Analyse Numérique I
Sup'Galilée, Ingénieurs MACS, 1ère année
François Cuvelier
Laboratoire d'Analyse Géométrie et Applications Institut Galilée
Université Paris XIII.
2015/10/28
2015/10/28 1 / 55
Chapitre IV
Résolution de systèmes linéaires
2015/10/28 2 / 55
Plan
1 Méthodes directes
2 Normes vectorielles et normes matricielles
Normes vectorielles Normes matricielles Suites de vecteurs et de matrices
3 Conditionnement d'un système linéaire
4 Méthodes itératives Principe
Notations
Méthode de Jacobi Méthode de Gauss-Seidel Méthode de relaxation Etude de la convergence Algorithmes
Principe de base Méthode de Jacobi Méthode de Gauss-Seidel Jeux algorithmiques Méthode S.O.R.
2015/10/28 3 / 55
Soient APMnpKq une matrice inversible et bbbPKn. Résoudre
Axxx “bbb
Le calcul de la matrice inverse A-1revient à résoudre n systèmes linéaires.
Pour résoudre un système linéaire, on ne calcule pas la matrice inverse associée.
‚ Méthodes directes : On cherche Minversible tel queMAfacilement inversible
Axxx “bbb ðñ MAxxx “Mbbb.
‚ Méthodes itératives : On chercheB et ccc,
xxxrk`1s“Bxxxrks`ccc, k ě0, xxxr0s donné en espérant limkÑ`8xxxrks “xxx.
2015/10/28 4 / 55
Plan
1 Méthodes directes
2 Normes vectorielles et normes matricielles
Normes vectorielles Normes matricielles Suites de vecteurs et de matrices
3 Conditionnement d'un système linéaire
4 Méthodes itératives Principe
Notations
Méthode de Jacobi Méthode de Gauss-Seidel Méthode de relaxation Etude de la convergence Algorithmes
Principe de base Méthode de Jacobi Méthode de Gauss-Seidel Jeux algorithmiques Méthode S.O.R.
Normes vectorielles et normes matricielles Normes vectorielles 2015/10/28 5 / 55
Denition
Une norme sur un espace vectoriel V est une application}‚}:V ÑR` qui vérie les propriétés suivantes
˛ }vvv} “0ðñvvv “0,
˛ }αvvv} “ |α| }vvv}, @αPK, @vvv PV,
˛ }uuu```vvv} ď }uuu} ` }vvv}, @ puuu,,,vvvq PV2 (inégalité triangulaire).
Une norme sur V est également appelée norme vectorielle . On ap- pelle espace vectoriel normé un espace vectoriel muni d'une norme.
Normes vectorielles et normes matricielles Normes vectorielles 2015/10/28 6 / 55
Proposition
Soit vvv P Kn. Pour tout nombre réel p ě 1, l'application }‚}p dénie par
}vvv}p“
˜ n ÿ
i“1
|vi|p
¸1{p
est une norme sur Kn. Normes usitées :
}vvv}1“ ÿn
i“1
|vi|, }vvv}2 “
˜ n ÿ
i“1
|vi|2
¸1{2
, }vvv}8“ max
iPv1,nw|vi|.
Normes vectorielles et normes matricielles Normes vectorielles 2015/10/28 7 / 55
Lemme 2.1: Inégalité de Cauchy-Schwarz
@xxx,yyy PKn
| xxxx,yyyy | ď }xxx}2}yyy}2. (1) Cette inégalité s'appelle l'inégalité de Cauchy-Schwarz. On a égalité si et seulement si xxx et yyy sont colinéaires.
Normes vectorielles et normes matricielles Normes vectorielles 2015/10/28 8 / 55
Lemme 2.2: Inégalité de Hölder Pour pą1 et p1 `1q “1,on a@uuu,vvv PKn
ÿn
i“1
|uivi| ď
˜ n ÿ
i“1
|ui|p
¸1{p˜ n ÿ
i“1
|vi|q
¸1{q
“ }uuu}p}vvv}q. (2) Cette inégalité s'appelle l'inégalité de Hölder.
