Chap 4 Beam

Introduction
Calcul directe de det(A − λI )

Méthode de Krylov
Méthode de Leverrier
Méthode de Souriau-Fadeev
Méthode de la puissance itérée
Méthode de la puissance inverse
Méthodes numériques de calcul des valeurs propres

et vecteurs propres
T.Mekkaoui
Méthodes numériques de calcul des valeurs

propres et vecteurs propres
T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr
Introduction
Méthode de Krylov
Méthodes numériques de calcul des valeurs

propres et vecteurs propres
4.1 Introduction
Dans les chapitres précédents, de nombreuses méthodes
numériques supposent la connaissance des valeurs propres ou du
rayon spectral d’une matrice. En outre, le calcul des valeurs
propres et vecteurs propres est indispensable dans toutes les
branches de la science, en particulier pour la solution des systèmes
des équations différentielles linéaires, en théorie de stabilité, pour
les équations de convergence de processus itératifs, et en physique
et chimie (mécanique, circuits, cinétique chimique, équation de
Introduction
Méthode de Krylov
Schrödinger,...).
Considérons dans l’exemple suivant un système constitué par deux
oscillateurs couplés dans le cas d’un circuit LC (voir figure
ci-dessous).
En notant i1 et i2 les courants circulant dans chaque maille, le

système d’équations régissant l’évolution du système est :
Introduction
Méthode de Krylov
2

 L d i1 = − 1 i1 + 1 (i2 − i1 )

dt2 2 C C
 L i2 = − 1 (i2 − i1 ) − 1 i2
 d
dt 2 C C
Ce système peut se mettre sous la forme matricielle :
 
  2 1
d2 → → → i −
i = −A i , où i =  1 , A =  LC LC 
dt 2
 1 2 
i2 −
LC LC
La matrice A est symétrique, donc les valeurs propres sont réelles,
et puisqu’elle est à diagonale strictement dominante, alors les
valeurs propres sont non nulles.
 Il existe
 une matrice P inversible
λ1 0
telle que P −1 AP = D =  .
0 λ2
Introduction
Méthode de Krylov
→
→ → d2 v →
On pose v = P. i ⇒ 2
= −D v . λ1 , λ2 sont solutions du
dt
polynôme caractéristique det(A − λI ) = 0. C’est à dire
1 3
λ1 = , λ2 = . Le comportement du système est découplé
 2LC LC
d v1
= −λ1 v1


 dt 2


2

 d v2 = −λ2 v2



dt 2
Les courants v1 et v2 s’écrivent alors vi (t) = V0i cos(ω i t +r
ϕi ). Le
1 3
système admet deux pulsations propres ω 1 = √ , ω 2 = .
LC LC

Introduction
Méthode de Krylov
Theorem (27 Cercles de Gerschogrin-Hadamard)

Soit A une matrice carrée d’ordre n, alors les valeurs propres de A
appartiennent à la réunion des n disques définis par
n
X
|z − ai,i | ≤ |ai,j | .
j=1
j6=i
Remark
Ce théorème permet de situer grossièrement les valeurs propres.
Preuve : Soit λ une valeur propre de A associée au vecteur propre

v , c’est à dire A.v = λv . Soit i tel que |vi | ≥ |vj | ∀j. alors vi 6= 0.
Introduction
Méthode de Krylov
n
X n
X
A.v = λv ⇐⇒ ai,j vj = λvi ⇐⇒ ai,j vj = (λ − ai,i ) vi ;
j=1 j=1
j6=i
n n
X X |vj |
et donc |vi | |λ − ai,i | ≤ |ai,j | |vj | =⇒ |λ − ai,i | ≤ |ai,j | .
|vi |
j=1 j=1
j6=i j6=i
n
X
D’où |λ − ai,i | ≤ |ai,j | .
j=1
j6=i

Introduction
Méthode de Krylov
Example
 
4 1 1
 
A=
 0 2 1 

2 0 9

Introduction
Méthode de Krylov

 λ1 ≈ 2.1943972


sp(A) λ2 ≈ 3.3867702


λ3 ≈ 9.4188327

Remark
Les valeurs propres de A appartiennent aussi à la réunion des n
n
X
disques définis par |z − aj,j | ≤ |ai,j | .
i=1
i6=j

