Académique Documents
Professionnel Documents
Culture Documents
Yacimientos
e-mail: frodriguezd@pep.pemex.com
Tel: 55508712, 5622 3017 al 19
Capítulo 7.
Solución de Sistemas de
Ecuaciones Lineales
1
7. Solución de Sistemas de Ecuaciones
Lineales.
Se presentan métodos de solución comúnmente
empleados en la simulación numérica de yacimientos.
Métodos Directos
Requieren de un número fijo de operaciones para resolver
un sistema dado.
Métodos Iterativos
No se puede predeterminar el número de operaciones, ya
que la solución consiste en aplicar algoritmos cíclicos. Se
espera que al paso de las iteraciones el método converja a
la solución.
2
7.1 Métodos Directos…
3
7.1 Métodos Directos…
Existen variaciones del MEG, que han sido motivadas
por las características particulares de los sistemas de
ecuaciones que se generan en algunas aplicaciones de
las ciencias e ingenierías (…como es el caso de la
simulación numérica de yacimientos) .
4
7.1 Métodos Directos.
Au = d
Donde
2 1 1 u1 1
A = 4 1 0 ; u = u 2 ; d = − 2
− 2 2 1 u3 7
5
7.1.1 Método de Eliminación Gaussiana.
o bien,
2 1 1 u1 1
4 1 0 u = − 2
2
− 2 2 1 u 3 7
2 1 1 u1 1
0 −1 − 2 u = − 4
2
0 3 2 u 3 8
6
7.1.1 Método de Eliminación Gaussiana.
2 1 1 u1 1
0 −1 − 2 u = − 4
2
0 0 − 4 u 3 − 4
2 1 1 u1 1
Uu = 0 −1 − 2 u2 ; c = − 4
0 0 − 4 u3 − 4
7
7.1.1 Método de Eliminación Gaussiana.
Cuál es la relación entre A y U?
Veremos primero la forma matricial de las operaciones de eliminación:
Notar que la 1a operación de eliminación es equivalente a efectuar la
siguiente operación sobre Au=d.
E 21 Au = E 21d
donde,
1 0 0
E21 = − 2 1 0 Matriz
Elemental 21
0 0 1
Los subíndices de E indican que la ecuación 2 fue alterada por un
múltiplo de la ecuación 1: El múltiplo de 1 que se restó de la ecuación
2 fue: –e21= 2.
1 0 0 2 1 1 u1 2 1 1 u1
− 2 1 0 4 1 0 u = 0 − 1 − 2 u
2 2
0 0 1 − 2 2 1 u3 − 2 2 1 u3
Haciendo ahora,
E 21 d
1 0 0 1 1
− 2 1 0 − 2 = − 4
0 0 1 7 7
8
7.1.1 Método de Eliminación Gaussiana.
Similarmente, la operación 2 de eliminación se representa
matricialmente como:
E 31 (E 21 A )u = E 31 (E 21 d )
1 0 0
E31 = 0 1 0 Matriz
Elemental 31
1 0 1
Los subíndices de E indican que la ecuación 3 fue alterada por un
múltiplo de la ecuación 1: El múltiplo de 1 que se restó de la ecuación
3 fue: –e31= -1.
1 0 0 2 1 1 u1 1 0 0 1
0 1 0 0 − 1 − 2 u = 0 1 0 − 4
2
1 0 1 − 2 2 1 u3 1 0 1 7
Realizando operaciones:
2 1 1 u1 1
0 − 1 − 2 u = − 4
2
0 3 2 u 3 8
9
7.1.1 Método de Eliminación Gaussiana.
y la operación 3 de eliminación es:
E 32 (E 31 E 21 A )u = E 32 (E 31 E 21 d )
donde:
1 0 0
E 32 = 0 1 0 Matriz
Elemental 32
0 3 1
Los subíndices de E indican que la ecuación 3 fue alterada por un
múltiplo de la ecuación 2: El múltiplo de 2 que se restó de la ecuación
3 fue: –e32= -3.
