Académique Documents
Professionnel Documents
Culture Documents
On dira que ∈ ₵ ( X appartient à l’espace vectoriel de dimension n construit sur le corps des
complexes).
1. Normes vectorielle
Définition : On appelle norme vectorielle sur ₵ toute application de ₵ dans , notée X → ║X║ telle
que X,Y ∈ ₵ , α ∈ .
1. ║X ║ ˃ 0 ( ∀ X ≠ φ ) ( φ , vecteur nul de ₵ )
║φ ║ = 0
2. ║α X║ = α . ║X║
3. ║X+Y║ ≤ ║X ║+ ║Y║
2. Normes de Hölder.
3. Normes courantes.
On utilise couramment trois normes de Hölder :
‖‖ = | |
⁄
‖‖ =
Que l’on nomme norme euclidienne ou norme de Hölder.
On appelle norme matricielle sur ₵ , toute application de ₵ , sur ! notée "o ‖"‖ est telle que :
4. Normes matricielles.
1. ║A ║ ˃ 0 ( ∀ A ≠ 0)
║⊗ ║ = 0 (⊗ , matrice nulle )
2. ║α A ║ = α . ║A║
51
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
3. ║A + B║ ≤ ║A║+ ║B║
4. ║A . B║ ≤ ║A║.║B║
6. Rayon spectral.
Définition : soit A(n , n) une matrice complexe dont les n valeurs propres sont notées λi , alors :
IV.1 Introduction
A.X=B ou ∈ ou ₵
Où A est une matrice (n x n) de rang n. Les méthodes que nous présentons ci-après sont la généralisation au
cas n-dimensionnel des méthodes de résolution de f(x) = 0 étudiées dans le cas monodimensionnel du chapitre
précédent.
Ces méthodes consistent à utiliser un vecteur estimé initial : ) = , , … , de la solution exacte :
) ) )
Si la fonction d’itération+ * est indépendante de l’itération k, on dit que l’on a une itération stationnaire dans
le cas contraire, elle est dite non-stationnaire.
Si le calcul du vecteur *! demande la connaissance des i vecteurs estimés qui le précèdent, on a une
formule itérative multi-pas ou à i pas (en d’autres termes, on a une récurrence d’ordre i).
une suite vectorielle ) , , … , convergente (et) le plus rapidement possible, vers le vecteur solution
Dans ce chapitre on présentera quelques méthodes itératives stationnaires à un pas dans lesquelles on génère
52
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
Ecrivons A sous la forme A = M-N (M doit être régulière c.-à-d. inversible) alors le système peut s’écrire :
(M - N). X = B
Ou encore : MX=NX+B
La méthode itérative associée à l’égalité précédente consiste, à partir d’un vecteur initial X(0) à générer la suite
……………………………….
Cette suite d’égalité peut être représentée par la relation itérative suivante :
où 1 = -, . 34 2 = - , 0
La question que l’on se pose à propos de la méthode itérative de résolution de l’équation (1) par :
*! = 1 * + 2
Est celle de la convergence. En d’autres termes *! converge-t-il vers le vecteur solution, définissons le
vecteur d’erreur :
3 * = * − ∗
Et :
53
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
La convergence de ce processus est assurée si, quel que soit 3 ) (donc quelque soit ) ), on a :
Théorème :
La suite définie par ) ∈ ₵ et *! = 1 * + 2 converge vers ∗ = ? − 1, 2 quelque soit
) si et seulement si : U 1 1 .
Comme on a, d’une manière générale : U " d ║A║ une condition suffisante de convergence de l’équation (2)
est telle que ║T║≤ 1 puisque alors obligatoirement U 1 1.
Cette condition sur une norme de T nous fournit donc une condition de convergence du processus itératif (2).
façon que M soit facilement inversible et vérifie U -, . 1 (ou ce qui est suffisant : ║-, . ║ 1).
chère à calculer. Nous allons donc chercher des décompositions de la forme M – N de la matrice A de telle
C# = 0 pour B ≤ E
L matrice inferieure
G# = 0 pour E ≤ B
U matrice supérieure
K
J
L
2. Méthode de Gauss-Seidel.
A = M – N ou M = D - L et N= U
J+U
H ,I
3. Méthode de relaxation.
I I
A = M – N ou M = -L et N=
54
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
Jacobi : 1M = J, . L + K
………………………………………………………..
= S −% −% − ⋯ −% , , /%
*! * * *
Cette méthode suppose des pivots % non nuls (si ce n’est pas le cas un simple échange de lignes suffit souvent
pour vérifier cette condition).
