Vous êtes sur la page 1sur 17

Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

Dans ce chapitre nous nous intéressons à la résolution d’équations et systèmes


d’équations non linéaires. En général les solutions explicites sont difficiles, voir impossible, à
obtenir analytiquement. Donc nous devons trouver des méthodes numériques qui conduisent à
des solutions approchées.

I.1. Racine de l’équation 𝒇(𝒙) = 𝟎 :

Soit 𝑓 ∶ 𝑅 → 𝑅 une fonction donnée. On désire trouver une ou plusieurs solutions


(figure 1.) de l‘équation 𝑓(𝑥 ) = 0. 𝑓 est suppose continu et dérivable autant de fois qu'il est
nécessaire sur l'intervalle ou sont cherche les racines.

Figure 1.

Une racine 𝛼 de 𝑓 est dite séparé dans un intervalle 𝐼 si 𝛼 est la seul solution de
𝑓 (𝑥 ) = 0 dans 𝐼.

I.2. Séparation (localisation) des racines :

La plupart des méthodes numériques supposent que l’on connaisse un intervalle


contenant la racine cherchée et aucune autre. On dit alors qu’elle est localisée ou séparée, des
autres éventuelles racines. Les deux méthodes les plus classiques pour localiser ou séparer les
racines sont la méthode graphique et la méthode analytique.

I.2.1. La méthode graphique:

La réécriture de l’équation 𝑓(𝑥 ) = 0 sous forme 𝑔(𝑥) et ℎ(𝑥), puis la


recherche des points d’intersection des courbes représentatives de 𝑔(𝑥) et ℎ(𝑥).

Exemple: Déterminer par la méthode graphique les racines de l’équation :

𝑓 (𝑥 ) = 𝑥^3 + 𝑥 − 1

On peut réécrire l’équation 𝑓(𝑥) sous forme par exemple 𝑔(𝑥) = 𝑥 3 et ℎ(𝑥 ) = 1 − 𝑥

Analyse numérique I U.K.M.O Page 1


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

Figure 2.

• Le point d’intersection c’est 𝑄(𝛼, 0) ou 𝛼 c’est la racine de l’équation 𝑓 (𝑥 ) = 0. avec


0 ≤ 𝛼 ≤ 1.

• On peut aussi choisir 𝑔(𝑥) et ℎ(𝑥) sous la forme:


1
𝑔(𝑥 ) = 𝑥 et ℎ(𝑥 ) = 1+𝑥 2.

Figure 3.

• Le point d’intersection c’est 𝑃(𝛼, 0) ou 𝛼 c’est la racine de l’équation 𝑓(𝑥 ) = 0. avec


0 ≤ 𝛼 ≤ 1.

I.2.2. La méthode analytique :

L’étude des variations de 𝑓(𝑥 ), puis l’utilisations du théorème de la valeur


intermédiaire.

I.2.2.1 Théorème de la valeur intermédiaire :

Soit 𝑓 ∶ [𝑎, 𝑏] → 𝑅 une fonction continue. Si 𝑓 (𝑎). 𝑓 (𝑏) < 0, alors il


existe au moins 𝛼 ∋ [𝑎, 𝑏] tel que 𝑓 (𝛼 ) = 0. Si de plus 𝑓 est strictement monotone
dans [𝑎, 𝑏], alors cette racines et unique.

Analyse numérique I U.K.M.O Page 2


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

Exemple: Déterminer par la méthode analytique le nombre des racines de l’équation :

𝑓(𝑥 ) = 𝑥 3 − 6𝑥 + 2

La fonction 𝑓 est dérivable sur 𝑅 (car polynôme) et : 𝑓 ′ (𝑥 ) = 3𝑥 2 − 6

𝑓 ′ (𝑥 ) = 0 ⟹ 3𝑥 2 − 6 = 0 ⟹ 𝑥 = ±√2

On obtient le tableau de variation suivant :

D’après le tableau de variation :

• Si 𝑥 ∋ ]−∞, −√2] la fonction 𝑓 est continue (car dérivable), croissante et 𝑓(𝑥) ∋


]−∞, 7.65685] d’après le théorème des valeurs intermédiaires, il existe un unique 𝛼1
tel que 𝑓 (𝑥 ) = 0.
• Si 𝑥 ∋ ]−√2, √2] la fonction 𝑓 est continue (car dérivable), décroissante et 𝑓(𝑥 ) ∋
[7.65685, −3.65685] d’après le théorème des valeurs intermédiaires, il existe un
unique 𝛼2 tel que 𝑓 (𝑥 ) = 0.
• Si 𝑥 ∋ [√2, +∞[ la fonction 𝑓 est continue (car dérivable), croissante et 𝑓(𝑥) ∋
[√2, +∞[ d’après le théorème des valeurs intermédiaires, il existe un unique 𝛼3 tel
que 𝑓(𝑥 ) = 0.

