Académique Documents
Professionnel Documents
Culture Documents
LINEARES
Objetivo:
• Formas de resolver os sistemas de equações lineares
resultantes do processo de discretização
• Rever os seguintes métodos: Gauss‐Seidel, Jacobi e SOR
• Apresentar o método: TDMA
MATRIZES ESPECIAIS
BW: 2HBW + 1
aij=0 se |i‐j|>HBW
MATRIZES ESPECIAIS
Matriz Simétrica: é uma matriz quadrada cuja transposta
é igual à própria matriz.
[A]=[A]T aij=aji
Matriz Tridiagonal: é uma matriz quadrada cujos elementos são nulos, exceto em
três diagonais, a diagonal principal e nas diagonais imediatamente à esquerda e
imediatamente à direita da principal.
AUTORES
SISTEMA DE EQUAÇÕES LINEARES
4 x1 x2 x3 7
4 x1 8 x2 x3 21
2 x1 x2 5 x3 15
4 1 1 x1 7
4 8 1. x 21
2 A. x b
2 1 5 x3 15
SISTEMA DE EQUAÇÕES LINEARES
x2 x3 7
4 x1 x2 x3 7 x1
4
4 x1 8 x2 x3 21 4 x1 x3 21
x2
2 x1 x2 5 x3 15 8
2 x1 x2 15
x3
5
x1 0 1 x1 7
1
4 1 1 x1 7 4 4 4
4 8 1. x 21 x 1 0 1 . x 21
2 2 2 8 2 8
2 1 5 x3 15 x3 2 1 0 x3 3
5 5
Ax b x Cx d
MÉTODO JACOBI
Divulgado em 1845, é um método iterativo baseado na transformação do sistema linear
Ax=b em um sistema x=Cx+d , onde a matriz C tem zeros na diagonal principal. O
vetor x é atualizado usando os valores do vetor x estimados na iteração anterior. Assim:
4 x1 x2 x3 7 4 1 1 x1 7
4 8 1. x 21
4 x1 8 x2 x3 21 Ax b 2
2 x1 x2 5 x3 15 2 1 5 x3 15
x k Cx k 1 d
x2 x3 7
x1
4 x1k 0 1
4
1 x1k 1 7
4 4
4 x x 21 k
k 1 21
1 1
x2 1 3 x
2 2
0
8 . x2 8
8 x3k 2 1 k 1
3
2 x1 x2 15 5 5 0 3
x
x3
5
MÉTODO JACOBI
Em notação matricial, a matriz A pode ser decomposta em A=L+D+U
4 1 1 0 0 0 4 0 0 0 1 1
4 8 1 4 0 0 0 8 0 0 0 1
A L D U
2 1 5 2 1 0 0 0 5 0 0 0
A L D U
4 0 0 x1 7 0 0 0 0 1 1 x1
0 8 0. x 21 4 0 0 0 0 1 x
2 2 Dx b L U x
0 0 5 x3 15 2 1 0 0 0 0 x3
D x b L U x
Obtendo a inversa (D‐1) de D e reescrevendo: x(k) = D‐1[b‐(L+U) x(k‐1)]
x1 1 4
k 0 0 7 0 0 0 0 1 1 x1 k 1
k
k 1
1
x2 0 8 0 21 4 0 0 0 0 1 x2
k 1
x k D 1 b L U x k 1
x3k 0 0 1
15
2 1 0
0 0 0
x3
5
b
x (k )
L U x ( k 1)
D 1
MÉTODO JACOBI Critério de convergência
xik xik 1
a,x 100% s
Estimativa inicial: x1=1; x2=2; x3=2 i k
xi
Iteração 1
x2 x3 7 227 1,75 1
x1 x1 1,75 a, x 100% 42,86%
4 4
1
1,75
4 x x 21 4.1 2 21 3,375 2
x2 1 3 x2 3,375 a, x 100% 40,74%
8 8 2
3,375
2 x x 15 2.1 2 15 3 2
x3 1 2 x3 3 a, x 100% 33,33%
5 5 3
3
Iteração 2
3,375 3 7 1,84375 1,75
x1 1,84375 a, x 100% 5,08%
4
1
1,84375
4.1,75 3 21 3,875 3,375
x2 3,875 a, x 100% 12,90%
8 2
3,875
2.1,75 3,375 15 3,025 3
x3 3,025 a, x 100% 0,83%%
5 3
3,025
Iteração 3
3,875 3,025 7 1,9625 1,84375
x1 1,9625 a, x 100% 6,05%
4
1
1,9625
4.1,84375 3,025 21 3,925 3,875
x2 3,925 a, x 100% 1,27%
8 2
3,925
2.1,84375 3,875 15 2,9625 3,025
x3 2,9625 a, x 100% 2,11%
5 3
2,9625
MÉTODO GAUSS‐SEIDEL
Divulgado em 1874, é um método iterativo baseado na transformação do sistema linear
Ax=b em um sistema x=Cx+d , onde a matriz C tem zeros na diagonal principal. O
vetor x é atualizado à medida que os cálculos são feitos (atualização sequencial) e não