Normes vectorielles et normes matricielles Normes vectorielles 2015/10/28 9 / 55
Denition 2.3
Deux normes }‚} et }‚}1, dénies sur un même espace vectoriel V, sont équivalentes s'il exite deux constantes C et C1 telles que
}vvv}1 ďC}vvv} et }vvv} ďC1}vvv}1 pour tout vvv PV. (3)
Proposition
Sur un espace vectoriel de dimension nie toutes les normes sont équiv- alentes.
Normes vectorielles et normes matricielles Normes vectorielles 2015/10/28 10 / 55
Plan
1 Méthodes directes
2 Normes vectorielles et normes matricielles
Normes vectorielles Normes matricielles Suites de vecteurs et de matrices
3 Conditionnement d'un système linéaire
4 Méthodes itératives Principe
Notations
Méthode de Jacobi Méthode de Gauss-Seidel Méthode de relaxation Etude de la convergence Algorithmes
Principe de base Méthode de Jacobi Méthode de Gauss-Seidel Jeux algorithmiques Méthode S.O.R.
Normes vectorielles et normes matricielles Normes matricielles 2015/10/28 11 / 55
Denition 2.4
Une norme matricielle surMnpKqest une application}‚}:MnpKq Ñ R` vériant
1 }A} “0ðñA“0,
2 }αA} “ |α| }A},@αPK,@APMnpKq,
3 }A`B} ď }A} ` }B}, @ pA,Bq PMnpKq2 (inégalité triangulaire)
4 }AB} ď }A} }B}, @ pA,Bq PMnpKq2 Peut-on étendre cette dénition sur Mm,npKq?
Normes vectorielles et normes matricielles Normes matricielles 2015/10/28 12 / 55
Proposition:
Etant donné une norme vectorielle}‚}surCn,l'application}‚}s:MnpCq ÑR`dénie par
}A}s“sup
vvvPCn vvv‰0
}Avvv}
}vvv} “ sup
vvvPCn }vvv}ď1
}Avvv} “ sup
vvvPCn }vvv}“1
}Avvv}, (4)
est une norme matricielle, appelée norme matricielle subordonnée (à la norme vectorielle donnée).
De plus
}Avvv} ď }A}s}vvv} @vvvPCn (5) et la norme}A}peut se dénir aussi par
}A}s“inftαPR:}Avvv} ďα}vvv}, @vvvPKnu. (6) Il existe au moins un vecteur uuuPCntel que
uuu‰0 et }Auuu} “ }A}s}uuu}. (7)
Enn une norme subordonnée vérie toujours
}I}s“1 (8)
Normes vectorielles et normes matricielles Normes matricielles 2015/10/28 13 / 55
Théorème 3 SoitAPMnpKq. On a
}A}1def“ sup
vvvPKn vvv‰0
}Avvv}1
}vvv}1 “ max
jPv1,nw
ÿn
i“1
|aij| (9)
}A}2def“ sup
vvvPKn vvv‰0
}Avvv}2 }vvv}2 “a
ρpA˚Aq “a
ρpAA˚q “ }A˚}2 (10)
}A}8 def“ sup
vvvPKn vvv‰0
}Avvv}8
}vvv}8 “ max
iPv1,nw
ÿn
j“1
|aij| (11)
La norme}‚}2 est invariante par transformation unitaire :
UU˚ “Iùñ }A}2 “ }AU}2“ }UA}2 “ }U˚AU}2. (12)
Normes vectorielles et normes matricielles Normes matricielles 2015/10/28 14 / 55
Corollaire 3.1
1 Si une matriceA est hermitienne, ou symétrique (donc normale), on a}A}2“ρpAq.
2 Si une matriceA est unitaire, ou orthogonale (donc normale), on a}A}2“1.
Normes vectorielles et normes matricielles Normes matricielles 2015/10/28 15 / 55
Plan
1 Méthodes directes
2 Normes vectorielles et normes matricielles
Normes vectorielles Normes matricielles Suites de vecteurs et de matrices
3 Conditionnement d'un système linéaire
4 Méthodes itératives Principe
Notations
Méthode de Jacobi Méthode de Gauss-Seidel Méthode de relaxation Etude de la convergence Algorithmes
Principe de base Méthode de Jacobi Méthode de Gauss-Seidel Jeux algorithmiques Méthode S.O.R.
