Rsolution numrique de

systmes linaires

PolytechLille CM3

3/29/11 1
E. Calzavarini PolytechLille
et
H.Naji Universit DArtois

Introduction & dfinitions
Objet du chapitre: Rsolution numrique
de tout systme linaire de la forme
3/29/11 2
Ax b ( 1) =
o
ij
i
i
A ( a ) ( ou ) 1 i, j n
x vecteur inconnu
1 i n
b vecteur second membre
= ! " "
#
$
% &
" "
'
$
(
)
! " #
Introduction & dfinitions
Hypothse: A est bien entendu inversible,
sans quoi le problme na aucun sens
3/29/11 3
n est la dimension ou taille du systme (1)
Rsolution du systme (1)
2 types de mthodes
Mthodes directes
Mthodes indirectes
ou itratives
Introduction & dfinitions
Y-a-t-il une rgle pour choisir entre les
2 mthodes? Non !
3/29/11 4
Toutefois, les mthodes itratives
sont prfres si n est trs grand
Pourquoi ???
Pas de transformations sur la matrice A.
Ainsi, les erreurs darrondi sont minimises
mais elles ne les liminent naturellement pas.
Introduction & dfinitions
3/29/11 5
Consquences?
Attention, les erreurs darrondi peuvent
saccumuler
Solution numrique
proche de la solution
thorique
Solution numrique
trs loigne de la
solution thorique
Une mthode est stable si elle est insensible
la propagation des erreurs darrondi.
Mthodes directes
Dfinition: Une mthode est directe si
elle conduit la solution de (1) en un
nombre fini doprations lmentaires,
fonction de la taille du systme.
3/29/11 6
N.B: Contrairement aux ides bien reues, la
solution de (1) ne sobtient pas par
1. Application de Cramer (loublier! N
op
= n
2
n!)
ou
2. Calcul effectif de A
-1
(Ne jamais le faire!)
Ide de base vidente: Si la matrice a une
forme diagonale ou triangulaire (suprieure
ou infrieure) tout est gagn ou presque
3/29/11 7
Mthodes directes
Premier cas simple: A est diagonale
11 1 1
i
ii i
ii
nn n n
a 0 0 ... 0 x b
0 ... ...
b
. a ... ... ; x 1 i n
a
. ... ...
0 ... 0 0 a x b
! "! " ! "
# $# $ # $
# $# $ # $
# $# $ # $
= = % %
# $# $ # $
# $# $ # $
# $# $ # $
& '& ' & '
Solution
a
ii
est non nul
pour tout i
3/29/11 8
Mthodes directes (suite)
Second cas simple: A est triangulaire suprieure
11 1i 1n 1 1
n
n
nn
ii
n
i i ij j
j i 1
ii
nn n n
a ... a ... a x b
0 ... ... b
x
a
. a ... ... ;
. ... ... 1
x ( b a x ) n 1 i 1
a
0 ... 0 0 a x b
= +
! "! " ! " #
$ %$ % $ %
&
$ %$ % $ %
&
=
&
$ %$ % $ %
=
'
$ %$ % $ %
&
$ %$ % $ %
&
= ( ( ) )
$ %$ % $ %
&
* + ,+ , + ,
-
Solution
Cela suppose que a
ii
non nul pour tout i;
3/29/11 9
Mthodes directes (suite)
Second cas simple: A est triangulaire infrieure
11 1 1
1
1
11
i1 ii
i 1
i i ij j
j 1
ii
n1 ni nn n n
a 0 ... 0 x b
. 0 . 0 ... ... b
x
a
a . a 0 . ... ... ;
. . . . 0 ... ... 1
x ( b a x ) 2 i n
a
a ... a ... a x b
!
=
" #" # " # $
% &% & % &
'
% &% & % &
'
=
'
% &% & % &
=
(
% &% & % &
'
% &% & % &
'
= ! ) )
% &% & % &
'
* + ,+ , + ,
-
Solution
Cela suppose que a
ii
non nul pour tout i !!!
3/29/11 10
Mthodes directes (suite)
Commentaires sur les programmes
diagonale et triangulaire
1. Rsolution immdiate;
2. Oprations lmentaires (additions, multiplications
et divisions) ncessaires pour les systmes
triangulaires N
op
= n
2
3. Obtention du det(A)="a
ii
qui est non nul;

