)
≤ C max
n
i=1
n
j=1
aijxiyj, xi, yj ∈ {−1, 1}
On note C la constante de Grothendieck,Dans [3], la constante C est encadr´e
de la mani`ere suivante : π
2 ≤ C ≤ sinhπ
2 ≈ 2.301, dans le cas d’un espace de
Hilbert r´eel. Dans le cas complexe on a 1.273 ≈ π
4 ≤ C. L’importance de cette
in´egalit´e n’a ´et´e reconnue que plusieurs ann´ees plus tard, avec l’apparition du
travail de J. Lindenstrauss et A. Pelczynski [6], qui utilis´erent cette in´egalit´e
dans le cadre de la th´eorie des op´erateurs. En 1974, R. E. Rietz [8] a montr´e
que dans le cas r´eel C ≤ 2.261 . En 1979, J.-L. Krivine [7] a montr´e que dans
le cas r´eel, C ≤ 1.78221 et U. Haagerup [4] a montr´e en 1987 que dans le cas
complexe on C ≤ 1.40491.
Cependant la valeur exacte de la constance de Grothendiek est toujours une
question ouverte.
Notons que cette in´egalit´e a fait son apparition en physique quantique, dans
le cadre li´e aux in´egalit´es de Bell [5].
En 1997, A. Frieze et R. Kannan [2] ont introduit la notion de ”Cut-norm”,
d´efini comme suit :
A = (aij)i∈R,j∈S, on d´efinit la Cut-Norm par :
|| A ||C= max
I⊂R
J⊂S
|
i∈I
j∈J
aij |= max
xi,yj ∈{0,1}
|
n
i,j=1
aijxiyj |
La ”Cut- norm” joue un rˆole majeur dans la conception d’algorithmes effi-
caces pour l’´etude des graphes denses et des probl`emes de matrices.
Se pose alors la question d’approximer ”la Cut-norm” pour une matrice
r´eelle. Ce probl`eme ´etudi´e par N. Alon et A. Naor dans leur papier [1], faisant
l’objet de note ”TER”.
Les auteurs proposent dans leur papier[1], trois approches diff´erentes bas´ees
sur l’in´egalit´e de Grothendieck, en mettant l’accent sur l’aspect algorithmique.
La premi`ere m´ethode est une m´ethode deterministe qui combine l’in´egalit´e de
Grothendieck avec quelques faits sur les variables al´eatoires ind´ependantes `a
quatre niveaux. La la deuxi`eme m´ethode est bas´ee sur l’approche de R. E. Rietz
[8] pour la preuve de l’in´egalit´e de Grothendieck, qui ram`ene la constante de
Grothendieck `a π
2 dans le cas des matrices d´efinies positives.
La troisi`eme technique, qui fournit la meilleure approximation, est bas´ee sur
la m´ethode de Krivine pour la r´esolution de l’in´egalit´e de Grothendieck.
5. 0.1. INTRODUCTION 5
Les auteurs notent que le probl`eme d’approximation de la ”Cut-norm” est
un probl`eme difficile, et que l’existence d’un ”bon” algorithme en temps poly-
nomial, c’est `a dire calculable en “temps raisonnable”, impliquerait la solution
du probl`eme ”P=NP”
Apr`es un premier chapitre sur les fonctions convexes,et un deuxi`eme sur le
th´eor`eme de Krein- Milman, nous aborderons dans un troisi`eme chapitre les di-
verses approches algorithmiques propos´ees par N. Alon et A. Naor en utulisant
l’in´egalit´e de Grothendiek,et Finalement dans le quatri`eme chapitre nous don-
nerons une am´elioration de la constante de Grothendiek ´etablie par R.E.Rietz.
7. Chapitre 1
Fonctions convexes
1.1 D´efinitions et premi`ere propri´et´es
1.1.1 D´efinition
Soient I un intervalle de R et f : I → R une application. on dit que f est
convexe si et seulement si pour tous points a, b ∈ I et pour tout r´eel t ∈ [0, 1]
on a : f(ta + (1 − t)b) ≤ tf(a) + (1 − t)f(b)
1.1.2 Exemple
Montrons que x → x2
est convexe sur R
∀(a, b) ∈ I , ∀t ∈ [0, 1] :
f(ta + (1 − t)b) = (ta + (1 − t)b)2
[ta+(1−t)b]2
≤ ta2
+(1−t)b2
⇐⇒ t2
a2
+2t(1−t)ab+(1−t)2
b2
≤ ta2
+(1−t)b2
⇐⇒ t(1 − t)[−a2
+ 2ab − b2
] ≤ 0
⇐⇒ −t(1 − t)(a − b)2
≤ 0 (ce qui est vrai)
Proposition 1 Si une fonction f est convexe sur un intervalle ouvert I , alors
elle est d´erivable `a gauche et `a droite en tout point de I , et donc continue sur
I .
D´emonstration :
Si a ∈ I , le taux d’acrroissement en a , τa(x) est une fonction croissante en x .
Il admet donc en a une limite `a gauche et une limite `a droite finies . Ce r´esultat
n’est pas valable si l’intervalle n’est pas ouvert . Par exemple , la fonction qui
vaut 0 sur [0, 1[ , et 1 au point 1 est convexe sur [0, 1] , mais elle n’est pas continue
en 1 . Le fait qu’une d´eriv´ee `a gauche et `a droite existe , n’implique pas que
la fonction soit d´erivable . Par exemple , la fonction valeur absolue x → |x|
est convexe sur R mais elle n’est pas d´erivable en 0 . Lorsque la fonction est
d´erivable en 0 , sa d´eriv´ee est croissante .