Introduction
Méthode de Krylov
Corollary
Une borne supérieure pour la plus grande valeur propre est donc :
   #
n
" n
 X X 
|λ| ≤ min max  |ai,j | , max
 |ai,j | .
1≤i≤n 1≤j≤n 
j=1 i=1

Introduction
Méthode de Krylov
Example
 
4 −1 1
 
A=
 1 1
1 
−2 0 −6
det(A − λI ) = −λ3 − λ2 + 23λ − 26 = P(λ).
P(−6) = 16 > 0, P(0) = −26 < 0, P(2) = 8, P(4) = −14.
A admet 3 valeurs propres réelles λ1 ∈] − 6, 0[, λ2 ∈]0, 2[, et
λ3 ∈]2, 4[.
On pourra par exemple utiliser la méthode de Newton-Raphson
pour approcher ces valeurs propres, on trouve
λ1 ≈ −5.7685; λ2 ≈ 1.2992; λ3 ≈ 3.4694.
Introduction
Méthode de Krylov
4.2 Calcul directe de det(A − λI )

Nous avons vu antérieurement, des méthodes permettant de
calculer le déterminant d’une matrice après triangularisation. Nous
pouvons donc utilider ces méthodes pour calculer le polynôme
caractéristique d’une matrice A. On pourra aussi utiliser
l’interpolation de Lagrange, puisque le polynôme caractéristique
d’une matrice A d’ordre n est un polynôme de degré n, On se
donne (n + 1) valeurs distinctes µ1 , µ2 , · · · , µn+1 quelconques, et
on calcul ν i = det(A − µi I ); i = 1, · · · , n + 1., alors le polynôme
caractéristique de A passant par les points {(µi , ν i )}i=1,··· ,n+1 sera
identique au polynôme caractéristique de A. On peut alors
Introduction
Méthode de Krylov
chercher ses racines par l’une des méthodes itératives pour

l’approximation des valeurs propres de A.
4.3 Méthode de Krylov
La méthode consiste à calculer les coefficients du polynôme
caractéristique dont on approche les racines à l’aide des méthodes
classique (Dichotomie,
" Newton, sécante,...).
n
#
n
X
n n−k
Soit P(λ) = (−1) λ − ak λ le polynôme caractéristique
k=1
de la matrice A. n
X
D’après Caley-Hamilton P(A) = 0, donc An = ak An−k .
k=1
Prenons un vecteur x0 quelconque non nul, on a

Introduction
Méthode de Krylov
n
X
(∗) An x0 = ak An−k x0 .
k=1
Notons a le vecteur de composantes (ai )ni=1 ; x1 = Ax0 , x2 = A2 x0 ,
· · · , xn−1 = An−1 x0 .
Notons B la matrice dont les colonnes sont les vecteurs
xn−1 , xn−2 , · · · , x1 , x0 .
L’équation (∗) peut s’écrire : (∗∗) An .x0 = B.a
Pour x0 donné arbitrairement, on cherche a solution de (∗∗), on
obtient ainsi, si le système est inversible, les coefficients du
polynôme caractéristique de A.

Introduction
Méthode de Krylov
Example
 
4 1 −1
 
On considère la matrice A = 
 −6 −1 2
.

2 1 1
3 2
det(A − λI ) = −λ + 4λ − 5λ + 2 = (λ − 1)2 (2 − λ).
   
1 8 2 −3
   
On pose x0 =  0  , A2 =  −14 −3 6  , A3 =
   
0 4 2 1
 
14 3 −7
 
 −26 −5 14  ;
 
6 3 1
Introduction
Méthode de Krylov
Le système (∗∗)donne :
    
8 4 1 a1 14
    
 −14 −6 0   a2  =  −26 
    
4 2 0 a3 6
      
a1 0 −12
−3
2 14 4
      
=⇒  a2  =  0 1
   7   −26  =  −5  .
2    
a3 1 0 −2 6 2
4.4 Méthode de Leverrier
Les coefficients du du polynôme caractéristique sont déterminés
par la formule de Newton qui donne la relation entre les racines et
les coefficients d’un polynôme.
Introduction
Méthode de Krylov
Posons Q(x) = a1 x n + a2 x n−1 + · · · + an x + an+1 ; où a1 6= 0.