somente ao final de cada passo iterativo, como ocorre no método de Jacobi. Assim:
4 x1 x2 x3 7 x1k 0 1 1 x1k 1 7
4 4 4
k 1
4 x1 8 x2 x3 21 x2 2 0 1 . x
21
8 2 8
k 1
x3k 2 0 x3 3
k 1
2 x1 x2 5 x3 15 5 15
x1k 0 1
4
1 x1k 7
4
k 1 4
1 . x
21
x2 2 8 2 8
1
0 k
x2 x3 7 x3k 2
x1 5 15 0 x3 3
k 1
4
4 x1 x3 21
x2 x1k 0 1
4
1 x1k 7
4
8 k 1 4
1 . x 21
x2 2 0 k
8 2 8
2 x1 x2 15 x3k 2 0 x3 3
k 1
x3 5 15
5
Critério de convergência
MÉTODO GAUSS‐SEIDEL
xik xik 1
a,x 100% s
Estimativa inicial: x1=1; x2=2; x3=2 i k
xi
Iteração 1
x2 x3 7 227 1,75 1
x1 x1 1,75 a, x 100% 42,86%
4 4
1
1,75
4 x x 21 4.1,75 2 21 3,75 2
x2 1 3 x2 3,75 a, x 100% 46,67%
8 8 2
3,75
2 x x 15 2.1,75 3,75 15 2,95 2
x3 1 2 x3 2,95 a, x 100% 32,20%
5 5 3
2,95
Iteração 2
1,95 1,75
3,75 2,95 7 a, x 100% 10,26%
x1 1,95 1
1,95
4
4.1,95 2,95 21 3,96875 3,75
x2 3,96875 a, x 100% 5,51%
2
3,96875
8
2.1,95 3,96875 15 2,98625 2,95
x3 2,98625 a, x 100% 1,21%%
5
3
2,98625
Iteração 3
3,96875 2,98625 7 1,995625 1,95
x1 1,995625 a, x 100% 2,29%
1
1,995625
4
4.1,995625 2,98625 21 3,99609 3,96875
x2 3,99609 a, x 100% 0,68%
8
2
3,99609
2.1,995625 3,99609 15 2,99903 2,98625
x3 2,99903 a, x 100% 0,43%%
5
3
2,99903
COMPARAÇÃO GAUSS‐SEIDEL e JACOBI
COMPARAÇÃO GAUSS‐SEIDEL e JACOBI
JACOBI GAUSS‐SEIDEL
Iteração 1 Iteração 1
227 227
x1 1,75 x1 1,75
4 4
4.1 2 21 4.1,75 2 21
x2 3,375 x2 3,75
8 8
2.1 2 15 2.1,75 3,75 15
x3 3 x3 2,95
5 5
Iteração 2 Iteração 2
3,375 3 7 3,75 2,95 7
x1 1,84375 x1 1,95
4 4
4.1,75 3 21 4.1,95 2,95 21
x2 3,875 x2 3,96875
8 8
2.1,75 3,375 15 2.1,95 3,96875 15
x3 3,025 x3 2,98625
5 5
Iteração 3 Iteração 3
3,96875 2,98625 7
3,875 3,025 7 x1 1,995625
x1 1,9625 4
4
4.1,995625 2,98625 21
4.1,84375 3,025 21 x2 3,99609
x2 3,925 8
8
2.1,995625 3,99609 15
2.1,84375 3,875 15 x3 2,99903
x3 2,9625 5
5
COMPARAÇÃO GAUSS‐SEIDEL e JACOBI
JACOBI GAUSS‐SEIDEL
Iteração 1 Iteração 1
1,75 1 1,75 1
a, x 100% 42,86% a, x 100% 42,86%
1
1,75
1
1,75
3,375 2 3,75 2
a, x 100% 40,74% a, x 100% 46,67%
2
3,375
2
3,75
3 2 2,95 2
a, x 100% 33,33% a, x 100% 32,20%
3
3 3
2,95
Iteração 2 Iteração 2
1,84375 1,75 1,95 1,75
a, x 100% 5,08% a, x 100% 10,26%
1
1,84375
1
1,95
3,875 3,375 3,96875 3,75
a, x 100% 12,90% a, x 100% 5,51%
2
3,875
2
3,96875
3,025 3 2,98625 2,95
a, x 100% 0,83%% a, x 100% 1,21%%
3
3,025
3
2,98625
Iteração 3 Iteração 3
1,9625 1,84375 1,995625 1,95
a, x 100% 6,05% a, x 100% 2,29%
1
1,9625
1
1,995625
3,925 3,875 3,99609 3,96875
a, x 100% 1,27% a, x 100% 0,68%
2
3,925
2
3,99609
2,9625 3,025 2,99903 2,98625
a, x 100% 2,11% a, x 100% 0,43%%
3
2,9625
3
2,99903
CONVERGÊNCIA DO GAUSS‐SEIDEL
y g ( x) y g ( x)
y x x y
CONDIÇÃO DE CONVERGÊNCIA
Os métodos iterativos de Jacobi e Gauss‐Seidel convergem se a matriz A (do
sistema Ax=b) é diagonalmente dominante, ou seja:
n
aii aij
j 1
j i
Esta é uma condição suficiente, mas não necessária para convergência, ou
seja, a matriz pode não ser diagonal dominante e o processo ainda assim
convergir.