7
8. 8 CHAPITRE 1. FONCTIONS CONVEXES
1.2 Interpretation graphique
soient f : I → R,alors f est convexe se et selement si tout arc de la courbe (C)
est sous la corde correspondante
Preuve :
montrons que : tout arc de la courbe (C) est sous la corde correspondante ⇐⇒
f(ta + (1 − t)b) ≤ (ta + (1 − t)b)2
soit a< b avec (a, b) ∈ I2
notons ga,b la fonction affine qui co¨ıncide avec f en a
et b , c’est `a dire : ga,b(a) = f(a) et ga,b(b) = f(b)
or d’apr´es le graphe on a : f(x) ≤ ga,b(x) de plus [a, b] est l’ensemble des
ta + (1 − t)b avec t ∈ [0, 1] donc : f(ta + (1 − t)b) ≤ ga,b(ta + (1 − t)b)
donc : f(ta + (1 − t)b) ≤ tga,b(a) + (1 − t)ga,b(b)
donc : f(ta + (1 − t)b) ≤ tf(a) + (1 − t)f(b)
1.3 Fonctions convexes d´erivables
Th´eor`eme 1 Soit f : R → R d´erivable alors f est convexe si et seulement si
f est croissante
Corollaire 1 Soit f : R → R 2 fois d´erivable alors f est convexe si et seulement
si f est positive
Preuve :
Soit f : R → R d´erivable,supposons que f est croissante et soient a, b ∈ I
On pose : ga,b(x) la fonction affine qui co¨ıncide avec f en a et b
Donc : ga,b(x) = αx + β, avec : ga,b(a) = f(a), ga,b(b) = f(b)
9. 1.3. FONCTIONS CONVEXES D´ERIVABLES 9
On trouve : ga,b(a) = f(a) + f(a)−f(b)
b−a (x − a)
Pour x ∈ [a, b], on pose : h(x) = f(x) − ga,b(x)
h est d´erivale sur [a, b] et ∀x ∈ [a, b] : h = f (x) − f(a)−f(b)
b−a
Donc : ∀x ∈ [a, b], h (x) = f (x) − f (c) et comme f est suppos´e croissante on
trouve d’apr`es le tableau de variation de h,
∀x ∈ [a, b], h(x) ≤ 0
Donc : ∀x ∈ [a, b], avec a < b on a : f(x) ≤ ga,b(x)
donc : d’apr`es 2 f est convexe
D´efinition 1 On dit que g : I → R est concave lorsque −g est convexe .
Exemples :
1)f(x) = x2
, I = R
on a f est continue et 2 fois d´erivable sur R,et f (x) = 2 > 0,donc f est
convexe
2)f(x) = exp x, I = R
on a f est continue et 2 fois d´erivable sur R,et f (x) = exp x > 0, donc f
est convexe
3)f(x) = ln x, I = R∗
+
on a f est continue et 2 fois d´erivable sur R,et f (x) = −1
x2 < 0, donc f est
concave
4)f(x) =
√
x, I = R∗
+
on a f est continue et 2 fois d´erivable sur R,et f (x) = −1
4 x− 3
2 < 0, donc f
est concave
1.3.1 Remarque
Les tangentes d’une fonction convexe et d´erivable sont au-dessous de sa
courbe
Preuve :
Montrons que : ∀x0 ∈ I, f(x) ≥ f(x0) + f (x0)(x − x0)
soit : f : I → R convexe et d´erivable et x0 ∈ I
on pose : g(x) = f(x) − f(x0) − f (x0)(x − x0)
donc : ∀x ∈ Ig (x) = f (x) − f (x0)
or f est croissante sur I et d’apr`es le tableau de variation de g, ∀x ∈ I, g(x) ≥ 0
donc : ∀x ∈ I, f(x) ≥ f(x0) + f (x0)(x − x0)
1.3.2 Inegalit´e des pentes
si f : I → R est convexe alors :
f(b)−f(a)
b−a ≤ f(c)−f(a)
c−a ≤ f(c)−f(b)
c−b
Preuve :
on a : ∀x ∈ [a, b], f(x) ≤ f(a) + x−a
b−a (f(b) − f(a))
pour x = c on trouve : f(b)−f(a)
b−a ≤ f(c)−f(a)
c−a
10. 10 CHAPITRE 1. FONCTIONS CONVEXES
D’autre part : f(c) − c−b
c−a (f(c) − f(a)) ≥ f(b)
donc : f(c)−f(a)
c−a ≤ f(c)−f(b)
c−b
1.4 Inegalit´e de Jensen
Proposition 2 f est convexe si ∀n ≥ 1, pour tout x1, . . . , xn ∈ I pour tout
r´eels λ1, . . . , λn, tels que
n
i=1 λi = 1, alors :
f
n
i=1
λixi ≤
n
i=1
λif(xi)
Preuve :
Pour tout entier naturel n, on pose pn la propri`et´e :
f
n
i=1
λixi ≤
n
i=1
λif(xi)
Initialisation
au rang n = 1,f (
n
i=1 λixi) = f(x) ≤ f(x) donc p1 est verifi´e
au rang n=2 , on pose a+b=1 et la propriet´e est verifi´e par convexit´e
supposons que : pn est vrai au rang n et montrons qu’elle est vrai au rang (n+1)
f
n+1
i=1
λixi = f
n
i=1
λixi + λn+1xn+1
on pose : A =
n
i=1 λi = 0
B = λn+1 = 0 car si B = 0 on revient a l’hypoth`ese de recurrence
on pose
Z =
n
i=1 λixi
A
∈ Df
Alors, on a que :
f(AZ + Bxn+1) ≤ Af(Z) + Bf(xn+1)
donc :
f(
n+1
i=0
λixi) ≤ Af(
n
i=0
λi
A
xi) + λn+1f(xn+1)
car A + B =
n
i=0 λi + λn+1 = 1
En appliquant l’hypoth`ese de recurrence on trouve :
f(
n+1
i=0
λixi) ≤ Af(
n
i=0
λi
A
xi) + λn+1f(xn+1)
donc :
f(
n+1
i=0
λixi) ≤ A
n
i=0
λi
A
f(xi) + λn+1f(xn+1 ) ≤
n
i=0
λif(xi)
11. 1.4. INEGALIT´E DE JENSEN 11
Th´eor`eme 2 Soient (Ω, A, µ) un espace mesur´e tel que µ(Ω) = 1 et g une fonc-
tion µ- int´egrable `a valeurs dans un intervalle I et f une fonction convexe de I
vers R alors :
f( Ω
gdµ) ≤ Ω
f ◦ gdµ
Preuve :
Notons m l’integralle de g alors m ∈ I, si m est une extremit´ede I , la fonction
g est constante presque partout d’ou le resultat.
