RESOLUCION DE ECUACIONES DIFERENCIALES NO-LINEALES

CON UN ALGORITMO RESIDUAL

WILLIAM LA CRUZ
Departamento de Electronica, Computacion y Control
Universidad Central de Venezuela
Caracas, Venezuela
email: lacruzw@ucv.ve

RESUMEN Muchos problemas fsicos se pueden mo-

Se presenta la aplicacion de un nuevo metodo li-
bre de derivadas para sistemas de ecuaciones no-
lineales, en la resolucion numerica de ecuaciones
diferenciales no-lineales. Se incluyen algunos
experimentos numericos preliminares donde se
comprueba que el metodo propuesto y su version
precondicionada, son efectivos y compiten favo-
rablemente con el metodo de Newton de puntos
interiores-reflexivo, implementado en la funcion
fsolve del Toolbox de optimizacion de MAT-
LAB.
PALABRAS CLAVE
Ecuaciones diferenciales no-lineales, Metodo de
diferencias finitas, Sistema de ecuaciones no-
lineales, Metodo de Newton, Algoritmo libre de
derivadas.
1 Introduccion
delar usando ecuaciones en derivadas parciales
de la forma (1). Por ejemplo, problemas re-
lacionados con el estudio de procesos de con-
veccion-difusion: ignicion termica y combustion,
reaccion qumica, y crecimiento de poblacio-
nes ([1, 8, 13]).
Con frecuencia no es posible encontrar la
solucion exacta de (1). En los casos que no se
puede hallar explcitamente la solucion exacta, se
utiliza un metodo numerico para aproximar el va-
lor de la funcion v(x, y) en un numero finito de
puntos (xi , yi ) . Generalmente el metodo uti-
lizado para este proceso es el metodo de diferen-
cias finitas.
Si se aplica a la ecuacion en derivadas par-
ciales (1) el metodo de diferencias finitas, consi-
derando diferencias centrales en n = N 2 puntos
internos de , se obtiene una ecuacion en dife-
rencias de la forma

En este artculo consideramos el problema de en- F (u) Au + G(u) = 0, (2)