I.3. Méthode de dichotomie :

I.3.1 Principe. Considérons une fonction 𝑓 continue sur un intervalle [𝑎, 𝑏]. On
suppose que 𝑓 admet une et une seule racine a dans ]𝑎, 𝑏[ et que 𝑓(𝑎). 𝑓 (𝑏) < 0. On note 𝑐 =
(𝑎 + 𝑏)/2 le milieu de l’intervalle.

1. Si 𝑓 (𝑐 ) = 0, c’est la racine et le probléme est résolu.

2. Si 𝑓(𝑐) ≠ 0, nous regardons le signe de 𝑓 (𝑎). 𝑓(𝑐) :

2.1 Si 𝑓 (𝑎). 𝑓(𝑐 ) < 0, alors 𝛼 ∋ ]𝑎, 𝑐 [

2.2 Si 𝑓 (𝑐 ). 𝑓 (𝑏) < 0, alors 𝛼 ∋ ]𝑐, 𝑏[

Analyse numérique I U.K.M.O Page 3


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

On recommence le processus en prenant l’intervalle ]𝑎, 𝑐 [ au lieu de [𝑎, 𝑏] dans le


premier cas, et l’intervalle ]𝑐, 𝑏[ au lieu de [𝑎, 𝑏] dans le second cas. De cette manière, on
construit par récurrence sur 𝑛 trois suites (𝑎𝑛 ), (𝑏𝑛 ) et (𝑐𝑛 ) telles que 𝑎0 = 𝑎, 𝑏0 = 𝑏 et telles
que pour tout 𝑛 ≥ 0,
𝑎𝑛 +𝑏𝑛
1. 𝑐𝑛 = 2

2. Si 𝑓 (𝑐𝑛 ). 𝑓 (𝑏𝑛 ) < 0, alors 𝑎𝑛+1 = 𝑐𝑛 et 𝑏𝑛+1 = 𝑏𝑛 .

3. Si 𝑓 (𝑐𝑛 ). 𝑓 (𝑎𝑛 ) < 0, alors 𝑎𝑛+1 = 𝑎 et 𝑏𝑛+1 = 𝑐𝑛 .

L’algorithme ci-dessus s’appelle l’algorithme de dichotomie.

Figure 4.

I.3.2. Etude de la convergence.

Théorème. Soit 𝑓 une fonction continue sur [𝑎, 𝑏], vérifiant𝑓(𝑎). 𝑓(𝑏) < 0 et soit 𝛼 ∋
[𝑎, 𝑏] l’unique solution de l’équation 𝑓(𝑥 ) = 0. Si l’algorithme de dichotomie arrive jusqu’à
l’étape 𝑛 alors on a l’estimation :

𝑏−𝑎
|𝛼 − 𝑐𝑛 | ≤
2𝑛+1
De plus, pour atteindre la précision |𝛼 − 𝑐𝑛 | ≤ 𝜀 il suffit de choisir

ln(𝑏 − 𝑎) − ln(𝜀)
𝑛≥ −1
ln(2)

Le dernier résultat permet de fixer a priori le nombre d’itérations 𝑛 en le reliant à la précision


désirée .

Exemple :

Analyse numérique I U.K.M.O Page 4


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

On considère l’équation: 𝑓(𝑥 ) = 𝑥 3 − 4𝑥 − 9

 Déterminer combien d’itérations de la méthode de bissection seraient nécessaires pour


calculer la valeur approchée de la racine de l’équation 𝑓(𝑥 ) = 0 avec une précision de
𝜀 = 10−3 .

 Appliquer la méthode de bissection, pour trouver la valeur approchée de la racine de


𝑓′𝑥) = 0, 𝑥 ∋ [2, 3].

Solution :

 Nombre des itérations:


ln(𝑏−𝑎)−ln(𝜀)
𝑛= −1 ⟹ 𝑛 = 8.9657 ≈ 9
ln(2)

 La valeur approchée de la racine :


𝑓(2) = −9
{ ⟹ ∀𝑥 ∋ [2, 3], ∃ 𝛼 ∋ ]2, 3[ tel que 𝑓(𝛼 ) = 0
𝑓 (3) = 6

𝑓 ′ (𝑥 ) = (3𝑥 2 − 4) > 0 ∀𝑥 ∋ [2, 3]

n a(-) c=(a+b)/2 b(+) Le Signe


de f(c)

0 2 2.5 3 -

1 2.5 2.75 3 +

2 2.5 2.625 2.75 -

3 2.625 2.6875 2.75 -

4 2.6875 2.71875 2.75 +

5 2.6875 2.7031 2.71875 -

6 2.7031 2.7109 2.71875 +

Analyse numérique I U.K.M.O Page 5


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

7 2.7031 2.707 2.7109 +

8 2.7031 2.70505 2.707 -

9 2.70505 2.7060 2.707 -

I.3.4. Programme MATLAB :


