Cours 1 Analyse Numerique

Introduction
Méthode de relaxation
Méthode de Gauss-Seidel
Vitesse de convergence
Critère ou test d’arrêt
Conditionnement
A NALYSE N UM ÉRIQUE
Ishak Hajjej
École Nationale Des Sciences Et Technologies Avancées Borj Cedria-Enstab
April 5, 2020
1/ 28
Ishak Hajjej
Introduction
Conditionnement
1 I NTRODUCTION
2 M ÉTHODE DE RELAXATION
3 M ÉTHODE DE G AUSS -S EIDEL
4 V ITESSE DE CONVERGENCE
5 C RIT ÈRE OU TEST D ’ ARR ÊT
6 C ONDITIONNEMENT
Exemple classique
Définition du conditionnement
2/ 28
Ishak Hajjej
Introduction
Conditionnement
Méthodes itératives pour la résolution des

systèmes linéaires
3/ 28
Ishak Hajjej
Introduction
Conditionnement
O UTLINE
1 I NTRODUCTION
6 C ONDITIONNEMENT
Exemple classique
4/ 28
Ishak Hajjej
Introduction
Conditionnement
I NTRODUCTION
Pour des systèmes linéaires de grande taille, les méthodes directes de
factorisations (de type LU ou de Cholesky) deviennent couteuses en temps
de calcul ou en place mémoire. L’idée alors de ne plus chercher à résoudre
exactement le système linéaire Ax = b, mais d’approcher sa solution x par
une suite de vecteurs (x(k) ) vérifiant
lim kx(k) − xk = 0.
k→∞
On utilise dans ce chapitre des méthodes itératives dont le principe est

d’écrire A comme la différence de deux matrices A = M − N, où M est une
matrice inversible (M est en général diagonale, triangulaire ou facile à
inverser). Le système Ax = b est équivalent à x = M −1 1(Nx + b). On
approche donc la solution du système Ax = b par la suite (x(k) ) définie par
x(k+1) = M −1 (Nx(k) + b), k > 0
en partant d’un x(0) donné.

5/ 28
Ishak Hajjej
Introduction
Conditionnement
R EMARQUE 1
1 On n’a pas toujours besoin de calculer M −1 , mais il faut savoir
calculer la solution de Mx(k+1) = Nx(k) + b, pour x(0) donnée.
2 La matrice M −1 N = B est appelée matrice d’itération de la méthode.
La suite (x(k) ) vérifie donc x(k+1) = Bx(k) + c, pour c = M −1 b.
En général on a:
P ROPOSITION 1
Si B = M −1 N et c = M −1 b, alors la suite (x(k) ) donnéee par
x(k+1) = Bx(k) + c, pour x(0) donné
converge vers x la solution unique de x = Bx + c, pour tout choix de x(0) , si

et seulement si la matrice d’itération B vérifie ρ(B) < 1
6/ 28
Ishak Hajjej
Introduction
Conditionnement
Dans les trois méthodes itératives classiques qu’on va étudier, on utilise la

décomposition suivante de A = (aij )1≤i,j≤n ∈ Mn (R) :
A=D−E−F
I La matrice diagonale
 
a11 ... O
D= 
O ann
I La matrice triangulaire inférieure
 
0 0 ... ... 0
−a21 0 ... ... 0
 
 .. 
E= −a31 −a32 0 .
 . .. ..
 ..

. . 
−an1 −an2 ... −ann−1 0
qui représente l’opposée de la partie en dessous de la diagonale. 7/ 28
Ishak Hajjej
Introduction
Conditionnement
I La matrice triangulaire supérieure

 
0 −a12 −a13 ... −a1n
 .. 
.
 0 −a23 ... −a2n 

F= .. .. .. 

 . . . 

0 0 −an−1n 
0 ... ... ... 0
représente l’opposé de la partie en dessus de la diagonale.
8/ 28
Ishak Hajjej
Introduction
Conditionnement
R APPEL : M ÉTHODE DE JACOBI

Dans la méthode de Jacobi on choisit M = D et donc N = E + F = D − A
où on suppose que la matrice diagonale D est inversible (aii 6= 0 pour tout
i = 1, ..., n). La matrice d’itération est J = D−1 (E + F) et la suite (x(k) )
dans la méthode de Jacobi est donnée par:
1 Initialisation: x(0) ∈ Rn donnée.
2 Pour k ≥ on calcule x(k+1) solution de
Dx(k+1) = (E + F)x(k) + b
Les composantes de x(k+1) sont données en fonction de celles de x(k)

