Méthodes d’approximation des valeurs et vecteurs propres

Notes de cours
Version provisoire. Si vous notez des coquilles et des erreurs, merci de nous les signaler.

A. Bergeon

Master 1 - Mentions Mécanique et Energétique,Thermique

Département de Mécanique
Faculté des Sciences et Ingénierie
Université Toulouse 3 Paul Sabatier

2020 - 2021
Table des matières
1. Rappels d’algèbre linéaire
Notations
Valeurs et vecteurs propres
Matrices semblables, matrices diagonalisables
2. Méthodes de la puissance
Méthode classique de la puissance itérée
Méthode de la puissance inverse
3. Méthodes du polynôme caractéristique
Théorème de Cayley-Hamilton
Méthode des espaces de Krylov
4. Méthode QR
Principe de la décomposition QR
Décomposition QR par le procédé de Gram-Schmidt
Décomposition QR par les rotations de Givens
Décomposition QR par transformations de Householder
Méthode QR de calcul des valeurs et vecteurs propres
5. Calcul d’un ensemble réduit de valeurs propres
Eléments de Ritz et matrice de Rayleigh
Méthodes des sous-espaces et de Lanczos
1/47
1. Rappels d’algèbre linéaire
1.1. Notations

2/47
1.1. Rappels d’algèbre linéaire : Notations

• Transposée de A ∈ Rm×n : la matrice n × m notée At obtenue en échangeant les lignes et les

colonnes de A.
• Adjointe de A ∈ Cm×n : a matrice B = A∗ ∈ Cn×m est appelée adjointe de A (ou transposée
conjuguée) si bij = āji où āji est le complexe conjugué de aij .
• Une matrice A ∈ Rn×n est
◦ symétrique si A = At
◦ anti-symétrique si A = −At .
◦ orthogonale si AAt = At A = I ce qui revient à dire A = A−1 .
• Une matrice A ∈ Cn×n est
◦ hermitienne (ou auto-adjointe) si At = Ā ce qui revient à dire A∗ = A.
◦ unitaire si A∗ A = AA∗ = I .
◦ normale si A∗ A = AA∗ .

3/47
1.1. Rappels d’algèbre linéaire : Notations

• x̄ = le complexe conjugué d’un vecteur

• x∗ son transposé conjugué.
• Le produit scalaire de deux vecteurs s’écrira :
x∗ y = hx̄, yi. (1)

Si les vecteurs sont réels, alors :

xt y = hx, yi. (2)

2
Sauf cas particulier, kxk = hx̄, xi.

4/47
1. Rappels d’algèbre linéaire
1.2. Valeurs et vecteurs propres

5/47
1.2. Rappels d’algèbre linéaire : Valeurs et vecteurs propres

– Définition
Soit A une matrice carrée d’ordre n à valeurs réelles ou complexes.
- On dit que λ ∈ C est une valeur propre de A si il existe un vecteur non nul x ∈ Cn tel que Ax = λx.
- Le vecteur x est appelé vecteur propre de A associé à la valeur propre λ.
- L’ensemble des valeurs propres noté σ(A) est appelé le spectre de A.
On dit que x et y sont respectivement des vecteurs propres à droite et à gauche de A si :

Ax = λx, y∗ A = λy∗ . (3)

– Quotient de Rayleigh
La valeur propre λ associée au vecteur propre x s’obtient en calculant le quotient de Rayleigh :

hx̄, Axi
λ= . (4)
hx̄, xi

– Polynôme caractéristique
Le nombre λ est solution de l’équation caractéristique :

pA (λ) = det(A − λI) = 0, (5)

où pA (λ) est le polynôme caractéristique de degré n égal au nombre de valeurs propres (non
nécessairement distinctes).
6/47
1.2. Rappels d’algèbre linéaire : Valeurs et vecteurs propres

– Propriétés
Si A est une matrice réelle, les coefficient de pA sont réels et les valeurs propres complexes de A sont
deux à deux conjuguées.