3/29/11 11
Mthodes directes (suite)
La mthode de GAUSS
Principe:
1. Transformer le systme initial en un systme
matrice triangulaire
2. Rsolution du systme



par un des algorithmes prcdents.
Ide : Si A nest pas triangulaire, on est
amen trouver une matrice inversible M
tel que MA soit triangulaire

MAx Mb =
3/29/11 12
La mthode de GAUSS (suite)
4 rgles retenir
On ne change pas la solution dun systme linaire
lorsquon:

1. permute 2 lignes;
2. permute 2 colonnes;
3. Divise par un mme terme non nul les
lments dune ligne;
4. Ajoute ou retranche une ligne un certain
nombre de fois une autre ligne

Pourquoi faire ?
Exemple
3/29/11 13
( )
1
2 1 1
3
4
1
2 1 0 4 2
4 2 3 7 9
4 1 2 8 2
0 3 12 1 2
=
! " ! " ! "
# $ # $ # $
% % % %
# $ # $ # $
= = =
# $ # $ # $
%
# $ # $ # $
# $
% % %
& ' & ' & '
( ) ( )
; ;
Ax b
avec
x
x
A b x
x
x
Notons A
(1)
=A; b
(1)
=b
On peut aussi noter
(1)
=(A,b)
(1)
est appele matrice augmente
Exemple (suite)
La composante b
i
sera note a
i,n+1
Lindice sup (1) voulant dire ltape 1

3/29/11 14
Pivot a
11
(1)
=2
N.B: Par permutation de lignes ou de colonnes
dans A
(1)
, on peut tjs trouver un a
11
(1)
non nul

1
2 1 0 4 2
4 2 3 7 9
4 1 2 8 2
0 3 12 1 2
! "
# $
% % % %
# $
=
# $
%
# $
# $
% % %
& '
!
( )
A
Exemple (suite)
1re tape : limination de x
1
dans les lignes
L
2
, L
3
et L
4
de
(1)
.
3/29/11 15
2
2 1 0 4 2
0 0 3 1 5
0 1 2 0 2
0 3 12 1 2
! "
# $
%
# $
=
# $
% % %
# $
# $
% % %
& '
!
( )
A
L
2
= L
2
-(a
21
/pivot)
(1) .
L
1
L
3
= L
3
-(a
31
/pivot)
(1) .
L
1
L
4
= L
4
-(a
41
/pivot)
(1) .
L
1
Exemple (suite)
Il y a un problme: Le Pivot a
22
(2)
=0
Que faut-il faire pour sen sortir ?
On cherche intervertir des lignes
(cf. les 4 rgles)
3/29/11 16
On change L
2
et L
3


2
2 1 0 4 2
0 1 2 0 2
0 0 3 1 5
0 3 12 1 2
! "
# $
% % %
# $
=
# $
%
# $
# $
% % %
& '
!
( )
A
Pivot a
22
(2)
=-1
Exemple (suite)
3/29/11 17
3
2 1 0 4 2
0 1 2 0 2
0 0 3 1 5
0 0 6 1 8
! "
# $
% % %
# $
=
# $
%
# $
# $
% %
& '
!
( )
A
Pivot a
33
(3)
=3
2me tape : limination de x
2
dans la ligne
L
4
de
(2)
L
4
= L
4
-(a
42
/pivot)
(2)
L
2
Exemple (suite)
3/29/11 18
4
2 1 0 4 2
0 1 2 0 2
0 0 3 1 5
0 0 0 1 2
! "
# $
% % %
# $
=
# $
%
# $
# $
%
& '
!
( )
A
Pivot a
44
(4)
=1
3me tape: limination de x
3
dans la ligne
L
4

(3)
L
4
= L
4
-(a
43
/pivot)
(3)
L
3
Exemple (suite)
3/29/11 19
A lissue de cette 3me tape, la matrice
(4)
est une TS (triangulaire superieure)
La solution est