par  
1 X (k)
xik+1 = bi − aij xj  , i = 1, ...n
aii
i6=j
9/ 28
Ishak Hajjej
Introduction
Conditionnement
D EFINITION 1
Une matrice A = (aij )1≤i,j≤n ∈ Mn (C) est dite à diagonale strictement
dominante si elle vérifie
X
aii > |aij | ∀ i ∈ {1, ...n}
i6=j
P ROPOSITION 2
Soit A une matrice à diagonale strictement dominante. Alors A est inversible
et la méthode de Jacobi converge pour résoudre le système Ax = b, pour
tout b ∈ Rn .
10/ 28
Ishak Hajjej
Introduction
Conditionnement
O UTLINE
1 I NTRODUCTION
6 C ONDITIONNEMENT
Exemple classique
11/ 28
Ishak Hajjej
Introduction
Conditionnement
M ÉTHODE DE RELAXATION
Dans la méthode de relaxation, on introduit un paramètre réel non nul ω et
on prend
1 1−ω
M = D − E, N = M − A = D+F
ω ω
La matrice d’itération est donc
1 1−ω
Lω = ( D − E)−1 ( D + F)
ω ω
1
= ω(I − ωD−1 E)−1 D−1 D ((1 − ω)In + ωD−1 F)
ω
= (I − ωD−1 E)−1 ((1 − ω)In + ωD−1 F)
I Si ω < 1, on parle de sous relaxation

I Si ω > 1, on parle de sur relaxation.
I Siω = 1 la méthode est dite de Gauss-Seidel.
Indépendamment de la matrice A, on a le résultat de divergence suivant

12/ 28
Ishak Hajjej
Introduction
Conditionnement
P ROPOSITION 3
La méthode de relaxation diverge pour tout ω ∈ R\]0, 2[
P ROPOSITION 4
Soit A ∈ Mn (R) une matrice symétrique définie positive. Alors la méthode
de relaxation converge si et seulement ω ∈]0, 2[
13/ 28
Ishak Hajjej
Introduction
Conditionnement
O UTLINE
1 I NTRODUCTION
6 C ONDITIONNEMENT
Exemple classique
14/ 28
Ishak Hajjej
Introduction
Conditionnement
C’est la méthode de relaxation pour ω = 1. On choisit donc pour cette

méthode la matrice triangulaire inférieure M = D − E représentant la partie
inférieure avec la diagonale de la matrice A. Donc N =F qui est une matrice
triangulaire supérieure à diagonale nulle. On suppose que M est inversible
(aii 6= 0 pour tout i = 1, ..., n). Dans ce cas la matrice d’itération est
L1 = (D − E)−1 F
et la méthode de Gauss-Seidel s’écrit:

1 Initialisation: x(0) ∈ Rn donnée.
2 Pour k ≥ 0 on calcule x(k+1) solution de
(D − E)x(k+1) = Fx(k) + b
15/ 28
Ishak Hajjej
Introduction
Conditionnement
La i-ème composante de x(k+1) est donnée en fonction des composantes

(k+1) (k)
xj , j < i de x(k+1) et des composantes xj , j > i de x(k) par
 
(k+1) 1  X (k+1)
X (k)
xi = bi − aij xj − aij xj  , i = 1, ...n
aii j<i j>i
(k+1)
Contrairement à la méthode de Jacobi, le calcul des composantes xi de
x(k+1) doit s’effectuer dans l’ordre i = 1, ..., n.
E XEMPLE 1
Soit  
1 2 −2
A = 1 1 1
2 2 1
La matrice d’itération de la méthode de Gauss-Seidel est
    
1 0 0 0 −2 −2 0 −2 2
L1 = (D − E)−1 F = 1 1 0 0 0 −1 = 0 2 −3
2 Ishak
2 Hajjej
1 0 0 0 0 0 2 16/ 28
Introduction
Conditionnement
Les valeurs propres de la matrice tridiagonale L1 sont donc 0 et 2 et par

conséquent ρ(L1 ) = 2 > 1. La méthode de Gauss-Seidel est divergente pour
résoudre le système Ax = b.
On sait déja que si A est une matrice symétrique définie positive, alors la
méthode de Gauss-Seidel est convergente (ω = 1 ∈]0, 2]). On montre aussi
que
P ROPOSITION 5
Si A ∈ Mn (R) une matrice à diagonale strictement dominante, alors, la
méthode de Gauss-Seidel pour la résolution de système Ax = b est
convergente.
17/ 28
Ishak Hajjej
Introduction
Conditionnement
O UTLINE
1 I NTRODUCTION
6 C ONDITIONNEMENT
Exemple classique
18/ 28
Ishak Hajjej
Introduction
Conditionnement
En pratique, il faut tenir compte de la vitesse de convergence. Autrement dit,

