Académique Documents
Professionnel Documents
Culture Documents
1 Introduction
On cherche à résoudre le problàme linéaire :
(S) AX = b (1)
a1,1 · · · a1,n b1
. . . .
.. ∈ Mn (C) désigne une matrice carée inversible et b = ..
Où, A = . ..
.
an,1 · · · an,n bn
une matrice colonne.
x1
.
On sait que (S) admet une et une unique solution qu’on la note X = .
. .
xn
La résolution des systèmes d’équations linéaires appartient aux problèmes les plus anciens
dans les mathématiques et ceux-ci apparaissent dans beaucoup de domaines, comme en trai-
tement numérique du signal, en optimisation linéaire, ou dans l’approximation de problèmes
non linéaires en analyse numérique, résolution approchée des équations différentielles et des
équations aux dérivées partielles.
les méthodes appelées méthodes directes fournissent des solutions exactes ( aux erreurs d’arron-
dis près bien entendu, ce qui n’est pas rien). Atitre d’exemples l’élimination de Gauss-Jordan
ou par la décomposition de Cholesky ou encore par la décomposition LU. Dans les cas simples,
la règle de Cramer peut également être appliquée.
Cependant, ces calculs peuvent être lourds pour des matrices de tailles très grandes.
Une alternative consiste à faire converger des suites vers la solution. Nous perdrons alors l’exac-
titude de la solution, mais nous gagnerons en rapidité d’exécution dans l’approximation de la
solution (suivant le degré de précision voulu).
1
2 Principe des méthodes itératives
Où M est une matrice inversible dont le calcul de son inverse est facil. On defint la suite
récurrente (X (k) )k (
X (0) ∈ Mn,1 (C)
(3)
M.X (k+1) = N.X (k) + b, k ∈ N.
2.1 Proposition
Si cette suite converge, alors elle converge vers l’unique solution X du système S.
Preuve : La fonction X −→ M −1 N.X définie sur Mn,1 (C) est linéaire en dimension finie, alors
elle est continue. Par conséquence la fonction f : X −→ M −1 N.X + M −1 b. est aussi continue.
On a X (k+1) = f (X (k) ). Donc Si la suite (X (k) )k converge, alors sa limite est un point fixe de f .
D’autre part l’unique point fixe de f est X
D’ou :
lim X (k) = X
Posons A = D − E − F , avec :
a1,1 0 ... 0
.. .. ..
0 . . .
D= .
.. .. ..
. . 0
0 ... 0 an,n
0 0 ... 0
.. .. ..
a
2,1 . . .
E = − .
.. .. ..
. . 0
an,1 . . . an,n−1 0
2
0 a1,2 . . . a1,n
. . ..
0 .. .. .
F = −
.. . . . .
. . . an−1,n
0 ... 0 0
On suppose de plus que les éléments diagonaux de A sont non nuls.
3 la méthode de Jacobi
On a donc :
8
k X (4) − X k∞ = = 0.0008
10000
3
Exemple 2 : Soit à résoudre le système suivant :
! ! !
1 10 x1 11
=
10 2 x2 12
!
1
L’unique solution du système précédent est X = Initialisons la méthode de Jacobi par
1
!
0
X (0) = On obtient successivement :
0
! ! ! !
11 −49 501 −2499
X (1) = , X (2) = , X (3) = , X (4) = .
6 −49 251 −2499
On a donc :
k X (4) − X k∞ = 2500
On constate à travers ces deux exemples que la suite engendré par la méthode de Jacobi peut
se rapprocher ou au contraire s’en éloigner.
Voici un exemple de la programation d’une itération de l’algorithme,
Pour i = 1 à n Faire
S := B(i)
Pour j = 1 à n Faire
S := S − A(i, j) ∗ X(j)
FIN DE BOUCLE J
S
Y (i) := X(i) + A(i,i)
FIN DE BOUCLE i
Pour i = 1 à n Faire
X(i)=Y(i)
FIN DE BOUCLE i
4 la méthode de Gauss-Seidel
M = D − E, et N = −F.
