M62-CM1
March 16, 2020
[2]: from IPython.core.display import HTML css_file = './custom.css'
HTML(open(css_file, "r").read()) [2]: <IPython.core.display.HTML object>
[4]: import sys #only needed to determine Python version number print('Python version ' + sys.version)
Python version 3.6.9 (default, Nov 7 2019, 10:44:02) [GCC 8.3.0]
1 M62_CM1 Introduction à l’approximation numérique d’EDO
On ne peut expliciter des solutions analytiques que pour des équations différentielles ordinaires très particulières. Par exemple : - dans certains cas, on ne peut exprimer la solution que sous forme implicite. C’est le cas par exemple de l’EDO y ′ (t) = y(t) − t
y(t) + t dont les solutions vérifient la relation implicite
1
2 ln(t 2 + y 2 (t)) + arctan ( y(t)
t )
= C,
où C est une constante arbitraire. - dans d’autres cas, on ne parvient même pas à représenter la solution sous forme implicite.
C’est le cas par exemple de l’EDO y ′ (t) = e − t
2dont les solutions ne peuvent pas s’écrire comme composition de fonctions élémentaires.
Pour ces raisons, on cherche des méthodes numériques capables d’approcher la solution de toutes les équations différentielles qui admettent une et une seule solution.
1.1 Position du problème Considérons le problème de Cauchy:
trouver une fonction y : I ⊂ R → R définie sur un intervalle I telle que {
y ′ (t) = φ(t, y(t)), ∀ t ∈ I =]t 0 , T [,
y(t 0 ) = y 0 ,
avec y 0 une valeur donnée et supposons que l’on ait montré l’existence et l’unicité d’une solution y pour t ∈ I.
Pour h > 0 soit t n ≡ t 0 + nh avec n = 0, 1, 2, . . . , N une suite de N + 1 nœuds de I induisant une discrétisation de I en N sous-intervalles I n = [t n ; t n+1 ] chacun de longueur h = T −t N
0> 0 (appelé le pas de discrétisation).
Pour chaque nœud t n , on cherche la valeur inconnue u n qui approche la valeur exacte y n ≡ y(t n ).
- L’ensemble de N + 1 valeurs { t 0 , t 1 = t 0 + h, . . . , t N = T } représente les points de la discrétisation.
- L’ensemble de N + 1 valeurs {y 0 , y 1 , . . . , y N } représente la solution exacte discrète.
- L’ensemble de N + 1 valeurs { u 0 = y 0 , u 1 , . . . , u N } représente la solution numérique.
1.2 Construction élémentaire des méthodes d’Euler explicite et implicite Une méthode classique, la méthode d’Euler explicite (ou progressive, de l’anglais forward), est obtenue en considérant l’équation différentielle en chaque nœud t n et en remplaçant la dérivée exacte y ′ (t n ) par le taux d’accroissement
φ(t n , y(t n )) = y ′ (t n ) ≃ y(t n+1 ) − y(t n )
h .
Cela permet de construire une solution numérique par une suite récurrente:
{
u 0 = y(t 0 ) = y 0 ,
u n+1 = u n + hφ(t n , u n ), n = 0, 1, 2, . . . N − 1.
De même, en utilisant le taux d’accroissement
φ(t n+1 , y(t n+1 )) = y ′ (t n+1 ) ≃ y(t n+1 ) − y(t n ) h
pour approcher y ′ (t n+1 ), on obtient la méthode d’Euler implicite (ou rétrograde, de l’anglais backward)
{ u 0 = y(t 0 ) = y 0 ,
u n+1 − hφ(t n+1 , u n+1 ) = u n , n = 0, 1, 2, . . . N − 1.
Ces deux méthodes sont dites à un pas: pour calculer la solution numérique u n+1 au nœud t n+1 ,
on a seulement besoin des informations disponibles au nœud précédent t n . Plus précisément, pour
la méthode d’Euler progressive, u n+1 ne dépend que de la valeur u n calculée précédemment, tandis
que pour la méthode d’Euler rétrograde, u n+1 dépend aussi ”de lui-même” à travers la valeur de
φ(t n+1 , u n+1 ). C’est pour cette raison que la méthode d’Euler progressive est dite explicite tandis
que la méthode d’Euler rétrograde est dite implicite. Les méthodes implicites sont plus coûteuses
que les méthodes explicites car, si la fonction φ est non linéaire, un problème non linéaire doit
être résolu à chaque temps t n+1 pour calculer u n+1 . Néanmoins, nous verrons que les méthodes
implicites jouissent de meilleures propriétés de stabilité que les méthodes explicites.