n
Y n
X
det(A) = λi , tr(A) = λi , σ(A) = σ(At ), σ(A∗ ) = σ(Ā) (6)
i=1 i=1

– Rayon spectral
Noté ρ(A) il est défini comme :

ρ(A) = max |λ|. (7)

λ∈σ(A)

– Valeurs propres défectives

Valeur propre λ de A : ensemble des vecteurs propres associés et du vecteur nul = un sous espace
vectoriel de Cn appelé sous-espace propre associé à λ.
= Ker(A − λI) et de dimension = n − rg(A − λI).
– Dimension de Ker(A − λI) = multiplicité géométrique de la valeur propre λ.
≤ multiplicité algébrique de λ définie en tant que racine du polynôme caractéristique.
< multiplicité algébrique ⇒ valeur propore défective
7/47
1.2. Rappels d’algèbre linéaire : Valeurs et vecteurs propres

Exemple
– La matrice 2 × 2 suivante :
 
2 −1
A= , (8)
0 2

a une valeur propre λ = 2 de multiplicité algébrique égale à 2 i.e. p(λ) = (2 − λ)2 .

 
0 −1
A − 2I = , (9)
0 0

Le noyau de A − 2I est de dimension 1 et est engendré par le veteur (1, 0)t .

La multiplicité géométrique est donc 1. La matrice est donc défective.
– La matrice 2 × 2 suivante :
 
2 0
A= , (10)
0 2

a le même polynôme caractéristique et donc λ = 2 a la même multiplicité algébrique.

Or A − 2I = 0 donc la multiplicité géométrique est 2. La matrice n’est donc pas défective.

8/47
 1. Rappels d’algèbre linéaire
1.3. Matrices semblables, matrices diagonalisables

9/47
1.3. Rappels d’algèbre linéaire : Matrices semblables, matrices diagonalisables

Définition
Soit A et C deux matrices carrées n × n, C étant supposée inversible. On dit que A et C −1 AC sont
semblables et on appelle similitude la transformation qui à A associe C −1 AC . On dit que A et C −1 AC sont
unitairement semblables si C est unitaire.

Propriété
Deux matrices semblables ont le même spectre et le même polynôme caractéristique.

Exercice
Démontrer cette propriété.

Motivation :
Si l’on sait construire une similitude qui transforme par exemple une matrice A dont on cherche à calculer les
valeurs propres en une matrice plus simple, par exemple triangulaire, sans altérer le spectre.

10/47
1.3. Rappels d’algèbre linéaire : Matrices semblables, matrices diagonalisables

Théorème de décomposition de Schur

Soit A ∈ Cn×n . Il existe U unitaire (U U ∗ = U ∗ U = I ou encore U −1 = U ∗ ) telle que :
 λ , b11 , ... b1n 
1
 0, λ2 , b2n 
 . .
 
U −1 AU = U ∗ AU =   ≡ T, (11)

 . . 
 . . 
0, ... 0, λn

où les λi sont les valeurs propres de A. Cette décomposition est appelée décomposition de Schur de A.

Conséquence :
Toute matrice U est unitairement semblable à une matrice triangulaire supérieure.

11/47
1.3. Rappels d’algèbre linéaire : Matrices semblables, matrices diagonalisables

Autres propriétés :
– toute matrice hermitienne est unitairement semblable à une matrice diagonale réelle.
Ainsi, quand A est hermitienne, toute décomposition de Schur de A est diagonale :

si At = Ā alors ∃ U unitaire tel que U −1 AU = Ω = diag(λ1 , ..., λn ). (12)

– Remarque :
les matrices que l’on peut diagonaliser ne sont pas seulement des matrices symétriques.
Il existe bien sur des matrices non-symétriques semblables à des matrices diagonales mais elles ne
sont pas unitairement semblables :
on peut trouver U tel que U −1 AU = Ω = diag(λ1 , ..., λn ) mais U ne sera pas unitaire (U ∗ 6= U −1 ).

– une matrice A d’ordre n est semblable à une matrice diagonale D si et seulement si ses vecteurs
propres forment une base de Cn .