1 0 0 2 1 1 u1 1 0 0 1
0 1 0 0 −1 − 2 u = 0 1 0 - 4
2
0 3 1 0 3 2 u 3 0 3 1 8
y realizando operaciones, se tiene que:
2 1 1 x1 1
0 −1 − 2 x = - 4
2
0 0 − 4 x 3 - 4
Uu = c U es una matriz
triangular superior
10
7.1.1 Método de Eliminación Gaussiana.
1 0 0
E32 E31 E21 = − 2 1 0
− 5 3 1
11
7.1.1 Método de Eliminación Gaussiana.
Notar que:
E 32− 1 E 32 E 31 E 21 A = E 32− 1U
Recordando que:
E 32− 1 E 32 = I
Donde:
1 0 0
E 32− 1 = 0 1 0
0 −3 1
1 0 0 1 0 0 1 0 0
0 1 0 0 1 0 = 0 1 0
0 −3 1 0 3 1 0 0 1
De igual forma:
(E −1
31 )
E 31 E 21 A = E 31− 1 E 32− 1U
Finalmente:
12
7.1.1 Método de Eliminación Gaussiana.
Pero:
E21−1 E31−1 E32−1 = L
Es la matriz que convierte U en A:
1 0 0 1 0 0 1 0 0
L = 2 1 0 0 1 0 0 1 0
0 0 1 − 1 0 1 0 − 3 1
1 0 0
L=2 1 0
− 1 − 3 1
Au = d
pero A se puede descomponer en el producto LU:
LUu = d
de manera que por eliminación se transformó en:
Uu = c
13
7.1.1 Método de Eliminación Gaussiana.
Entonces:
x = U −1c
x = L−1U −1d
ó,
x = A−1b
a1u1 + b1u2 = d1
cIuI-1 + aIuI = dI
…(7.1)
o bien,
Au = d …(7.2)
14
7.1.2 Solución de Sistemas Tridiagonales…Thomas.
donde,
a1 b1
c a2 b2
2
c3 a3 b3
A= . . .
. . .
. . .
cI aI
uT = (u1,u2,...,uI)
y,
dT = (d1,d2,...,dI).
A = WQ …(7.3)
Donde,
w1
c w2
2
c3 w3
W = . .
. .
. .
cI wI
15
7.1.2 Solución de Sistemas Tridiagonales… Thomas.
y,
1 q1
1 q2
1 q3
Q= . .
. .
1 qI −1
1
16
7.1.2 Solución de Sistemas Tridiagonales…Thomas.
Au = WQu = Wg …(7.6)
donde
g = Qu
Es decir,
(ν ) (ν +1) (ν )
w1 g1 d1
c w2 g d
2 2 2
c3 w3 g3 d 3
. . . = .
. . . .
. . . .
cI wI g I d I
17
7.1.2 Solución de Sistemas Tridiagonales: Algoritmo de
Thomas.
y en un barrido hacia atrás se obtiene la solución deseada:
uI = gI …(7.8)
Resumiendo:
Para resolver el sistema tridiagonal Au = d, es necesario
calcular primero los elementos qi, wi y gi mediante las Ecs.
7.4, 7.5 y 7.7 y posteriormente obtener la solución de ui
mediante las Ecs. 7.8.
18
7.2 Métodos Iterativos.
Los métodos iterativos adquieren interés en el caso de problemas
multidimensionales, donde el número de ecuaciones a resolver es
relativamente grande. Básicamente existen dos tipos:
En los métodos iterativos por punto, MIP, las incógnitas de cada nodo
se resuelven explícitamente en cada iteración.