% Méthode de bissection (dichotomie)
clear all; clc
f=inline('x^3-4*x-9');
a=2;b=3;eps=0.001;
k=-log10(eps);
n=(((log10(b-a))+k)/log10(2))-1;
n=ceil(n)
c=f(a); d=f(b);
if c*d>0
disp('pas de racine dans cet intervalle')
end
disp(' a x b y')
for i=1:n+2
x=(a+b)/2;
y=f(x);
disp([ a x b y])
if y==0.0
e=0
break
end
if c*y<0
b=x;
else
a=x;
end
end
[x]

I.4. Méthode de point fixe :

Dans cette méthode, on construit à partir de l’équation à résoudre, la suite

𝑥𝑛+1 = 𝑔(𝑥𝑛 )
{
𝑥0 𝑐ℎ𝑜𝑖𝑠𝑖 𝑑𝑎𝑛𝑠 [𝑎, 𝑏]

dans l’espoir qu’elle tende vers la solution 𝑥 ∗ du problème. La limite de cette suite vérifie
𝑥 ∗ = 𝑔(𝑥 ∗ ).

Analyse numérique I U.K.M.O Page 6


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

I.4.1 Définition : Soit 𝑔 ∶ 𝑅 → 𝑅, un point fixe de 𝑔 est un réel 𝑥 ∗ solution de


l’équation 𝑥 = 𝑔(𝑥). L’équation𝑓 (𝑥 ) = 0, peut s’écrire sous la forme 𝑥 = 𝑔(𝑥). On peut
choisir par exemple 𝑔(𝑥 ) = 𝑓 (𝑥 ) + 𝑥. Ainsi résoudre 𝑓 (𝑥 ) = 0 revient à trouver les points
fixes de 𝑔(𝑥).

Exemple : soit l’équation 𝑓 (𝑥) = 𝑥 2 − 𝑥 − 3 ln(𝑥 ) = 0

Elle peut s’écrire sous la forme 𝑥 = 𝑔(𝑥) avec :

1. 𝑔(𝑥 ) = 𝑥 2 − 3 ln(𝑥 ) = 𝑥

2. 𝑔(𝑥 ) = √𝑥 + 3ln(𝑥) = 𝑥

(𝑥 2−𝑥)⁄
3. 𝑔(𝑥 ) = 𝑒 3 =𝑥

Où il faut choisir l’écriture permettant la convergence du processus itératif 𝑥𝑛+1 = 𝑔(𝑥𝑛 ) vers
la solution cherchée, lorsque cette convergence est possible.

I.4.2. Définition : soit 𝑔 ∶ 𝑅 → 𝑅, s’il existe 𝑘 ∋ [0, 1] tel que pour tous 𝑦 et 𝑧
éléments de 𝑅, on ait |𝑔(𝑦) − 𝑔(𝑧)| ≤ 𝑘|𝑦 − 𝑧|, alors on dit que 𝑔 est contractante (au est
une contraction) sur 𝑅. Si l’inégalité on dira que 𝑔 est strictement contractante. 𝑘 est appel´e
rapport de contraction.

I.4.3. Proposition : Soit 𝑔 une application dérivable sur l’intervalle [𝑎, 𝑏], si la
dérivée 𝑔′ vérifie, 𝑀𝑎𝑥𝑥∋[𝑎,𝑏] |𝑔′ (𝑥)| = 𝑘 < 1, alors 𝑔 est strictement contractante dans
[𝑎, 𝑏].

Le théorème suivant fournit une condition suffisante de convergence du processus des


approximations successives.

I.4.4. Théorème de point fixe : soit 𝑔 ∶ 𝑅 → 𝑅 vérifiant les conditions suivantes :

1. 𝑥 ∋ [𝑎, 𝑏] ⟹ 𝑔(𝑥 ) ∋ [𝑎, 𝑏], (c’est à dire 𝑔[𝑎, 𝑏] ⊃ [𝑎, 𝑏]).

2. 𝑔 est une application strictement contractante dans [𝑎, 𝑏] de rapport de contraction 𝑘.

Alors pour tous 𝑥0 ∋ [𝑎, 𝑏] la suite récurrente définie par

𝑥0 ∋ [𝑎, 𝑏]
{
𝑥𝑛+1 = 𝑔(𝑥𝑛 ), 𝑛 ∋ 𝑁

converge vers l’unique solution 𝑥 ∗ de 𝑥 = 𝑔(𝑥), avec 𝑥 ∗ ∋ [𝑎, 𝑏]. De plus la formule suivante
donne une majoration de l’erreur commise à l’itération 𝑛 lors du calcul de 𝑥 ∗ .