Normes vectorielles et normes matricielles Suites de vecteurs et de matrices 2015/10/28 16 / 55
Denition 3.2
Soit V un espace vectoriel muni d'une norme }‚}, on dit qu'une suite pvvvkqd'éléments de V converge vers un élément vvv PV , si
kÑ8lim }vvvk ´vvv} “0 et on écrit
vvv “ lim
kÑ8vvvk.
Normes vectorielles et normes matricielles Suites de vecteurs et de matrices 2015/10/28 17 / 55
Théorème 4: admis
SoitB une matrice carrée. Les conditions suivantes sont équivalentes :
1 limkÑ8Bk “0,
2 limkÑ8Bkvvv “0 pour tout vecteur vvv,
3 ρpBq ă1,
4 }B} ă1 pour au moins une norme matricielle subordonnée }‚}.
Théorème 5: admis
Soit B une matrice carrée, et }‚} une norme matricielle quelconque.
Alors
klimÑ8
›
›
›Bk
›
›
›
1{k
“ρpBq.
Normes vectorielles et normes matricielles Suites de vecteurs et de matrices 2015/10/28 18 / 55
Soient APMnpKq inversible et bbbPKn. Axxx “bbb
De petites erreurs sur les données engendrent-elles de petites erreurs sur la solution?
Conditionnement d'un système linéaire 2015/10/28 19 / 55
Exemple de R.S. Wilson
Soient
A“
¨
˚
˚
˝
10 7 8 7
7 5 6 5
8 6 10 9
7 5 9 10
˛
‹
‹
‚
, ∆A“
¨
˚
˚
˝
0 0 101 15
252 1
25 0 0
0 ´501 ´10011 0
´1001 ´1001 0 ´501
˛
‹
‹
‚
et bbbt“ p32,23,33,31q,p∆bqp∆p∆bqbqt “` 1
100,´1001 , 1001 ,´1001 ˘
.Des calculs exacts donnent
Axxx“bbb ðñ xxxt“ p1,1,1,1q Auuu“ pbbb`∆∆∆bbbq ðñ uuut“
ˆ91 50,´9
25, 27 20, 79
100
˙
« p1.8,´0.36,1.3,0.79q pA`∆Aqvvv“bbb ðñ vvvt“ p´81,137,´34,22q pA`∆Aqyyy“ pbbb`∆∆∆bbbq ðñ yyyt“
ˆ
´18283543
461600 , 31504261
461600 ,´3741501
230800,5235241 461600
˙
« p´39.61,68.25,´16.21,11.34q
Conditionnement d'un système linéaire 2015/10/28 20 / 55
Soient APMnpKq inversible et bbbPKn. Axxx “bbb
De petites erreurs sur les données engendrent-elles de petites erreurs sur la solution?
Non, pas forcément!
Le système linéaire prédédent est mal conditionné.
On dit qu'un système linéaire est bien conditionné ou qu'il a un bon conditionnement si de petites perturbations des données n'entrainent qu'une variation raisonnable de la solution.
Est-il possible de "mesurer" le conditionnement d'une matrice?
Conditionnement d'un système linéaire 2015/10/28 21 / 55
Denition 6.1
Soit }.} une norme matricielle subordonnée, le conditionnement d'une matrice régulièreA, associé à cette norme, est le nombre
condpAq “ }A}›
›A-1›
›. Nous noterons condppAq “ }A}p›
›A-1›
›p.
Conditionnement d'un système linéaire 2015/10/28 22 / 55
Proposition:
SoitA une matrice régulière. On a les propriétés suivantes
1 @αPK˚,condpαAq “condpAq.