si m est `a l’interieur de I, donc : il existe une minorante affine qui co¨ıncide avec
f au point m,tel que :
∀x ∈ I, f(x) ≥ αx + β et f(m) = αm + β
composant par g on trouve quef ◦ g est bien d´efinie
Ω
f ◦ gdµ ≥ Ω
αg + βdµ = αm + βµ(Ω) = αm + β = f(m)
Th´eor`eme 3 Soient p et q deux nombres r´eels strictement positifs v´erifiant
1
p + 1
q = 1, ai et bi deux familles de nombres r´eels strictement positifs alors :
n
i=1 aibi ≤ (
n
i=1 ap
i )
1
p (
n
i=1 bq
i )
1
q
Preuve :
∀U > 0, ∀V > 0, U
1
p V
1
q ≤ U
p + V
q
par concavit´e du log , log( Up
p + V q
q ) ≥ log(Up
)
p + log(V q
)
q = log(UV )
on pose : U=
ap
i
n
i=1 ap
i
et V=
bq
i
n
i=1 bq
i
donc :(
ap
i
n
i=1 ap
i
)
1
p ≤ 1
p (
ap
i
n
i=1 ap
i
) + 1
q (
aq
i
n
i=1 bq
i
)
En ajoutant ces n inegalit´es on obtient :
n
i=1 aibi
( n
i=1 ap
i )
1
p ( n
i=1 bq
i )
1
q
≤ 1
p
ap
i
n
i=1 ap
i
+ 1
q
bq
i
n
i=1 bq
i
= 1
p + 1
q = 1
donc : (
n
i=1 aibi) ≤ (
n
i=0 ap
i )
1
p (
n
i=0 bq
i )
1
q
Th´eor`eme 4 Soient p un nombre r´eel strictement positif, ai et bi deux familles
de nombres r´eels strictement positifs alors
n
i=0
(ai + bi)p
1
p
≤
n
i=0
ap
i
1
p n
i=0
bq
i
1
q
Preuve :
on remarque que : (ai + bi)p
= (ai + bi)p−1
ai + (ai + bi)p−1
bi
donc :
n
i=0(ai + bi)p
=
n
i=0(ai + bi)p−1
ai +
n
i=0(ai + bi)p−1
bi
D’apr`es H¨older :
n
i=0(ai+bi)p
≤ (
n
i=0(ai+bi)(p−1)q
)
1
q (
n
i=0 ap
i )
1
p +
n
i=0 bq
i )
1
q )
puisque :1
q + 1
q = 1, (p − 1)q = p
( n
i=0(ai+bi)p
)1/p+1/q
( n
i=0(ai+bi)p)1/q ≤ (
n
i=0 ap
i )
1
p + (
n
i=0 bq
i )
1
q
12. 12 CHAPITRE 1. FONCTIONS CONVEXES
Finalement :
(
n
i=0
(ai + bi)p
)
1
p ≤ (
n
i=0
ap
i )
1
p (
n
i=0
bq
i )
1
q
13. Chapitre 2
Th´eor`eme de Krein-Milman
On se place dans un espace vectoriel topologique localement convexe not´e E
2.1 Les points extr´emaux
2.1.1 D´efinition et Lemmes
D´efinition 2 Soit K un sous-ensemble convexe de E, on dit que F ⊂ K est
une face de K si F est convexe et si :(1 − t)x + ty ∈ F =⇒ (x, y) ∈ F pout
tout (x, y) ∈ F pour tout t ∈ ]0, 1[
D´efinition 3 On dit que x ∈ K est un point extremal de K si pour tout {x}
est une face de K.
Lemme 1 Soit K un convexe, et F une face de K, si F est une face de F,
alors F est une face de K.
D´emonstration :
on a : F est une face de K donc : ∀(x, y) ∈ F, (1 − t)x + ty ∈ F =⇒ (x, y) ∈ F
et on a :F est une face de F donc : ∀(x, y) ∈ F , (1−t)x+ty ∈ F =⇒ (x, y) ∈
F
or F ⊂ F et F ⊂ K et F est un convexe de F et F est un convexe de K
donc :F est un convexe de K , donc :∀(x, y) ∈ F , (1 − t)x + ty ∈ F =⇒
(x, y) ∈ F
pour F ⊂ K on a : F est une face de K.
Lemme 2 soit K un convexe compact non vide alors x est un point extremal
de K si et seulement si K {x} est convexe
D´emonstration :
soit x un point extremal de K,donc :{x} est une face de K,soient (a, b) ∈ K−{x}
et λ ∈ ]0, 1[
donc :λa + (1 − λ)b ∈ K − {x}
13
14. 14 CHAPITRE 2. TH´EOR`EME DE KREIN-MILMAN
si : λa + (1 − λ)b = x donc :a = b = x (absurde)
donc : K − {x} est convexe.