𝑘𝑛
|𝑥 𝑛 − 𝑥 ∗ | ≤ |𝑥 − 𝑥 0 |
1−𝐾 1

Analyse numérique I U.K.M.O Page 7


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

I.4.5. Interprétation graphique :

1. Si |𝑔(𝑥 ∗ )| > 1, (figure 5), la suite ne converge pas vers 𝑥 ∗ , c’est un point répulsif, les itérés
successifs de la condition initiale 𝑥0 s’éloignet de 𝑥 ∗ , on élimine alors la méthode.

2. Si |𝑔(𝑥 ∗ )| < 1, (figures 6 et 7), la méthode converge,𝑥 ∗ est un point attractif, les itérations
successifs de la condition initiale 𝑥0 se rapprochent de plus en plus de 𝑥 ∗ , (il faut alors
déterminer un intervalle [𝑎, 𝑏] contenant 𝑥 ∗ , dans lequel Maxa≤x≤b |𝑔(𝑥)| < 1 et 𝑔([𝑎, 𝑏]) ⊃
[𝑎, 𝑏], deux cas se repesent :

2.1. 0 ≤ 𝑔′ (𝑥 ∗ ) < 1, (figure 6)

Si 𝑥0 < 𝑥 ∗la suite 𝑥𝑛 et croissante, elle est décroissante sinon (cas où la condition initiale est
𝑥0′ ). Dans ce les deux cas, elle tend vers 𝑥 ∗ .

2.2. −1 < 𝑔′ (𝑥 ∗ ) ≤ 0, (figure 7)

La suite 𝑥𝑛 est alternée, deux itérations successifs de 𝑥0 donnent un encadrement de 𝑥 ∗ et la


suit converge vers 𝑥 ∗ .

Figure 5. Figure 6. Figure 7.

3. Si |𝑔′ (𝑥 ∗ )| = 1, c’est un cas plus délicat car la méthode peut converge (figure 8) ou non
(figure 9).

Figure 8. Figure 9.

Analyse numérique I U.K.M.O Page 8


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

Dans la figure 8, les itérés successifs de 𝑥0 convergent vres 𝑥 ∗ si 𝑥0 > 𝑥 ∗ et divergent dans le
cas contraire. Dans le cas de la figure 9, ils divergent quelque soit la position de 𝑥 0 .

I.4.6. Tests d’arrêt des itérations :

Si le processus itératif converge, la solution 𝑥 ∗ , étant la limite de la suite, ne peut être


atteinte qu’au bout d’un nombre infini ‘itérations. Par conséquent l’algorithme sera arrêté en
utilisant le test |𝑥𝑛 − 𝑥𝑛−1 | ≤ 𝜀, où 𝜀 désigne la précision à laquelle on souhaite obtenir la
solution.

Exemple : On considère la fonction: 𝑓(𝑥 ) = 𝑒 𝑥 − 4𝑥 2

1. Montrer qu’il existe un zéro 𝛼 pour la fonction f dans [4, 5] et qu’il est unique.
𝑥
1
2. Montrer que la méthode du point fixe 𝑥 = 2 𝑒 2 ne converge pas vers 𝛼.

3. Cette équation admet aussi une racine entre 𝑥 = 0 et 𝑥 = 1. Montrer que la méthode du
𝑥
1
point fixe 𝑥 = 2 𝑒 2 converge vers cette racine si est choisi dans l’intervalle [0, 1].

4. Déterminer la valeur approchée de la racine 𝛼 ∋ [0, 1} par la méthode de point fixe avec
une précision de 10−3 .

Solution :

1. 𝑓 est une fonction continue sur [4, 5] avec 𝑓 (4) < 0 et 𝑓 (5) > 0 le théorème des
valeurs intermédiaires assure l’existence de 𝛼 dans [4, 5] tel que 𝑓 (𝛼 ) = 0. de
plus𝑓 ′ (𝑥) = 𝑒 𝑥 − 8𝑥 > 0, ∀𝑥 ∋ [4, 5] alors 𝑓 est strictement croissante dans [4, 5] et
𝛼 est unique.
𝑥 𝑥 𝑥
1 1 1
2. ∀𝑥 ∋ [4, 5], 𝑓 (𝑥 ) = 0 ⟺ 𝑒 𝑥 = 4𝑥 2 ⟺ 𝑥 = 2 𝑒 2 on pose 𝑔(𝑥 ) = 2 𝑒 2 , 𝑔′ (𝑥 ) = 4 𝑒 2 .
𝑔′ (𝑥) étant positive et croissante alors |𝑔′ (𝑥)| ≥ 𝑔′ (4) > 1, ∀𝑥 ∋ [4, 5], et donc la
méthode ne converge pas vers 𝛼.

