THÈME: RÉSOLUTION DES SYSTÈMES

PAR LA FACTORISATION DE CHOLESKY

GROUPE 30
Jeudi, 5 janvier 2023

1
 EXPOSÉ INF3025 : CALCUL SCIENTIFIQUE

THÈME : RÉSOLUTION DES SYSTÈMES PAR LA FACTORISATION DE

CHOLESKY

MEMBRES DU GROUPE

Noms Matricules
TCHUENTEU GUETCHUENG DAVID 20U2891
TOKO KEMGANG JEAN BONICE 20U2944
NOAH MVONDO SERGE GAETAN 20U2669
NGASSA EVENGUE CEDRIC
LIPONG DANIEL ZEPHYRIN 16Y353

Superviseur : Docteur MESSI NGUELE Thomas

2
TABLE DES MATIÈRES TABLE DES MATIÈRES

Table des matières

INTRODUCTION 4

1 RAPPELS ET ÉLÉMENTS DE BASE 5

1.1 MATRICE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Transposée d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Matrices symétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Matrice triangulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 MATRICE POSITIVE OU DÉFINIE POSITIVE . . . . . . . . . . . . . . . . . 6
1.5.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.2 Matrice symétrique réelle définie positive . . . . . . . . . . . . . . . . . 6
1.5.3 Algorithme de génération de matrices symetriques définies positives . . . 6

2 Factorisation de CHOLESKY 7
2.1 Concept et définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Complexité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.5 Programme MATLAB de la Factorisation . . . . . . . . . . . . . . . . . . . . . 9
2.6 Exemple d’exécution du programme . . . . . . . . . . . . . . . . . . . . . . . . . 9

3 MÉTHODE DE RÉSOLUTION DE CHOLESKY 11

3.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Résolution des systèmes linéaire de formes triangulaire . . . . . . . . . . . . . . 11
3.3 Le programme matlab correspondant . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4 Programme Matlab de resolution final . . . . . . . . . . . . . . . . . . . . . . . 12
3.5 Exemple d’exécution du programme de resolution finale . . . . . . . . . . . . . . 14

4 Complexité de la méthode de Cholesky 16

5 Comparaison de la méthode de Cholesky avec les autres méthodes de

résolution 16
5.1 Nuances avec la méthode d’élimination de GAUSS . . . . . . . . . . . . . . . . . 16
5.2 Nuances avec la methode gradient conjugué . . . . . . . . . . . . . . . . . . . . 16
5.3 Nuances avec les methodes directes et itteratives . . . . . . . . . . . . . . . . . . 16
5.4 Les méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

CONCLUSION 17

6 Reférences 18

3
TABLE DES MATIÈRES TABLE DES MATIÈRES

INTRODUCTION
Dans la vie quoitidienne, dans les études de recherches scientifiques et d’autres domaines, on
est souvent améné à resoudre des problèmes se ramenant à la résolution d’un système
d’équations linéaires de plus d’une inconnue à chercher. Pour pouvoir resoudre ces problèmes
ou trouver l’ensemble solution correspondant aux inconnues recherchées, plusieurs méthodes
ont été mis au point ; parmis lesquelles nous citons : la methode de Guass, les méthodes
ittératives, la méthode du gradiant conjugué et la méthodes de factorisation de Cholesky.
Cette dernière est celle dont nous aurons la tâche de vous présenter tout au long de notre
travail.

4
 1 RAPPELS ET ÉLÉMENTS DE BASE

1 RAPPELS ET ÉLÉMENTS DE BASE

Pour pouvoir manipuler et résoudre les systèmes d’équations linéaires à plusieurs inconnues, il
est nécessaire de maı̂triser quelques notions d’algèbre matricielle. Entre autres nous avons :

1.1 MATRICE
Les matrices sont des tableaux d’éléments (nombres, caractères) qui servent à interpréter en
termes calculatoires, et donc opérationnels, les résultats théoriques de l’algèbre linéaire et
même de l’algèbre bilinéaire.
Plus formellement et plus généralement, soient I, J et K trois ensembles (K sera souvent muni
d’une structure d’anneau ou même de corps commutatif).
On appelle matrice de type(I, J)à coefficients dansK, toute famille d’éléments deK indexée
par le produit cartésienI × J, c’est-à-dire toute application A deI × J dans K.Dans ce cas, on
dit que la matrice a m lignes et n colonnes, ou qu’elle est de dimension ou taille (m, n). En
notant ai,j l’image d’un couple (i, j) par l’application A, la matrice peut alors être notée
A = (ai,j )1≤i≤m,1≤j≤n
ou plus simplement (ai,j) si le contexte s’y prête.
Dans le cas particulier où I ou J est l’ensemble vide, la matrice correspondante est appelée la
matrice vide.Lorsque m=n alors elle est qualifiée de matrice carrée d’ordre n.

