Vous êtes sur la page 1sur 27

Résolution de systèmes

d’équation non linéaires


f(x)=0

1
Introduction
Résolution de systèmes
d’équation non linéaires
f(x)=0

2
Introduction
• Comment résoudre le système suivant ?

 3x  y  z 0

 x  81y  4 z 0
 2 x  13 y  20 z  0

– Méthodes directes
– Méthodes itératives

3
Introduction
• Comment résoudre le système suivant ?
 1
 3 x  cos( yz )  0
 2 2
 x  81( y  0.1)  sin( z )  1.06  0
2

  xy 10  3
 e  20 z  0
 3

– Méthodes directes : impossibles


– Méthodes itératives

4
Résolution de f(x)=0
• Soit une fonction f : R  R
n n

– continue sur ...


– Dérivable sur ...

• Principe :
– trouver une méthode itérative uk+1 = g(uk)
qui converge vers la solution

5
Résolution de f(x)=0
• Plusieurs méthodes
– Newton
– Quasi-Newton (sécante, Broyden, …)
– Point fixe
– Gradient

• Problèmes ?
– Convergence
6
– Complexité
f(x)=0 lorsque n=1
• Recherche par dichotomie
• méthode de la sécante
• méthode de point fixe
• méthode de Newton-Raphson } Aussi lorsque
n2

7
Recherche dichotomique
ab Mé thode de la dichotomie
f (a ) f (b)  0  c 
2 f(b)

si f (c)  
alors on a trouvé la solution : c
sinon si f (a ) f (c)  0 a c=a+b/2 b

alors a  c
sinon si f (b) f (c)  0

f(x)
alors b  c
Théorème :
soit  pn nN la suite générée par
f(c)

l' algorithme de recherche par dichotomie,


soit p la solution du problème : f ( p )  0 f(a)
Alors  pn nN converge vers p avec :
ba
pn  p  n n 1
2 8
Une idée : prendre c à l’intersection de la sécante et le l’axe des x
Méthode de la sécante
Mé thode de la sé quente

f(b)

ba
c  b  f (b)
f (b)  f (a )
a c b

xk  xk 1
f(c)

xk 1  xk  f ( xk )
f ( xk )  f ( xk 1 )

f(a)

9
Méthode de Newton
ba Mé thode de Newton-Raphson
c  b  f (b)
f (b)  f (a )
f(b)

1
c  b  f (b)
f ' (b)
f(c)

a c b

f ( xk )
xk 1  xk 
f ' ( xk )
f(a)

10
Méthode de Newton
• En dimension 1 :
– on considère l'approximation affine :

f u k  h   f u k   f u k h  h  h 

– on cherche h tel que f(uk+h)=0 soit si on


néglige les terme en h2 f (uk )
h
f ' (uk )
– et ainsi
f u k 
u k 1  uk  h  uk 
f u k 
11
Méthode de Newton
• Illustration 2

y=tanh(x)cos(x2)+x-2 1.5

1
y(x)

y'=(1-tanh2(x))cos(x2) 0.5

-2tanh(x)sin(x2)x+1 0

-0.5

-1

-1.5

-2
0 0.5 1 1.5 2 2.5 3

12
Méthode de Newton
0.5

• Illustration u2= 2.1380

0
y=tanh(x)cos(x2)+x-2

y'=(1-tanh2(x))cos(x2) u1 = 2.1627
-2tanh(x)sin(x2)x+1 -0.5

u0 = 2
u1 = 2.1627
u2 = 2.1380 -1
1.9 1.95 2 2.05 2.1 2.15 2.2
u3 = 2.1378
u0 = 2
u4 = 2.1378 13
Méthode de point fixe
• Définition
• f(x)=0 et le x = g(x)
• exemple
• convergence (suite de Cauchy)
• théorème de convergence globale
• théorème de convergence local
– théorème du point fixe
14
Méthode du point fixe
• Principe général :
– trouver g en fonction de f telle que
• f(û)=0  g(û)=û
• la suite uk converge (si u0 est bien choisi)