Les relations de Newton nous permettent d’écrire :



 a2 + a1 S1 = 0


2a3 + a2 S1 + a1 S2 = 0




..



 .


 kak+1 + ak S1 + · · · + a1 Sk = 0
..






 .

 nan+1 + an S1 + · · · + a1 Sn = 0

n
X
avec Sk = xik où xi : racine du polynôme Q.
i=1
Introduction
Méthode de Krylov
Donc, en considérant le polynôme caractéristique de A, dont les

racines sont les valeurs propre λi de A, on a Sk = tr (Ak ), et
a1 = (−1)n . Ce qui permet de calculer les coefficients ak pour
k = 2, · · · , n + 1. Plus précisément on a
1
ak = [ak−1 S1 + · · · + a1 Sk−1 ] .
k −1
Remark
La méthode de leverrier présente un grave inconvénient, car elle
impose le calcul des puissances souvent élevées de la matrice
initiale A.

Introduction
Méthode de Krylov
Example
 
−1 −1 0
 
 7/2 3/2 −1  ,
Soit la matrice A =  
1/2 1/2 −1
 
−5/2 −1/2 1
 
alors A2 =  5/4 −7/4 −1/2   , et
3/4 −1/4 1/2
3
diag(A ) = (5/4, −33/8, −1/4)
−1
alors a2 = tr (A) = −1/2, a3 = (a2 S1 + a1 S2 ) = −2,
2
−1
a4 = (a3 S1 + a2 S2 + a1 S3 ) = −2.
3 T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr
Introduction
Méthode de Krylov
D’où det(A − λI ) = −λ3 − 2λ2 − 2λ − 2.

4.5 Méthode de Souriau-Fadeev
Cette méthode n’est qu’une adaptation, très pratique de
l’algorithme de Leverrier :
Posons



 A1 = A; a2 = tr (A1 ) ; B1 = A1 − a2 I
1


A2 = B1 A; a3 = tr (A2 ) ; B2 = A2 − a3 I




 2
 1
A3 = B2 A; a4 = tr (A3 ) ; B3 = A3 − a4 I .
 3


 .
..



 An = Bn−1 A ; an+1 = 1 tr (An ) ; Bn = An − an+1 I



n

Introduction
Méthode de Krylov
Theorem (28)
On a Bn = 0 et P(λ) =
= (−1)n λn − a2 λn−1 − a3 λn−2 − · · · − an λ − an+1 est le

Preuve :Soit
Q(λ) = (−1)n λn − b2 λn−1 − b3 λn−2 − · · · − bn λ − bn+1 le

X n
On a évidemment b2 = λi = tr (A) = tr (A1 ) = a2 .
i=1
Raisonnant par récurrence. Supposons que ai = bi pour
i = 2, · · · , k < n.
Introduction
Méthode de Krylov
On a Ak = Bk−1 A = (Ak−1 − ak I )A = Ak−1 − ak A, de proche en

proche Ak = Ak − a2 Ak−1 − · · · − ak A = Ak − b2 Ak−1 − · · · − bk A
Donc
tr (Ak ) = tr (Ak ) − b2 tr (Ak−1 ) − b3 tr (Ak−2 ) − · · · − bk tr (A) =
Sk − b2 Sk−1 − · · · − bk S1 .
Or d’après la formule de Newton
kbk+1 − b1 Sk + · · · + bk S1 = 0 ⇒ kbk+1 =
Sk − b2 Sk−1 − · · · − bk S1 = tr (Ak ) = kak+1 ⇒ bk+1 = ak+1 .
D’où P(λ) = Q(λ).