19
7.2 Métodos Iterativos.
20
Como antecedentes a los métodos SOR
se presenta primeramente los métodos
de:
…(7.10)
21
7.2.1 Método de Jacobi.
1
ui(,mj +1) =
ai , j
{ d i , j − f i , j ui(,mj−+11) − ci , j ui(−m1+, 1j ) − bi , j ui(+m1), j − ei , j ui(,mj+)1 } (7.11)
22
7.2.3 Método de SOR en Punto o PSOR.
El método iterativo del PSOR es en una modificación del método de
Gauss-Seidel, donde se introduce el uso de un parámetro de iteración,
con el objeto de acelerar el proceso de convergencia a la solución. Si
se denomina a la solución obtenida mediante el método de Gauss-
Seidel en la iteración m+1, el método PSOR se define como:
23
7.2.4 Método de SOR en Línea o LSOR.
Para todo
i = 1 , 2 ,..., I
j = 1 , 2 ,..., J
24
7.2.5 Método de SOR en Bloque o BSOR.
hi , j ,k ui , j ,k −1 + f i , j ,k ui , j −1,k + ci , j ,k ui −1, j ,k + ai , j ,k ui , j ,k
(7.17)
+ bi , j ,k ui +1, j ,k + ei , j ,k ui , j +1,k + gi , j ,k ui , j ,k +1 = di , j
25
7.2.5 Método de SOR en Bloque o BSOR.
26
7.2.6 Algoritmo para el cálculo del parámetro
de sobrerelajación.
Una forma de obtener el valor óptimo de ω a emplear en LSOR y
BSOR es mediante ensaye y error:
u ( m+1) = A* u ( m ) + d * (7.19)
donde m+1 es el nivel iterativo desconocido y m el conocido.
El valor óptimo de está en función del radio espectral de la matriz A*,
ρ(Α∗) , de la siguiente manera:
2
ωb =
[
1 + 1 − ρ A* ( )]
2
1
2 (7.20)
27
7.2.6 Algoritmo para el cálculo del parámetro de
sobrerelajación.
El radio espectral de la matriz A*, ρ (A * ) , está definido como:
ρ (A* )=
(θ + ω − 1)
1 (7.21)
ωθ 2
28
7.2.7 Método ADIP (Procedimiento
Iterativo de Dirección Alternada).
Peaceman, D.W. y Rachford, H.H.:” The Numerical Solution of Parabolic and
Elliptic Differential Equations,” SIAM J. Numerical Analysis (1955) 3, 28-41
( H + V + S )u = d
Donde:
H = Matriz que contiene las contribuciones del término de flujo en x
V = Matriz que contiene las contribuciones del término de flujo en y
S = Matriz que contiene la contribución del término de acumulación
ax b
c a b ay e aac
x ay e a
c ax b ac
ay e aac
c ax b
f a e aac
y
c ax b
f ay e aac
c ax b
H = f ay e aac
c ax b V = S =
f ay e aac
c ax b
f ay e aac
c ax b
f ay e
aac
c ax b
f ay aac
c ax b
f ay a
c ax
ac
f ay aac
29
7.2.7 Método ADIP ...
El sistema matricial ------ puede rearreglarse como:
S S
(H + V + + )u = d
2 2
y se suma y resta la constante r (parámetro de iteración) en la
diagonal principal (o sea la matriz rI, donde I es la matriz identidad):
S S
(H + V + + + rI − rI )u = d
2 2
El algoritmo iterativo del ADIP consiste de resolver las incógnitas de
la iteración m+1 en dos barridos. En el primer barrido, en x, se obtiene
una solución intermedia, u* , rearreglando ---- como sigue:
S S
(V + + r ( m +1) I )u *( m +1) = d − ( H − + r ( m+1) I )u ( m )
2 2
S S
(H + + r ( m+1) I )u ( m+1) = d − (V − + r ( m +1) I )u *( m )
2 2
Al final de cada iteración se verifica la convergencia, esto es, se habrá
alcanzado la solución solo si para todo i,j se cumple que:
30
7.2.7 Método ADIP ...
1
c ij u i*,−(1m, j+1) + ( a x ,ij + a ac ,ij + r ( m +1) )u i*,, (j m +1) + bij u i*,+(1m, j+1)
2 i = 1,2,..., I
1 j = 1,2,..., J
= d ij − f ij u i(,mj−) 1 − ( a y ,ij + a ac ,ij − r ( m +1) )u ij( m ) − eij u i(,mj+) 1
2
Al escribir esta ecuación en cada j y todas las i’es ( i=1,2,...I) se
genera un subsistema de I ecuaciones con I incógnitas, similar al
que se resulta de problemas de flujo 1D:
i = 1,2,..., I
cij ui*,−(1m, j+1) + a (Xm,ij+1)ui*,,(j m +1) + bij ui*,+(1m, j+1) = d ij*,( m )
j dada
1=1 2 I
j=1
2 Primer Barrido:
Solución
Intermedia u*i,j
J
31
7.2.7 Método ADIP ...
Los parámetros de iteración se calculan mediante una progresión
geométrica:
r ( m +1) = ω r ( m ) m=1,2,...,M-1
1
r M −1
ω = max
rmin
Bjordammen y Coats, (1969) sugieren calcular rmax y rmin como:
rmax = 1
π 2
π 2
rmin = min ,
2 ∆ x k y
2 2
i, j
2 1 + ∆ y k x
2 I 1 + 2J
∆ y k x i , j ∆ x k y i , j
32
7.2.8 Método SIP (Procedimiento
Fuertemente Implícito)
Stone, H.L.:”Iterative Solution of Implicit Approximations of Multidimensional
Partial Differential Equations,” SIAM J. Numerical Analysis (1968) 5, 530-58.
Au = d
Se busca reemplazar A por A*, siendo esta última tal que pueda
factorizarse mas fácilmente en el producto de dos matrices, LU,
triangular inferior y triangular superior, respectivamente.
Au = A*u − A*u + d
y se rearregla iterativamente como:
A*δu ( m+1) = R( m)
33
7.2.8 Método SIP ...
donde:
δu (m+1) = u ( m+1) − u ( m)
y,
R( m) = Au( m) − d
pero,
A* = LU
entonces,
LUδu ( m+1) = R( m)
Lv( m+1) = R( m)
Una vez resuelto v(m+1) la solución de δu(m+1) se obtiene mediante
substitución hacia atrás,
34
7.2.8 Método SIP ...
Se derivará el algoritmo del SIP mediante un problema bidimensional.
i=1 2 3 4
j=1 1 2 3 4
2 5 6 7 8
3 9 10 11 12
35
7.2.8 Método SIP ...
Si definimos L como:
A1,1 0 0 0 0 0 0 0 0 0 0 0
C A 0 0 0 0 0 0 0 0 0 0
2,1 2,1
0 C3,1 A3,1 0 0 0 0 0 0 0 0 0
0 0 C4,1 A4,1 0 0 0 0 0 0 0 0
F1,2 0 0 0 A1,2 0 0 0 0 0 0 0
0 F2,2 0 0 C2,2 A2,2 0 0 0 0 0 0
L=
0 0 F3,2 0 0 C3,2 A3,2 0 0 0 0 0
0 0 0 F4,2 0 0 C4,2 A4,2 0 0 0 0
0 0 0 0 F 0 0 0 A 0 0 0
1,3 1,3
0 0 0 0 0 F2,3 0 0 C2,3 A2,3 0 0
0 0 0 0 0 0 F3,3 0 0 C3,3 A3,3 0
0 0 0 0 0 0 0 F4,3 0 0 C4,3 A4,3
|1 B1,1 0 0 E1,1 0 0 0 0 0 0 0
0 1 B 0 0 E 0 0 0 0 0 0
2,1 2,1
0 0 1 B3,1 0 0 E3,1 0 0 0 0 0
0 0 0 1 0 0 0 E4,1 0 0 0 0
0 0 0 0 1 B1,2 0 0 E1,2 0 0 0
0 0 0 0 0 1 B2,2 0 0 E2,2 0 0
U=
0 0 0 0 0 0 1 B3,2 0 0 E3,2 0
0 0 0 0 0 0 0 1 0 0 0 E4,2
0 0 0 0 0 0 0 0 1 B 0 0
1,3
0 0 0 0 0 0 0 0 0 1 B2,3 0
0 0 0 0 0 0 0 0 0 0 1 B3,3
0 0 0 0 0 0 0 0 0 0 0 1
36
7.2.8 Método SIP ...
Entonces tenemos:
f i *,j = Fi , j
hi*, j = Fi , j Bi , j −1
ci*, j = Ci , j
ai*, j = Fi , j Ei , j −1 + Ci , j Bi −1, j + Ai , j
bi*, j = Ai , j Bi , j
g i*, j = Ci , j Ei −1, j
ei*, j = Ai , j Ei , j
37
7.2.8 Método SIP ...
Vemos entonces que se tiene ahora lo siguiente:
i-1,j-1 i,j-1
i,j+1 i+1,j+1
Nótese que
ui +1, j −1 ≈ ui +1, j + ui , j −1 − ui , j
y
ui −1, j +1 ≈ ui , j +1 + ui −1, j − ui , j
Aproximaciones que se obtienen como sigue:
38
7.2.8 Método SIP ...
∂u
ui −1, j +1 = ui , j +1 − ∆xi + O(∆x 2 ) restando, y considerando
∂x i , j +1 que ∆xi
∂u
= ∆xi
∂u
∂x i , j +1 ∂x i −1, j
∂u se obtiene la aproximación
ui , j = ui −1, j + ∆xi + O(∆x 2 ) para ui-1,j+1
∂x i −1, j
∂u
ui +1, j −1 = ui +1, j − ∆y j + O(∆y 2 ) restando, y considerando
∂y i +1, j ∂u ∂u
que ∆y j = ∆y j
∂y i +1, j ∂y i , j −1
∂u se obtiene la aproximación
ui , j = ui , j −1 + ∆y j + O(∆y 2 ) para ui+1,j-1
∂y i , j −1
39
7.2.8 Método SIP ...
f i *,j = f i , j − αhi , j
hi*, j = hi , j
ci*, j = ci , j − αg i , j
ai*, j = ai , j + αhi , j + αg i , j
bi*, j = bi , j − αhi , j
g i*, j = g i , j
ei*, j = ei , j − αg i , j
f i , j − αhi , j = Fi , j
hi , j = Fi , j Bi , j −1 Sistema de 7
ci , j − αg i , j = Ci , j ecuaciones
con 7
ai , j + αhi , j + αg i , j = Fi , j Ei , j −1 + Ci , j Bi −1, j + Ai , j incógnitas:
bi , j − αhi , j = Ai , j Bi , j G,C,A,B,F,h,e
g i , j = Ci , j Ei −1, j
ei , j − αg i , j = Ai , j Ei , j
40
7.2.8 Método SIP ...
Resolviendo se obtiene que:
Sistema de 7
f i , j − αhi , j = Fi , j ecuaciones con 7
incógnitas:
hi , j = Fi , j Bi , j −1
G,C,A,B,F,h,e
ci , j − αg i , j = Ci , j
Si se introduce hij y
ai , j + αhi , j + αg i , j = Fi , j Ei , j −1 + Ci , j Bi −1, j + Ai , j
gij en el resto, se
bi , j − αhi , j = Ai , j Bi , j reduce a 5
ecuaciones con 5
g i , j = Ci , j Ei −1, j incógnitas:
ei , j − αg i , j = Ai , j Ei , j G, C, A, B, F
bi , j − αFi , j Bi , j −1
Bi , j =
Ai , j
ei , j − αCi , j Ei −1, j
Ei , j =
Ai , j
41
7.2.8 Método SIP ...
Hemos entonces encontrado la manera de calcular los elementos de
las matrices L y U en términos de los elementos de la matriz original.