contrar una funcion v : 7 R que satisfaga la
ecuacion en derivadas parciales no-lineal
2 v + p(v) = h(x, y)
con condiciones de borde, donde
= [a1 , b1 ] [a2 , b2 ] R2 ,
p : R 7 R,
a1 < a2 , y b1 < b2 .
El autor esta soportado por el proyecto No. PI-08-14-
5463-2006 del CDCH-UCV.
donde A es una matriz real de orden n, G : Rn 7
Rn es una funcion continuamente diferenciable,
(1) u = (u1 , u2 , . . . , un )T es un vector de Rn , y ui
es el valor aproximado de v(x, y) en un punto in-
terno (xi , yi ) . La ecuacion (2) representa
un sistema de ecuaciones no-lineales con n ecua-
ciones y n incognitas. De esta forma, una so-
lucion del sistema de ecuaciones no-lineales (2)
representa una solucion aproximada de (1) en un
numero finito de puntos internos de .
Normalmente, para la resolucion del sis-
tema de ecuaciones (2) se utilizan metodos tipo
Newton o Casi-Newton ([14, 6, 7]). El inconve-
niente de estos metodos es que se tornan compu-
tacionalmente costosos cuando la dimension del
sistema es muy grande.
Recientemente La Cruz [9] presenta el al-
goritmo NDF-SANE que es una variante de los
metodos SANE [12] y DF-SANE [11] para siste-
mas de ecuaciones no-lineales. El metodo NDF-
SANE es un algoritmo libre de derivadas que em-
plea sistematicamente el vector residual F (uk )
como direccion de busqueda. Estos metodos li-
bre de derivadas han demostrado ser efectivos y
competitivos en comparacion con los bien cono-
cidos metodos Newton-Krylov [2, 3, 7].
El objetivo principal de este artculo es la
aplicacion del metodo NDF-SANE en la reso-
lucion del sistema de ecuaciones no-lineales (2)
asociado a la ecuacion diferencial no-lineal (1).
El artculo esta estructurado de la siguiente
forma. En la Seccion 2 se describe el algorit-
mo NDF-SANE y su version precondicionada.
En esta seccion tambien se dan algunos deta-
lles de su convergencia e implementacion. En
la Seccion 3 se presentan algunas experiencias
numericas en la resolucion de ecuaciones dife-
renciales no-lineales, donde se compara el com-
portamiento de los metodos NDF-SANE y su
version predondicionada, con el metodo de New-
ton de puntos interiores-reflexivo implementado
en la funcion fsolve del Toolbox de optimi-
zacion de MATLAB ([5], [4]). Finalmente, en
la Seccion 4 se dan algunos comentarios finales.
Utilizamos la siguiente notacion. La norma
Euclideana la denotamos por k k. Dada una
funcion H : Rn 7 Rm , escribimos H 0 (u) para
el Jacobiano de H en u (si H es diferenciable).
2 Algoritmo Libre de Derivadas
En esta seccion describimos el Algoritmo NDF-
SANE y su version precondicionada. Luego da-
mos algunos detalles de la implementacion de
NDF-SANE.
Sea F : Rn 7 Rn una funcion continua-
mente diferenciable en Rn . Se define la funcion
merito asociada a F como
f (u) = kF (u)k2 . (3)
El algoritmo NDF-SANE, igual que los
metodos SANE [12] y DF-SANE [11], puede
considerarse como un metodo Casi-Newton
donde un multiplo de la matriz identidad k I se
utiliza como aproximacion del Jacobiano F 0 (x).
El numero real k puede interpretarse como una
aproximacion del inverso de un cociente de Ray-
leigh de la matriz Jacobiana promedio
Z 1
F 0 (xk1 + t(xk xk1 ))dt.
0
En el esquema de NDF-SANE se usan los
siguientes parametros:
una sucesion de numeros positivos {k } tal
que
X
k < , (4)
k=0
0 > 0,
max lo suficientemente grande y min lo
suficientemente pequeno tales que
max > min > 0,
(0, 1) lo suficientemente pequeno,
0 < min < max < 1 (parametros del pro-
ceso de Backtracking).
El metodo NDF-SANE emplea sistemati-
camente el vector residual k F (uk ) como di-
reccion de busqueda. De esta forma, NDF-SANE
comienza con u0 Rn y genera los iterados
uk+1 = uk + d o uk+1 = uk + d+ ,
donde (0, 1), d = k F (uk ), y d+ =
k F (uk ), satisfacen alguna de las siguientes de-
sigualdades:
f (uk + d ) f (uk ) + k 2 kd k2 (5)
o
f (uk + d+ ) f (uk ) + k 2 kd+ k2 , (6)
Las condiciones (5) y (6) conforman una
busqueda lineal no-monotona necesaria para ga-
rantizar la convergencia de NDF-SANE.
En el Algoritmo 2.1 se describe el metodo
NDF-SANE. Aqu se muestra como se generan
los iterados uk+1 y cuando termina el proceso.