4
La méthode de Gauss-Seidel s’exprime alors par la suite.
(
X (0) ∈ Mn,1 (C) donné
(6)
(D − E).X (k+1) = F.X (k) + b, k ∈ N.
i−1 n
1 X X
xk+1
i = (bi − k+1
aij xj − aij xkj ) (7)
aii j=1 j=i+1
Pour i = 1 à n Faire
S := 0
Pour j = 1 à n Faire
S := S + A(i, j) ∗ X(j)
FIN DE BOUCLE j
R := B(i) − S
R
X(i) = X(i) + A(i,i)
FIN DE BOUCLE i
5 la méthode de relaxation
C’est une méthode intermédiaire entre les deux méthodes précédentes. Nous mettons un peu
de diagonale de chaque côté en posant Dans cette méthode, nous prenons :
1 1−ω
M= D − E, et N = D+F
ω ω
i−1 n
ω X X
xk+1
i = (bi − k+1
aij xj − aij xkj ) + (1 − ω)xki ) (9)
aii j=1 j=i+1
5
Remarques :
1. Pour ω = 1, on trouve la méthode de Gauss-Seidel.
1 1−ω
2. Posons Lω = M −1 N = ( D − E)−1 ( D + F ).
ω ω
Pour la méthode de relaxation, on trouve :
X (k+1) = Lω X (k) + Lω b
Pour i = 1 à n Faire
S := 0
Pour j = 1 à n Faire
S := S + A(i, j) ∗ X(j)
FIN DE BOUCLE j
R := B(i) − S
R
X(i) = X(i) + ω ∗ A(i,i)
FIN DE BOUCLE i
6 Critère de convergence
Pour tout entier k, on pose ek = X − X (k) .
Alors : (X (k) )k converge vers X si et seulement (kek k)k converge vers 0. Où k k désigne une
norme quelconque de Kn .
On a, (
X (k+1) = M −1 N.X (k) + M −1 b,
X = M −1 N.X + M −1 b, .
Alors :
ek+1 = M −1 N.ek (10)
ek = (M −1 N )k .e0 (11)
6.1 Définition :
1. Soit A ∈ Mn (C) , le réel ρ(A) = M ax{|λ|/λ ∈ Sp(A)} est appelé le rayon spectral de A
6
2. Une norme sur Mn (C) est appelé norme matricielle si, kABk 6 kAkkBk.
Exemples :
1 −3 5 √ √
On a Sp(A) = {1, 1 + i 15 1 − i 15
1. Soit A = 0 0 2 , }. Donc, ρ(A) = 2
2 2
0 −2 1
2. Soit k k une norme vectorielle définie Mn,1 (C), on définie sur Mn (C) la norme ||| ||| par :
kAXk
|||A||| = sup = sup kAXk
X6=0 kXk kXk=1
||| ||| est norme matricielle, appelée norme matricielle subrodonée à la norme vectorielle
k k. De plus, on a l’inégalité suivante :
|||A.B||| 6 |||A|||.|||B|||
Les normes ||| |||1 , ||| |||2 , et||| |||∞ , sont des normes matricielles.
6.2 Lemme :
1. Pour toute norme matricielle subordonée, sur Mn (C) et pour toute matrice A ∈ Mn (C),
2. Pour toute matrice A ∈ Mn (C) et pour tout ε > 0, il existe une norme subordonnée telle
que :
|||A||| < ρ(A) + ε
7
Preuve :
kAXk
kAXk = |λ| kXk =⇒ |λ| = 6 |kA|k
kXk
V = U∆
6.3 Théorème :
Soit A ∈ Mn (C) une matrice inversible. Alors les assertions suivantes sont équivalents :
1. La méthode itérative associée à la décomposition A = M − N, avec M inversible, converge
quel que soit la condition initiale X (0) .