3. La fonction 𝑔 est une fonction croissante sur [0, 1], avec 𝑔(0) = 0.5 > 0 et 𝑔(1) < 1.
Alors 𝑔([0, 1] =⊃ [0, 1]. Comme 𝑚𝑎𝑥 |𝑔′ (𝑥)| = 𝑔′ (1) < 1, ∀𝑥 ∋ [0, 1]. Alors ∀𝑥0 ∋
𝑥
1
[0, 1] la méthode de point fixe 𝑥 = 2 𝑒 2 converge vers la racine de 𝑓(𝑥) dans
l’intervalle [0, 1].

4. La valeur approchée de la racine dans l’intervalle [0, 1] :

𝑥0 = 0
{ 1 𝑥𝑛
𝑥𝑛+1 = 𝑔(𝑥𝑛 ) = 𝑒 2
2

Analyse numérique I U.K.M.O Page 9


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

𝑥0 𝑥1 𝑥2 𝑥3
1 1 1 1
𝑥1 = 2 𝑒 2 = 0.5 ; 𝑥2 = 2 𝑒 2 = 0.64201 ; 𝑥3 = 2 𝑒 2 = 0.68926 ; 𝑥4 = 2 𝑒 2 =
𝑥4 𝑥5 𝑥6
1 1 1
0.70573 ; 𝑥5 = 2 𝑒 2 = 0.7116 ; 𝑥6 = 2 𝑒 2 = 0.7137 ; 𝑥7 = 2 𝑒 2 = 0.7144,
|𝑥7 − 𝑥6 | = 0.0007 < 𝜀 = 10−3 donc : 𝛼 = 𝑥7 ± 𝜀

I.4.7. Programme MATLAB :

% méthode de point fixe


clear all; clc
a=0;
b=1;
x=0;
eps=0.001;
epsnew=abs(b-a)
while epsnew>eps
xnew=0.5*exp(x/2)
epsnew=abs(xnew-x);
x=xnew;
end
[x]

I.5. Méthode de Newton :

La méthode de Newton s’utilise pour calculer une racine de 𝑓 (𝑥) = 0, où 𝑓 est une
fonction deux fois continûment dérivable de [𝑎, 𝑏] dans 𝑅. En voici le principe.

Soit 𝑥0 donné, on écrit le développement de Taylor en 𝑥0 :

𝑓(𝑥 ) = 𝑓 (𝑥0 ) + (𝑥 − 𝑥0 )𝑓 ′ (𝑥0 ) + (𝑥 − 𝑥0 )𝜀(𝑥 − 𝑥0 )

La méthode de Newton consiste à négliger les termes d’ordre supérieur à 1 (ce qui revient à
assimiler localement la courbe à sa tangente) et à considérer alors que 𝑥1 est le point qui
annule l’approximation de f ainsi obtenue, c’est-à-dire :

0 = 𝑓 (𝑥0 ) + (𝑥1 − 𝑥0 )𝑓 ′ (𝑥0 )

ce qui donne

𝑓(𝑥0 )
𝑥1 = 𝑥0 −
𝑓 ′ (𝑥0 )

L’étape ainsi décrite qui permet de passer de 𝑥0 à 𝑥1 permet aussi de passer de 𝑥𝑛 à 𝑥𝑛+1 .

L’algorithme de Newton pour résoudre une équation 𝑓 (𝑥 ) = 0 est le suivant :

𝑥0 𝑑𝑜𝑛𝑛é𝑒
{
𝑓(𝑥 )
𝑥𝑛+1 = 𝑥𝑛 − 𝑓′ (𝑥𝑛 ) , 𝑛≥0
𝑛

Analyse numérique I U.K.M.O Page 10


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

Il s’agit donc d’une méthode de point fixe 𝑥𝑛+1 = 𝑔(𝑥𝑛 ) pour laquelle𝑔 est définie par
𝑓(𝑥)
𝑔(𝑥 ) = 𝑥 − 𝑓′ (𝑥)

Une autre manière de présenter la méthode de Newton, plus graphique, est d’obtenir 𝑥𝑛+1
comme l’intersection de la tangente à la courbe 𝑦 = 𝑓(𝑥) au point 𝑥𝑛 avec l’axe 𝑂𝑥 (figure
10.).

Figure 10.

I.5.1. Convergence globale de la méthode de Newton :

Théorème : Si 𝑓 ∋ 𝐶 2 [𝑎, 𝑏] vérifie :

1. 𝑓 (𝑎). 𝑓 (𝑏) < 0

2. ∀𝑥 ∋ [𝑎, 𝑏] 𝑓 ′ (𝑥) ≠ 0 (stricte monotonnie de 𝑓)

3. ∀𝑥 ∋ [𝑎, 𝑏] 𝑓 ′′ (𝑥) ≠ 0 (concavité de 𝑓 dans le même sens).

Alors en choisissant 𝑥0 [𝑎, 𝑏] tel que 𝑓 (𝑥0 ). 𝑓 ′′ (𝑥0 ) > 0, les itérations de Newton converge
vers l’unique solution 𝑥 ∗ de 𝑓 (𝑥 ) = 0 dans [𝑎, 𝑏].