3
4
1
2
! "
# $
# $
=
# $
%
# $
%
& '
x
On appelle Pivot les elements a
ii
(k)

Lalgorithme de pivot de Gauss N
op
= 2/3 n
3


3/29/11 20
1. Triangulation
* criture gnrale de la premire tape
Lalgorithme de pivot de Gauss
3/29/11 21
Les quations prcdentes sont quivalente
( )
2 2
2 1 1
2 1 1
21
1
1
1 1 11 31
1
1 0 0
1
0 1
0
0 1
=
!
=
"
=
#
$ %
& '
& '
& '
= = (
& '
& '
& '
) *
( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( )
( )
... ...
... ... .
; / ... .
. . . .
... ...
i i
n
A x b
A M A
b M b
r
M r a a r
r
avec
et
criture matricielle quivalente
Lalgorithme de pivot de Gauss
3/29/11 22
Les oprations matricielles prcdentes sur A
et b tant identiques, on note: =(A,b)

* criture gnrale de la k
ime
tape
Lalgorithme de pivot de Gauss
3/29/11 23
* La matrice
(k+1)
augmente est de la
forme:
Lalgorithme de pivot de Gauss
3/29/11 24
criture matricielle quivalente
Les quations prcdentes sont quivalente
1 1
1
1
1
1 0 0
0 1
0
0
1
0 0
0 0 0 1
+ +
+
+
+
=
!
=
"
=
#
$ %
& '
& '
& '
$ %
& '
= = (
& '
& '
) *
& '
& '
& '
& '
) *
( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( )
( )
. . . .
.
. . .
; . . . .
. . . .
. . . . .
. .
k k
k k k
k k k
k
k
ik
ik
kk
k k
nk
A x b
A M A
b M b
a
M r
a
r
r
Lalgorithme de pivot de Gauss
3/29/11 25
A la dernire tape (n-1)
ime
, il vient
le systme TS suivant:
Lalgorithme de pivot de Gauss
3/29/11 26
Posant
( )
1 1
1
1 2 1
! !
!
! !
"
= =
#
$
=
#
%
( ) ( ) ( )
( ) ( ) ( )
..................
n n n
n n
U A M A
L M M M
( )
A A LU = =
1
Lalgorithme de pivot de Gauss
3/29/11 27
Phase de triangulation
pour 1# k # n-1
choix du pivot a
kk

si pivot $ 0 alors
pour k+1 # i # n
r
ik
= -a
ik
/a
kk

b
i
=b
i
+r
ik
b
k
pour k # j # n+1
a
ij
=a
ij
+r
ik
a
kj

fin j
fin i
sinon ! il ya un problme !
fin k
Lalgorithme de pivot de Gauss
3/29/11 28
Phase de rsolution du systme TS: A
(n)
x=b
(n)

x
n
=b
n
/a
nn
pour n-1 # i # 1
S=b
i
pour i+1 # j # n
S=S-a
ij
x
j

fin j
x
i
=S/ a
ii

fin i
3/29/11 29
Pivot partiel/ligne Pivot total
[ ]
( k ) ( k )
lk ik
i k 1,n
a Max a
! +
=
[ ]
( k ) ( k )
lm ij
i , j k 1,n
a Max a
! +
=
Permuter les lignes l et k
de
(k)
Permuter les lignes l et k
et les colonnes m et k
Permuter aussi x
m
& x
k
Mais en fait, pourquoi sommes-nous contraints
de faire un tel choix ?
Choix des pivots

La rponse se trouve dans lexemple
suivant
3/29/11 30
4
1
2
1
10 1
2
1 1
!
" #
" # " #
=
$ %
$ %
$ %
& ' & '
& '
x
x
Supposons les calculs et les donnes arrondis aux 3
premiers chiffres significatifs. Autrement dit, les
chiffres sont reprsents en virgule flottante i.e.
de la forme d.dd10
e
1. Mthode bte et mchante
Soit le pivot a
11
(1)
=10
-4
exemple (suite)
3/29/11 31
4
1
4
4
2
1
10 1
2 10
0 1 10
!
+
+
" #
" # " #
=
$ %
$ % $ %
!
!
& ' & '
& '
x
x
Gauss mne
soit
4
1
2
1
10 1
999
0 999
!
" #
" # " #
=
$ %
$ % $ %
!
!
& ' & '
& '
x
x
Solution ?
1
2
0
1
! " ! "
=
# $ # $
% & % &
x
x
loigne de la
vraie solution?
OUI !