Algoritmo 2.1 (Algoritmo NDF-SANE).
Paso 0. Escoger u0 Rn , {k }, 0 < < 1,
0 < min < max < , y 0 < min <
max < 1. Asignar k := 0.
Paso 1. Si F (uk ) = 0 parar el proceso;
Paso 2. escoger k tal que |k | [min , max ];
Paso 3. asignar d := k F (uk );
Paso 4. asignar := 1;
Paso 5. si f (uk + d) f (uk ) + k 2 kdk2 ,
definir dk = d, e ir al Paso 8;
Paso 6. si f (uk d) f (uk ) + k 2 kdk2 ,
definir dk = d, e ir al Paso 8;
Paso 7. (Proceso de Backtracking)
escoger new [min , max ], asignar
:= new , e ir al Paso 5;
Paso 8. definir k = , uk+1 = uk + k dk ,
asignar k := k + 1, e ir al Paso 1.
Comentarios.
(i) El Algoritmo 2.1 esta bien definido. En
efecto, por la continuidad de f y dado que
k > 0, las condiciones de los Pasos 5 o 6
se satisfacen con finitas reducciones de .
(ii) La sucesion {uk } generada por el Algo-
ritmo 2.1 esta contenida en el conjunto ce-
rrado
0 = {u Rn : 0 f (u) f (u0 ) + } .
(iii) En el Algoritmo 2.1 no es necesario almace-
nar el Jacobiano de F o una aproximacion
del mismo.
(iv) Se observa que no es necesario la reso-
lucion de un sistema de ecuaciones linea-
les en cada iteracion para generar una di-
reccion de busqueda, que es lo tpico en los
metodos tipo Newton o Casi-Newton. Esta
caracterstica de NDF-SANE puede ser de
gran utilidad en la resolucion de sistemas
de gran escala.
(v) En la practica, los parametros asociados con
la estrategia de busqueda lineal se escogen
para reducir el numero de backtrackings
tanto como sea posible, garantizando las
propiedades de convergencia del metodo.
Por ejemplo, el parametro > 0 se escoge
como un numero muy pequeno ( 104 ),
y k se escoge lo suficientemente grande
cuando k = 0 y se va reduciendo lenta-
mente asegurando que se cumpla (4) (por
ejemplo, k = 104 (1 102 )). Finalmente,
0 < min < max son parametros clasicos
en los procesos de busquedas lineales (por
ejemplo, min = 0.1 y max = 0.5).
Los siguientes resultados de convergencia
se encuentran en La Cruz [9, Captulo 3].
Teorema 2.1. Asumamos que 0 es acotado,
F es continuamente diferenciable sobre un con-
junto abierto O que contiene a 0 , y {uk } es la
sucesion generada por el Algoritmo 2.1. Enton-
ces todos los puntos lmites u de {uk } satisfacen
F (u )T F 0 (u )F (u ) = 0.
Corolario 2.1. Asumamos que 0 es acotado,
F es continuamente diferenciable sobre un con-
junto abierto O que contiene a 0 , y {uk } es la
sucesion generada por el Algoritmo 2.1. Supon-
gamos que u es un punto lmite de {uk } tal que
para todo v Rn , v 6= 0,
v T F 0 (u )v 6= 0.
Entonces, F (u ) = 0.
Definicion 2.1. Si F 0 (u) es definida positiva para
todo u Rn decimos que el mapeo F es
estrictamente monotono. Si F es estrictamente
monotono o F es estrictamente monotono, de-
cimos que el mapeo F es estricto. Si un mapeo
es estricto y admite una solucion, esta es unica
(ver [14], Captulo 5).
Corolario 2.2. Asumamos que 0 es acotado,
F es continuamente diferenciable sobre un con-
junto abierto O que contiene a 0 , y {uk } es la
sucesion generada por el Algoritmo 2.1. Si el ma-
peo F is estricto, entonces {uk } converge a la
solucion de F (u) = 0.
Teorema 2.2. Asumamos que 0 es acotado, Comentarios.
F es continuamente diferenciable sobre un con-
junto abierto O que contiene a 0 , y {uk } es la (i) Con la incorporacion de la matriz M en el
sucesion generada por el Algoritmo 2.1. Supon- Algoritmo 2.2 se pretende que la direccion
gamos que existe un punto lmite u de {uk } tal de NDF-SANE se aproxime a la direccion
que F (u ) = 0. Entonces las siguientes condi- de Newton d = F 0 (uk )1 F (uk ).
ciones se cumplen: (ii) En la practica para determinar la direccion
(i) La sucesion {F (uk )} converge a 0. d = k M 1 F (uk ), no se calcula la in-
Ademas, todo punto lmite de {uk } es versa de M . Simplemente d se obtiene re-
solucion de F (u) = 0. solviendo el sistema de ecuaciones lineales
M d = k F (uk ).
(ii) Si existe > 0 tal que F (u) 6= 0 siempre
que 0 < ku u k , entonces la sucesion 2.2 Implementacion
{uk } converge a u .
Implementamos los Algoritmo 2.1 y 2.2 con los
siguientes parametros:
2.1 Version Precondicionada
k = (1 102 )k , donde
A continuacion presentamos la version pre-