L’itération (4) est du type *! = + * ou F est une fonction linéaire. Nous sommes donc en présence
d’une itération linéaire, stationnaire (F ne dépend pas de k) à un pas.
Un autre test couramment utilisé concerne l’amélioration relative sur X. On arrête d’itérer quand :
55
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
║ * − *, ║
<[
║ * ║
Au cas où on est sûr des conditions de convergence de la méthode ce test est « pratiquement » équivalent au
test précédent. On arrête aussi parfois quand :
X ` k=0,1,2,…,kmax
2 = + , B = 1, \
*! * W^
(5)
_^^
║a X ║
3) arrêter si :
Pour assurer la convergence, on doit avoir U 1M 1 , comme le calcul de U 1M est très souvent compliqué, on se
contente de la condition suffisante à savoir eM e 1. Ceci se traduit par ∑
#$4# $ 1 , B
$%# $ |% | , B = 1, \
#
z#
56
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
Théorème : Une condition suffisante pour que 1M converge est que A du système AX = B soit à diagonale
fortement dominante.
3x1 + x 2 − x3 = 2
x1 + 5 x 2 + 2 x3 = 17
2 x − x − 6 x = −18
1 2 3
1
=
Q2 − + 7 R
*! * *
3
1
= Q17 − − 27 R
*! * *
5
1
7 = Q−18 − 2 + R
*! * *
−6
A partir de [0 0 0 ]T, on trouve d’abord :
1 2
= 2 − 0 + 0 =
3 3
1 17
= 17 − 0 − 0 =
5 5
1 −18
7 = −18 − 0 + 0 = =3
−6 −6
La deuxième itération donne :
1 17 8
= k2 − + 3l =
3 5 15
1 2 31
= k17 − − 23l =
5 3 15
1 2 17
7 = k−18 − 2 k l + l = 2,655 556
−6 3 5
57
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
IV.5.1 Principe.
La matrice A étant décomposée en : A= M – N = (D – L) – U
Dans la méthode itérative de Gauss-Seidel, on réécrit (2) de la manière suivante :
J − L *! = K * + 0
Soit encore :
58
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
………………………………………………………..
= S −% −% − ⋯ −% , , /%
*! *! *! *!
Cette méthode ne diffère de celle de Jacobi que par l’emploi immédiat qui est fait des nouveaux estimés *!
à l’itération (k+1). En effet dans l’expression des il faut bien remarquer que tous les #
*! *!
Qui apparaissent à droite du signe égal ont été calculées dans les étapes qui précèdent.
Comme pour la méthode de Jacobi, les pivots % doivent être nuls.
B = 1, \ ⎪
⎬
Xuc X
st^ ,t^ s
2 arrêter si ∶ < [ dG s − s < [ ⎪
(9)
*! *
k=0,1,2,…,kmax
⎭
Xuc
st^ s
1OP = J − L, K
Et le vecteur V par :
2OP = J − L, 0
Il s’ensuit que la méthode de Gauss-Seidel est aussi convergente quand A est à diagonale fortement dominante.
59
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
3x1 + x 2 − x3 = 2
x1 + 5 x 2 + 2 x3 = 17
2 x − x − 6 x = −18
1 2 3
1
= Q2 − + 7 R
*! * *
3
1
= Q17 − − 27 R
*! *! *
5
1
7 = Q−18 − 2 + R
*! *! *!
−6
Notons la différence avec la méthode de Jacobi au niveau des indices. Partant de [0 0 0 ]T, on trouve
d’abord :
1 2
= 2 − 0 + 0 =
3 3
1 2 49
= k17 − − 0l =
5 3 15
1 2 49 241
7 = k−18 − 2 + l =
−6 3 15 90
La deuxième itération donne :
1 49 241
= k2 − + l = 0,4703704
3 15 90
1 241
= k17 − 0,4703704 − 2 l = 2,234815
5 90
1
7 = −18 − 20,4703704 + 2,234815 = 2,784321
−6
60
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
IV.6.1 Principe.
Gauss-Seidel mais qui converge plus rapidement. Pour cela introduisons le paramètre Z ≠ 0 et posons :
Nous présentons dans cette section une méthode d’itération qui a les mêmes avantages que la méthode de
Où
= S − ∑,
# %# # − ∑ #! %# #
/% , zdGV B = 1, \
*! *! *
(11)
61
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
,
# #!
Soit :
,
# #!
s − s
*! *
< [ , ∀ B = 1, \
s s
*!