2. lim k(M −1 .N )k k = 0. Où k k désigne une norme quelconque définie Mn (C)
k→+∞
8
! !
1 10 0 10 √
Pour, A = ,J = ρ(J) = 50 > 1. Donc la méthode de Jacobi diverge.
10 2 −5 0
Définition : On dit qu’une matrice A = (ai,j )i,j=1...n ∈ Mn (C) est à diagonales stricrement
dominantes si pour i = 1..n,
X
|aii | > |aij |
j6=i
5 1−i 0
Exemple : la matrice −1
3 est à diagonales strictement dominantes.
i
2 −3 7
6.4 Théorème :
Soit A ∈ Mn (C) une matrice inversible à diagonales stricrement dominantes, alors la méthode
de Jacobi converge.
0 · · · −a1,n
1 1 .. .. ..
Preuve : On a M 1 N = D−1 (E + F ) = diag
,··· , . . .
a11 ann
−an,1 ··· 0
n
X |ai,j |
On a, pour tout i ∈ N, < 1. Alors |kM 1 N |k∞ < 1. D’où le résultat.
j=1,j6=i
|a i,i |
Définition : On dit qu’une matrice réelle symétrique A est définie positive si :
Pour tout X ∈ Mn;1 (R) non nul, t X.A.X > 0.
6.5 Théorème :
Soit A ∈ Mn (R) une matrice sysmétrique, définie positive. Nous la décomposons sous la forme
- A = M − N, où M est inversible. Alors :
1. t M + N est symétrique.
2. Si de plus t M + N est définie positive, alors ρ(M −1 .N ) < 1.
Preuve :
1. t M + N =t (A + N ) + N = A +t (N ) + N est symétrique.
9
Pour le membre de droite on obtient y = Bx = x − M −1 Ax ⇒ x − y = M −1 Ax et donc
Mais
(M −1 Ax, M ∗ M −1 Ax) = (x, (M −1 A)∗ M ∗ M −1 Ax) = (x, AM −1 Ax)
D’autre part.
y = Bx = λx ⇒ x − y = (1 − λ)x. En utilisant l’égalité précédente
(x, Ax) − (y, Ay) = (x, Ax) − (λx, A(λx)) = (1 − |λ|2 )(x, Ax)
(x − y, (M + M ∗ − A)(x − y)) = ((1 − λ)x, (M + M ∗ − A)((1 − λ)x)) = |1 − λ|2 (x, (M +
M ∗ − A)x) et donc
6.6 Applications :
6.7 Exercice :
1 a a
Soit a ∈ R et A =
a 1 a
a a 1
1. Pour qu’elles valeurs de a A est–elle définie positive ?
2. Pour qu’elles valeurs de a la méthode de Gauss–Seidel est–elle convergente ?
3. Ecrire la matrice J de l’itération de Jacobi.
4. Pour qu’elles valeurs de a la méthode de Jacobi converge–t–elle ?
5. Ecrire la matrice L1 de l’itération de Gauss–Seidel. Calculer ρ(L1 ).
6. Pour quelles valeurs de a la méthode de Gauss–Seidel converge–t–elle plus vite que celle
de Jacobi ?
Solution :
1 a a
Soit a ∈ R et A =
a 1 a
a a 1
⊂]0, +∞[.
1. On a la matrice A est symétrique. Alors A est définie positive SSI SP (A)
−1
Or Sp(A) = {1 − a, 1 − a, 1 + 2a}. Donc : A est définie positive SSI a ∈ ,1
2
Autre méthode :
A est définie positive SSI les 3-déterminants ∆1 , ∆2 , ∆3 des sous matrices principales
sont strictement positives.
Dans ce cas :
1 a a
1 a
2
∆1 = 1, ∆2 =
= 1 − a , ∆3 = a 1 a
= (1 − a)2 (1 + 2a)
a a
a a 1
−1
A est définie possitive ssi a ∈ ,1
2
2. En utilisant la convergence de la méthode
de Gauss–Seidel
la décomoposition
de A est de
1 a 0 0 −a −a
la forme A = M − N où M = a 1 0 et N = 0 0 −a .
a a 1 0 0 0
11
On sait que la méthode de la méthode de Gauss–Seidel converge SSI ρ(M −1 N ) < 1.