1.3 Implémentation des schémas d’Euler explicite et implicite
Voyons un exemple complet: considérons le problème de Cauchy >trouver la fonction y : I ⊂ R → R définie sur l’intervalle I = [0, 1] telle que >
{
y ′ (t) = 2ty(t), ∀ t ∈ I = [0, 1], y(0) = 1.
(Sachant que la solution est y(t) = e t
2, on pourra éstimer la qualité du schéma)
On commence par importer - le module matplotlib.pylab - la fonction fsolve du module scipy.optimize pour résoudre les équations implicites présentes dans le schéma implicite.
Rappel: avec pylab on importe aussi le module numpy sans alias. Ainsi, non seulement on pourra utiliser ses fonctions spécifiques comme linspace mais, de plus, numpy rédéfinit toutes les fonctions mathématiques du module math (donc il est inutile de l’importer) et ces fonctions sont vectorisées (e.g. on pourra écrire directement yy=sin(xx) avec xx une liste au lieu d’écrire yy=[sin(x) for x in xx]).
[5]: %reset -f
%matplotlib inline
from matplotlib.pylab import * from scipy.optimize import fsolve On initialise le problème de Cauchy [6]: t0 = 0
tfinal = 1
y0 = 1
On définit l’équation différentielle : phi est une fonction python qui contient la fonction mathéma- tique φ(t, y) = 2ty dépendant des variables t et y.
[7]: phi = lambda t,y : 2*y*t
On introduit la discrétisation: les nœuds d’intégration [t 0 , t 1 , . . . , t N ] sont contenus dans le vecteur tt.
On a N + 1 points espacé de h = t
NN − t
0. [8]: N = 8
tt = linspace(t0,tfinal,N+1)
On écrit les schémas numériques : les valeurs [u 0 , u 1 , . . . , u N ] pour chaque méthode sont contenues dans le vecteur uu.
Schéma d’Euler progressif : {
u 0 = y 0 ,
u n+1 = u n + hφ(t n , u n ) n = 0, 1, 2, . . . N − 1
[9]: # ici y0 est une variable globale def euler_progressif(phi,tt):
h = tt[1]-tt[0]
uu = [y0]
for i in range(len(tt)-1):
uu.append( uu[i]+h*phi(tt[i],uu[i]) ) return uu
Rappels: - len(tt) = nombre d’éléments de la liste tt = N + 1 - les indices des éléments de tt vont de 0 à N - range(M) produit les nombres entiers de 0 à M − 1
Conclusion : range(len(tt)-1) donne 0, 1, 2, . . . , N − 1 comme souhaité Schéma d’Euler régressif :
{
u 0 = y 0 ,
u n+1 = u n + hφ(t n+1 , u n+1 ) n = 0, 1, 2, . . . N − 1
Attention : - u n+1 est solution de l’équation x = u n +hφ(t n+1 , x), c’est-à-dire un zéro de la fonction (en générale non linéaire)
x 7→ − x + u n + hφ(t n+1 , x)
- la fonction fsolve du module scipy.optimize requiert deux paramètres : une fonction et un point de départ.