-9990 -9990
exemple (suite)
3/29/11 32
1
4
2
1 1 2
10 1 1
!
" # " # " #
=
$ % $ % $ %
& ' & ' & '
x
x
1. Mthode lgante
On commence par changer les deux lignes

Soit le pivot
a
11
(1)
=1

Gauss mne
1
2
1 1 2
0 0 999 0 999
! " ! " ! "
=
# $ # $ # $
%
& ' & ' & '
. .
x
x
Solution
1
2
1
1
! " ! "
=
# $ # $
% & % &
x
x
Satisfait et
convaincu !!!
Quelle conclusion ?
A travers cet exemple, on voit bien leffet
dsastreux des erreurs darrondis lorsquon
choisit des pivots trop petits.
Voil pourquoi on utilise toujours lune des
stratgies prcdentes au dbut de la k
ime

tape.
3/29/11 33
Afin de minimiser les erreurs darrondis, une
stratgie de pivot est indispensable lors de
lapplication de Gauss des systmes linaires
de matrice quelconque.
Rsum
Comment en dduire A
-1
& det(A) ?
3/29/11 34
1. Le calcul A
-1
est quivalent la
rsolution des n systmes linaires:
i
Ax e ; 1 i n = ! !
ou
ij j i
a x e ; 1 i n = ! !
Avec e
i
est le i
me
vecteur de la base canonique;
Ainsi A
-1
est obtenue colonne par colonne.
Calcul de det(A) ?
3/29/11 35
2. Le calcul det(A) sobtient laide du
procd dlimination, soit:
n
p ( k )
kk
k
det( A) ( 1) a = !
"
o p est le nombre total de permutation
effectues
pivot
3/29/11 36
Reprsentons une tape de la triangulation
1
1
+
=
=
=
( ) ( ) ( )
( )
( )
k k k
n
A M A
A A
A U
1
1 0 0
0 1
0
0
1
0 0
0 0 0 1
+
! "
# $
# $
# $
! "
# $
= = %
# $
# $
& '
# $
# $
# $
# $
& '
( )
( )
. . . .
.
. . .
; . . . .
. . . .
. . . . .
. .
k
k
ik
ik
kk
k k
nk
a
M r
a
r
r
De Gauss LU
(Lower/Upper diagonal decomposition)
De Gauss LU
(Lower/Upper diagonal decomposition)
3/29/11 37
Les matrices M
(k)
sont inversibles et leurs
inverses sont des matrices L
(k)
TI de la forme:
( )
1
1
1 0 0
0 1
0
0
1
0 0
0 0 0 1
!
+
" #
$ %
$ %
$ %
" #
$ %
= = = +
$ %
$ %
& '
$ %
$ %
$ %
$ %
& '
( )
( )
( )
. . . .
.
. . .
; . . . .
. . . .
. . . . .
. .
k
k
k
ik
ik
kk
k k
nk
a
L M l
a
l
l
( )
1 1
1
1 1
= ! = !
!
= =
= =
" "
( )
( ) ( )
k n k n
k
k
k k
L L M
Lalgorithme de la dcomposition LU
3/29/11 38
1. Dcomposition
pour 1# k # n-1
choix du pivot a
kk
( choix de pivot )


si pivot $ 0 alors
l
kk
=1
pour k+1 # i # n
l
ik
=-r
ik
pour k # j # n+1
a
ij
=a
ij
-l
ik
a
kj

fin j
fin i
sinon ! problme !
fin k

Lalgorithme de la dcomposition LU
3/29/11 39
2. Rsolution de Ax = LUx=b

a) Ly=b Systme TI
b) Ux=y Systme TS
Mthode de Gauss-Jordan
3/29/11 40
Ide : Trouver une matrice inversible S
Tel que SA soit une matrice unit I=SA