on suppose que : K − {x} est convexe, montrons que :{x} est une face de K
soit : (a, b) ∈ K, λ ∈]0, 1[, λa + (1 − λ)b = x
si a = x et b = x =⇒ λa + (1 − λ)b ∈ K − {x} (car K-{x} est convexe)
donc : a = x ou b = x
si : a=x donc : λx + (1 − λ)b = x donc :b=x
de mˆeme si : b=x
2.2 Application
Proposition 3 Les points extrˆemaux de Bn
∞ = {x ∈ Rn
, sup | xi |≤ 1} est
l’ensemble {| xi |= 1, ∀i ∈ {1, ...; n}}
Preuve :
soit : | xi |= 1 ∀i ∈ {1, ...; n}
soit : (a, b) ∈ Bn
∞, ta + (1 − t)b = x, avec t ∈]0, 1[
donc : tai + (1 − t)bi = xi ∀i ∈ {1, ...; n}
si xi > 0 alors xi = 1 donc : tai + (1 − t)bi = 1
si : ai < 1 donc : tai < t donc : tai + (1 − t)bi < 1(absurde)
donc : ai = bi = 1 = xi
si : xi < 0 donc : xi = −1 donc : t(−ai) + (1 − t)(−bi) = 1
donc :ai = bi = −1 donc : ai = bi = −1 = xi donc :{| xi |= 1 ∀i ∈ {1, ..., n}}
sont des points extremaux de Bn
∞
si :| xi |< 1 , il existe t ∈]0, 1[ tel que : [x1 − t, x1 + t] ⊂] − 1, 1[
on pose : a = (x1 −t, x2, .., xn) et b = (x1 +t, x2, ..., xn),on trouve : x = 1
2 a+ 1
2 b
donc : x = a et x = b
Bn
1 = {x ∈ Rn
,
n
i=1 | xi |≤ 1}
Proposition 4 Les points extremaux de Bn
1 = {x ∈ Rn
,
n
i=1 | xi |≤ 1} sont
les x = (x1, ...xn) ∈ Rn
tel que ∃!xi avec | xi |= 1 et ∀i = j | xj |= 0
Preuve :
soit : (a, b) ∈ Bn
1 avec : ta + (1 − t)b = x donc : tai + (1 − t)bi = ±1 donc :
ai = bi = ±−1 = xi Or :
n
i=1 | ai |≤ 1 et
n
i=1 | bi |≤ 1 donc : ai = bj = 0 = xj
de meme si : | xi |< 1 alors : x = a et x = b
Proposition 5 Les points extremaux de Bn
2 = {x ∈ Rn
, (
n
i=1(| xi |)2
)
1
2 ≤ 1}
sont les x ∈ Rn
tel que :
n
i=1(| xi |)2
)
1
2 = 1
Preuve :
soit : x ∈ Rn
tel que :
n
i=1(| xi |)2
)
1
2 = 1
15. 2.3. EXISTENCE D’UN POINT EXTR´EMAL 15
soit : x = ta + (1 − t)b donc : 1 =|| x ||≤ t || a || +(1 − t) || b ||≤ 1
donc : || a ||=|| b ||= 1
Or : x, x = t x, a + (1 − t) x, b ,donc :1 = t x, a + (1 − t) x, b
donc : x, a = 1 et x, b = 1
donc : x, a =|| a |||| b || et x, b =|| a |||| b ||
Et par l’in´egalit´e de Cauchy-Schwarz(cas d’´egalit´e),
∃(c1, c2) telle que : x = c1a = c2b
Donc :c2
1 = c2
2 = 1
Premier cas : si c1 = c2 = 1, alors : || x ||= −1(absurde)
deuxi`eme cas : si c1 = c2 = −1, alors : || x ||= 1 − 2t < 1(absurde)
donc : c1 = c2 = 1
Finalement : a = b = x
Soit : x ∈ Rn
tel que : || x ||< 1 donc : ∃r > 0 tel que B(x, r) ⊂ B2
(x1, x2) ∈ B(x, r) donc : B(x1, r) ⊂ B2 et B(x2, r) ⊂ B2
le segment [x − r
2 , x + r
2 ] ⊂ B(x, r) donc : x est le milieu
le segment [x − r
2 , x + r
2 ] ⊂ B(x, r) ⊂ B2 donc : x n’est pas un point extremal
Lemme 3 soit K un convexe et Φ une forme lin´eaire atteignant son maximum
sur K alors l’ensemble F = {x ∈ K, Φ(x) = max
K
Φ} est une face de K.
D´emonstration
Montrons que F est convexe,
soit (x, y) ∈ F donc : Φ(x) = max
K
Φ et Φ(y) = max
K
Φ
Par linearit´e de Φ :
∀t ∈ ]0, 1[ donc :tφ(x) + (1 − t)φ(y) = φ(tx + (1 − t)y) = t max
K
Φ + (1 − t) max
K
Φ
donc :φ(tx + (1 − t)y) = max
K
Φ donc : tx + (1 − t)y ∈ Fet donc : F est convexe.
tx + (1 − t)y ∈ F =⇒ Φ(tx + (1 − t)y) = max
K
Φ
donc : tΦ(x) + (1 − t)Φ(y) = max
K
Φ
or : Φ(x) ≤ max
K
Φ et Φ(y) ≤ max
K
Φ
si l’une des inegalit´e est stricte on aurait :
Φ((1 − t)x + ty) = (1 − t)Φ(x) + tΦ(y) < max
K
Φ (absurde).
donc : Φ(x) = max
K
Φ et Φ(y) = max
K
Φ
donc : x ∈ F et y ∈ F donc :F est une face de K.
2.3 Existence d’un point extr´emal
On rappelle un th´eor`eme classique d’analyse fonctionnelle(Th´eor`eme de Hahn-
Banach).
Th´eor`eme 5 Soit V un espace vectoriel r´eel et p une fonction convexe de V
dans R, soit G un sous-espace vecttoriel de V , et f une forme lin´eaire sue G
qui v´erifie :en tout point x de G la condition de majoration f(x) ≤ p(x) alors
16. 16 CHAPITRE 2. TH´EOR`EME DE KREIN-MILMAN
il existe un prolongement lin´eaire g de f sur V v´erifiant encore la condition
g(x) ≤ p(x) en tout point x de V .
Lemme 4 Soit K un convexe compact non vide, alors K poss`ede au moins un
point extremal.
D´emonstration :
Le r´esultat est ´evident si K est un singleton
si K contient 2 points disticts (x, y), alors par Hahn-Bannach il existe Φ ∈ E∗
tel que Φ(x) ≤ Φ(y).comme K est compact et Φ est continue, Φ atteint son
maximum sur K
donc : F = {x ∈ K, Φ(x) = max
K
Φ} est une Face de K,de plus F=Φ−1
{max
K
Φ}
donc : F est un ferm´e, donc :F est un compact.
on peut raisonner donc par r´ecurrence su K de dimension finie n,F ´etant aau
plus de dimension n − 1
{x} est une face de F et F est une face de K.
donc : {x} est une face de K donc :K admet un point extremal.