condicionada de NDF-SANE que denominamos kF (u0 )k2 , kF (u0 )k2 1,
=
PNDF-SANE. 104 , kF (u0 )k2 > 1.
La diferencia entre los algoritmos NDF-
SANE y PNDF-SANE es que en PNDF-SANE 0 = 1
se definen las direcciones de busqueda como
d = k M 1 F (uk ), donde M es una matriz min = 1010
simetrica definida positiva (SDP) de orden n.
max = 1010
Para revisar las propiedades de convergencia de
PNDF-SANE se recomienda [10]. = 104

min = 0.1
Algoritmo 2.2 (Algoritmo PNDF-SANE).
max = 0.5
Paso 0. Escoger u0 Rn , {k }, 0 < < 1,
0 < min < max < , 0 < min < El coeficiente espectral normalmente se de-
max < 1, y una matriz SDP M de orden fine a traves de la formula:
n. Asignar k := 0.
t 1
Paso 1. Si F (uk ) = 0 parar el proceso; sk yk
Paso 2. escoger k tal que |k | [min , max ]; k = para k 1, (7)
stk sk
Paso 3. asignar d := k M 1 F (uk );
Paso 4. asignar := 1; donde sk = uk uk1 y yk = F (uk ) F (uk1 ).
Paso 5. si f (uk + d) f (uk ) + k 2 kdk2 , Esta expresion no es muy eficiente para calcular
definir dk = d, e ir al Paso 8; al coeficiente espectral. De (7) y de las definicio-
Paso 6. si f (uk d) f (uk ) + k 2 kdk2 , nes de sk , yk , y uk , podemos escribir:
definir dk = d, e ir al Paso 8;