1.2 Transposée d’une matrice

la matrice transposée (ou la transposée) d’une matrice A ∈ Mm,n (K) est la matrice
AT ∈ Mn,m (K), AT ∈ Mn,m (K), également notée At , tA ou A′ , obtenue en échangeant les
lignes et les colonnes de A.Par exemple, si

 
1 3 5
A=
2 4 6

alors
 
1 2
AT = 3 4
5 6

1.3 Matrices symétrique

En algèbre linéaire et multilinéaire, une matrice symétrique est une matrice carrée qui est
égale à sa propre transposée, c’est-à-dire telle que ai,j=aj,i pour tous i et j compris entre 1 et
n, où les ai,j sont les coefficients de la matrice et n est son ordre. La diagonale est l’ensemble
des ai,j éléments de la matrice tels quei = j.

5
 1.4 Matrice triangulaire 1 RAPPELS ET ÉLÉMENTS DE BASE

1.4 Matrice triangulaire

En algèbre linéaire, une matrice triangulaire est une matrice carrée dont tous les coefficients
sont nuls d’un côté ou de l’autre de la diagonale principale. C’est en particulier le cas si la
matrice est diagonale. Une matrice est triangulaire stricte si elle est triangulaire et que tous
ses coefficients diagonaux sont nuls. Elle dite triangulaire supérieure si tous les éléments en
dessous de la diagonale sont tous nuls. Inversement, elle est qualifiée de triangulaire inférieure
si tous les éléments au dessus de la diagonale sont tous nuls. Comme exemple de matrice
triangulaire supérieure nous avons :
 
1 04 7 1
0 3 −6 4
 
0 0 2 0 
0 0 0 9

1.5 MATRICE POSITIVE OU DÉFINIE POSITIVE

1.5.1 Notations
Soit A une matrice à éléments réels, par la suite on notera :
— AT la matrice transposée de A
— A∗ la matrice transconjuguée de A (conjuguée de la transposée) ;
— Rle corps des nombres réels ;

1.5.2 Matrice symétrique réelle définie positive

Soit M une matrice symétrique réelle d’ordre n. Elle est dite définie positive si elle est positive
et inversible, autrement dit si elle vérifie l’une des quatre propriétés équivalentes suivantes :
— Pour toute matrice colonne non nulle X à n éléments réels, on a : XT M X > 0. Autrement
dit, la forme quadratique définie par M est strictement positive pour X ̸= 0.
— Toutes les valeurs propres de M sont strictement positives.
— La forme bilinéaire symétriqueRn × Rn → R, (x, y) 7→ xT M y est un produit scalaire
sur Rn .
— Il existe une matrice N ∈ Mn (R) N ∈ Mn (R) inversible telle que M = N T N M =
NT N.
Une matrice symétrique réelle est dite définie négative si son opposée (symétrique elle aussi)
est définie positive.

1.5.3 Algorithme de génération de matrices symetriques définies positives

1 function A = generer matrice symetrique positive (n)

2
3 %’ G e n e r a t i o n d \ ’ une m a t r i c e n ∗n d e f i n i e p o s i t i v e ’
4
5 i f ˜ e x i s t ( ’ n ’ , ’ var ’ )
6 n = i n p u t ( ’ Enter l a t a i l l e de l a m a t r i c e A ’);
7 end
8

6
 2 FACTORISATION DE CHOLESKY

9 A = rand ( n , n ) ; %’ g e n e r a t i o n d \ ’ une m a t r i c e a l é a t o i r e n x n’
10

11
12 A = 0 . 5 ∗ (A+A ’ ) ; % c o n s t r u c t i o n de l a m a t r i c e s y m e t r i q u e s u i v a n t l e c o l o n n e s
13
14 % p u i s q u e A( i , j ) < 1 par c o n s t r u c t i o n e t une m a t r i c e symé t r i q u e à dominante
diagonale
15 % e s t dé f i n i p o s i t i f symé t r i q u e , c e q u i peut ê t r e a s s u r é en a j o u t a n t nI ’
16
17 A = f l o o r ( (A + n∗ eye ( n ) ) . ∗ 1 0 0 ) ;
18 end

2 Factorisation de CHOLESKY
2.1 Concept et définition
La factorisation de Cholesky, nommée d’après André-Louis Cholesky, consiste, pour une
matrice symétrique définie positive A, à déterminer une matrice triangulaire inférieure L telle
que :A = L × LT . La matrice L est en quelque sorte une ≪ racine carrée ≫ de A. Cette
décomposition permet notamment de calculer la matrice inverse A−1 , de calculer le
déterminant de A (égal au carré du produit des éléments diagonaux de L)
Exemple La matrice symetrique A :