Regresando entonces a,
Lv( m+1) = R( m)
vemos que se escribe como:
42
7.2.8 Método SIP ...
Stone recomienda usar una secuencia de parámetros de iteración, de
manera cíclica como en el ADIP. Los parámetros se espacían
geométricamente entre 0 y αmax donde,
π 2
π 2
(1 − α max ) = min ,
2 ∆ x k y
2 2
i, j
∆ y k
2 I 1 + 2 J 2 1 + x
∆y k x
i, j ∆ x k y i , j
a1u1 + b1u2 = d1
ciui-1 + aiui + biui+1 = di ; i=2,3,...,I-1
cIuI-1 + aIuI = dI (7.25)
43
7.3 Solución de Sistemas de Ecuaciones estructurados
en Bloques.
o bien: Au = d …(7.26)
donde,
a1 b1
c a2 b2
2
c3 a3 b3
A=
. . .
. . .
. . .
cI aI
así como uT = (u1,u2,...,uI) y dT = (d1,d2,...,dI).
Los elementos ai, bi y ci son para el caso de flujo trifásico de fluidos tipo
beta, aceite, gas y agua, submatrices de (3x3). Los elementos ui y di
son entonces subvectores de orden 3.
w1 w2 w3
w4 w5 w6
w7 w8 w9 1
c1 c2 c3 w1 w2 w3
c4 c5 c6 w w5 w6
4
c7 c8 c9 2 w7 w8 w9 2
c1 c2 c3 w1 w2 w3
c
c5 c6 w w w
4 4 5 6
c7 c8 c9 3 w7 w8 w9 3
W =
c1 c2 c3 w1 w2 w3
c c c w w
w6
4 5 6 4 5
c7 c8 c9 I w7 w8 w9 I
44
7.3 Solución de Sistemas de Ecuaciones
estructurados en Bloques.
I q1
y,
I q2
I q3
Q=
. .
. .
I q I −1
I
1 0 0
I = 0 1 0
donde I es la matriz identidad de orden (3x3),
0 0 1
g1 = w1−1d 1
g i = wi−1 (d i − ci g i −1 ); i = 2,3,..., I (7.28)
uI = g I
u i = g i − q i u i +1 ; i = I − 1, I − 2 , ...., 1
(7.29)
45
7.4 Métodos Directos Versus Métodos
Iterativos.
En los métodos directos convencionales, eliminación Gaussiana o
descomposición LU por ejemplo, el requerimiento de memoria y el
tiempo de cómputo aumentan drásticamente en la medida que
aumenta el número de ecuaciones.
46
SOLUCIÓN DE SISTEMAS LINEALES
DE ECUACIONES
Básicamente Existen dos métodos de solución
1. Métodos Directos: Requieren de un número
fijo de operaciones para resolver un sistema
dado
2. Métodos Iterativos: Consiste en aplicar
algoritmos cíclicos, en espera de que el paso
de las iteraciones se obtenga una mejor
aproximación de la solución. El número de
operaciones por ciclo es predecible, sin
embargo, el número de iteraciones es
impredecible.