[10]: # ici y0 est une variable globale def euler_regressif(phi,tt):
h=tt[1]-tt[0]
uu = [y0]
for i in range(len(tt)-1):
temp = fsolve( lambda x: -x+uu[i]+h*phi(tt[i+1],x) , uu[i] ) uu.append(temp[0])
return uu
On calcule les solutions approchées:
[11]: uu_ep = euler_progressif(phi,tt) uu_er = euler_regressif(phi,tt)
Comme on la connait, on définit la solution exacte pour calculer les erreurs:
[12]: sol_exacte = lambda t : y0*exp(t**2) yy = [sol_exacte(t) for t in tt]
On compare les graphes des solutions exacte (en bleu) et approchées (en rouge) et on affiche le maximum de l’erreur:
[20]: figure(1, figsize=(18, 7))
subplot(1,2,1)
plot(tt,yy,'b-',label='Exacte')
plot(tt,uu_ep,'r-D',label='Approchée')
erreur=[abs(uu_ep[i]-yy[i]) for i in range(N)]
# title(f'Euler explicite - max(|erreur|)={max(erreur):g}') # synatxe pour␣
,→
python >= 3.6
title('Euler explicite - max(|erreur|)='+str(max(erreur))) # synatxe "OLD"
grid() legend();
subplot(1,2,2)
plot(tt,yy,'b-',label='Exacte')
plot(tt,uu_er,'r-D',label='Approchée')
erreur=[abs(uu_er[i]-yy[i]) for i in range(N)]
# Stitle(f'Euler implicite - max(|erreur|)={max(erreur):g}') # synatxe pour␣
,→
python >= 3.6
title(f'Euler implicite - max(|erreur|)='+str(max(erreur))) # synatxe "OLD"
grid() legend();
1.4 Convergence des schémas d’Euler Une méthode numérique est convergente si
| y n − u n | ≤ C(h) −−−→
h → 0 0 ∀ n = 0, . . . , N
Si C(h) = O (h p ) pour p > 0, on dit que la convergence de la méthode est d’ordre p.
Remarque: N → +∞ lorsque h → 0.
Soit u ∗ n+1 la solution numérique au temps t n+1 qu’on obtiendrait en insérant de la
solution exacte dans le schéma (par exemple, pour la méthode d’Euler explicite on a
u ∗ n+1 ≡ y n + hφ(t n , y n )). Pour vérifier qu’une méthode converge, on écrit l’erreur ainsi
e n ≡ y n − u n = (y n − u ∗ n ) + (u ∗ n − u n ). (1) Si les deux termes (y n − u ∗ n ) et (u ∗ n − u n ) tendent vers zéro quand h → 0 alors la méthode converge.
• La quantité
τ n+1 (h) ≡ y n+1 − u ∗ n+1 h
est appelée erreur de troncature locale. Elle représente (à un facteur 1/h près) l’erreur qu’on obtient en insérant la solution exacte dans le schéma numérique.
• L’erreur de troncature globale (ou plus simplement l’erreur de troncature) est définie par τ (h) = max
n=0,...,N | τ n (h) | .
Si lim h→0 τ (h) = 0 on dit que la méthode est consistante. On dit qu’elle est consistante d’ordre p si τ (h) = O (h p ) pour un certain p ≥ 1.
Remarque: la propriété de consistance est nécessaire pour avoir la convergence. En effet, si elle n’était pas consistante, la méthode engendrerait à chaque itération une erreur qui ne tendrait pas vers zéro avec h. L’accumulation de ces erreurs empêcherait l’erreur globale de tendre vers zéro quand h → 0.
Proposition.
La méthode d’Euler explicite est convergente d’ordre 1.
Preuve
>On étudie séparément l’erreur de consistance et l’accumulation de ces erreurs. >+ Terme y n − u ∗ n . Il représente l’erreur engendrée par une seule itération de la méthode d’Euler explicite.
En supposant que la dérivée seconde de y existe et est continue, on écrit le développement de Taylor de y au voisinage de t n :
y(t n+1 ) = y(t n ) + hy ′ (t n ) + h 2 2 y ′′ (η n )
où η n est un point de l’intervalle ]t n ; t n+1 [. Donc il existe η n ∈ ]t n , t n+1 [ tel que y n+1 − u ∗ n+1 = y n+1 − (
y n + hφ(t n , y n ) )
= y n+1 − y n − hy ′ (t n ) = h 2
2 y ′′ (η n ).
L’erreur de troncature de la méthode d’Euler explicite est donc de la forme τ (h) = M h
2 , M ≡ max
t∈[t
0,T] |y ′′ (t)|.
On en déduit que lim h → 0 τ (h) = 0: la méthode est consistante. >+ Terme u ∗ n+1 − u n+1 . Il représente la propagation de t n à t n+1 de l’erreur accumulée au temps précédent t n . On a
u ∗ n+1 − u n+1 = (y n + hφ(t n , y n )) − (u n + hφ(t n , u n )) = e n + h (φ(t n , y n ) − φ(t n , u n )) . Comme φ est lipschitzienne par rapport à sa deuxième variable, on a
|u ∗ n+1 − u n+1 | ≤ (1 + hL)|e n |.