# #!
62
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
Comme J − Z L est non singulière pour tout choix de ω, alors en supposant que l’on a normalisé le système
AX = B afin que tous les termes diagonaux de A soit égaux à l’unité (en multipliant par D-1), on a avec :
= J, L, + = J, K
*! = 1Z * + 2Z
Où :
et :
2Z = Z ? − Z , 0
On remarque ici que l’équation (14) est une méthode itérative stationnaire ; en fait, la méthode de relaxation
est un cas particulier d’un ensemble plus vaste de méthode de méthode d’accélération des processus itératifs.
Rappelons que la méthode de Gauss-Seidel est un cas particulier de l’algorithme de relaxation avec ω = 1.
L’algorithme de relaxation ne calcule pas explicitement le vecteur résidu V * = 0 − " * . On ne peut donc
pas construire un critère d’arrêt sur ce vecteur. Montrons cependant qu’il est lié au vecteur V̅ * suivant :
V̅ = S − ∑,
# %# # − ∑ # %# #
* *! *
(15)
= + V̅
*! * Z *
_^^
(16)
63
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
Ou :
Des relations (16) et (18) on voit que si ω n’est pas trop proche de zéro alors un test du type :
Nous cherchons les limites de ω entre lesquelles nous sommes assurés de la convergence de la méthode. Nous
étudierons brièvement 3 cas :
que Z ∈
0,1
.
Cas d’une matrice A à diagonale dominante stricte : Une condition suffisante de convergence est
seulement si : Z ∈
0,2
Cas d’une matrice symétrique définie positive : La méthode de relaxation est convergente si et
a) Vérifiez, que la méthode SOR avec une valeur de ω = 1,25 du paramètre relaxation peut être utilisé
b) Calculer la première itération par la méthode SOR à partir du vecteur initial ) = 0, 0, 0 .
pour résoudre ce système.
Solution :
a) Vérifions une condition suffisante pour pouvoir utiliser la méthode SOR. Nous devons vérifier, si la
matrice A est symétrique et définie positive : A est symétrique, alors vérifions si elle est définie
positive :
64
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
3 −1 1
3 −1
det3 = 3 > 0 ; A34
= 8 > 0 ; A34 −1 3 −1 = 20 > 0
−1 3
1 −1 3
savons aussi que les matrices définies positives la méthode SOR converge pour une valeur de : 0 < Z < 2.
On constate que tous les mineurs principaux sont positifs, ce qui prouve que A est définie positive. Nous
En conclusion, la méthode SOR avec ω = 1,25 peut être utilisée pour résoudre ce système.
= Q−1 + − 7 R/3
*! * *
= Q7 + + 7 R/3
*! *! *
7 = Q−7 − + R/3
*! *! *!
c) Maintenant, la méthode itérative de Relaxation après avoir ajouté le paramètre ω et le vecteur *
s’écrit dans ce cas :
= 1 − Z + Z Q−1 + − 7 R/3
*! * * *
= 1 − Z + Z Q7 + + 7 R/3
*! * *! *
7 = 1 − Z 7 + Z Q−7 − + R/3
*! * *! *!
65
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
3x1 + x 2 − x3 = 2
x1 + 5 x 2 + 2 x3 = 17
2 x − x − 6 x = −18
1 2 3
1
= Q2 − + 7 R
*! * *
3
1
= Q17 − − 27 R
*! *! *
5
1
7 = Q−18 − 2 + R
*! *! *!
−6
= 1 − Z + Z Q2 − + 7 R/3
*! * * *
66
UHBC, Département de mécanique 2ème LMD (S4) Cours d’analyse numérique
Remarques :
1. Une simple permutation de lignes peut transformer une convergence en une divergence ou
inversement.
2. La méthode de Gauss-Seidel est plus rapide en convergence que la méthode de Jacobi. En effet dans
une même itération on utilise pour calculer une nouvelle composante, celle qu’on vient de calculer.
Donc intuitivement le (k+1)ème itéré est plus proche (en certain sens) de la limite, pour la méthode de
Gauss-Seidel que pour la méthode de Jacobi.
3. Il y a d’autres méthodes itératives : Algorithme du gradient conjugué, méthode de KRYLOV.
Les méthodes itératives sont généralement préférées pour les grands systèmes linéaires Ax=b à
matrices A creuse parce qu’elles ne modifient pas la matrice A et que dans un grand nombre d’applications A
est creuse et présente une structure particulière (tridiagonale, pentadiagonale) ce qui lui permet de ne pas être
mémorisée explicitement et d’assurer pratiquement la convergence.
Dans les méthodes élémentaires, la méthode de Gauss-Seidel est préférée à celle de Jacobi, parce qu’elle
consomme moins de mémoire et converge souvent plus vite. La méthode de Relaxation est généralement
beaucoup plus rapide que celle de Gauss-Seidel, même si le facteur optimal ω est réglé expérimentalement.
67