2 condppAq ě1,@p P v1,`8w.
3 cond2pAq “1 si et seulement si A“αQavecα PK˚ etQ matrice unitaire
Conditionnement d'un système linéaire 2015/10/28 23 / 55
Théorème 7:
SoitAune matrice inversible. Soient xxx et xxx```∆x∆∆x les solutions respec-x tives de
Axxx “bbb et Apxxx```∆∆∆xxxq “bbb```∆∆∆bbb. Supposons bbb ‰000,alors l'inégalité
}∆∆∆xxx}
}xxx} ďcondpAq}∆∆∆bbb}
}bbb}
est satisfaite, et c'est la meilleure possible : pour une matriceAdonnée, on peut trouver des vecteurs bbb ‰000 et∆∆∆bbb ‰000 tels qu'elle devienne une égalité.
Conditionnement d'un système linéaire 2015/10/28 24 / 55
Théorème:
Soient A etA`∆A deux matrices inversibles. Soient xxx et xxx```∆∆∆xxx les solutions respectives de
Axxx “bbb et pA`∆Aq pxxx```∆∆∆xxxq “bbb. Supposons bbb ‰000,alors on a
}∆x∆∆xx}
}xxx```∆∆∆xxx} ďcondpAq}∆A}
}A} .
Remarque 7.1
Une matrice est donc bien conditionnée si son conditionnement est proche de 1.
Conditionnement d'un système linéaire 2015/10/28 25 / 55
Plan
1 Méthodes directes
2 Normes vectorielles et normes matricielles
Normes vectorielles Normes matricielles Suites de vecteurs et de matrices
3 Conditionnement d'un système linéaire
4 Méthodes itératives Principe
Notations
Méthode de Jacobi Méthode de Gauss-Seidel Méthode de relaxation Etude de la convergence Algorithmes
Principe de base Méthode de Jacobi Méthode de Gauss-Seidel Jeux algorithmiques Méthode S.O.R.
Méthodes itératives Principe 2015/10/28 26 / 55
Méthodes itératives pour la résolution du système linéaire Axxx “bbb.
Trouver une matrice d'itérationB et d'un vecteur ccc telles que xxxrk`1s “Bxxxrks`ccc, k ě0, xxxr0s arbitraire vérie
klimÑ8xxxrks“xxx avec˜ xxx˜“A-1bbb
Méthodes itératives Principe 2015/10/28 27 / 55
Plan
1 Méthodes directes
2 Normes vectorielles et normes matricielles
Normes vectorielles Normes matricielles Suites de vecteurs et de matrices
3 Conditionnement d'un système linéaire
4 Méthodes itératives Principe
Notations
Méthode de Jacobi Méthode de Gauss-Seidel Méthode de relaxation Etude de la convergence Algorithmes
Principe de base Méthode de Jacobi Méthode de Gauss-Seidel Jeux algorithmiques Méthode S.O.R.
Méthodes itératives Notations 2015/10/28 28 / 55
Soit APMnpKq une matrice régulière, avec@i P v1,nw, ai,i ‰0
A “
¨
˚
˚
˚
˚
˝
a1,1 0 ¨ ¨ ¨ 0 0 ... ... ...
... ... ... 0 0 ¨ ¨ ¨ 0 an,n
˛
‹
‹
‹
‹
‚
`
¨
˚
˚
˚
˚
˝
0 ¨ ¨ ¨ ¨ ¨ ¨ 0 a2,1 ... ...
... ... ... ...
an,1 ¨ ¨ ¨ an,n´1 0
˛
‹
‹
‹
‹
‚
`
¨
˚
˚
˚
˚
˝
0 a1,2 ¨ ¨ ¨ a1,n
... ... ... ...
... ... an´1,n
0 ¨ ¨ ¨ ¨ ¨ ¨ 0
˛
‹
‹
‹
‹
‚
“ D´E´F“
¨
˚
˚
˝
... ´F
D
´E ...