I.5.2. Tests d’arrêt des itérations :

L’algorithme de la méthode sera arrêté en utilisant le test |𝑥𝑛 − 𝑥𝑛−1 | ≤ 𝜀, où 𝜀


désigne la précision à laquelle on souhaite obtenir la solution

Exemple : On considère la fonction : 𝑓 (𝑥 ) = 𝑥 3 − 2𝑥 2 + 𝑥 − 3

Déterminer la valeur approchée α∋[2.1,2.2] par la méthode de Newton-Raphson avec une


précision de 0.001.

Solution :

𝑓 (2.1) = −𝑂. 454 < 0

𝑓 (2.2) = 0.168 > 0

Analyse numérique I U.K.M.O Page 11


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

∀𝑥 ∋ [2.1,2,2] 𝑓 ′ (𝑥 ) = 3𝑥 2 − 4𝑥 + 1 > 0

∀𝑥 ∋ [2.1,2,2] 𝑓 ′′ (𝑥 ) = 6𝑥 − 4 > 0

𝑥0 = 2.2 ; 𝑓 (𝑥0 )𝑓 ′′ (𝑥0 ) > 0

𝑓(𝑥0 ) 0.168
𝑥1 = 𝑥0 − = 2.2 − = 2.175
𝑓 ′ (𝑥0 ) 6.72

𝑓(𝑥1 ) 0.00286
𝑥2 = 𝑥1 − ′
= 2.175 − = 2.17456
𝑓 (𝑥1 ) 6.4919

|𝑥2 − 𝑥1 | = 0.0004 < 𝜀 = 10−3

𝛼 = 𝑥2 ± 𝜀

I.5.3. Programme MATLAB :

% méthode de Newton Raphson


clear all; clc
a=2.1; b=2.2; eps=0.001;
epsnew=abs(b-a);
iteration=0;
disp('valeur initiale')
x
while epsnew>eps
xnew=x-(x^3-2*x^2+x-3)/(3*x^2-4*x+1);
epsnew=abs(xnew-x);
iteration=iteration+1
x=xnew
x=xnew
end
x

I.6. Résolution des systèmes non linéaires :

L’objet de cette partie est la résolution des systèmes d’équations non linéaires de la
forme suivante :

Pour 𝐹: 𝑅𝑑 → 𝑅𝑑 , trouver 𝑋 ∗ ∋ 𝑅𝑑 tel que 𝐹 (𝑋 ∗ ) = 0.

Où 𝐹(𝑋) est un vecteur de la forme 𝐹(𝑋) = [𝑓1 (𝑋), 𝑓2 (𝑋), … … . , 𝑓𝑛 (𝑋)]. Chaque

fonction 𝐹𝑖 (𝑋) est une fonction non linéaire par rapport à 𝑛 variables 𝑥𝑖 , 𝑋 est un vecteur
formé de 𝑛 composantes 𝑥𝑖 . Une solution 𝑋 ∗ du problème est telle que 𝐹 (𝑋 ∗ ) = 0.

Analyse numérique I U.K.M.O Page 12


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

I.6.1. Méthode de Newton :

La méthode de Newton pour un système d’équation non linéaire consiste à généraliser


la méthode vue pour une seule équation.

Soit le système d’équation suivant :

𝑓1 (𝑥1 , 𝑥2 , … . . , 𝑥𝑛 ) = 0
𝑓 (𝑥 , 𝑥 , … . . , 𝑥 𝑛 ) = 0
{2 1 2
……………………….
𝑓𝑛 (𝑥1 , 𝑥2 , … . . , 𝑥𝑛 ) = 0

A partir du vecteur de valeurs approchées 𝑋1 (𝑥11 , 𝑥21 , … … … , 𝑥𝑛1 ) d’une solution du système,
on peut déterminer le vecteur des accroissements 𝐻(ℎ1 , ℎ2 , … . . , ℎ𝑛 ) de manière à ce que :

𝑓1 (𝑥11 , 𝑥21 , … … , 𝑥𝑛1 ) = 𝑓1 (𝑥10 + ℎ1 , 𝑥20 + ℎ2 , … . . , 𝑥𝑛0 + ℎ𝑛 ) = 0


𝑓2 (𝑥11 , 𝑥21 , … … , 𝑥𝑛1 ) = 𝑓2 (𝑥10 + ℎ1 , 𝑥21 + ℎ2 , … . . , 𝑥𝑛0 + ℎ𝑛 ) = 0
……………………….
{𝑓𝑛 𝑥1 , 𝑥2 , … … , 𝑥𝑛 = 𝑓𝑛 (𝑥10 + ℎ1 , 𝑥20 + ℎ2 , … . . , 𝑥𝑛0 + ℎ𝑛 ) = 0
( 1 1 1)