>+ Convergence.
Comme e 0 = 0, les relations précédentes donnent
|e n | ≤ |y n − u ∗ n | + |u ∗ n − u n | (2)
≤ h | τ n (h) | + (1 + hL) | e n − 1 | (3)
≤ h | τ n (h) | + (1 + hL) (h | τ n − 1 (h) | + (1 + hL) | e n − 2 | ) | (4)
≤ (
1 + (1 + hL) + · · · + (1 + hL) n − 1 )
hτ (h) (5)
= ( n − 1
∑
i=0
(1 + hL) i )
hτ(h) (6)
= (1 + hL) n − 1
hL hτ (h) (7)
≤ (e hL ) n − 1
hL hτ(h) car (1 + x) ≤ e x (8)
= (e hL ) (t
n− t
0)/h − 1
L τ (h) car t n − t 0 = nh (9)
= e L(t
n− t
0) − 1
L τ (h) (10)
= e L(t
n− t
0) − 1 L
M
2 h (11)
On peut conclure que la méthode d’Euler explicite est convergente d’ordre 1.
On remarque que l’ordre de cette méthode coïncide avec l’ordre de son erreur de troncature. On retrouve cette propriété dans de nombreuses méthodes de résolution numérique d’équations dif- férentielles ordinaires.
Remarque: l’estimation de convergence est obtenue en supposant seulement φ lipschitzienne. On peut établir une meilleure estimation si ∂ y φ existe et est non positive pour tout t ∈ [t 0 ; T ] et tout y ∈ R . En effet dans ce cas
u ∗ n − u n = (y n − 1 + hφ(t n − 1 , y n − 1 )) − (u n − 1 + hφ(t n − 1 , u n − 1 ))
= e n − 1 + h (φ(t n − 1 , y n − 1 ) − φ(t n − 1 , u n − 1 ))
= e n − 1 + h (e n − 1 ∂ y φ(t n − 1 , η n ))
= (1 + h∂ y φ(t n − 1 , η n )) e n − 1
où η n appartient à l’intervalle dont les extrémités sont y n−1 et u n−1 . Ainsi, si 0 < h < 2
max
t ∈ [t
0,T ] ∂ y φ(t, y(t)) alors
|u ∗ n − u n | ≤ |e n − 1 |.
On en déduit | e n | ≤ | y n − u ∗ n | + | e n − 1 | ≤ nhτ (h) + | e 0 | et donc
|e n | ≤ M h
2 (t n − t 0 ).
La restriction sur le pas de discrétisation h est une condition de stabilité, comme on le verra dans la suite.
1.4.1 Étude empirique de la convergence Considérons le même problème de Cauchy.
On se propose d’estimer l’ordre de convergence des méthodes d’Euler.
Pour chaque schéma, on calcule la solution approchée avec différentes valeurs de h k = 1/N k , à savoir 1/2 3 , 1/2 4 , 1/2 5 , ..., 1/2 9 (ce qui correspond à différentes valeurs de N k = 2 k+3 avec k = 0 . . . 6).
On sauvegarde les valeurs de h k dans le vecteur H.
Pour chaque valeur de h k , on calcule le maximum de la valeur absolue de l’erreur et on sauve- garde toutes ces erreurs dans le vecteur err_schema de sort que err_schema[k] contient e k = max i=0,...,N
k|y(t i ) − u i | avec N k = 2 k+1 .
[22]: H = []
err_ep = []
err_er = []
for k in range(7):
N = 2**(k+3)
tt = linspace(t0,tfinal,N+1) h = tt[1]-tt[0]
yy = [sol_exacte(t) for t in tt]
uu_ep = euler_progressif(phi,tt) uu_er = euler_regressif(phi,tt) H.append(h)
err_ep.append( max([abs(uu_ep[i]-yy[i]) for i in range(len(yy))]) ) err_er.append( max([abs(uu_er[i]-yy[i]) for i in range(len(yy))]) )
Pour afficher l’ordre de convergence on affiche les points (h[k],err_ep[k]) en echèlle logarithmique:
on représente ln(h) sur l’axe des abscisses et ln(err) sur l’axe des ordonnées. Le but de cette représentation est clair: si err = Ch p alors ln(err) = ln(C) + p ln(h). En échelle logarithmique, p représente donc la pente de la ligne droite ln(err).