˛
‹
‹
‚
Méthodes itératives Notations 2015/10/28 29 / 55
Plan
1 Méthodes directes
2 Normes vectorielles et normes matricielles
Normes vectorielles Normes matricielles Suites de vecteurs et de matrices
3 Conditionnement d'un système linéaire
4 Méthodes itératives Principe
Notations
Méthode de Jacobi Méthode de Gauss-Seidel Méthode de relaxation Etude de la convergence Algorithmes
Principe de base Méthode de Jacobi Méthode de Gauss-Seidel Jeux algorithmiques Méthode S.O.R.
Méthodes itératives Méthode de Jacobi 2015/10/28 30 / 55
Axxx “bbb ðñ @i, bi “ ÿn
j“1
ai,jxj “
i´1
ÿ
j“1
ai,jxj `ai,ixi` ÿn
j“i`1
ai,jxj
La méthode itérative de Jacobi : bi “
i´1
ÿ
j“1
ai,jxjrks`ai,ixirk`1s` ÿn
j“i`1
ai,jxjrks @i P v1,nw
bbb“Dxxxrk`1s´Exxxrks´Fxxxrks
ou encore
xirk`1s“ 1 aii
˜ bi ´
ÿn
j“1,j‰i
aijxjrks
¸
@i P v1,nw
xxxrk`1s“D-1pE`Fqxxxrks`D-1bbb
Méthodes itératives Méthode de Jacobi 2015/10/28 31 / 55
Axxx “bbb ðñ @i, bi “ ÿn
j“1
ai,jxj “
i´1
ÿ
j“1
ai,jxj `ai,ixi` ÿn
j“i`1
ai,jxj
La méthode itérative de Jacobi : bi “
i´1
ÿ
j“1
ai,jxjrks`ai,ixirk`1s` ÿn
j“i`1
ai,jxjrks @i P v1,nw
bbb“Dxxxrk`1s´Exxxrks´Fxxxrks ou encore
xirk`1s“ 1 aii
˜ bi ´
ÿn
j“1,j‰i
aijxjrks
¸
@i P v1,nw
xxxrk`1s“D-1pE`Fqxxxrks`D-1bbb
Méthodes itératives Méthode de Jacobi 2015/10/28 31 / 55
Plan
1 Méthodes directes
2 Normes vectorielles et normes matricielles
Normes vectorielles Normes matricielles Suites de vecteurs et de matrices
3 Conditionnement d'un système linéaire
4 Méthodes itératives Principe
Notations
Méthode de Jacobi Méthode de Gauss-Seidel Méthode de relaxation Etude de la convergence Algorithmes
Principe de base Méthode de Jacobi Méthode de Gauss-Seidel Jeux algorithmiques Méthode S.O.R.
Méthodes itératives Méthode de Gauss-Seidel 2015/10/28 32 / 55
Axxx “bbb ðñ @i, bi “ ÿn
j“1
ai,jxj “
i´1
ÿ
j“1
ai,jxj `ai,ixi` ÿn
j“i`1
ai,jxj
La méthode itérative de Gauss-Seidel : bi “ai,ixirk`1s`
i´1
ÿ
j“1
ai,jxjrk`1s` ÿn
j“i`1
ai,jxjrks @i P v1,nw
bbb“Dxxxrk`1s´Exxxrk`1s´Fxxxrks
ou encore
xipk`1q“ 1 aii
˜ bi ´
i´1
ÿ
j“1
aijxjrk`1s´ ÿn
j“i`1
aijxjrks
¸
@i P v1,nw
xxxrk`1s “ pD´Eq-1Fxxxrks` pD´Eq-1bbb
Méthodes itératives Méthode de Gauss-Seidel 2015/10/28 33 / 55
Axxx “bbb ðñ @i, bi “ ÿn
j“1
ai,jxj “
i´1
ÿ
j“1
ai,jxj `ai,ixi` ÿn
j“i`1
ai,jxj
La méthode itérative de Gauss-Seidel : bi “ai,ixirk`1s`
i´1
ÿ
j“1
ai,jxjrk`1s` ÿn
j“i`1
ai,jxjrks @i P v1,nw
bbb“Dxxxrk`1s´Exxxrk`1s´Fxxxrks ou encore
xipk`1q“ 1 aii
˜ bi ´
i´1
ÿ
j“1
aijxjrk`1s´ ÿn
j“i`1
aijxjrks
¸
@i P v1,nw
xxxrk`1s “ pD´Eq-1Fxxxrks` pD´Eq-1bbb
Méthodes itératives Méthode de Gauss-Seidel 2015/10/28 33 / 55
Plan
1 Méthodes directes
2 Normes vectorielles et normes matricielles
Normes vectorielles Normes matricielles Suites de vecteurs et de matrices
3 Conditionnement d'un système linéaire
4 Méthodes itératives Principe
Notations
Méthode de Jacobi Méthode de Gauss-Seidel Méthode de relaxation Etude de la convergence Algorithmes
Principe de base Méthode de Jacobi Méthode de Gauss-Seidel Jeux algorithmiques Méthode S.O.R.