2.4 Krein-Milman et et ses cons´equences
Th´eor`eme 6 Soit K un ensemble convexe compact de E alors K est l’enveloppe
convexe ferm´ee de ses points extr´emaux.
D´emonstration :
L’envoloppe convexe de A est la plus petite partie convexe de E qui contient A
soit :K l’envoloppe convexe des points extremaux de K alors :K est un sous
ensemble convexe compact de K
supposons par l’absurde que K = K donc il existe x ∈ K K par Hahn-Banach
, on peut s´eparer strictement x de K
17. 2.4. KREIN-MILMAN ET ET SES CONS´EQUENCES 17
donc : il existe Φ ∈ E∗
et > 0 tel que : Φ(y) + < Φ(x), ∀y ∈ K
on pose : F = {x ∈ K, Φ(x) = max
K
Φ}
Fest un convexe compact non vide .
donc : F admet un oint extremal y qui est aussi un point extremal de K puisque
F est une Face de K ,donc :y ∈ K
donc : Φ(y) < Φ(x) ≤ max
K
Φ = Φ(y)(absurde)
Corollaire 2 soit f une fonction convexe et A un ensemble convexe compact
K l’ensemble des points extremaux de A donc :
sup
x∈K
f(x) = sup
x∈A
f(x)
D´emonstration :
puisque K ⊂ A donc
sup
x∈K
f(x) ≤ sup
x∈A
f(x)
soit x ∈ A donc : x appartient a l’envoloppe convexe ferm´ee des points extremaux
de K.(par Krein-Milman)
soit : xN ∈ conv(K) tel que : lim
N→∞
xN = x
on pose :xN =
n
i=1 λixi avec : xi ∈ K et
n
i=1 λi = 1 et (λi ≥ 1 )
Donc : D’apr`es le lemme de Jensen
f(xN ) = f(
n
i=1 λixi) ≤
n
i=1 λif(xi)
on passe `a la limite :
donc : f(x) ≤ sup
y∈K
f(y)
n
i=1 λi, Or :
n
i=1 λi = 1 donc
sup
x∈A
f(x) ≤ sup
x∈K
f(x)
donc
sup
x∈K
f(x) = sup
x∈A
f(x)
19. Chapitre 3
Approximation de la
(Cut-Norm) avec l’in´egalit´e
de Grothendiek
3.1 D´efinitions et propri´et´es
D´efinition 4 (Cut-Norm)
soit : A = (aij)i∈R,j∈S, on d´efinit la Cut-Norm par :
|| A ||C= max
I⊂R
J⊂S
|
i∈I
j∈J
Aij |= max
xi,yj ∈{0,1}
|
n
i,j=1
Aijxiyj |
D´efinition 5 soit : A = (aij)i∈R,j∈S, on d´efinit : || A ||∞→1 par :
|| A ||∞→1= max
n
i=1
m
j=1
Aijxiyj, pour tout : (xi, yj) ∈ {−1, 1}
Proposition 6 soit : A = (aij)i∈R,j∈S,alors :
4 || A ||C≥|| A ||∞→1≥|| A ||C
Preuve :
i,j
aijxiyj =
xi=1,xj =1
aij −
xi=1,xj =−1
aij −
xi=−1,xj =1
aij +
xi=−1,xj =−1
aij
donc :
|
i,j
aijxiyj |=|
xi=1,xj =1
aij−
xi=1,xj =−1
aij−
xi=−1,xj =1
aij+
xi=−1,xj =−1
aij |
19
20. 20CHAPITRE 3. APPROXIMATION DE LA (CUT-NORM) AVEC L’IN´EGALIT´E DE GROTHENDIE
donc :
|| A ||∞→1≤|| A ||C
Or :
|| A ||C=
i,j
aij
on fixe : xi = 1si i ∈ I et xj = −1 sinon
et : xj = 1si j ∈ J et xj = −1 sinon
donc :
|| A ||C=
1
4 i,j
aij +
1
4 i,j
aijxi +
1
4 i,j
aijyj +
1
4 i,j
aijxiyj
donc :
|| A ||C≤|| A ||∞→1
Probl`eme :
Maximiser
i,j
aijxiyj, (xi, yj) ∈ {−1, 1}
3.1.1 Probl`eme de relaxation
Pour relaxer notre probl`eme nous remarquons que :
max
(xi,yj )∈{−1,1}
i,j
aijxiyj ≤ max
ui∈Sn−1
vj Sm−1 i,j
aijuivj
En effet,si on suppose que :n ≤ m, u ∈ Sn−1
et v = (v, 0, . . . , 0) ∈ Sm−1
,alors :
u, v = 1
Et pour : (xi, yj) ∈ {−1, 1}donn´es, il suffit de prendre :
ui = xiu et vj = yiu, de telle sorte que : ui, vj = xiyj
Donc notre probl`eme de relaxation est :
max
i,j
aijuivj
pour :
|| ui ||=|| vj ||= 1
Plus g´en´eralement pour : A = (aij) ∈ Rn×m
une matriced’ordre n × m,on
d´efinit A comme ´etant un op´erateur lin´eaire sur l’espace (Rm
, || . ||p),et (Rn
, ||
. ||q) pour : 1 ≤ p, q ≤ ∞
on d´efinit p → q norm, la quantit´e
|| A ||p→q= max
x∈Rn:||x||p=1
|| Ax ||q
21. 3.2. CONSTRUCTION DE L’ALGORITHME 21
avec : x = xi ∈ Rd
On se place maintenant dans un espace de Hilbert H,on peut donc d´efinir le
produit scalaire x(i)
, y(j)
et relaxer le probl`eme par le probl`eme suivant :
max
i,j
Aij x(i)
, y(j)
pour : x = (x(1)
, . . . , x(m)
), y = (y(1)
, . . . , y(n)
) deux vecteurs unitaires dans
l’espace : (Rd
, || . ||2)
3.2 Construction de l’algorithme
Th´eor`eme 7 (In´egalit´e de Grothendieck)
On se place dans un espace de Hilbert quelconque H, et A = (aij) ∈ Rn×m
une
matrice d’ordre n × m, ∀n, m ≥ 1, il existe C > 0 tel que pour tout x(i)
, y(j)
vecteurs unitaires on a :
max
x(i),y(j)∈H
i,j
Aij x(i)
, y(j)
≤ C || A ||∞→1
On note C la constante de Grothendieck,cette constante est la plus petite telle que
l’in´egalit´e reste vrai ,nous allons traiter le probl`eme en terme d’approximation,
pour l’instant on sait que C se situe entre Π
2 ≈ 1, 57et K = Π
2ln(1+
√
2)
≈ 1, 78
Alon et Naor resolvent ce probl`eme en adoptant la preuve de Kirvine de l’in´egali´e
de Grothendieck , qui obtient la limite superieur K sur la constante de Grothen-
dieck.