En utilisant un développement de premier ordre on obtient :

𝜕𝑓1 0 𝜕𝑓 𝜕𝑓
𝑓1 (𝑥10 + ℎ1 , 𝑥20 + ℎ2 , … . . , 𝑥𝑛0 + ℎ𝑛 ) = 𝑓1 (𝑋 0 ) + (𝑋 )(ℎ1 ) + 1 (𝑋 0 )(ℎ2 ) + ⋯ + 1 (𝑋 0 )(ℎ𝑛 ) = 0
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
𝜕𝑓2 0 𝜕𝑓 𝜕𝑓
𝑓2 (𝑥10 + ℎ1 , 𝑥20 + ℎ2 , … . . , 𝑥𝑛0 + ℎ𝑛 ) = 𝑓2 (𝑋 0 ) + (𝑋 )(ℎ1 ) + 2 (𝑋 0 )(ℎ2 ) + ⋯ + 2 (𝑋 0 )(ℎ𝑛 ) = 0
𝜕𝑥 𝜕𝑥2 𝜕𝑥𝑛
… … … … 1… … … … … .
…………………
……..
𝜕𝑓𝑛 𝜕𝑓 𝜕𝑓
𝑓𝑛 (𝑥10 + ℎ1 , 𝑥20 + ℎ2 , … . . , 𝑥𝑛0 + ℎ𝑛 ) = 𝑓𝑛 (𝑋 0 ) + (𝑋 0 )(ℎ1 ) + 𝑛 (𝑋 0 )(ℎ2 ) + ⋯ + 𝑛 (𝑋 0 )(ℎ𝑛 ) = 0
{ 𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛

Si l’on note 𝐽𝑓(𝑋 0 ) la matrice jacobienne de 𝐹 à 𝑋 0 définie par :

𝜕𝑓1 0 𝜕𝑓1 0 𝜕𝑓
(𝑋 ) (𝑋 ) … … … … … … … … 1 (𝑋 0 )
| 𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛 |
𝜕𝑓2 0 𝜕𝑓2 0 𝜕𝑓2 0
(𝑋 ) (𝑋 ) … … … . . … … … … (𝑋 )
𝐽𝐹 (𝑋 ) = | 𝜕𝑥1
0 𝜕𝑥2 𝜕𝑥𝑛 |
…… …….
…… ….
| 𝜕𝑓 𝜕𝑓 𝜕𝑓 |
𝑛 𝑛
(𝑋 0 ) ( 𝑋 0 ) … … … … … … … … . 𝑛 (𝑋 0 )
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛

𝐹 (𝑋1 ) = 𝐹 (𝑋 0 ) + 𝐽𝐹(𝑋 0 )(𝐻) = 0

Le vecteur colonne 𝐻 est déterminé alors par la résolution du système d’équations linéaires
suivant :

𝐽𝐹 (𝑋 0 )(𝐻) = −𝐹 (𝑋 0 )

Analyse numérique I U.K.M.O Page 13


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

ℎ1 −𝑓1 (𝑥1 , 𝑥2 , … . . , 𝑥𝑛 )
𝜕𝑓1 𝜕𝑓1 𝜕𝑓1
(𝑋 0 ) (𝑋 0 ) … … … … … … … … ℎ2(𝑋 0 )
−𝑓2 (𝑥1 , 𝑥2 , … . . , 𝑥𝑛 )
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
| 𝜕𝑓2 ( 0 ) 𝜕𝑓2 ( 0 ) 𝜕𝑓 | . …………..
𝑋 𝑋 … … … . . … … … … 2 (𝑋 0 ) . ……..
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
…… ……. = (II)
. ………
| …… …. | . ……….
𝜕𝑓𝑛 0 𝜕𝑓𝑛 0 𝜕𝑓𝑛 0
(𝑋 ) (𝑋 ) … … … … … … … … . (𝑋 ) . ……
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
(ℎ𝑛 ) ( 𝑓𝑛 (𝑥1 , 𝑥2 , … . . , 𝑥𝑛 ) )

Les nouvelles valeurs des composantes du vecteur 𝑋1 sont donné par :

𝑥11 = 𝑥10 + ℎ1
𝑥21 = 𝑥20 + ℎ2
……….
……….
{𝑥𝑛 = 𝑥𝑛0 + ℎ𝑛
1

Le calcul est alors relancé avec le nouveau vecteur 𝑋1 (𝑥11 , 𝑥21 , … … … . , 𝑥𝑛1 ) affin d’approximer
le vecteur 𝑋 2 (𝑥12 , 𝑥22 , … … … . , 𝑥𝑛2 ) et le processus sera répéter jusqu’à ce que
𝐻𝑖 (ℎ1𝑖 , ℎ2𝑖 , … … , ℎ𝑛𝑖 ) deviennent inférieures à une valeur 𝜀 que l’on se donne (selon la
précision voulue pour le calcul).