Méthodes itératives Méthode de relaxation 2015/10/28 34 / 55
Soit w PR˚.
xirk`1s “wˆxirk`1s` p1´wqxirks
où xˆirk`1s est obtenu à partir de l'une des deux méthodes précédentes.
Avec la méthode de Gauss-Seidel : méthode S.O.R. (successive over relaxation)
xirk`1s “ w aii
˜ bi´
i´1
ÿ
j“1
aijxjrk`1s´ ÿn
j“i`1
aijxjrks
¸
` p1´wqxirks @i P v1,nw
Exercice 8.1:
Déterminer la matrice d'itération Bet le vecteur ccc tels que xxxrk`1s“Bxxxrks`ccc
en fonction deD,E,F,et bbb.
Méthodes itératives Méthode de relaxation 2015/10/28 35 / 55
Proposition:
On pose L“D-1E etU“D-1F.
La matrice d'itération de la méthode de Jacobi, notée J, est donnée par
J“D-1pE`Fq “L`U, (13) La matrice d'itération de la méthode S.O.R., notéeLw,est donnée par
Lw “ ˆD
w ´E
˙-1ˆ 1´w
w D`F
˙
“ pI´wLq-1pp1´wqI`wUq. et elle vérie (14)
ρpLwq ě |w ´1|. (15) La matrice d'itération de Gauss-Seidel estL1 et elle correspond à
L1 “ pD´Eq-1F“I´L-1U. (16)
Méthodes itératives Méthode de relaxation 2015/10/28 36 / 55
Plan
1 Méthodes directes
2 Normes vectorielles et normes matricielles
Normes vectorielles Normes matricielles Suites de vecteurs et de matrices
3 Conditionnement d'un système linéaire
4 Méthodes itératives Principe
Notations
Méthode de Jacobi Méthode de Gauss-Seidel Méthode de relaxation Etude de la convergence Algorithmes
Principe de base Méthode de Jacobi Méthode de Gauss-Seidel Jeux algorithmiques Méthode S.O.R.
Méthodes itératives Etude de la convergence 2015/10/28 37 / 55
Théorème:
En décomposant A sous la forme A “ M´N avec M régulière et en posant
B“M-1N et ccc “M-1bbb, la suite dénie par
xxxr0s PKn et xxxrk`1s “Bxxxrks`ccc
converge versxxx¯“A-1bbb quelque soit xxxr0s si et seulement siρpBq ă1.
Méthodes itératives Etude de la convergence 2015/10/28 38 / 55
Corollaire:
Soit A une matrice vériant ai,i ‰ 0 @i. Une condition nécessaire de convergence pour la méthode S.O.R. est que 0ăw ă2.
Théorème: voir Lascaux-Théodor, vol.2, Théorème 19 et 20, pages 346 à 349
Soit Aune matrice à diagonale strictement dominante ou une matrice inversible à diagonale fortement dominante alors
‚ la méthode de Jacobi est convergente,
‚ si w Ps0,1sla méthode de Relaxation est convergente.