Th´eor`eme 8 (Alon et Naor)
pour d = n + m ,on a une solution optimale du probl`eme de relaxation en
utulisant une approximation al´eatoire :
E[
i,j
aijxiyj] =
1
K i,j
Aij x(i)
, y(j)
≥
1
K
|| A ||∞→1≈ 0, 56 || A ||∞→1
Lemme 5 soit : x un vecteur unitaire dans (Rd
, || . ||2), ∀d ≥ 2 ,si z est un
vecteur unitaire choisie uniformement au hazard dans (Rd
, || . ||2) alors :
E[sign x, z sign y, z ] =
2
π
arcsin y, z
Preuve :
on considere sign x, z sign y, z et on se place dans la sphere :
{x ∈ Rd
, || x ||2= 1}
G´eom´etriquement on remarque que sign x, z sign y, z = 1 si et seulemnt si
xety sont dans la meme moiti´e de la sphere.
22. 22CHAPITRE 3. APPROXIMATION DE LA (CUT-NORM) AVEC L’IN´EGALIT´E DE GROTHENDIE
{x ∈ Rd
, z, x } est un hyperplan passant par l’origine, le vecteur x satisfait
x, z > 0 si et seulement si il se trouve au dessous de l’hyperplan .
On consid`ere :
Pr[x et y dans la meme moiti´e]−Pr[x et y dans diff´erentes moiti´es] = 1−2Pr[x et y dans differentes moit
on note que la proba que xety se situent dans differentes moiti´es est de 2θ
2π avec
θ l’angle qui lie xety Or :
2
π
arcsin x, y =
2
π
arcsin(cos(θ) =
2
π
arcsin(sin(
2
π
− θ)) =
2
π
(
π
2
− θ) = 1 −
2θ
π
Lemme 6 (Krivine/Alon et Naor)
on suppose que x(i)
et y(j)
sont deux vecteurs dans Rn+m
pour i ∈ {1, . . . , n}
etj ∈ {1, . . . , m} alors ils existent 2 vecteurs unitaires ˆx(i)
et ˆy(j)
∈ Rn+m
tel
que :
arcsin( ˆx(i)
, ˆy(j)
) = ln (1 + 2) x(i)
, y(j)
Preuve :
on prend c = ln(1 +
√
2)et d = n + m d’apr`es la formule de Taylor
sin(c x(i)
, y(j)
) =
∞
k=0
(−1)k c2k+1
(2k + 1)!
( x(i)
, y(j)
)2k+1
le but est d’´ecrire ce qui pr´ec`ede comme produit de 2 vecteurs d’un espace vec-
toriel.
on va considerer donc un espace vectoriel H de dimension infinie en prenant le
produit direct de 2k + 1de vecteurs dans Rd
, H =
∞
k=0(Rd
) 2k+1
comme la somme directe de deux sev A.B de dimension α, β respectivement est
α + βet le produit est αβ
soit X(i)
et Y (j)
deux vecteurs dans H avec :
X
(i)
K = (−1)k c2k+1
(2k + 1)!
(x(i)
) (2k+1)
Y
(j)
K =
c2k+1
(2k + 1)!
(y(j)
) (2k+1)
X(i)
, Y (i)
= sin(c x(i)
, y(j)
) donc sinh(c X(i)
, Y (j)
) = sinh(c) = 1
23. 3.3. R´ESUM´E DE L’ALGORITHME 23
pour : d = n + m on consid`ere {X(i)
, Y (j)
} qui est isomorphe a un sous-
espace de Rd
et d’apr`es de th´eor`eme de Gram- shmidt on peut construire une
base orthonormale ,et nous pouvons preserver le produit des vecteurs ,ainsi
X(i)
etY (j
) correspond au vecteur unitaires ˆx(i)
et ˆy(j)
dan Rd
donc
arcsin(ˆx(i)
, ˆy(j)
) = arcsin(X(i)
, Y (j)
) = c X(i)
, Y (j)
Preuve de l’in´egalit´e de Grothendieck : on pose H = Rn+m
,ˆxi = sign ˆxi, z ,ˆyj =
sign ˆyj, z donc
E[
i,j
Ai,j ˆxi ˆyj] =
i,j
Ai,jE[sign ˆxi, z ˆyjsign ˆyj, z ] =
2
π i,j
Ai,jarcsin( ˆxi, ˆyj
=
2ln(1 +
√
2)
π i,j
Ai,j( xi, yj) =
1
k
max
xi,yj ∈Rn+m
i,j
Ai,j xi, yj
3.3 R´esum´e de l’algorithme
1) Calcul de la solution optimale de probl`eme de relaxation.