[23]: figure(figsize=(10, 7))
loglog(H,err_ep, 'r-o',label='Euler Explicite') loglog(H,err_er, 'g-+',label='Euler Implicite') xlabel('$\ln(h)$')
ylabel('$\ln(e)$')
legend(bbox_to_anchor=(1.04,1),loc='upper left')
grid(True);
Pour estimer l’ordre de convergence on doit estimer la pente de la droite qui relie l’erreur au pas k à l’erreur au pas k + 1 en echelle logarithmique. Pour estimer la pente globale de cette droite (par des moindres carrés) on peut utiliser la fonction polyfit (du module numpy que nous avons déjà importé avec matplotlib.pylab).
[25]: # ln(e) = a ln(h) + b
a_ep, b_ep= polyfit(log(H),log(err_ep), 1) # polyfit ( [liste des abscisses],␣
,→
[liste des ordonnées], degré du polynome)
print (f'Euler progressif {a_ep :1.2f}') # syntaxe print pour python 3.6 ou␣
,→
superieur
a_er, b_er= polyfit(log(H),log(err_er), 1)
print ('Euler regressif %1.2f' %a_er) # syntaxe "OLD"
Euler progressif 0.96 Euler regressif 1.05
On peut bien sur afficher la droite obtenue par régression linéaire en même temps que les points:
[26]: figure(figsize=(18, 7)) subplot(1,2,1)
plot(log(H),log(err_ep), 'ro',label='Euler Explicite') plot(log(H),[a_ep*log(h)+b_ep for h in H])
xlabel('$\ln(h)$') ylabel('$\ln(e)$')
legend(loc='upper left')
grid(True);
subplot(1,2,2)
plot(log(H),log(err_er), 'ro',label='Euler Implicite') plot(log(H),[a_er*log(h)+b_er for h in H])
xlabel('$\ln(h)$') ylabel('$\ln(e)$')
legend(loc='upper left')
grid(True);
M62-CM2
March 16, 2020
[1]: from IPython.core.display import HTML css_file = './custom.css'
HTML(open(css_file, "r").read()) [1]: <IPython.core.display.HTML object>
[2]: import sys #only needed to determine Python version number print('Python version ' + sys.version)
Python version 3.6.9 (default, Nov 7 2019, 10:44:02) [GCC 8.3.0]
[3]: %reset -f
%matplotlib inline
from matplotlib.pylab import * from scipy.optimize import fsolve
1 M62_CM2 : schémas ”classiques” à un pas
Considérons le problème de Cauchy
trouver une fonction y : I ⊂ R → R définie sur un intervalle I = [t 0 , T ] telle que {
y ′ (t) = φ(t, y(t)), ∀ t ∈ I = [t 0 , T ], y(t 0 ) = y 0 ,
avec y 0 une valeur donnée et supposons que l’on ait montré l’existence et l’unicité d’une solution y pour t ∈ I.
Pour h > 0 soit t n ≡ t 0 + nh avec n = 0, 1, 2, . . . , N une suite de N + 1 nœuds de I induisant une discrétisation de I en N sous-intervalles I n = [t n ; t n+1 ] chacun de longueur h = T − N t
0> 0 (appelé le pas de discrétisation).
Pour chaque nœud t n , on cherche la valeur inconnue u n qui approche la valeur exacte y n ≡ y(t n ).
- L’ensemble de N + 1 valeurs {t 0 , t 1 = t 0 + h, . . . , t N = T} représente les points de la discrétisation.
- L’ensemble de N + 1 valeurs { y 0 , y 1 , . . . , y N } représente la solution exacte discrète.
- L’ensemble de N + 1 valeurs { u 0 = y 0 , u 1 , . . . , u N } représente la solution numérique obtenue en construisant une suite récurrente.
Les schémas qu’on va construire permettent de calculer (explicitement ou implicitement) u n+1 à partir de u n , u n − 1 , ..., u n − k et il est donc possible de calculer successivement u 1 , u 2 ,..., en partant de u 0 par une formule de récurrence de la forme
u 0 = y 0 , .. .
u κ = y κ ,
u n+1 = Φ(u n+1 , u n , u n − 1 , . . . , u n − k ), ∀ n = κ, κ + 1, . . . , N − 1.