Méthodes itératives Etude de la convergence 2015/10/28 39 / 55
Théorème
SoitAune matrice hermitienne inversible en décomposée enA“M´N où M est inversible. Soit B “ I´ M-1A, la matrice de l'itération.
Supposons queM˚`N(qui est hermitienne) soit dénie positive. Alors ρpBq ă1 si et seulement siA est dénie positive.
Théorème
Soit A une matrice hermitienne dénie positive, alors la méthode de relaxation converge si et seulement si w Ps0,2r.
Méthodes itératives Etude de la convergence 2015/10/28 40 / 55
Plan
1 Méthodes directes
2 Normes vectorielles et normes matricielles
Normes vectorielles Normes matricielles Suites de vecteurs et de matrices
3 Conditionnement d'un système linéaire
4 Méthodes itératives Principe
Notations
Méthode de Jacobi Méthode de Gauss-Seidel Méthode de relaxation Etude de la convergence Algorithmes
Principe de base Méthode de Jacobi Méthode de Gauss-Seidel Jeux algorithmiques Méthode S.O.R.
Méthodes itératives Algorithmes 2015/10/28 41 / 55
Principe de base
Résoudre :
Axxx “bbb Méthodes itératives :
xxxr0s PKn et xxxrk`1s “Bxxxrks`ccc Algorithme :
xxxr0s donné
Pour k“0, 1,¨ ¨ ¨ faire xxxrk`1s ÐBxxxrks`ccc Fin Pour
Critère d'arrêt? Stockage de tous les xxxrks?
Méthodes itératives Algorithmes 2015/10/28 42 / 55
La convergence de ces méthodes n'est pas assurées et si il y a convergence le nombre d'itération nécessaire n'est (à priori) pas connu.
ùñ boucle Tantque Critères d'arrêt :
‚ nombre maximum d'itérations
‚ εą0 permet l'arrêt des calculs si xxxrks susament proche dexxx¯“A-1bbb Comment choisir le critère d'arrêt pour la convergence?
Exemple de critère d'arrêt pour la convergence : Soit rrrrks “bbb´Axxxrks le résidu.
›
›rrrrks›
› }bbb} ďε Car dans ce cas, on a avec eeerks “xxx¯´xxxrks
›
›eeerks›
›
}xxx}¯ ďεcondpAq
Méthodes itératives Algorithmes 2015/10/28 43 / 55
La convergence de ces méthodes n'est pas assurées et si il y a convergence le nombre d'itération nécessaire n'est (à priori) pas connu.
ùñ boucle Tantque Critères d'arrêt :
‚ nombre maximum d'itérations
‚ εą0 permet l'arrêt des calculs si xxxrks susament proche dexxx¯“A-1bbb Comment choisir le critère d'arrêt pour la convergence?
Exemple de critère d'arrêt pour la convergence : Soit rrrrks “bbb´Axxxrks le résidu.
›
›rrrrks›
› }bbb} ďε
Car dans ce cas, on a avec eeerks “xxx¯´xxxrks
›
›eeerks›
›
}xxx}¯ ďεcondpAq
Méthodes itératives Algorithmes 2015/10/28 43 / 55
La convergence de ces méthodes n'est pas assurées et si il y a convergence le nombre d'itération nécessaire n'est (à priori) pas connu.
ùñ boucle Tantque Critères d'arrêt :
‚ nombre maximum d'itérations
‚ εą0 permet l'arrêt des calculs si xxxrks susament proche dexxx¯“A-1bbb Comment choisir le critère d'arrêt pour la convergence?
Exemple de critère d'arrêt pour la convergence : Soit rrrrks “bbb´Axxxrks le résidu.