CRITÉRIO DE SCARBOUROGH
n
a ij
j 1
j i 1 para todas as equações
aii 1 para pelo menos uma das equações
É uma condição de convergência para qualquer método iterativo.
É uma condição suficiente, mas não necessária.
OBSERVAÇÕES
De um modo geral o método de Gauss‐Seidel tem convergência mais rápida
que o método de Jacobi, porém não pode‐se generalizar esta afirmação;
Em alguns casos o método Gauss‐Seidel pode não convergir, enquanto o
Jacobi converge;
O Jabobi tem sido bastante usado em arquitetura paralela para
computadores;
EXERCÍCIO
1) Resolver com Gauss‐Seidel o sistema:
x1 0,4 x2 0,2
x2 x1 1
2) Resolver com Gauss‐Seidel o sistema:
x1 x2 1
x2 2,5 x1 0,5
MÉTODO SOR x1k 0 1
4
1 x1k 1 7
4
k 1 4
1 . x
21
x2 2
1
0
k
8 2
8
É uma modificação do Gauss‐Seidel x3k 2 k 1
ω=1 → Gauss-Seidel
ai xi bi xi 1 ci xi 1 d i (1)
A eq.(1) representa o sistema linear Ax=b, onde a matriz dos coeficientes (A) é
uma matriz tridiagonal. Decompondo a matriz A em A=D+L+U, o sistema pode ser
representado como escrito na eq.(1), que na forma matricial é dado por
Dx=(L+U)x+b:
a1 b1 0 0 0 x1 d1 a1 0 0 0 0 x1 0 b1 0 0 0 x1 d1
c2 a2 b2 0 0 x2 d 2 0 a2 0 0 0 x2 c2 0 b2 0 0 x2 d 2
0 ... ... ... 0 ... ... 0 0 ... 0 0 ... 0 ... 0 ... 0 ... ...
0 0 cn 1 an 1 bn 1 xn 1 d n 1 0 0 0 an 1 0 xn 1 0 0 cn 1 0 bn 1 xn 1 d n 1
0 0 0 cn an xn d n 0 0 0 0 an xn 0 0 0 cn 0 xn d n
xi Pi xi 1 Qi (2)
xi 1 Pi 1 xi Qi 1 (3)
MÉTODO TDMA (Tridiagonal matrix algorithm) ou
algoritmo de Thomas
Substituindo (3) em (1):
ai xi bi xi 1 ci Pi 1 xi Qi 1 d i
ai ci Pi 1 xi bi xi 1 d i ci Qi 1
bi d i ci Qi 1
xi xi 1 (4)
ai ci Pi 1 ai ci Pi 1
Lembrando que a equação (2) é dada por:
xi Pi xi 1 Qi (2)
Pi
bi d i ci Qi 1
(5) Qi (6)
ai ci Pi 1 ai ci Pi 1
MÉTODO TDMA (Tridiagonal matrix algorithm) ou
algoritmo de Thomas
Para o elemento “1” não existe o elemento “i-1” então “c1=0”, e resulta da eq.(1):
a1 x1 b1 x2 c1 x0 d1 a1 x1 b1 x2 d1
b1 d1
P1 (7) Q1 (8)
a1 a1
Para o elemento “n” não existe “n+1” então “Pn=0”, logo, a eq. (2) fica:
xi Pi xi 1 Qi xn 0 xn 1 Qn
Pn
xn Qn (9)
MÉTODO TDMA (Tridiagonal matrix algorithm) ou
algoritmo de Thomas
RESTRIÇÕES
n
aii aij
j 1
j i
EXEMPLO DO MÉTODO TDMA
20 x1 5 x2 1100 20 5 0 0 x1 1100
5 x1 15 x2 5 x3 100 5 15 5 0 x 100
. 2
5 x2 15 x3 5 x4 100 0 5 15 5 x3 100
5 x3 10 x4 100 0 0 5 10 x4 100
Deixando na forma do algoritmo:
20 0 0 0 x1 0 5 0 0 x1 1100
0 15 0 0 x 5 0 5 0 x2 100
. 2 .
0 0 15 0 x3 0 5 0 5 x3 100
0 0 0 10 x4 0 0 5 0 x4 100
EXEMPLO DO MÉTODO TDMA
20 0 0 0 x1 0 5 0 0 x1 1100
0 15 0 0 x 5 0 5 0 x2 100
. 2 .
0 0 15 0 x3 0
5 0 5 x3 100
0 0 0 10 x4 0 0 5 0 x4 100
b1 d1
P1
a1 (7) Q1
a1 (8) n cn an bn dn Pn Qn xn
bi d i ci Qi 1
1 0 20 5 1100 0,25 55 64,26
Pi (5) Qi (6)
ai ci Pi 1 ai ci Pi 1 2 5 15 5 100 0,364 27,27 37,03
xn Qn (9) 3 5 15 5 100 0,379 17,93 26,80
4 5 10 0 100 0 23,40 23,40
xi Pi xi 1 Qi (2)