Paso 7. (Proceso de Backtracking) stk yk F (uk1 )T F (uk ) f (uk1 )
escoger new [min , max ], asignar = ,
stk sk k1 k1 f (uk1 )
:= new , e ir al Paso 5;
Paso 8. definir k = , uk+1 = uk + k dk , donde los signos o + se toman respectiva-
asignar k := k + 1, e ir al Paso 1. mente si la direccion es dk1 = k1 F (uk1 )
o si es dk1 = k1 F (uk1 ). Por tanto, el coefi-
ciente espectral se puede definir como:
1 Para la funcion fsolve del Toolbox de op-
F (uk1 )T F (uk ) f (uk1 )
k = . (8)
k1 k1 f (uk1 )
En el calculo de k utilizando la ecuacion
(8) se realiza un producto interno; en cambio, en
la ecuacion (7) se necesitan dos productos inter-
nos. Por ello, la obtencion de k a traves de (8)
es mas eficiente. En consecuencia, calculamos el
coeficiente espectral empleando (8).
Ahora, si |k | 6 [min , max ] reemplaza-
mos el coeficiente espectral por
1 si kF (uk )k > 1,
1 precondicionado para obtener una solucion
k = kF (uk )k si 105 kF (uk )k 1,
5 aproximada de un sistema de ecuaciones lineales
10 si kF (uk )k < 105 .
Para escoger new en los Algoritmos 2.1 y
2.2, utilizamos el siguiente procedimiento des-
crito en [11]: dado > 0, tomamos new > 0
como
min si c < min ,
new = max si c > max ,
c de lo contrario,
donde
2 fc
c = , gnetismo y transporte): Ecuacion de Poisson y
fc + (2 1)f (uk )
y Ecuacion de Conveccion-Difusion. A continua-
fc = max{f (uk + d), f (uk d)}.
Empleamos el criterio de parada
kF (uk )k kF (u0 )k, (9)
donde 0 < << 1.
3 Experiencias Numericas
Comparamos el comportamiento numerico de las
implementaciones en MATLAB de los algorit-
mos NDF-SANE y PNDF-SANE con la funcion
fsolve del Toolbox de optimizacion de MAT-
LAB, para un conjunto de ecuaciones diferencia-
les no-lineales. Todas las corridas se realizaron
en un Computador Pentium IV de 3.0 GHz con
epsilon de maquina 2 1016 .
timizacion de MATLAB empleamos la opcion:
options=optimset(LargeScale,on,...
MaxFunEvals,10000,MaxIter,2000,...
TolFun,1.0d-8,TolX,1.0d-8).
La funcion fsolve, con la opcion
LargeScale seleccionada con optimset,
usa un algoritmo de gran-escala. Este algoritmo
es un metodo de regiones de confianza, basado
en el metodo de Newton de puntos interiores-
reflexivo descrito en [5], [4]. En cada iteracion de
Newton se utiliza el metodo gradiente conjugado
de gran-escala.
Para PNDF-SANE usamos la factorizacion
LU incompleta de A como estrategia de precon-
dicionamiento, es decir, la matriz precondiciona-
dora es M = U 1 L1 donde las matrices L y U
se obtienen con el comando de MATLAB
[L, U ] = luinc(A, 1.0d-6).
En el estudio numerico consideramos dos
ecuaciones en derivadas parciales (1) de gran im-
portancia en el campo de la fsica (electroma-
cion describimos una familia particular de ecua-
ciones de Poisson y otra familia de ecuaciones de
Conveccion-Difusion.
Problemas de Poisson
v3
2 v + = g(x, y) (10)
1 + x + y2
Problemas de Conveccion-Difusion
2 v + v(vx + vy ) = g(x, y) (11)
En todas las ecuaciones en derivadas parcia-
les tomamos = [0, 1] [0, 1] y dividimos [0, 1]
en N = 32 subintervalos. Consecuentemente,
obtuvimos 32 32 = 1024 puntos de red. Las
incognitas del sistema discretizado son los valo- En las Figuras 2, 3 y 4, observamos la
res de v en esos puntos de red. Todas las de- solucion exacta del problema de Conveccion-
rivadas se aproximaron usando diferencias cen- Difusion con = 60, y la solucion encon-
trales. Sustituyendo en (1) la funcion g, las apro- trada por NDF-SANE, PNDF-SANE y fsolve,
ximaciones de las derivadas y usando las condi- respectivamente. Se observa que las soluciones
ciones de borde v = 0, obtuvimos un sistema halladas por NDF-SANE y MATLAB correspon-
de ecuaciones no-lineales F (u) = Au + G(u), den a la solucion con signo contrario de la so-
donde el numero de ecuaciones e incognitas es lucion exacta. Mientras que la solucion hallada
igual al numero de puntos de red internos y A por PNDF-SANE se aproxima muy bien a la so-
es una matriz de orden N 2 resultante de la dis- lucion exacta. Este mismo hecho se repite para
cretizacion de la ecuacion de Poisson con el ope- los problemas de Poisson y Conveccion-Difusion
rador de 5 puntos. Las incognitas v(ih, jh) se con todos los valores de .
ordenaron lexicograficamente en el vector u =
(u1 , u2 , . . . , un )T , donde h = 1/(n + 1).
Usamos una solucion conocida de los pro-
blemas (10) y (11). Esta solucion es IT EF BL T e?
-60 527 1071 207 17.031 2.19e0
v? (x, y) = xy(x 1)(y 1). -50 462 924 187 14.719 2.19e0
-40 480 926 173 14.672 2.19e0
En este caso la funcion g(x, y) queda determi- -30 574 1184 239 18.750 2.20e0
-20 273 501 84 8.016 2.20e0
nada, ademas, u? es la discretizacion de v? . En
-10 492 1076 223 17.203 2.20e0
todos los problemas el iterado inicial u0 es el vec- 0 456 950 182 15.094 2.20e0
tor nulo. Empleamos el criterio de parada (9) con 10 546 1096 211 17.422 2.20e0
= 108 . 20 466 848 153 13.453 2.20e0
Para todos los problemas generamos dife- 30 580 1250 261 19.828 2.20e0
40 418 868 169 13.766 2.21e0
rentes instancias con 50 438 940 194 14.953 2.21e0
60 407 733 121 11.672 2.21e0
{60, 50, . . . , 50, 60}.
Tabla 1. Resultados de NDF-SANE para los pro-
En las Tablas 1-6 mostramos en forma de-
blemas de Poisson
tallada los resultados numericos para los algorit-
mos NDF-SANE, PNDF-SANE y fsolve. En
estas tablas reportamos el numero de iteraciones
(IT), numero de evaluaciones de la funcion (EF), IT EF BL T e?
-60 93 147 26 2.438 8.96e-3
tiempo de CPU en segundos (T), y el error
-50 89 143 26 2.375 7.53e-3
e? = ku? uk k, donde uk es la solucion hallada -40 90 144 26 2.391 6.11e-3
por el algoritmo. Tambien en estas tablas repor- -30 92 146 26 2.422 4.69e-3
tamos para los algoritmos NDF-SANE y PNDF- -20 98 152 26 2.563 3.32e-3
SANE, el numero de iteraciones donde se activa -10 99 153 26 2.563 2.07e-3
0 107 161 26 2.688 1.40e-3
la busqueda lineal (BL).
10 100 154 26 2.531 2.01e-3
En la Figura 1 observamos el comporta- 20 103 157 26 2.609 3.25e-3
miento de NDF-SANE y PNDF-SANE para el 30 92 146 26 2.406 4.65e-3
problema de Conveccion-Difusion con = 60. 40 90 144 26 2.375 6.11e-3
Notamos que NDF-SANE y PNDF-SANE po- 50 89 143 26 2.375 7.59e-3
60 94 144 24 2.391 9.10e-3
seen un comportamiento no-monotono. Ademas,
apreciamos que el numero de iteraciones y eva- Tabla 2. Resultados de PNDF-SANE para los
luaciones de la funcion de NDF-SANE duplica problemas de Poisson
el numero de iteraciones y evaluaciones de la
funcion de PNDF-SANE.
 IT EF T e?
-60 3 4100 141.594 2.16e0
-50 3 4100 140.031 2.16e0
-40 3 4100 140.234 2.16e0
-30 3 4100 140.094 2.16e0
IT EF T e?
-20 3 4100 136.422 2.17e0
-60 6 7175 192.453 2.17e0
-10 3 4100 135.438 2.17e0
-50 6 7175 192.469 2.17e0
0 3 4100 136.563 2.17e0
-40 6 7175 195.953 2.17e0
10 3 4100 137.469 2.17e0
-30 6 7175 192.234 2.17e0
20 3 4100 136.078 2.17e0
-20 5 6150 177.547 2.17e0
30 3 4100 140.500 2.17e0
-10 5 6150 178.969 2.17e0
40 3 4100 139.969 2.17e0
0 3 4100 131.844 2.17e0
50 3 4100 140.141 2.17e0
10 5 6150 175.266 2.17e0
60 3 4100 140.734 2.18e0
20 5 6150 174.938 2.17e0
Tabla 3. Resultados de fsolve para los proble- 30 6 7175 195.047 2.17e0
40 6 7175 192.469 2.17e0
mas de Poisson 50 6 7175 193.203 2.17e0
60 6 7175 191.359 2.17e0