Introduction
Méthode de Krylov
Remark
La méthode de Souriau-Fadeev permet aussi de calculer A−1 , en
effet Bn = P(A) = 0 (Caley-Hamilton). D’où
An = an+1 I = Bn−1 A.
Donc si A est inversible, det(A) = P(0) = (−1)n+1 an+1 6= 0, alors
1
A−1 = Bn−1 .
an+1

Introduction
Méthode de Krylov
Example
 
−1 −1 0
 
Soit la matrice A =  7/2 3/2 −1  ,

1/2 1/2 −1
on a a2 = tr (A1 ) = tr (A) = −1/2; B1 = A1 − a2 I =
 
−1/2 −1 0
 
−1  ;
 7/2 2

1/2 1/2 −1/2
 
−3 −1 1
 ; a3 = 1 tr (A2 ) = −2;
 
A2 = B1 A =  3 −1 −1
  2
1 0 0
Introduction
Méthode de Krylov
 
−1 −1 1
 
B2 = A2 − a3 I =  3 1 ;
−1 
1 0 2
 
−2 0 0
 ; a4 = 1 tr (A3 ) = −2;
 
A3 = B2 A = 
 0 −2 0  3
0 0 −2
1
d’où P(λ) = (−1)3 [λ3 + λ2 + 2λ + 2].
2 
1/2 1/2 −1/2
1
De plus A−1 = B2 = 
 
−3/2 −1/2 1/2 
a4  
−1/2 0 −1

Introduction
Méthode de Krylov
4.6 Méthode de la puissance itérée

On s’interesse ici à la détermination de la plus grande valeur propre
d’une matrice diagonalisable au moyen de la méthode de la
puisance itérée. Il s’agit de l’algorithme :



 q (0) ∈ Rn quelconque tel que q (0) = 1

x (k) = Aq (k−1) , k ≥ 1

.
 x (k)
q (k)



 x (k)
Pour démontrer la convergence de la méthode, il faut faire

l’hypothèse essentielle : la valeur propre de plus grand module est
unique (mais pas necessairement simple).
Introduction
Méthode de Krylov
Theorem (29)
Soit A une matrice inversible dont la valeur propre de plus grand
module λ1 est unique. Soit q (0) un vecteur de Rn qui n’est pas
orthogonal au sous espace propre à gauche (?) associé à λ1 , (i.e
v1 , q (0) 6= 0 où v1 vecteur propre associé à la valeur propre λ1 ),
alors :
|λ1 |k (k)

1.q = lim q est un vecteur propre de norme 1 associé
k→+∞ λ1
à λ1

2. lim A q (k) = |λ1 | .

k→+∞
Preuve : Supposons dans un premier temps que λ1 est une valeur

Introduction
Méthode de Krylov
propre simple. On note u1 , u2 , · · · , un une base de vecteurs propres

associée aux valeurs propres λ1 , λ2 , · · · , λn
n
X
avec|λ1 | > |λ2 | ≥ · · · ≥ |λn | . On a q (0) = αi ui et si on note vi
i=1
les vecteurs propres à gauche de A verifiants viT ui = 1, on a
α1 = v1 , q (0) 6= 0.

n
(1) (0)
X x (1) Aq (0)
Soit x = Aq = αi λi ui , alors q (1) = =
x (1) Aq (0) .

i=1
Ak q (0)
Montrons par récurrence que q (k) = Ak q (0) .

On vient de voir le résultat vrai pour k = 1 . Supposons le résultat
vrai pour k et montrons le pour (k + 1).

Introduction
Méthode de Krylov
!
Aq (k) Ak q (0) Ak q (0)
On a : q (k+1) =
Aq (k) = A

Ak q (0) Ak+1 q (0) =

Ak+1 q (0)
Ak+1 q (0) .

n
X
Or, Ak q (0) = αi λki ui . Comme α1 6= 0, on peut écrire
i=1
n
" #
X α i λi k
Ak q (0) α1 λk1 ui = α1 λk1 u1 + e (k) .

= u1 +
α 1 λ1
i=2
Par hypothèse |λi | < |λ1 | pour i ≥ 2 et donc

k
λi
lim = 0, i = 2, · · · , n.
k→+∞ λ1
Introduction
Méthode de Krylov
k (k) .