Principe:
1. Transformer le systme initial en un systme
matrice unit
2. Rsolution du systme


Mthode qui sinspire des mmes principes que
celle de Gauss

SAx Sb =
Lalgorithme de pivot de Gauss-Jordan
3/29/11 41
pour 1# k # n-1
choix du pivot a
kk

si pivot $ 0 alors
pour 1 # i # n, i$k
pour k # j # n+1
r
kj
= a
kj
/a
k k

a
ij
= a
ij
r
kj
a
ik

fin j
fin i
sinon !problme!
fin k
3/29/11 42
N.B (Gauss-Jordan):
1.Comme pour Gauss, on adopte une
stratgie de pivot;
2. Pour n assez grand, le nombre
doprations est de lordre de
N
op
=n
3
/2

Pour Gauss on avait N
op
= 2/3 n
3


Mthode de Cholesky
3/29/11 43
Matrice symtrique: A=A
t
Matrice dfinie positive: x
t
Ax> 0 " x en R
n
Cest une variante de la mthode de Gauss
lorsque la matrice A=LU est symtrique et
dfinie positive
Dans ce cas, la Matrice A scrit de faon
unique en A=BB
t
si les lments diagonaux de B
sont choisis tous > 0. B est un matrice TI (L).


Mthode de Cholesky
3/29/11 44
Comment profiter des proprits de la
matrice A?

Objectif: Rsoudre Ax=b avec A
symtrique dfinie positive
1. Commencer par construire la matrice B;
2. Ensuite, rsoudre deux systmes
matrices triangulaires.

Lalgorithme de Cholesky
3/29/11 45
Phase de construction de B
pour 1 # k # n



pour k+1 # i # n




fin i
fin k
k 1
2
kk kk kj
j 1
b a b
!
=
= !
"
!
=
!
=
"
k 1
ik ij kj
j 1
ik
kk
a b b
b
b
3/29/11 46
N.B (Cholesky):
1. Aucune stratgie de pivot nest ici
ncessaire;
2. Pour n assez grand, le nombre
doprations est de lordre de N
op
= n
3
/3
Cas des systmes matrice
tridiagonale
3/29/11 47
1 1 1 1
2 2 2
3 i
n 1
n n n n
a c 0 ... 0 x d
b a c . . ... ...
0 b a . 0 ... ... ;
. . . . c ... ...
0 ... 0 b a x d
!
" #" # " #
$ %$ % $ %
$ %$ % $ %
$ %$ % $ %
=
$ %$ % $ %
$ %$ % $ %
$ %$ % $ %
& '& ' & '
Ce sont des systmes de la forme
N.B. vidente:
1. On peut bien sr rsoudre un tel systme
par Gauss. Mais, il y a mieux!
2. Lapplication de Gauss avec stratgie de
pivot fait perdre le caractre tridiagonal
3/29/11 48
Quelle mthode?
Procd:
1. Dcomposer A en LU
2. Rsoudre les deux systmes
Ly=b
Ux=y
Lalgorithme de double balayage de Cholesky
3/29/11 49
Phase de construction de L et U
1 1
2 2 2
3
n 1
n n
1 0 0 ... 0 u v 0 ... 0
l 1 0 . . 0 u v . .
L 0 l . . 0 ;U 0 0 . . 0
. . . . 0 . . . . v
0 ... 0 l 1 0 ... 0 0 u
!
" # " #
$ % $ %
$ % $ %
$ % $ %
= =
$ % $ %
$ % $ %
$ % $ %
& ' & '
3/29/11 50
Construction des matrices L & U
u
1
=a
1
pour 1<=i <=n-1

v
i
=c
i

Pour 1<= i <= n-1
l
i+1
= b
i+1
/u
i

u
i+1
=a
i+1
-v
i
l
i+1
A=LU
Programmation
structure aise
3/29/11 51
Rsolution des 2 systmes
y
1
= d
1
Pour 2<= i <=n
y
i
=d
i
-l
i
y
i-1
2. Ux=y
Programmation
structure aise
1. Ly=d
x
n
= y
n/
u
n
Pour n-1<= i <=1
x
i
=(y
i
-v
i
x
i+1
)