Méthodes explicites et méthodes implicites
Une méthode est dite explicite si la valeur u n+1 peut être calculée directement à l’aide des valeurs précédentes u k , k ≤ n (ou d’une partie d’entre elles).
Une méthode est dite implicite si u n+1 n’est défini que par une relation implicite faisant intervenir la fonction φ.
Méthodes à un pas et méthodes multi-pas
Une méthode numérique pour l’approximation du problème de Cauchy est dite à un pas si pour tout n ∈ N , u n+1 ne dépend que de u n et éventuellement de lui-même.
Autrement, on dit que le schéma est une méthode multi-pas (ou à pas multiples).
1.1 Construction de schémas à un pas
Si nous intégrons l’EDO y ′ (t) = φ(t, y(t)) entre t n et t n+1 nous obtenons
∫ t
n+1t
ny ′ (t)dt =
∫ t
n+1t
nφ(t, y(t))dt
c’est-à-dire
y n+1 − y n =
∫ t
n+1t
nφ(t, y(t))dt.
On peut construire différentes schémas selon la formule d’approximation utilisée pour approcher le membre de droite. Cette solution approchée sera obtenue en construisant une suite récurrente comme suit:
u 0 = y 0 , u n+1 = u n +
∫ t
n+1t
nf ˜ (t)dt où f ˜ (t) est un polynôme interpolant φ(t, y(t))
1.1.1 Schéma d’Euler explicite
Si on remplace une fonction f par une constante égale à la valeur de f en la borne gauche de l’intervalle [a; b]
(polynôme qui interpole f en le point (a, f (a)) et donc de degré 0), on a
f ˜ (x) = f (a)
∫ b
a
f (x)dx ≈
∫ b
a
f ˜ (x)dx = (b − a)f (a).
Cette formule est dite formule de quadrature du rectangle à gauche.
En utilisant cette formule pour approcher la fonction t 7→ φ(t, y(t)) on a
∫ t
n+1t
nφ(t, y(t))dt ≈ hφ(t n , y(t n )) et on reconnait le schéma d’Euler progressif
(EE) {
u 0 = y(t 0 ) = y 0 ,
u n+1 = u n + hφ(t n , u n ) n = 0, 1, 2, . . . N − 1
Il s’agit d’un schéma à 1 pas explicite car il permet d’expliciter u n+1 en fonction de u n . [3]: # y0 est une variable globale
def euler_progressif(phi,tt):
h = tt[1]-tt[0]
uu = [y0]
for i in range(len(tt)-1):
uu.append( uu[i]+h*phi(tt[i],uu[i]) ) return uu
1.1.2 Schéma d’Euler implicite
Si on remplace une fonction f par une constante égale à la valeur de f en la borne droite de l’intervalle [a; b]
(polynôme qui interpole f en le point (b, f (b)) et donc de degré 0), on a
f ˜ (x) = f (b)
∫ b
a
f(x)dx ≈
∫ b
a
f ˜ (x)dx = (b − a)f(b).
Cette formule est dite formule de quadrature du rectangle à droite.
En utilisant cette formule pour approcher la fonction t 7→ φ(t, y(t)) on a
∫ t
n+1t
nφ(t, y(t))dt ≈ hφ(t n+1 , y(t n+1 ))
et on obtient le schéma d’Euler rétrograde
(EI) {
u 0 = y(t 0 ) = y 0 ,
u n+1 = u n + hφ(t n+1 , u n+1 ) n = 0, 1, 2, . . . N − 1
Il s’agit d’un schéma à 1 pas implicite car il ne permet pas de calculer directement u n+1 en fonction de u n lorsque la fonction φ n’est pas triviale.
Pour calculer u n+1 il faudra utiliser un schéma pour le calcul du zéro d’une fonction quelconque.
En effet, u n+1 est solution de l’équation x = u n + hφ(t n+1 , x), c’est-à-dire un zéro de la fonction (en générale non linéaire)
x 7→ − x + u n + hφ(t n+1 , x).