2) Recherche de ˆx(i)
et ˆy(j)
tel que ( ˆx(i)
, ˆy(j)
) = ln (1 + 2) x(i)
, y(j)
3)choisir z uniformement au hazard dans Sd−1
4)on pose ˆxi = sign ˆxi, z et ˆyj = sign ˆyj, z
les calculs donnent :
E[
i,j
Ai,j ˆxi ˆyj] =
1
K
max
xi,yj ∈Rn+m
i,j
Ai,j xi, yj
avec : ˆx1, . . . , ˆxm, ˆy1, . . . , ˆyn sont des vecteurs unitaires dans (Rd
, || . ||2)
25. Chapitre 4
L’approche de R.E.Rietz
pour la preuve de l’in´egalit´e
de Grothendieck
4.1 Introduction
On se place dans un espace de Hilbert H muni du produit int´erieur (., .),et
soit A = aij une matrice r´eelle,on d´efinit
| A |H= sup{| aij(xi, yj) |: xi, yj ∈ H, de norme ≤ 1}
puis :
| A |= sup{| aijtiuj |: −1 ≤ ti, uj ≤ 1}
avec :
| A |H≤ C | A |
La preuve de l’in´egalit´e de Grothendieck donne une estimation de C ≤ sinhπ
2
avec : ti = sgn(xi, ω),et uj = sgn(yj, ω) sur la sph`ere unit´e Ω dans R et apr`es
avoir normaliser la mesure de surface dω, on obtient une meilleur estimation
C < 2, 261,puis pour A une matrice d´efinie positive,on trouve :
| A |H≤
π
2
| A |
On fixe : dG(x) = (2π)
−n
2 exp(−|x|2
2 )dx une mesure Gaussienne normalis´e
d’espr´erance ´egal a 0,et de variance ´egal a 1.
par la suite on va noter L2
pour L2
(R , dG) et || . || la norme,et (., .) le produit
int´erieur.
Soit U l’ensemble des fonctions mesurables positives d´efinie sur R+ de sup ≤ 1,et
soit Ψ l’extension impair de f sur R i.e :
25
26. 26CHAPITRE 4. L’APPROCHE DE R.E.RIETZ POUR LA PREUVE DE L’IN´EGALIT´E DE GROTHE
Ψ(t) = f(t) si t ≥ 1 et Ψ(t) = −f(−t) si t < 0
et pour x ∈ R on d´efinit les fonctions r´eels Φx et Ψx par :
Φx(z) = x.z et Ψx(z) = Ψ(x.z)(z ∈ R )
pour : x ∈ R , (Φx, Ψx) ∈ L2
Lemme 7 Soit f ∈ U et Ψ l’extension impair de f,si : | x |=| y |= 1 alors :
1. (Φx, Φy) = x.y
2. (Φx, Ψy) = K(x.y) avec : K = Kf =
∞
0
tf(t)dm(t)
3. || Φx − Ψx ||2
= 1 − 2K + L avec : L = Lf =
∞
0
f2
(t)dm(t)
Preuve :
Si x et y sont de norme 1,alors : x = (x.y)y + y ,avec : y est orthogonal a y
donc :
(x.z)(y.z)dG(z) = (x.y) | y.z |2
dG(z) + (y .z)(y.z)dG(z)
la distribution associ´e a la fonction z → y.z est une distribution Gaussiennne
d’esp´erance 0 et de variance | y |2
donc : | y.z |2
dG(z) =| y |2
= 1 on choisit
y un ´element du vecteur de base,donc : (y .z)(y.z)dG(z) = 0 donc :
(Φx, Φy) = x.y
pour 2,avec : x = (x.y)y + y on trouve :
(x.z)Ψ(y.z)dG(z) = (x.y) + (y .z)Ψ(y.z)dG(z)
On choisit y un ´element du vecteur de base On trouve :
(y.z)Ψ(y.z)dG(z) =
∞
0
f2
(t)dm(t)
et
(y .z)Ψ(y.z)dG(z) = 0
pour 3 ,il suffit d’appliquer 1 et 2.
4.2 Preuve de l’in´egalit´e de Grothendieck
Th´eor`eme 9 (Grothendieck) Soit A une matrice d’ordre n × n,alors il existe
une constante C tel que :
| A |H≤ C | A |
27. 4.2. PREUVE DE L’IN´EGALIT´E DE GROTHENDIECK 27
Preuve :
Soit : f ∈ U,on note : K = Kf , L = Lf et soit : Ψ l’extension impair de f.
on note | A |H le sup de la quantit´e i || j aijxj || avec : xi ∈ H de norme
≤ 1,puisque{xi} est un sous-espace de H qui contient au plus n vecteurs,on peut
prendre H = R ,et par convexit´e de la sph`ere unit´e dans R ,on peut choisir
xi, yj de norme 1 telle que : | A |H= aij(xiyj). D’apr`es le Lemme 1,
(Ψx, Ψy) = (Φx, Ψy) + (Ψx, Φy) − (Φx − Ψx, Φy − Ψy)
donc :
aij(Ψx, Ψy) = (2K − 1) aij(xi, yj) − aij(Φx − Ψx, Φx − Ψx)
et D’apr`es 3 du Lemme 1 : la derni`ere somme est major´e en valeur absolue par
| A |H (1 − 2K + L),D’autre part on a : | aij(Ψx, Ψy) |≤ 1 pour : | A |≤ 1,et
par l’in´egalit´e triangulaire 1 ≥| aij(Ψx, Ψy) |≥| A |H (| 2K −1 | +2K −L+1)
Cette in´egalit´e est vrai ∀f ∈ U,En particulier pour f = 1,et on a :K = ( 2
π )
1
2 et
L = 1
donc : A.N :
| A |H< 5, 2
Proposition 7 Si f ∈ U telle que : 2K2
f > Lf alors :
C ≤ (2K2
f − Lf )−1
Preuve :
D’apr`es la preuve du th´eor`eme pr´ec´edent on a :
∀f ∈ U, 1 ≥| A |H (| 2K − 1 | +2K − L + 1)
On remplace f par : cf, ∀c > 0,on trouve :Kcf = cKf etLcf = c2
Lf
Donc :
c2
≥| A |H (| 2cK − 1 | +2cK − c2
L + 1)
si c est choisie telle que : 2cK −1 ≤ 1 alors l’in´egalit´e est trivale donc : on choisit
la constante c pour que : 4cK − c2
L − 2 > 0,
donc :
| A |H≤ c2
(4cK − c2
L − 2)−1
On fixe K et L, le minilum de la quantit´e c2
(4cK − c2
L − 2)−1
et atteint pour
C = 1
K
donc
| A |H≤ (2K2
− L)−1
, ∀(2K2
− L) > 0
nous observons que :f → (K2
f − Lf ) est une fonction semi-continue sur la topo-
logie faible L∞
(R+, dm(t)),et U et un sous espace ferm´e de L∞
,donc :K2
f − Lf
atteint son maximum dans U.
