Académique Documents
Professionnel Documents
Culture Documents
1 0 0 0 0 0 0 0 0 −2 0 −3
0 4 0 0 −2 0 0 0 0 0 −1 −2
•𝐷= ,L = ; U=
0 0 3 0 1 −2 0 0 0 0 0 −7
0 0 0 6 0 2 −4 0 0 0 0 0
Méthode de Gauss Seidel et sur-Relaxation
• La décomposition de A est la suivante :
• 𝐴 = 𝑀 − 𝑁, 𝑎𝑣𝑒𝑐 𝑀 = 𝐷 − 𝐿 𝑒𝑡 𝑁 = 𝑈
alors
𝑋 (𝑘+1) = 𝑇𝑋 (𝑘) + 𝑉 avec
𝑇 = (𝐷 − 𝐿)−1 𝑈, 𝑉 = (𝐷 − 𝐿)−1 𝑏
Le calcul effectif se fait en résolvant directement le système
𝐷 − 𝐿 𝑋 (𝑘+1) = 𝑈𝑋 (𝑘) + 𝑏
• Soit
𝑗=𝑖 (𝑘+1) 𝑗=𝑛 (𝑘)
• σ𝑗=1 𝑎𝑖𝑗 𝑥𝑗 = − σ𝑗=𝑖+1 𝑎𝑖𝑗 𝑥𝑗 + 𝑏𝑖
• D’où, on a
𝑗=𝑖−1 (𝑘+1) 𝑗=𝑛 (𝑘)
(𝑘+1) 𝑏𝑖 −σ𝑗=1 𝑎𝑖𝑗 𝑥𝑗 −σ𝑗=𝑖+1 𝑎𝑖𝑗 𝑥𝑗
• 𝑥𝑖 =
𝑎𝑖𝑖
Algorithme de Gauss-Seidel
• Donner un point de départ 𝑥 (0)
• pour k = 0,1,2,... Jusqu’à convergence
• pour i = 1 : n
𝑗=𝑖−1 (𝑘+1) 𝑗=𝑛 (𝑘)
(𝑘+1) 𝑏𝑖 −σ𝑗=1 𝑎𝑖𝑗 𝑥𝑗 −σ𝑗=𝑖+1 𝑎𝑖𝑗 𝑥𝑗
• 𝑥𝑖 =
𝑎𝑖𝑖
• Fin
• Fin
• Pour accélérer la convergence du processus, on peut introduire un
paramètre ω, on parle alors de méthode de sur-relaxation successive,
définie de la manière suivante
(𝑘+1) (𝑘)
2𝑥1 𝑥2 + 7
(𝑘+1)
2𝑥2 = 𝑥1(𝑘) + 𝑥3(𝑘) + 1
(𝑘+1) (𝑘)
2𝑥3 𝑥2 +1
1ère itération pour k=0, on obtient
(1) (0)
2𝑥1 𝑥2 + 7
(1) (0) (0)
• 2𝑥2 = 𝑥1 + 𝑥3 + 1 ;
(1) (0)
2𝑥3 𝑥2 + 1
7Τ
0 2
• Comme 𝑋 (0) = 0 , on obtient 𝑋 (1) = 1Τ
2
0 1Τ
2
• 2ème itération pour k=1, on obtient
(2) (1)
2𝑥1 𝑥2 + 7 15Τ
4
(2) (1) (𝑘)
• 2𝑥2 = 𝑥1 + 𝑥3 + 1 = 5Τ
2
(2) (1) 3Τ
2𝑥3 𝑥2 + 1 4
15Τ
4
• 𝑋 (2) = 5Τ
2
3Τ
4
Méthode de Gauss Seidel
• 𝐴 = 𝐷 − 𝐿 − 𝑈; On a (𝐷 − 𝐿)𝑋 𝑘+1 = 𝑈𝑋 𝑘 + 𝐵 ou bien
• 𝐷𝑋 𝑘+1 =𝐿𝑋 𝑘+1 + 𝑈𝑋 𝑘 + 𝐵 c.a.d
2 0 0 0 0 0 0 1 0 7
• 0 2 0 𝑋 (𝑘+1) = 1 0 0 𝑋 𝑘+1
+ 0 0 1 𝑋 𝑘
+ 1
0 0 2 0 1 0 0 0 0 1
(𝑘+1) (𝑘)
2𝑥1 𝑥2 + 7
(𝑘+1)
• 2𝑥2 = 𝑥1(𝑘+1) + 𝑥3(𝑘) + 1
(𝑘+1) (𝑘+1)
2𝑥3 𝑥2 +1
• 1ère itération pour k=0, on obtient
(1) (0)
2𝑥1 𝑥2 + 7 0
(1) (1) (0)
• 2𝑥2 = 𝑥1 + 𝑥3 + 1 avec 𝑋 (0) = 0
(1) (1) 0
2𝑥3 𝑥2 + 1
(1)
2𝑥1 7 7Τ
(1) 2
• (1)
2𝑥2 = 1 + 1 d’où
𝑥 𝑋 (1) = 9Τ
4
(1) 13Τ
(1)
2𝑥3 𝑥2 + 1 8
• 2ème itération pour k=1, on obtient
•
(2) (1)
2𝑥1 𝑥2 + 7 7Τ
2
(2)
• 2𝑥2 = 𝑥1(2) + 𝑥3(1) + 1 avec 𝑋 (1) = 9Τ
4
(2) (2) 13Τ
2𝑥3 𝑥2 +1 8
• On obtient
37Τ
8
• 𝑋 (2) = 29Τ
8
37Τ
16
Convergence des méthodes de Gauss Siedel
et de Jacobi
• Définitions:
• 1) On dit qu’une méthode itérative de résolution d’un système
linéaire 𝐴𝑋 = 𝑏 est convergente si tous les itères 𝑋 (𝑘) vérifient ce
système.
• 2) Soit A est une matrice carrée dordre n; on appelle rayon spectral de
A la quantité suivante :
•𝜌 𝐴 = m ถ ax (𝜆𝑖 )
1≤𝑖≤𝑛
• Où 𝜆1 , 𝜆2 ,…, 𝜆𝑛 sont les valeurs propres de A
• 3) On dit que est une valeur propre de la matrice A s’il existe un
vecteur x non nul solution de
• 𝐴𝑥 = 𝜆𝑥
• Le vecteur 𝑥 est alors dit vecteur propre associé à 𝜆
• 4) Soit A = 𝑎𝑖 𝑗 , 𝑖, 𝑗 = 1, . . , 𝑛; une matrice carrée d’ordre n. On dit
que A est une matrice diagonale strictement dominante si
• 𝑎𝑖𝑖 > σ𝑗≠𝑖 𝑎𝑖𝑗
Théorèmes:
1)Si la matrice A du système Ax = b est diagonale strictement
dominante alors toute méthode itérative de résolution est convergente
2) La méthode itérative 𝑋 (𝑘+1) = 𝑇𝑋 (𝑘) + 𝑉 converge si 𝜌(T) < 1.
3) Si la méthode de Jacobi converge, alors la méthode de sur-relaxation
de Jacobi converge pour 0 < ω ≤1