12/47
1.3. Rappels d’algèbre linéaire : Matrices semblables, matrices diagonalisables

Propriété (forme canonique de Jordan)

Si A est une matrice carrée, alors il existe une matrice inversible X qui transforme A en une matrice
diagonale par blocs J telle que :

X −1 AX = J = diag(Jk1 (λ1 ), ..., Jkl (λl )). (13)

La matrice J est appelée forme canonique de Jordan, les λj étant les valeurs propres de A et les Jk ∈ Ck×k
des blocs de la forme J1 (λ) = λ pour k = 1 et :
 λ, 1, 0, ..., 0 
 0, λ, 1, 0 
 . .
 
Jk (λ) =  , (14)

 . . 
 . λ, 1 
0, ... 0 λ

pour k > 1. Les Jk sont appelés les blocs de Jordan.

Conséquence :
Si une valeur propre est défective, la taille des blocs de Jordan est plus grande que 1. Une matrice est donc
semblable à une matrice diagonale si et seulement si elle n’est pas défective. On dit alors qu’elle est
diagonalisable.
13/47
 2. Méthodes de la puissance
2.1. Méthode classique de la puissance itérée

14/47
2.1. Méthodes de la puissance : Méthode classique de la puissance itérée

– Approximer la valeur propre de plus grand module

– Soit A ∈ Rn×n diagonlisable

P = la matrice formée de ses vecteurs propres {h}1≤i≤n (base de Rn ).
Valeurs propres |λ1 | > |λ2 | ≥ ... ≥ |λn |
λ1 a une multiplicité de 1 = valeur propre dominante.

– Algorithme

On se donne un vecteur q(0) arbitraire. On répète de k = 1 jusqu’à la convergence :

z(k) = Aq(k−1)
q(k) = z(k) /kz(k) k
λ(k) = hq̄(k) , Aq(k) i

Arrêt lorsque kr(k) k <  avec r(k) = Aq(k) − λ(k) q(k) .

15/47
2.1. Méthodes de la puissance : Méthode classique de la puissance itérée

Convergence
Par récurrence, pour k ≥ 1 :

Ak q(0)
q(k) = . (15)
kAk q(0) k

(λi , hi ) = couple valeur vecteur propre. Les vecteurs propres forment une base de Rn sur laquelle peut se
décomposer le vecteur q(0) :
n Pn
X αi λki hi
q(0) = αi hi ⇒ q(k) = Pi=1 n k
. (16)
i=1
k i=1 αi λi xi k

 k
αi λi
h1 + n
P
i=2 α1 λ1
hi
(k)
lim q = lim k = h1 (17)
∞ ∞

αi λi

h1 + n
P
i=2 α1 λ1
xi

puisque |λi /λ1 | < 1 pour i ≥ 2.

Remarque : la convergence comme |λ2 /λ1 |k dans le cas général.

16/47
 2. Méthodes de la puissance
2.2. Méthode de la puissance inverse

17/47
2.2. Méthodes de la puissance : Méthode de la puissance inverse

– Approximation la valeur propre la plus proche d’un nombre µ ∈ C

– Méthode de la puissance à la matrice (A − µI)−1 = méthode des puissances inverses.

Le nombre µ est appelé shift en anglais.
Convergence vers le vecteur propre associé à la valeur propre dominante de (A − µI)−1 .
– Algorithme

On se donne un vecteur q(0) arbitraire. On répète de k = 1 jusqu’à la convergence :

z(k) = (A − µI)−1 q(k−1)

q(k) = z(k) /kz(k) k
λ̃(k) = hq̄(k) , (A − µI)−1 q(k) i

où λ̃(k) = approximation de la valeur propre dominante de (A − µI)−1

= approximation de 1/(λ − µ) avec λ = valeur propre de A la plus proche de µ

18/47
2.2. Méthodes de la puissance : Méthode de la puissance inverse

Il existe des variations à cette méthode générale en particulier dans les cas :
– λ1 = λ̄2
– λ1 = λ2
– λ1 = −λ2
Nous ne les détaillerons pas dans ce cours.