entre deux méthodes itératives convergentes, on choisit celle qui donne la
solution plus rapidement que l’autre. Un critère de mesure de cette vitesse
est l’évolution de l’erreur kx(k) − xk qui dépend du rayon spectral de la
matrice d’itération. En effet, si on a une suite convergente (x(k) ) définie par
x(k+1) = Bx(k) + c, pour x(0) donnée, sa limite est x vérifiant x = Bx + c, et
on a
x(k) − x = B(x(k−1) − x) = Bk (x(0) − x)
et par conséquent
kx(k) − xk2 = kBk (x(0) − x)k2 ≤ kBkk2 kx(0) − xk2
En particulier, si B est symétrique, alors, kBk2 = ρ(B) et il vient
kx(k) − xk2 ≤ ρ(B)k kx(0) − xk2
19/ 28
Ishak Hajjej
Introduction
Conditionnement
Ainsi, la suite (x(k) ) converge plus vite vers x d’autant que ρ(B) est plus
petit. Ceci reste encore vrai pour une norme matricielle quelconque et pour
une matrice B quelconque d’après le lemme suivant
L EMME 1
Si B ∈ Mn (C) et k.k est une norme matricielle subordonnée, alors
1
ρ(B) = lim kBk k k
k→∞
D EFINITION 2
Pour la recherche d’une solution x d’un système Ax = b, une méthode
itérative de matrice d’itération B est dite plus rapide qu’une autre de matrice
d’itération B̃, si ρ(B) < ρ(B̃).
20/ 28
Ishak Hajjej
Introduction
Conditionnement
Pour une matrice tridiagonale on a:

P ROPOSITION 6
Soit A une matrice tridiagonale. Alors les rayons spectraux de Jacobi et
Gauss-Seidel sont liées par la relation
ρ(L1 ) = (ρ(J))2
Donc les deux méthodes convergent ou divergent simultanément.

Lorsqu’elles convergent, la méthode de Gauss-Seidel est plus rapide.
21/ 28
Ishak Hajjej
Introduction
Conditionnement
O UTLINE
1 I NTRODUCTION
6 C ONDITIONNEMENT
Exemple classique
22/ 28
Ishak Hajjej
Introduction
Méthode de Gauss-Seidel Exemple classique
Vitesse de convergence Définition du conditionnement
Conditionnement
En général, dans les méthodes itératives pour la détermination de x̃ solution

d’un problème quelconque, on construit une suite (x(k) ) qui converge vers x̃ .
En pratique, et si on n’exige pas un critère d’arrêt, le nombre d’itérations
pour calculer les termes de cette suite pourrait être infini.Le calcul donc
devrait être interrompu des qu’on obtient une solution approchée a ε prés,
vérifiant par exemple kAx(k) − bk ≤ ε si x̃ est aussi solution de Ax = b, ou
kx(k+1) − x(x) k ≤ ε dans le cas général, pour une tolérance ε donnée et une
norme vectorielle k.k choisie. Il existe aussi d’autres critères d’arrêt comme
kAx(k) − bk
≤ε
kbk
ou
kx(k) − x(k−1) k
≤ε
kx(k) k
pour les algorithmes de résolution des systèmes linéaires.

23/ 28
Ishak Hajjej
Introduction
Conditionnement
O UTLINE
1 I NTRODUCTION
6 C ONDITIONNEMENT
Exemple classique
23/ 28
Ishak Hajjej
Introduction
Conditionnement
Cet exemple est du à R. S. Wilson. Considérons le système linéaire (S) :

Ax = b avec    
10 7 8 7 32
7 5 6 5  23
A=  8 6 10 9  , b = 33
  
7 5 9 10 31
Remarquons tout d’abord que la matrice A est symétrique, que son
déterminant vaut 1 et que la solution de (S) est donnée par x = (1, 1, 1, 1)T .
I Premier cas : b est perturbé. Perturbons légèrement le second
membre b et considérons  
32.1
22.9
 
33.1
30.9
Si on résout le système (S0 ) : Ax0 = b0 , on trouve
x0 = (9.2, −12.6, 4.5, −1, 1)T . La petite perturbation sur le second
membre b entraı̂ne donc une forte perturbation sur la solution du
système.
24/ 28
Ishak Hajjej
Introduction
Conditionnement
En général, si x est tel que Ax = b et x + δx vérifiant A(x + δx) = b + δb,

alors Aδx = δb ou encore δx = A−1 b. Par conséquent
kδxk ≤ kA−1 kkδbk (1)
pour k.k une norme matricielle subordonnée.