IT EF BL T e? Tabla 6. Resultados de fsolve para los proble-

-60 508 1018 203 14.813 2.20e0 mas de Conveccion-Difusion
-50 634 1330 278 19.344 2.20e0
-40 463 977 197 14.234 2.20e0
-30 577 1071 194 15.594 2.20e0
-20 511 1015 203 14.734 2.20e0
-10 483 961 182 14.297 2.20e0
0 456 950 182 13.828 2.20e0
10 570 1172 230 17.078 2.20e0
20 544 1084 197 15.797 2.20e0
30 591 1083 188 15.766 2.20e0
40 602 1256 255 18.547 2.20e0
50 656 1328 268 19.344 2.20e0
60 505 961 177 14.000 2.20e0

Tabla 4. Resultados de NDF-SANE para los pro-

blemas de Conveccion-Difusion

IT EF BL T e?
-60 247 349 50 5.438 1.40e-3
-50 195 295 49 4.453 1.40e-3
-40 162 253 44 3.844 1.40e-3
-30 141 234 45 3.547 1.40e-3
-20 122 216 46 3.281 1.40e-3
-10 109 173 31 2.703 1.40e-3
0 107 161 26 2.500 1.40e-3
10 101 140 18 2.125 1.40e-3
20 99 133 16 2.016 1.40e-3 Figura 1. Comportamiento de NDF-SANE y
30 106 138 15 2.125 1.40e-3
PNDF-SANE para el problema de Conveccion-
40 111 129 9 2.000 1.40e-3
50 111 129 9 1.984 1.40e-3 Difusion con = 60.
60 110 126 8 1.953 1.40e-3

Tabla 5. Resultados de PNDF-SANE para los

problemas de Conveccion-Difusion
 Figura 4. Solucion exacta y solucion encontrada
por fsolve para el problema de Conveccion-
Difusion con = 60.
Figura 2. Solucion exacta y solucion encon-
trada por NDF-SANE para el problema de Con-
veccion-Difusion con = 60. Los resultados numericos indican que
fsolve siempre realiza menos iteraciones
que los algoritmos NDF-SANE y PDF-SANE.
Tambien muestran que para todos los problemas
resueltos, PDF-SANE posee el menor numero
de evaluaciones de la funcion y menor tiempo
de CPU. El numero de busquedas lineales de
PNDF-SANE es menor que el de NDF-SANE.
En general, el uso de la estrategia de precondicio-
namiento mejora significativamente el comporta-
miento de NDF-SANE. En efecto, para todos los
problemas se observo una mejora del orden del
77.23% en iteraciones, 82.89% en evaluaciones
de la funcion, 85.61% en busquedas lineales y
82.06% en tiempo de CPU.