Exemple : Soit le système d’équations non linéaires :

𝑥1 + 2𝑥2 = 2
{ 2 (1)
𝑥1 + 4𝑥22 = 4

1. Montrer, par une étude graphique, que le système (1) admet deux solutions.

2. En utilisant la méthode de Newton-Raphson et en partant de l’approximation initiale


0.2
𝑋 0 = ( ), trouver la valeur approchée de la solution située sur l’axe des 𝑌 avec une
1.2
précision 𝜀 = 10−2 .

Solution :

𝑥1 + 2𝑥2 = 2
1 ; Le système donné est {
𝑥12 + 4𝑥22 = 4
1
Réécrivons la première équation sous la forme : 𝑥2 = 1 − 𝑥1
2

0 2
C’est l’équation d’une droite qui passe par les points ( ) et ( )
1 0
𝑥2
La deuxième équation s’écrit : 𝑥12 + (1⁄22 )2 = 4

C’est l’équation d’une ellipse.

Analyse numérique I U.K.M.O Page 14


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

Figure 11.

Posons :

𝑓 (𝑥 , 𝑥 ) = 𝑥1 + 2𝑥2 − 2 = 0
{ & 1 2
𝑓2 (𝑥1 , 𝑥2 ) = 𝑥12 + 4𝑥22 − 4 = 0

La figure 11 montre les graphes représentant 𝑓1 = 0 et 𝑓2 = 0. On voit que le nombre


de points d’intersection entre les deux courbes est égal à 2. Donc le systèm e (1) admet deux
solutions.

2. Calcul de la valeur approchée :

0.2
L’approximation initiale donnée est 𝑋 0 = ( ) et la précision est 𝜀 = 10−2 . Le calcul des
1.2
dérivées partielles donne :
𝜕𝑓1 𝜕𝑓 𝜕𝑓 𝜕𝑓
= 1 , 𝜕𝑥1 = 2 , 𝜕𝑥2 = 2𝑥1 , , 𝜕𝑥2 = 8𝑥2
𝜕𝑥1 2 1 2

La relation (II) s’écrit :

1 2 ℎ1 −𝑓1 (0.2, 1.2)


⌈ ⌉ ( )=( )
2𝑥1 8𝑥2 (0.2,1.2) ℎ2 −𝑓2 (0.2, 1.2)

ou encore :

1 2 ℎ1 −0.6
⌈ ⌉ ( )=( )
0.4 9.6 ℎ2 −1.8

Calculons ℎ1 et ℎ2 :

En résolvant ce système linéaire, on trouve ℎ1 = −0.245 et ℎ2 = −0.177 .

Analyse numérique I U.K.M.O Page 15


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

La solution approchée est :

𝑥 0 + ℎ = −0.045
𝑋1 = ( 1 0 1 ).
𝑥2 + ℎ2 = 1.023

Effectuons une deuxième itération :

1 2 ℎ1 −𝑓1 (−0.045, 1.023)


⌈ ⌉ ( )=( )
2𝑥1 8𝑥2 (−0.045,1.023) ℎ2 −𝑓2 (−0.045, 1.023)

ou encore :

1 2 ℎ1 −0.001
⌈ ⌉ ( )=( )
−0.09 8.184 ℎ2 −0.188

En résolvant ce système linéaire, on trouve ℎ1 = 0.044 et ℎ2 = −0.022

La solution approchée est :

𝑥11 + ℎ1 = −0.001
𝑋2 = ( )
𝑥21 + ℎ2 = 1.001

Et puisque :

𝑚𝑎𝑥|𝑋 2 − 𝑋1 | = 0.044 > 𝜀

nous devons effectuer une nouvelle itération.

1 2 ℎ1 −𝑓1 (−0.001, 1.001)


⌈ ⌉ ( )=( )
2𝑥1 8𝑥2 (−0.001,1.001) ℎ2 −𝑓2 (−0.001, 1.001)

ou encore :

1 2 ℎ1 −0.001
⌈ ⌉ ( )=( )
−0.02 8.008 ℎ2 −0.008

En résolvant ce système linéaire, on trouve ℎ1 = 0.001 et ℎ2 = −0.001

La solution approchée est :

Analyse numérique I U.K.M.O Page 16


Chapitr I : RÉSOLUTION D’EQUATIONS ET SYSTÈMESD’EQUATIONS NON LINÉAIRES

𝑥12 + ℎ1 = 0.000
𝑋3 = ( )
𝑥22 + ℎ2 = 1.000

Et puisque :

𝑚𝑎𝑥|𝑋 3 − 𝑋 2 | = 0.001 < 𝜀

Nous avons atteint la précision fixée. La valeur approchée cherchée est :

0.00
𝑋=( )
1.00

Analyse numérique I U.K.M.O Page 17