α 1 λ 1 u 1 + e
On a donc q (k) =
|α1 | |λ1 |k u1 + e (k) .

|λ1 |k (k)

α1 u1
et donc lim q = .
k→+∞ λ1 |α1 | ku1 k
D’où le premier point.
De même,
|α1 | |λ1 |k+1 u1 + e (k+1) .
k+1 (0)
(k) A q
Aq =
Ak q (0) =

k

|α | |λ | u + e (k)
1 1 1
d’où lim Aq (k) = |λ1 | .

k→+∞
Dans le cas où la valeur propre est de multiplicité m. On a
λ1 = λ2 = · · · = λm .
La démonstration se fait suivant le même schéma. On a

Introduction
Méthode de Krylov
m n
" k #
X λ i
X
Ak q (0) = λk1 αi ui + α i ui = λk1 (u + e (k) ). Par
λ1
i=1 i=m+1
hypothèse, au moins un des αi i = 1, · · · , m est non nul et
Au = λ1 u. On a e (k) tend vers 0.
(?) v est un vecteur propre à gauche de A associé à la valeur propre
j
λj si vjT A = λj vjT . Si ui est un vecteur propre (à droite) associé à

la valeur propre λi , si λi 6= λj , alors vjT .ui = 0. de plus si A est
symétrique, les vecteurs propres à gauche et à droite coincident.
4.6.1 Algorithme de déflation
Cette algorithme permet le calcul des autres valeurs propres de A.
Principe : λ1 étant calculé, on déduit une matrice A1 qui admet

Introduction
Méthode de Krylov
les valeurs propres 0, λ2 , · · · , λn , à condition qu’elles soient toutes

différentes en module.
Détermination de A1 : λ1 est aussi valeur propre de AT de
λ1
vecteur propre y , on pose alors A1 = A − T x1 .y T .
y x1
4.7 Méthode de la puissance inverse
Si A est inversible, les valeurs propres de A−1 sont les inverses des
valeurs propres de A. La méthode de la puissance peut donc servir
à calculer la valeur propre de plus petit module en l’appliquant à
A−1 . Celà se fait sans calcul d’inverse mais à partir d’une
factorisation L.U faite une fois au début d’algorithme.
Procédons comme pour la méthode de la puissance mais en
Introduction
Méthode de Krylov
remplaçant évidemment A par A−1 lors de la construction de la

suite de vecteurs intermidiaires A−1 q (k) = x (k+1) . En multipliant
cette équation par A on obtient Ax (k+1) = q (k) , système linéaire
que l’on peut résoudre à l’aide d’une décomposition A = L.U. Une
fois que x (k+1) est déterminé, on procède comme précédemment à
une normalisation pour calculer les itérés suivants q (k+1) , qui
convergent vers le vecteur propre recherché ...

Chap 4 Beam

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chap 4 Beam

Transféré par

Droits d'auteur :

Formats disponibles

Introduction

Calcul directe de det(A − λI )

Méthodes numériques de calcul des valeurs propres

Méthodes numériques de calcul des valeurs

Méthodes numériques de calcul des valeurs

En notant i1 et i2 les courants circulant dans chaque maille, le

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

Theorem (27 Cercles de Gerschogrin-Hadamard)

Preuve : Soit λ une valeur propre de A associée au vecteur propre

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

4.2 Calcul directe de det(A − λI )

chercher ses racines par l’une des méthodes itératives pour

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

Posons Q(x) = a1 x n + a2 x n−1 + · · · + an x + an+1 ; où a1 6= 0.

Donc, en considérant le polynôme caractéristique de A, dont les

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

D’où det(A − λI ) = −λ3 − 2λ2 − 2λ − 2.

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

On a Ak = Bk−1 A = (Ak−1 − ak I )A = Ak−1 − ak A, de proche en

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

4.6 Méthode de la puissance itérée

Pour démontrer la convergence de la méthode, il faut faire

Preuve : Supposons dans un premier temps que λ1 est une valeur

propre simple. On note u1 , u2 , · · · , un une base de vecteurs propres

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

Par hypothèse |λi | < |λ1 | pour i ≥ 2 et donc

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

λj si vjT A = λj vjT . Si ui est un vecteur propre (à droite) associé à

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

les valeurs propres 0, λ2 , · · · , λn , à condition qu’elles soient toutes

remplaçant évidemment A par A−1 lors de la construction de la

T.Mekkaoui Méthodes numériques de calcul des valeurs propres et vecteurs pr

Vous aimerez peut-être aussi