Notons :µ(t) son maximum,et d´eteminons explicitement µ(t) .
Soit :h(t) une fonction mesurable sur [0, +∞[,telle que :h(t) ≥ 0 si [µ = 0]et
28. 28CHAPITRE 4. L’APPROCHE DE R.E.RIETZ POUR LA PREUVE DE L’IN´EGALIT´E DE GROTHE
h(t) ≤ 1 si : [µ = 1], et supt≥0 | µ(t) + h(t) |= 1, ∀ > 0
Notons que : K , L correspondent respectivement a Ket L pour la mesure µ+ h
donc :
2K 2
− L = 2K2
− L + 2
∞
0
[2Kh(t)t − µ(t)h(t)]dm(t) + O( 2
)
pour :2K2
− L ≥ 2K 2
− L ,et suffisamment petit,
0 ≥
∞
0
[2Kh(t)t − µ(t)h(t)]dm(t)
On va consid´erer 3 cas :
Premier cas : h(t) ≥ 0,dans [µ = 0], donc :0 ≥
∞
0
(2Kh(t)tdm(t)),ce qui est
impossible sauf si la mesure est nul,donc :µ(t) > 0
deuxi`eme cas : h(t) ≤ 0 dans [µ = 1],on a : 0 ≥
∞
0
(2Kt−1)h(t)tdm(t)),donc :(2Kt−
1) ≥ 0
donc :(2Kt − 1) ≥ 0, sur [µ = 1].
Troisi`eme cas : h(t) pris sur [0 < µ < 1],donc :0 ≥
∞
0
(2Kt−µ(t))h(t)tdm(t)),ce
qui est vrai si et seulement si : 2Kt = µ(t) Conclusion :
µ(t) = 2Ktsi0 ≤ t ≤ 1
2 Ketµ(t) = 1si : t ≥ 1
2 K
donc : Calculer 2K2
− L,revient a r´esoudre l’equation 1 = 2
1
2 K
0
dm(t),
et 2K2
− L = 2K( 2
π )
1
2 )exp(−1
8 K2
) − 1
2 ,d’apr`es [8] 2K2
− L > 0.4423 donc :
C < 2.261
(c’est l’am´elioration de la constante de Grothendieck faite par R.E Rietz)
4.3 Nouvelle estimation de la norme
Lemme 8 Si A est une matrice d´efinie positive alors : ils existent des vecteurs
x1, . . . , xn de normes 1 telle que :
| A |= aij(xi.xj)
Th´eor`eme 10 Pour toute matrice d´efinie positive on a :
| A |H≤
π
2
Preuve :
soit :f ∈ U et Ψl extension impair de f
Supposons que : | A |≤ 1, on choisit : x1, . . . , xn, denorme1dansR ,telle que :
| A |H= aij(xi.xj),et d’apr`es la preuve de l’in´egalit´e de Grothendieck :
aij(Ψxi
, Ψxj
) = (2K − 1) aij(xi, xj) − aij(Φxi
− Ψxi
, Φxj
− Ψxj
)
et puisque :la quantit´e aij(Φxi
− Ψxi
, Φxj
− Ψxj
) est positive,
alors : aij(Ψxi
, Ψxj
) ≥| A |H (2K − 1),et 1 ≤| A |H (2K − 1),
29. 4.3. NOUVELLE ESTIMATION DE LA NORME 29
on remplace f par{cf, ∀c > 0}
alors : c2
≤| A |H (2K − 1)
donc : | A |H≤ c2
(2K − 1)−1
pour :c ≥ 1
2 K,la valeur minimale de | A |H est atteinte
pour c = 1
K , | A |H≤ 1
K2
En particulier pour f = 1, K = ( 2
π )
1
2 donc :
| A |H≤
π
2
31. Bibliographie
[1] N. Alon, A. Naor, Approximating the Cut-Norm via Grothendieck’s In-
equality, SIAM J. Comput. 35-4 (2006), pp. 787-803.
[2] A. Frieze, R. Kannan, Quick approximation to matrices and applications,
Combinatorica 19 (1999), 175-220.
[3] A. Grothendieck, R´esum´e de la th´eorie m´etrique des produits tensoriels
topologiques, Bol. Soc. Mat. Sao Paulo 8 (1953), 1-79.
[4] U. Haagerup, A new upper bound for the complex Grothendieck constant.
Israel J. Math., 60(2), 199-224, 1987.
[5] D. Li, H. Queff´elec, Introduction to Banach Spaces : Analysis and Probabi-
lity, Volume 2, 2017, Cambridge Studies in Advanced Mathematics (Book
166).
[6] J. Lindenstrauss, A. Pelczynski. Absolutely summing operators in Lp-
spaces and their applications. Studia Math., (29), 275-326, 1968.
[7] J.-L. Krivine. Constantes de Grothendieck et fonctions de type positif sur
les sph`eres. Adv. in Math., 31(1),16-30, 1979.
[8] R. E. Rietz. A proof of the Grothendieck inequality. Israel J. Math., 19,
271-276, 1974.
[9] S. Friedland, L-H Lim, J. Zhang An elementary and unified proof of Gro-
thendieck’s Inequality, http ://arxiv.org/abs/1711.10595v3
[10] L.Zhu www.cs.toronto.edu
31