[4]: # y0 est une variable globale def euler_regressif(phi,tt):
h = tt[1]-tt[0]
uu = [y0]
for i in range(len(tt)-1):
uu.append( fsolve(lambda x: -x+uu[i]+h*phi(tt[i+1],x), uu[i]) ) return uu
1.1.3 Schéma d’Euler modifié
Si on remplace une fonction f par une constante égale à la valeur de f au milieu de l’intervalle [a; b]
(polynôme qui interpole f en le point ( a+b
2 , f ( a+b
2
)) et donc de degré 0), on a
f ˜ (x) = f ( a+b
2
)
∫ b
a
f (x)dx ≈
∫ b
a
f ˜ (x)dx = (b − a)f ( a+b
2
) .
Cette formule est dite formule de quadrature du rectangle ou du point milieu.
En utilisant cette formule pour approcher la fonction t 7→ φ(t, y(t)) on a
∫ t
n+1t
nφ(t, y(t))dt ≈ hφ (
t n + h 2 , y
( t n + h
2 ))
et on obtient {
u 0 = y(t 0 ) = y 0 , u n+1 = u n + hφ (
t n + h 2 , u n+1/2 )
n = 0, 1, 2, . . . N − 1 où u n+1/2 est une approximation de y(t n + h/2).
Cependant, u n+1/2 est une valeur inconnue, on doit alors en calculer une approximation u ˜ n+1/2 . Pour cela nous pouvons utiliser une prédiction d’Euler progressive sur un demi-pas: u ˜ n+1/2 = u n + (h/2)φ(t n , u n ). On peut ainsi remplacer φ(t n + h/2, u n+1/2 ) par φ(t n + h/2, u ˜ n+1/2 ).
Nous avons construit ainsi un nouveau schéma appelé schéma d’Euler modifié qui s’écrit
(EM)
u 0 = y(t 0 ) = y 0 ,
˜
u n+1/2 = u n + h 2 φ(t n , u n ), u n+1 = u n + hφ (
t n + h 2 , u ˜ n+1/2 )
n = 0, 1, 2, . . . N − 1 Il s’agit d’un schéma à 1 pas explicite car il permet d’expliciter u n+1 en fonction de u n . [5]: # y0 est une variable globale
def euler_modifie(phi,tt):
h = tt[1]-tt[0]
uu = [y0]
for i in range(len(tt)-1):
uu.append( uu[i]+h*phi( tt[i]+h/2,uu[i]+0.5*h*phi(tt[i],uu[i]) ) ) return uu
1.1.4 Schéma du trapèze ou de Crank-Nicolson
Si on remplace une fonction f par le segment qui relie (a, f(a)) à (b, f (b))
(polynôme qui interpole f en les points (a, f (a)) et (b, f (b)) et donc de degré 1), on a
f ˜ (x) = f (b) − f (a)
b − a (x − a) + f(a)
∫ b
a
f(x)dx ≈
∫ b
a
f ˜ (x)dx = b − a
2 (f (a) + f(b)) .
Cette formule est dite formule de quadrature du trapèze.
En utilisant cette formule pour approcher la fonction t 7→ φ(t, y(t)) on a
∫ t
n+1t
nφ(t, y(t))dt ≈ h 2 (
φ(t n , y(t n )) + φ(t n+1 , y(t n+1 )) )
et on obtient le schéma du trapèze ou de Crank-Nicolson
(CN)
u 0 = y(t 0 ) = y 0 , u n+1 = u n + h
2 (
φ(t n , u n ) + φ(t n+1 , u n+1 ) )
n = 0, 1, 2, . . . N − 1 En fait, ce schéma fait la moyenne des schémas d’Euler progressif et rétrograde.
Il s’agit à nouveau d’un schéma à 1 pas implicite car il ne permet pas d’expliciter directement u n+1
en fonction de u n lorsque la fonction φ n’est pas triviale. Pour calculer u n+1 il faudra utiliser un schéma pour le calcul du zéro d’une fonction quelconque. En effet, u n+1 est solution de l’équation x = u n + h 2 (φ(t n , u n ) + φ(t n+1 , x)), c’est-à-dire un zéro de la fonction (en générale non linéaire)
x 7→ − x + u n + h 2 (
φ(t n , u n ) + φ(t n+1 , x) )
.
[6]: # y0 est une variable globale def CN(phi,tt):
h = tt[1]-tt[0]
uu = [y0]
for i in range(len(tt)-1):
uu.append( fsolve(lambda x: -x+uu[i]+0.5*h*(␣
,→