19/47
3. Méthodes du polynôme caractéristique
3.1. Théorème de Cayley-Hamilton

20/47
3.1. Méthodes du polynôme caractéristique : Théorème de Cayley-Hamilton

Théorème
Toute matrice A est solution de son polynôme caractéristique. Soit pA (λ) le polynôme carcatéristique de la
matrice A qui s"écrit :
n
X
(−1)n pA (λ) = p i λi (18)
i=0

avec pn = 1. Alors la matrice A vérifie :

(−1)n pA (A) = 0 (19)
Démonstration
Démonstration que dans le cas où A est diagonalisable
Il existe une matrice P inversible formée des vecteurs propres de A telle que :
A = P DP −1 , (20)
où D est une matrice diagonale formée des valeurs propres de A. On remarque alors que :
A2 = P DP −1 P DP −1 = P D2 P −1 ⇒ Ak = P Dk P −1 ; (21)
En remplaçant, on obtient :
n
!
X
pA (A) = P pi D i
P −1 = P diag(pA (λ1 ), ..., pA (λn ))P −1 = 0. (22)
i=0
21/47
3. Méthodes du polynôme caractéristique
3.2. Méthode des espaces de Krylov

22/47
3.2. Méthodes du polynôme caractéristique : Méthode des espaces de Krylov

Théorème
Soit une matrice A de dimension n × n de rang n et y(0) ∈ Cn un vecteur tel la suite de Krylov
Kn = {y(0) , y(1) = Ay(0) , ..., y(n−1) = Ay(n−2) } forme une espace de dimension n. Alors :

y(n) + pn−1 y(n) + ... + p1 y(1) + p0 y(0) = 0 (23)

Conséquence
Les coefficients du polynôme caractéristique sont alors solution d’un système linéaire de la forme :

M p = −y(n) , pt = (p0 , ..., pn−1 ), M = (y(0) , ..., y(n−1) ) ∈ Cn×n (24)

Remarque
Comment rouver un vecteur initial qui génère une suite espace de Krylov de dimension n ?

Théorème
Si A est une matrice du type Hessenberg n × n et telle que sa sous diagonale n’a pas déléments nuls, alors le
vecteur y(0) = (1, 0, ..., 0)t génère un sous espace Kn de dimension n. De plus, la matrice M est une
matrice triangulaire supérieure.

23/47
4. Méthode QR

24/47
4. Méthode QR

Transformer la matrice A dont on cherche les valeurs et vecteurs propres en une matrice semblable pour
laquelle le calcul est plus simple.

Par exemple : par le théorème de Schur : Trouver la matrice unitaire U transformant la matrice A en une
matice triangulaire supérieure dont la diagonale serait formée des valeurs propres de A.

Mais le calcul de U par une méthode directe est proscrit dès que n ≥ 5 (théorème d’Abel). On ne peut donc
se tourner que vers les méthodes itératives.

L’algorithme de référence sur cette stratégie est la méthode QR.

Nous ne regarderons ici que le cas des matrices A réelles.

25/47
 4. Méthode QR
4.1. Principe de la décomposition QR

26/47
4.1. Méthode QR : Principe de la décomposition QR

Définition
On dit qu’une matrice A ∈ Rn×m avec n ≥ m admet une décomposition QR si il existe une matrice
Q ∈ Rn×n orthogonale (Qt Q = QQt = I ) et une matrice trapézoidale supérieure R ∈ Rn×m dont les lignes
son tnulles à partir de la n + 1-ième telles que :

A = QR (25)

Exemple
La décomposition QR de la matrice A suivante s’écrit :
     
1 −1 4 1 −1 1 −1 2 3 2
 1 4 −2   1  1 1 −1 −1   0 5 −2 
A=  = QR, Q =   , R=
 
1 4 2  2 1 1 1 1  0 0 4 
1 −1 0 1 −1 −1 1 0 0 0

27/47
4.1. Méthode QR : Principe de la décomposition QR

Propriété
Soit une matrice A ∈ Rn×m avec n ≥ m pour laquelle on connait une décomposition QR. On admet que le
rang de A est m (son nombre de colonnes). Alors il existe une unique factorisation de A de la forme :

A = Q̃R̃, (26)

où Q̃ est une sous matrice de Q de dimension n × m formée des m premières colonnes de Q et R̃ une sous
matrice de R de taille m × m formée des m premières lignes de Q. De plus, les colonnes de Q̃ forment une
base orthonormale de vecteurs.