›
›rrrrks›
› }bbb} ďε Car dans ce cas, on a avec eeerks “xxx¯´xxxrks
›
›eeerks›
›
}xxx}¯ ďεcondpAq
Méthodes itératives Algorithmes 2015/10/28 43 / 55
Algorithme 1 Méthode itérative pour la résolution d'un système linéaireAxxx“bbb Données :
A : matrice deMnpKq, bbb : vecteur deKn, xxx0 : vecteur initial deKn, ε : la tolérence,εPR`,
kmax : nombre maximum d'itérations, kmaxPN˚ Résultat :
xxxtol : un vecteur deKnsi convergence, sinonH
1: kÐ0,xxxtolÐ H
2: xxxÐxxx0,rrrÐbbb´Axxx,
3: tolÐεp}bbb} `1q
4: Tantque }rrr} ątol et kďkmax faire
5: kÐk`1
6: pppÐxxx Źppp contient le vecteur précédent
7: xxxÐcalcul de l'itérée suivante en fonction de ppp,A,bbb,...
8: rrrÐbbb´Axxx,
9: Fin Tantque
10: Si}rrr} ďtol alors ŹConvergence
11: xxxtolÐxxx
12: Fin Si
Méthodes itératives Algorithmes 2015/10/28 44 / 55
Pour Jacobi , la suite des itérées est dénie par xirk`1s“ 1
aii
˜ bi ´
ÿn
j“1,j‰i
aijxjrks
¸
, @i P v1,nw.
Algorithme2 R
0
1: kÐ0,xxxtolÐ H
2:xxxÐxxx0,rrrÐbbb´Axxx,
3: tolÐεp}bbb} `1q
4: Tantque }rrr} ątoletkďkmaxfaire
5: kÐk`1
6: pppÐxxx
7:
8: x
x
xÐalulparJaobi
9: r
r
rÐbbb´Axxx,
10: FinTantque
11: Si}rrr} ďtolalors ŹConvergene
12: xxx tolÐxxx
13: FinSi
Algorithme2 R
1
1: kÐ0,xxxtolÐ H
2:xxxÐxxx0,rrrÐbbb´Axxx,
3: tolÐεp}bbb} `1q
4: Tantque }rrr} ątoletkďkmaxfaire
5: kÐk`1
6: pppÐxxx
7: PouriÐ1ànfaire
8: xiÐ 1
a
ii
˜
bi´
n
ÿ
j“1,j‰i
aijp p
pj
¸
9: FinPour
10: r
r
rÐbbb´Axxx,
11:FinTantque
12:Si}rrr} ďtolalors ŹConvergene
13: xxx tolÐxxx
14:FinSi
Méthodes itératives Algorithmes 2015/10/28 45 / 55
Algorithme2 R
1
1: kÐ0,xxxtolÐ H
2:xxxÐxxx0,rrrÐbbb´Axxx,
3: tolÐεp}bbb} `1q
4: Tantque }rrr} ątoletkďkmaxfaire
5: kÐk`1
6: pppÐxxx
7: PouriÐ1ànfaire
8:
9: x
iÐ 1
a
ii
˜
b
i´
n
ÿ
j“1,j‰i a
ij p pp
j
¸
10: FinPour
11: r
r
rÐbbb´Axxx,
12: FinTantque
13: Si}rrr} ďtolalors
14: xxx tolÐxxx
15: FinSi
Algorithme2 R
2
1: kÐ0,xxxtolÐ H
2:xxxÐxxx0,rrrÐbbb´Axxx,
3: tolÐεp}bbb} `1q
4: Tantque }rrr} ątoletkďkmaxfaire
5: kÐk`1
6: pppÐxxx
7: PouriÐ1ànfaire
8: SÐ0
9: PourjÐ1ànpj‰iqfaire
10: SÐS´ai,j
p
j
11: FinPour
12: x
iÐ 1
a
ii
pbi´Sq
13: FinPour
14: rrrÐbbb´Axxx,
15:FinTantque
16:Si}rrr} ďtolalors
17: x
x
x tolÐxxx
18:FinSi
Méthodes itératives Algorithmes 2015/10/28 46 / 55