D’autre part kbk = kAxk ≤ kAkkxk et donc
1 kAk
≤ (2)
kxk kbk
De (1) et (2), on déduit la majoration d’erreur suivante:
kδxk kδbk
≤ kAkkA−1 k (3)
kxk kbk
On remarque que pour kδxk soit assez petit pour une petite perturbation de
b, il suffit que le terme kAkkA−1 k soit aussi assez petit,
25/ 28
Ishak Hajjej
Introduction
Conditionnement
I Deuxième cas : A est perturbée. De façon analogue, si on perturbe

légèrement la matrice A et que l’on considère
 
10 7 8.1 7.2
7.08 5.04 6 5 
A00 = 
 8

5.98 9.89 9 
6.99 4.99 9 9.98
alors la solution du système (S00 ) : A00 x00 = b est x00 = (−81 107 − 34 22)T .
D’une manière générale, on considère les deux systèmes Ax = b et
(A + ∆A)(x + δx) = b. Il vient donc δx = A−1 ∆A(x + δx) d’où
kδxk k∆Ak
≤ kA−1 k.kAk
kx + δxk kAk
26/ 28
Ishak Hajjej
Introduction
Conditionnement
D EFINITION 3
On appelle conditionnement d’une matrice inversible A relatif à une norme
matricielle subordonnée k.k, le réel positif, qu’on note Cond(A)
Cond(A) = kAkkA−1 k
P ROPOSITION 7
Pour toute matrice inversible A ∈ Mn (K) on a:
I Cond(A) = Cond(A−1 )
I Cond(αA) = Cond(A), pour tout α ∈ K ∗
I Cond(A) ≥ 1
max
1≤i≤n i |λ |
I Cond2 (A) = min1≤i≤n |λi | , si A est une matrice réelle symétrique (ou
complexe Hermitienne) inversible de valeurs propres (λi )1≤i≤n . Ici
Cond2 désigne le conditionnement relatif à la norme k.k2 .
27/ 28
Ishak Hajjej
Introduction
Conditionnement
En plus de la majoration (3), on a en général:

P ROPOSITION 8
Soient A et δA deux matrices de Mn (K), avec A inversible et soient b et δb
deux vecteurs de K n tel que b 6= 0.
1 Si Ax = b et A(x + δx) = b + δb, alors on a
kδxk kδbk
≤ Cond(A)
kxk kbk
2 Si Ax = b et (A + δA)(x + δx) = b, alors
kδxk kδAk
≤ Cond(A)
kx + δxk kAk
P ROOF .
I A faire en exercice.
28/ 28
Ishak Hajjej

Cours 1 Analyse Numerique

Transféré par

Droits d'auteur :

Formats disponibles

Cours 1 Analyse Numerique

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours 1 Analyse Numerique

Transféré par

Droits d'auteur :

Formats disponibles

Introduction

École Nationale Des Sciences Et Technologies Avancées Borj Cedria-Enstab

3 M ÉTHODE DE G AUSS -S EIDEL

5 C RIT ÈRE OU TEST D ’ ARR ÊT

Méthodes itératives pour la résolution des

On utilise dans ce chapitre des méthodes itératives dont le principe est

x(k+1) = M −1 (Nx(k) + b), k > 0

en partant d’un x(0) donné.

x(k+1) = Bx(k) + c, pour x(0) donné

converge vers x la solution unique de x = Bx + c, pour tout choix de x(0) , si

Dans les trois méthodes itératives classiques qu’on va étudier, on utilise la

I La matrice triangulaire supérieure

représente l’opposé de la partie en dessus de la diagonale.

R APPEL : M ÉTHODE DE JACOBI

Les composantes de x(k+1) sont données en fonction de celles de x(k)

I Si ω < 1, on parle de sous relaxation

Indépendamment de la matrice A, on a le résultat de divergence suivant

C’est la méthode de relaxation pour ω = 1. On choisit donc pour cette

et la méthode de Gauss-Seidel s’écrit:

La i-ème composante de x(k+1) est donnée en fonction des composantes

Les valeurs propres de la matrice tridiagonale L1 sont donc 0 et 2 et par

En pratique, il faut tenir compte de la vitesse de convergence. Autrement dit,

kx(k) − xk2 = kBk (x(0) − x)k2 ≤ kBkk2 kx(0) − xk2

En particulier, si B est symétrique, alors, kBk2 = ρ(B) et il vient

kx(k) − xk2 ≤ ρ(B)k kx(0) − xk2

Pour une matrice tridiagonale on a:

Donc les deux méthodes convergent ou divergent simultanément.

En général, dans les méthodes itératives pour la détermination de x̃ solution

pour les algorithmes de résolution des systèmes linéaires.

Cet exemple est du à R. S. Wilson. Considérons le système linéaire (S) :

En général, si x est tel que Ax = b et x + δx vérifiant A(x + δx) = b + δb,

kδxk ≤ kA−1 kkδbk (1)

pour k.k une norme matricielle subordonnée.

De (1) et (2), on déduit la majoration d’erreur suivante:

I Deuxième cas : A est perturbée. De façon analogue, si on perturbe

En plus de la majoration (3), on a en général:

Vous aimerez peut-être aussi

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.