Exemple
La décomposition QR réduite de la matrice A (de rang 3) suivante s’écrit :
   
1 −1 4 1 −1 1  
1 2 3 2
 1 4 −2    1 1 −1 
A= = Q̃R̃, Q̃ =    , R̃ =  0 5 −2 
1 4 2  2 1 1 1 
0 0 4
1 −1 0 1 −1 −1

Remarque : les vecteurs colonnes de Q̃ forment une base orthonormale de vecteurs.

28/47
 4. Méthode QR
4.2. Décomposition QR par le procédé de Gram-Schmidt

29/47
4.2. Méthode QR : Décomposition QR par le procédé de Gram-Schmidt

Gram-Schmidt : Famille de m vecteurs linéairement indépendants : {vi }1≤i≤m .

Construction de m vecteurs deux à deux orthogonaux notés {qi }1≤i≤m .

q1 = v1
k
X hqi , vi i
qk+1 = vk+1 − qi , 1 ≤ k < m
i=1
kqi k2

Adaptation à la factoriation QR : A = (a1 , a2 , ..., am ) → m vecteurs linéairement indépendants (si le rang de

A est m).

q̃1 = a1 /ka1 k
k
X
qk+1 = ak+1 − hq̃i , ai iq̃i , q̃k+1 = qk+1 /kqk+1 k, 1≤k<m
i=1

On définit alors la matrice Q̃ = (q̃1 , q̃2 , ..., q̃m ). On observe facilement que :

Q̃t Q̃ = I, ⇒ Q̃−1 = Q̃t . (27)

Ceci permet de déduire la matrice R̃ :

A = Q̃R̃ ⇒ R = Q̃t A. (28)

30/47
4.2. Méthode QR : Décomposition QR par le procédé de Gram-Schmidt

Exercice
Calculer Q̃ et R̃ pour la matrice :
 
−2 1
A= 1 −2 
1 1

On obtient facilement par la méthode de Gram-Schmidt :

 √ 
− √36 0 √ √ !
√ 6 − √26
Q̃ =  6
− 22  , et R̃ = Q̃t A =
 
6√ √ 3 2
6 2 0 2
6 2

On vérifie facilement que A = Q̃R̃

31/47
 4. Méthode QR
4.3. Décomposition QR par les rotations de Givens

32/47
4.3. Méthode QR : Décomposition QR par les rotations de Givens

Transformations de Givens
matrices othogonales de rotation qui permettent d’annuler certains coefficients d’un vecteur ou d’une matrice
:
 
In−k−1
 cos(θ) − sin(θ) 
G= , (29)
 sin(θ) cos(θ) 
Ik+1

où Ij est le matrice indentité de dimension j .

Remarque Le bloc de rotation peut aussi être dispersé dans la matrice. Par exemple ce serait la matrice
identité à l’exception des termes (lorsque i < j ) gi,i = cos(θ), gj,j = cos(θ), gi,j = − sin(θ) et gj,i = sin(θ).

Applique de manière successive ces matrices de rotation à la matrice A → R

Chaque rotation sera différente pour chaque zéro gagné puisque l’angle θ
Si Gij = la matrice de rotation a appliquer pour gagner un zéro dans au point d’indice (i, j) : n − 1 matrices à
appliquer pour la première colonne, n − 2 pour la seconde et ainsi de suite etc.
Qt = produit de ces matrices (de dimensions n × n)
R = Qt A = matrice obtenue.
On peut alors en extraire la matrice Q̃ et la matrice R̃.