/ u
i
Cette mthode requiert un nombre doprations
de lordre de N
op
=8n (rduction considrable par
rapport au nombre doprations de Gauss!)
Rsume de mthodes directes
1. Mthode pour une matrice diagonale
2. Mthode pour une matrice triangulaire (sup/inf)

Mthodes generales
1. Mthode de pivot de Gauss
2. Mthode de decomposition LU
3. Mthode de Gauss-Jordan

Cas Particuliers
1. Mthode de Cholesky pour matrices symmetriques et
dfinie positive
2. Mthode de double baylage pour matrices
tridiagonales
Mthodes indirectes (ou itratives)
Dfinition: Comme cela est suggr par le
titre, ces mthodes permettent lobtention
de la solution au bout dun certain nombre
ditrations.

Principe: Construire une suite de vecteurs
(x
(k)
)
k#N
convergente vers la solution du
systme initial. Le calcul de chaque x
(k)
doit
tre plus simple que la solution directe du
systme!
3/29/11 53
3/29/11 54
On crit la matrice inversible A sous la forme
A =M-N
O M est rgulire et !facilement inversible!.
Autrement dit, M est ou diagonale ou triangulaire
Dcomposition de la matrice A
N.B:
1. On ne peut plus en dduire A
-1

2. Comme dans tout calcul itratif, les problmes
derreurs et de vitesse de convergence se
posent ici
3/29/11 55
criture quivalente du systme initial
Rsoudre Ax=b <=> rsoudre Mx=Nx +b
<=> rsoudre x= M
-1
Nx + M
-1
b
Mais attention, cela ne signifie nullement
quil faut dterminer effectivement M
-1
!!!!

La dernire quation est de la forme:
x= Bx + c
Mthode itrative
Mx
k+1
= Nx
k
+ b
Problme du
point fixe
3/29/11 56
Diffrentes mthodes peuvent tre construites
selon le choix des matrice M et N .
En pratique, on considre la suite (x
(k)
)
k#N
dfinie
par:
x
(0)
donn
x
(k+1)
= M
-1
Nx
(k)
+ M
-1
b
1. Mthode de Jacobi
A= M-N =D-(L+U)
3/29/11 57
Les matrices dordre n D, L et U sont
dfinies par:
( );
( );
( );
ij ij ij ij
ij
ij ij
ij
ij ij
D d d a
a si i j
L l l
0 autrement
a si i j
U u u
0 autrement
= =
!
"
= =
#
$
!
"
= =
#
$
!
"
%
1.1 Mthode de Jacobi
L est une TI
U est une TS
3/29/11 58
1.1 Mthode de Jacobi (suite)
A cette dcomposition, on associe la
mthode suivante
Lalgorithme de construction des vecteurs x
(k)
est:
0
1
1
1
+
=
!
"
#
#
$ %
&
' (
= ) + * *
#
' (
' (
#
+ ,
-
.
( )
( ) ( )
/
n
k k
i ij j i ii
j
j i
x vecteur initial
x a x b a i n
3/29/11 59
1.2 Mthode de Jacobi (suite)
N.B:
1. La mthode suppose que a
ii
$ 0 pour tout i

2. Le calcul des composantes du vecteur x
(k+1)
ncessite de garder en mmoire le vecteur x
(k)
.
Une itration va ainsi immobiliser 2n cases
mmoires de lordinateur.