– conditions suffisantes sur g en dimension 1


• g dérivable et |g'(û)| < 1

15
Méthode du point fixe
• Convergence linéaire :

– il existe C > 0 tel que


k 1
u û  C u û
k

• Inconvénient : choix de g de manière algébrique

16
Méthode du point fixe
• Exemple en dimension 1
– résolution de x2 - 2 = 0
– choix de g :
• g1(x) = 2/x g'1(x) = -2/x2 g'1(û) = -1
• g2(x) = 2x - 2/x g'1(x) = 2+2/x2 g'1(û) = 3
• g3(x) = x/2 + 1/x g'1(x) = 1/2-1/x2 g'1(û) = 0
g1 g2 g3
u0 = 1 u0 = 0.999 u0 = 1
u1 = 2 u1 = -0.0402 u1 = 1.5000 |g'(û)| < 1
u2 = 1 u2 = 49.668 u2 = 1.4167 convergence
u3 = 2 u3 = 99.296 u3 = 1.4142 assurée
u4 = 1 u4 = 198.57 u4 = 1.4142
17
Méthode du point fixe
• Exemple en dimension 1
– résolution de x2 - 2 = 0
– choix de g :
• g1(x) = 2/x g'1(x) = -2/x2 g'1(û) = -1
• g2(x) = 2x - 2/x g'1(x) = 2+2/x2 g'1(û) = 3
• g3(x) = x/2 + 1/x g'1(x) = 1/2-1/x2 g'1(û) = 0
g1 g2 g3
u0 = 1 u0 = 0.999 u0 = 1
u1 = 2 u1 = -0.0402 u1 = 1.5000 |g'(û)| < 1
u2 = 1 u2 = 49.668 u2 = 1.4167 convergence
u3 = 2 u3 = 99.296 u3 = 1.4142 assurée
u4 = 1 u4 = 198.57 u4 = 1.4142
18
Résumé

• Dichotomie
• Sécante
• Newton
• Point fixe

Accélération !
19
Exemple
Voir TD et TP

20
Méthode du point fixe
• Principe général :
– trouver g en fonction de f telle que
• f(û)=0  g(û)=û
• la suite uk converge (si u0 est bien choisi)

– conditions suffisantes sur g en dimension 1


• g dérivable et |g'(û)| < 1

21
Méthode du point fixe
• Exemple en dimension 3
 1
 3 x  cos( yz )  0
 2
2  f1 ( x , y , z )  0
 x  81( y  0.1)  sin( z )  1.06  0
2

 10  3  f 2 ( x, y , z )  0
 e  xy
 20 z  0  f ( x, y , z )  0
 3
 3

 1 1
 x  cos( yz ) 
3 6
 1 2  x  g1 ( y , z )
 y  x  sin( z )  1.06  0.1 
 9  y  g 2 ( x, z )
z 1  xy 10  3  z  g ( x, y )
 e   3
 20 3 22
Méthode du point fixe
• Exemple en dimension 3
 1
 3 x  cos( yz )  0
 2
2  f1 ( x , y , z )  0
 x  81( y  0.1)  sin( z )  1.06  0
2

 10  3  f 2 ( x, y , z )  0
 e  xy
 20 z  0  f ( x, y , z )  0
 3
 3

 1 1
 x  cos( yz ) 
3 6
 1 2  x  g1 ( y , z )
 y  x  sin( z )  1.06  0.1 
 9  y  g 2 ( x, z )
z 1  xy 10  3  z  g ( x, y )
 e   3
 20 3 23
Méthode du point fixe
• Exemple en dimension 3 (suite)
– valeurs initiales (x0=0.1 ; y0=0.1 ; z0=-0.1)
 1 1
 xk  cos( y k 1 z k 1 ) 
3 6
 1 2
–  yk  xk 1  sin( z k 1 )  1.06  0.1
 9
z 1  xk 1 yk 1 10  3
 e 
 k 20 3
– convergence vers (0.5 ; 0.0 ; -0.5236)
– résultat théorique: (0.5 ; 0.0 ; -/6) 24
Méthode du point fixe
• Comment essayer d'accélérer la
convergence
– remplacer les valeurs par leurs "dernières"
estimations

– exemple :  1 1
 xk  cos( y k 1 z k 1 ) 
3 6
 1 2
 yk  xk  sin( z k 1 )  1.06  0.1
 9
z 1  xk yk 10  3
 e 
 k 20 3 25
Conclusion
• Méthodes
– Newton :
• inconvénient = calcul des dérivées
• avantage = convergence quadratique
– Point Fixe :
• inconvénient = convergence linéaire
• inconvénient = choix de g

• Problème général : initialisation de la suite !

26
TP
• Implémenter sous Matlab :

– Graphes, Newton

– Comparer le temps de convergence

27

Vous aimerez peut-être aussi