33/47
4.3. Méthode QR : Décomposition QR par les rotations de Givens

Exercice
Calculer par la méthode des rotations de Givens Q̃ et R̃ pour la matrice :
 
−2 1
A =  1 −2 
1 1

34/47
 4. Méthode QR
4.4. Décomposition QR par transformations de Householder
Voir TD

35/47
 4. Méthode QR
4.5. Méthode QR de calcul des valeurs et vecteurs propres

36/47
4.5. Méthode QR : Méthode QR de calcul des valeurs et vecteurs propres

Algorithme
t
1. On se donne une matrice matrice orthogonale Q(0) ∈ Rn×n et l’on pose T (0) = Q(0) AQ(0) .
2. Pour k = 1, ... jusqu’à la convergence, on effectue :
- Décomposition QR de la matrice T (k−1) = Q(k) R(k) .
- On pose T (k) = R(k) Q(k) et on boucle.
Interpétation
t
la méthode exploite le fait que les matrices Q(k) sont orthogonales : (Q(k) )−1 = Q(k) .
(k) (k)t (k−1)
Cela implique que R =Q T . On déduit alors :
t t t
T (k) = R(k) Q(k) = Q(k) T (k−1) Q(k) = Q(k) Q(k−1) T (k−2) Q(k−1) Q(k) ,

soit par récurrence :

t
T (k) = R(k) Q(k) = Q(0) Q(1) ...Q(k) A Q(0) Q(1) ...Q(k) .

Donc toutes les matrices T (k) sont orthogonalement semblables à A.

37/47
4.5. Méthode QR : Méthode QR de calcul des valeurs et vecteurs propres

Remarque
Dans la pratique, on choisit Q(0) = I . On peut cependant avoir une méthode plus efficace (qui converge plus
vite) en transformant préalablement (par une méthode de Householder par exemple) la matrice A en une
matrice de Hessenberg.

Théorème : convergence de la méthode QR

Soit A une matrice de Rn×n telles que |λ1 | > |λ2 | > ... > |λn |. Alors :
 
λ1 t12 ... t1n
 0 λ2 t23 ... 
 
lim T (k) =  . . . . . (30)
k→∞ 
 . . . . 
0 ... 0 λn

Si A est une matrice symétrique, la limite est une matrice diagonale formée des valeurs propres de A.
On ne démontre pas ce théorème relativement complexe. Sa limite est exprimée par le théorème de Schur.

Remarque :
Il existe plusieurs variantes d’implémentation de la méthode QR : variantes dites méthodes QR avec
translations qui accélère la convergence lorsque les valeurs propres de A sont proches les unes des autres.

38/47
5. Calcul d’un ensemble réduit de valeurs propres

39/47
5. Calcul d’un ensemble réduit de valeurs propres

Dans certains problèmes physiques : une partie du spectre est intéressante

Exemple : analyse de stabilité d’écoulements.

Procédure dite de Rayligh-Ritz = calcul une partiedu spectre.

Deux méthodes standards :
• méthode des sous-espaces
• méthode de Lanczos ou méthode d’Arnoldi
Principe général = approche utilisée dans GMRES.
Calcul une base orthonormale de m < n vecteurs sur laquelle on projette la matrice A.
Valeurs propres de cette matrice projetée = approximation des valeurs propres de A.
Avantage : matrice plus petite

40/47
5. Calcul d’un ensemble réduit de valeurs propres
5.1. Eléments de Ritz et matrice de Rayleigh

41/47
5.1. Calcul d’un ensemble réduit de valeurs propres : Eléments de Ritz et matrice de Rayleigh

Définition
Soit Km un sous espace de dimension m de Cn engendré par une base orthonormale (q1 , ..., qm ).
Soit Q la matrice unitaire rectangulaire (Q∗ Q = Im ) de format n × m dont la j -ième colonne est le vecteur
qj . Dans la base des qj , la projection orthogonale sur Km s’écrit :

P = QQ∗ . (31)

Interprétation
Dans Rn , soit u = n n
P
i=1 uei ei ∈ R

m
X
Qt u = up = upqi qi (32)
i=1

où up est la projection de u dans Km exprimée dans la base {qi }1≤i≤m .