4 Comentarios Finales

Presentamos la aplicacion de un nuevo metodo,

denominado NDF-SANE, para sistemas de ecua-
Figura 3. Solucion exacta y solucion encon- ciones no-lineales, en la resolucion de ecuaciones
trada por PNDF-SANE para el problema de Con- diferenciales no-lineales. Por su simplicidad, el
veccion-Difusion con = 60. metodo es muy facil de implementar, requiere un
mnimo de almacenamiento, y, por eso, es muy
atractivo para la resolucion de sistemas de gran
escala (el codigo en MATLAB escrito por el au-
tor esta disponible si es requerido).
 Comparamos el comportamiento numerico,
en la resolucion de ecuaciones diferenciales no-
lineales, de los metodos NDF-SANE y su version
predondicionada, con el metodo de Newton de
puntos interiores-reflexivo implementado en la
funcion fsolve del Toolbox de optimizacion de
MATLAB. Nuestros resultados preliminares in-
dican que el comportamiento numerico de NDF-
SANE y su version predondicionada, es signifi-
cativamente mejor que el de fsolve.
Por ultimo, constatamos, para los proble-
mas estudiados, que la incorporacion de una
estrategia de precondicionamiento a NDF-SANE
mejora notablemente su comportamiento. Pero,
este resultado sera el mismo para todo pro-
blema? y que tecnica de precondicionamiento
se debe utilizar? Estas interrogantes plantean los
siguientes trabajos futuros de gran importancia:
Disenar estrategias de precondicionamiento
que se combinen eficientemente con NDF-
SANE.
Disenar un procedimiento que determine la
tecnica de precondicionamiento que se de-
bera emplear, segun el problema que se de-
sea resolver.
Referencias
[1] R. Aris, The Mathematical Theory of Dif-
fusion and Reaction in Permeable Cata-
lysts, volume I, II, (Oxford: Clarendon
Press, 1975).
[2] P.N. Brown and Y. Saad, Hybrid Krylov
methods for nonlinear systems of equati-
ons. SIAM Journal on Scientific Compu-
ting, 11, 1990, 450481.
[3] P.N. Brown and Y. Saad, Convergence
theory of nonlinear Newton-Krylov algo-
rithms. SIAM Journal on Optimization, 4,
1994, 297330.
[4] T.F. Coleman and Y. Li, On the con-
vergence of reflective newton methods for
large-scale nonlinear minimization subject
to bounds. Mathematical Programming,
67(2), 1994, 189224.
[5] T.F. Coleman and Y. Li, An interior, trust
region approach for nonlinear minimiza-
tion subject to bounds. SIAM Journal on
Optimization, 6, 1996, 418445.
[6] J.E. Dennis and R.B. Schnabel, Numeri-
cal Methods for Unconstrained Optimiza-
tion and Nonlinear Equations. (Englew-
oog Cliffs, NJ: Prentice-Hall, 1983).
[7] C.T. Kelley, Iterative Methods for Linear
and Nonlinear Equations. (Philadelphia,
PA: SIAM, 1995).
[8] J.P. Kernevez, Enzyme Mathematics. (Am-
sterdam: North-Holland, 1980).
[9] W. La Cruz, Algoritmos de Bajo Costo
para Minimizacion Irrestricta y Sistemas
de Ecuaciones no Lineales. Trabajo de
Ascenso para Agregado (Caracas: Uni-
versidad Central de Venezuela, Noviembre
2005).
[10] W. La Cruz, Derivative-Free Residual
Algorithm for Solving Weakly Nonlinear
Equations. Sometido en IMA Journal of
Numerical Analysis, 2007.
[11] W. La Cruz, J.M. Martnez, and M. Ray-
dan, Spectral residual method without gra-
dient information for solving large-scale
nonlinear systems. Mathematics of Com-
putation, 75, 2006, 14491466.
[12] W. La Cruz and M. Raydan, Nonmonotone
spectral methods for large-scale nonlinear
systems. Optimization Methods and Soft-
ware, 18, 2003, 583599.
[13] J.D. Murray, Mathematical Biology, vo-
lume I, II. (Berlin: Springer-Verlag, 2003).
[14] J.M. Ortega and W.C. Rheinboldt., Ite-
rative Solution of Nonlinear Equations in
Several Varibles. (New York: Academic
Press, 1970).