3. Le processus itratif doit tre stopp
lorsque par exemple on a

1 ( k ) ( k ) ( k )
x x x
+
" #
3/29/11 60
1
1
=
!
= " "
#
n
ii ij
j
j i
a a i n
1.3 Condition Suffisante de Convergence
Si la matrice A est diagonale dominante,
alors la mthode de Jacobi converge.
Quest ce une matrice diagonale dominante?
3/29/11 61
2. Mthode de Gauss-Seidel
A= M-N= (D-L)-U
2.1 Mthode de Gauss-Seidel
A cette dcomposition, on associe la mthode
suivante
Matrice de Gauss-Seidel
3/29/11 62
2.2 Lalgorithme de construction des vecteurs
x
(k)
est:
0
1
1 1
1 1
1
!
+ +
= = +
"
#
$ %
&
= ! ! + ' '
( )
#
* +
,
- -
( )
( ) ( ) ( )
/
i n
k k k
i ij j ij j i ii
j j i
x vecteur initial
x a x a x b a i n
N.B:
1. La mthode suppose que a
ii
$ 0 pour tout i
2. En fait, cet algorithme est une amlioration
de lalgorithme de Jacobi.
3/29/11 63
En effet, pour calculer des composantes du
vecteur x
(k+1)
, on utilise les (i-1) premires
composantes de x
(k+1)
et les (n-(i+1)) dernires du
vecteur x
(k)
.
Pour une itration, on ne garde que n cases
mmoires de lordinateur. Cet algorithme est en
gnral plus performant est plus rapide que celui
de Jacobi
3. Le processus itratif doit tre stopp
lorsque par exemple on a
1 ( k ) ( k ) ( k )
x x x
+
" #
3/29/11 64
2.3 Condition Suffisante de Convergence
Si la matrice A est diagonale dominante,
alors la mthode de Gauss-Seidel converge.
3/29/11 65
Convergence des mthodes itratives
Proposition 1: Les mthodes itratives du type
x
(k+1)
= Bx
(k)
+ M
-1
b avec B=M
-1
N sont
convergentes ssi B
k=0
-> 0 lorsque k -> ".
Proposition 2: Les mthodes itratives sont
convergentes ssi le rayon spectral de la matrice B
est < 1.
Dfinition : Le rayon spectral dune matrice B est le
rel positif dfini par " (B) < 1
Les deux propositions prcdentes sont souvent
peu applicables en pratique. Cest pourquoi on se
contente souvent de la CS nonce plus haut.
3/29/11 66
3. Mthode de relaxation (SSOR)
Motivation:
En vue dacclrer la convergence de la mthode
de G-S, on introduit un paramtre dans la matrice
(D-L)
-1
U . Autrement dit, on considre la mthode
itrative dfinie par le choix de M=(D-!L)/! o
! est un paramtre dit de relaxation # 0
prciser. Dans ce cas, on a N=[(1- !)D+!U]/!
3/29/11 67
La matrice de relaxation associe
cette mthode est:
R
!
= (D- !L)
-1
[(1- !)D+!U]
! A cette dcomposition, on associe la
mthode suivante
3/29/11 68
3.1. Algorithme de calcul
Vecteur estim
par Gauss-Seidel
Paramtre de pondration
Si !=1 => on a encore Gauss-Seidel
3/29/11 69
ou
Un test darrt pourrait tre
1 ( k ) +
#
3/29/11 70
3.2. Une CN de convergence
Une condition ncessaire et suffisante de
convergence de la mthode de relaxation
successive, pour une matrice symtrique dfinie
positive, est 0 < ! < 2
3.3. Une CNS de convergence
Une condition ncessaire de convergence de
la mthode de relaxation successive, pour une
matrice quelconque, est 0 < ! < 2
3/29/11 71
Rsum sur les mthodes itratives
( ) ( )
( ) ( )
1
1
1
1
1 1 1 1
Matrice
Dcomposition
Mthode
A M N
M N
Jacobi A D L U J D L U
Gauss Seidel A D L U G D L U
Relaxation A D L D U R D L D U
!
! !
! ! ! !
"
"
"
"
= "
= " + = +
" = " " = "
" "
# $ # $ # $ # $
= " " + = " +
% & % & % & % &
' ( ' ( ' ( ' (
3/29/11 72
Rsum (suite): Description dune itration
Mthode
de Jacobi
Mthode de
G-Seidel
Mthode de
relaxation
Remerciements
Ce cours a t inspir par les notes
du cours MNI
donns par Prof. Hassan Naji
dans les annes avant 2010