ORDENAMIENTO D4
Price H. S ξ coats k. h “Direct methods on reservoir simulation” trans SPE of AIME, 257, pp 295 - 308
i=1 2 3 4 5
No. Planos
I=5 1 3 12 4 4 5 16 6 8 7
J=1 NP. = (I+J+K) – 2
J=4
11 4 3 5 15 6 7 7 19 8 NP = 8 planos
K=1 2
3 2 5 14 6 6 7 18 8 10 9
Suponer que:
4 13 6 5 7 17 8 99 20 10
I>J>K
47
ORDENAMIENTO D4
• Cada plano se identifica con el número m
• Los nodos asociados al plano m son tales que
i + j + k =m
Y
m = 3, 4, 5, …M
Donde
M=I+J+K
• Si M es impar
3, 5, 7, …, M , 4, 6, 8, …, M -1
ORDENAMIENTO D4
3, 5, 7, 9, 4, 6, 8, 10
48
PLANO INDICES DEL NODO # DEL NODO (ORD. 4)
i j k
3 1 1 1 1
5 1 3 1 2
5 2 2 1 3
5 3 1 1 4
7 2 4 1 5
7 3 3 1 6
7 4 2 1 7
7 5 1 1 8
9 4 4 1 9
9 5 3 1 10
4 1 2 1 11
4 2 1 1 12
6 1 4 1 13
6 2 3 1 14
6 3 2 1 15
6 4 1 1 16
8 3 4 1 17
8 4 3 1 18
8 5 2 1 19
10 5 4 1 20
ORDENAMIENTO D4
Jk+4
49
ORDENAMIENTO D4
Donde ALR* es una matriz bandada con ancho total de banda
2 jk+1 (i>j>k)
BOAST (DOE Franehi)
i= 1 2 3 4 5
1,1 2,1 3,1 4,1 5,1
J=1 NX = 5
1 2 3 4 5
2
1,2 2,2 3,2 4,2 5,2 NY = 5
6 7 8 9 10
1,3 2,3 3,3 4,3 5,3 ORDENAMIENTO
3
11 12 13 14 15 NORMAL
1,4 2,4 3,4 4,4 5,4
4
16 17 18 19 20
1,5 2,5 3,5 4,5 5,5
5
21 22 23 24 25
i= 1 2 3 4 5
2,1 3,1 4,1
J=1 ORDENAMIENTO
1,2 2,2
1
3,2
2
4,2
3
5,2
NORMAL
2
4 5 6 7 8
1,3 2,3 4,3 5,3
3 Celda activa
9 10 11 12
2,4 3,4 4,4 5,4
4 Celda inactiva
13 14 15 16
2,5 3,5 4,5
5
17 18 19
50
i= 1 2 3 4 5
1,1 2,1 3,1 4,1 5,1
J=1
1 14 2 16 5 ORDENAMIENTO
1,2 2,2 3,2 4,2 5,2
2
15 3 17 6 20
D4
1,3 2,3 3,3 4,3 5,3
3
4 18 7 21 10
1,4 2,4 3,4 4,4 5,4
4
19 8 22 11 24
1,5 2,5 3,5 4,5 5,5
5
9 23 12 25 13
Esquema de ordenamiento D4 y un
algoritmo de Banda.
Este ordenamiento y el algoritmo de banda constituyen un
método directo de solución para resolver un sistema de
ecuaciones lineales de la forma:
Pδ X p = − rp
51
De acuerdo con este ordenamiento, este sistema de
ecuaciones se puede particionar como:
P1 P 2 δ X p1 r p1
= −
P3 P 4 δ Xp 2 rp 2
[ ]
P4 * δ X p 2 = − r p 2* ⇒ δ X p 2 = − P4 *
−1
rp 2 *
El cual se resuelve mediante un algoritmo de banda para obtener el vector
δXp 2 y después se calcula el vector δXp1 mediante una sustitución
regresiva, ya que la submatriz P1 es una submatriz diagonal. Esto último
se expresa como:
P1 δ X p1 + P2 δ X p 2 = − r p1
52
Se puede expresar por lo tanto como:
Ax = b
• La eliminación Gaussiana se efectúa con intercambios de columnas
en la matriz A para obtener una factorización de la forma:
AQ = LU
53
• Donde: L Es una matriz triangular inferior
U es una matriz triangular superior
Q es una matriz de permutación
Por lo que se puede establecer el siguiente sistema:
T
LU Q x = b
54