Or puisque t M + N = I3 est définie positive, alors :
−1
ρ(M −1 N ) < 1 SSI, A est définie positive SSI a ∈] , 1[.
2
−1
Conclusion :la méthode de Gauss–Seidel est convergente si seulement a ∈] , 1[
2
1 0 0 0 0 0 0 a a
3. Pour cette matrice , D = 0 1 0 E = − a 0 0 F = − 0 0 a
0 0 1 a a 0 0 0 0
0 −a −a
On a, donc A = D − E − F et J = D−1 (E + F ) = −a 0 −a
−a −a 0
(
X (0) ∈ Mn,1 (C)
La méthode de Jacobi est définie par :
X (k+1) = J.X (k) + J.b, k ∈ N.
4. On a, SP (J) = {a, a, −2a}. Donc ρ(J) = 2|a|.
Par suite, la méthode de Jacobi converge SSI ρ(J) < 1. SSI a ∈] −1
2 2
, 1[
5. Pour la méthode de Gauss–Seidel, la matrice de l’itération L1 est définie par :
−1
1 0 0 0 −a −a
L1 = (D − E) .F = a 1 0
−1
0 0 −a
a a 1 0 0 0
1 0 0 0 −a −a 0 −a −a
L1 =
2 2
−a 1 . 0
0 0 −a = −
0 a a a
a2 − a −a 1 0 0 0 2 3 2
0 a − a 2a − a 3
3
a ∈ [0, 4] =⇒ ρ(L1 ) = a 2
a p
/ [0, 4], alors Sp(L1 ) = {0, (3a − a2 ± |a − 1| a(a − 4))}. Donc :
Si a ∈
2
|a| p p
a∈
/ [0, 4] =⇒ ρ(L1 ) = max{|(3a−a2 −|a−1| a(a − 4))|, |(3a−a2 +|a−1| a(a − 4))|}
2
12
1 3
Si a ∈]0, [ on a 2 < 2a. Dans ce cas la méthode de Gauss-Seidel converge plus vite que
2
celle de Jacobi.
−1 |a| p
Si a ∈] , 0[, ρ(L1 ) = (−3a + a2 + (1 − a) a(a − 4))
2 2
6.8 Théorème :
Soit A ∈ Mn (C) une matrice inversible . Le rayon spectral de la méthode itérative Lω est
supérieur ou égal à |ω − 1|
Preuve :
On a :
1 1−ω
Lω = ( D − E)−1 ( D + F ) = (In − ωE)−1 ((1 − ω)In + ωF )
ω ω
On a, det((In − ωE)) = 1 ⇒ det((In − ωE))−1 = 1.
de même det((1 − ω)In + ωF )) = (1 − ω)n , par conséquence,
det(Lω ) = (1 − ω)n
n−1
X
det(λIn − Lω ) = λn + ak λk = 0
k=0
Donc,
n
Y
n
|ω − 1| = |λk | 6 ρ(ω)n
k=1
En fin, |ω − 1| 6 ρ(ω)
6.9 Corollaire :
Soit A ∈ Mn (C), une matrice inversible. une condition nécessaire de convergence de la méthode
de relaxation est que 0 < ω < 2.
Preuve :
13
Si la méthode de relaxation est convergente, alors ρ(Lω ) < 1. Or |ω − 1| 6 ρ(Lω ) < 1.
Donc 0 < ω < 2
kr(k) k
<ε (12)
kbk
ke(k) k = kA−1 r(k) k 6 |kA−1 |kkr(k) k 6 εkkA−1 |kkbk 6 εkkA−1 |kkAXk 6 εk|A|k|kA−1 |kkXk
14