Pour revenir aux coordonnées de up dans la base canonique {ei }1≤i≤n :
n
X
Qup = up = upei ei (33)
i=1

42/47
5.1. Calcul d’un ensemble réduit de valeurs propres : Eléments de Ritz et matrice de Rayleigh

Définition
On appelle élément de Ritz le couple (λ̃, ũ) ∈ C × Km tel que :

P (Aũ − λ̃ũ) = 0. (34)

Interprétation

h(Aũ − λ̃ũ), ṽi = 0, ∀ ṽ ∈ Km (35)

Comme tout élément de Km peut se décomposer dans la base des qj , il existe x et y de Cm tels que :
ũ = Qx et ṽ = Qy. En remplaçant, on obtient :

h(AQx̃ − λ̃Qx), Qyi = 0 ∀ y ∈ Cm (36)

Ceci s’écrit encore :

Q∗ AQ x − λ̃x = 0, avec ũ = Qx. (37)

∗
La recherche des éléments de Ritz revient donc à trouver les éléments propres de la matrice Bm = Q AQ.

43/47
5.1. Calcul d’un ensemble réduit de valeurs propres : Eléments de Ritz et matrice de Rayleigh

Définition
La matrice carrée d’ordre m Bm = Q∗ AQ est appelée matrice de Rayleigh.

Interprétation
Bm = matrice qui agit sur un vecteur de Km de la forme : u = m
P
i=1 uqi qi

1. Qu donne son expression dans la base canonique : Qu = n

P
i=1 uei ei
n
2. A(Qu) fait agir la matrice A dans Rn : v = AQu = i=1 vei ei
P

3. Qt (AQu) projette le résultat dans le sous espace Km : Qt AQu = m

P
i=1 vqi qi

Remarques
• On a donc remplacé la recherche des éléments propres de la matrice A d’ordre n par ceux de la matrice
Bm d’ordre m < n.
• Si (q1 , ..., qm ) est une base d’un sous-espace propre de la matrice A, alors les valeurs propres de Bm
sont aussi les valeurs propres A.

44/47
5.1. Calcul d’un ensemble réduit de valeurs propres : Eléments de Ritz et matrice de Rayleigh

Procédure de Rayleigh-Ritz
A partir d’une base de K, construire une base orthonormée, calculer la matrice de Rayleigh d’ordre m et d’en
déduire les éléments de Ritz correspondants ainsi que le résidu qui sert de test d’arrêt des itérations.
Soit X une matrice rectangulaire n × m formée d’un ensemble de m vecteurs X = (x1 , ..., xm )
1. Orthogonalisation de la base. Elle en général effectuée par une méthode de Householder ou de Givens
et conduit à une décomposition de la forme :

X = QR (38)

où Q est une matrice unitaire n × m et R une matrice triangulaire supérieure m × m.

2. Calcul de Bm = Q∗ AQ.
3. Calcul des éléments propres de Bm (par une méthode QR par exemple).
4. Calcul des éléments de Ritz (λ̃, ũ = Qx).
5. Calcul du résidu de chaque élément :

r = (AQ)x − λ̃Qx = Aũ − λ̃ũ (39)

45/47
5. Calcul d’un ensemble réduit de valeurs propres
5.2. Méthodes des sous-espaces et de Lanczos

46/47
5.2. Calcul d’un ensemble réduit de valeurs propres : Méthodes des sous-espaces et de Lanczos

Choix du sous espace :

1. Méthodes des sous-espaces K ≡ Km de dimension m puis à construire successivement une famille
de sous espaces : K(1) = AK, K(2) = A2 K, ..., K(k) = Ak K.
2. Méthode de Lanczos (terminologie réservé au cas des matrices hermitiennes, méthode d’Arnoldi dans
le cas de matrices quelconques) consiste à choisir un vecteur x et à construire l’espace de Krylov de
dimension m correspondant Km = {x, Ax, A2 x, ..., Am−1 x}.
Différence majeure : la dimension de l’espace

47/47