 
1 1 1 1
1 5 5 5
 
1 5 14 14
1 5 14 15

est égale au produit de la matrice triangulaire L :

 
1 0 0 0
1 2 0 0
 
1 2 3 0
1 2 3 1

avec à sa droite sa transposée LT

 
1 1 1 1
0 2 2 2
 
0 0 3 3
0 0 0 1

7
 2.2 Algorithme 2 FACTORISATION DE CHOLESKY

2.2 Algorithme
On cherche la matrice :
 
l11
 l21 l22 
L =  ..
 
.. .. 
 . . . 
ln1 ln2 · · · lnn
Pmin{i,j}
De l’égalité A = L × LT on déduit : aij = LLT ij = nk=1 lik ljk = k=1

P
lik ljk , 1 ≤ i, j ≤ n
puisque lpq = 0 si 1 ≤ p < q ≤ n.
La matriceA étant symétrique, il suffit que les relations ci-dessus soient vérifiées pour i ≤ j,
Pi c’est-à-dire que les éléments lij de la matrice L doivent satisfaire :
aij = k=1 lik ljk , 1 ≤ i ≤ j ≤ n Pour i = 1, on détermine la première colonne de L :
√ a1j
a11 = l11 l11 d’oùl11 = a11 a1j = l11 lj1 d’oùlj1 = l11 , 2 ≤ j ≤ n. On détermine la i-ème
colonne deL2 ≤ i ≤ n, après avoir q calculé les (i–1) premières colonnes :
Pi−1 2
aii = li1 li1 + . . . + lii lii d’où lii = aii − k=1 lik aij = li1 lj1 + . . . + lii lji d’où
a − i−1 l l
P Pi−1
a − l l
lji = ji k=1
lii
ik jk
, i + 1 ≤ j ≤ nlji = ji k=1 lii
ik jk
, i + 1 ≤ j ≤ n Il résulte qu’il est
possible de choisir tous les éléments lii Pstrictements en assurant que toutes les quantités
a11 , . . . , aii − i−1 l
k=1 ik
2
, . . . sont positives.

2.3 Algorithme

1 Algorithme 5 Algorithme de f a c t o r i s a t i o n de Cholesky

2 Entr é e s : l e t a b l e a u c o n t e n a n t l a m a t r i c e A.
3 S o r t i e s : l e tableau contenant l a matrice B
4 pour k = 1 à n−1 f a i r e
5 s i A( k , k ) \ l e q 0 a l o r s
6 E r r e u r : P i v o t n u l ou né g a t i f
7 Arr ê t
8 sinon
9 A( k , k ) = s q r t (A( k , k ) )
10 pour l = k + 1 à n f a i r e
11 A( l , k ) = A( l , k ) /A( k , k )
12 finpour
13 pour j = k + 1 à n f a i r e
14 pour m = j à n f a i r e
15 A(m, j ) = A(m, j )−A(m, k ) ∗A( j , k )
16 finpour
17 finpour
18 finsi
19 finpour
20 A( n , n ) = s q r t (A( n , n ) )

8
 2.4 Complexité 2 FACTORISATION DE CHOLESKY

2.4 Complexité
3
Pour
Pn cet algorithme onn3a un coup de O(n ) en effet on a n3 −n 3
Pn1
k=2 ((k − 1) + i=k+1 1) + 2n − 2 ≈ 6 multiplication et divisions ainsi on a 6
≈ n6
La symétrie qui est en soit une forme de structure permet d’ores et déjà d’obtenir une
factorisation plus rapide.

2.5 Programme MATLAB de la Factorisation

1 f u n c t i o n B = c h o l e s k y f a c t o r i s a t i o n (A)
2 %// f a c t o r i s a t i o n de Cholesky
3 %// −−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
4 n=l e n g t h (A)
5 B=z e r o s ( n , n ) ;
6 %// −−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
7 B( 1 , 1 )=s q r t (A( 1 , 1 ) ) ;
8 f o r i =1:n−1
9 f o r k=1:n−i
10 B( i+k , i ) =(A( i+k , i )−sum (B( i+k , 1 : i −1) . ∗B( i , 1 : i −1) ) ) /B( i , i ) ;
11 end
12 B( i +1, i +1)=s q r t (A( i +1, i +1)−sum (B( i +1 ,1: i ) . ˆ 2 ) ) ;
13
14

15 %// a f f i c h a g e de l a m a t r i c e t r i a n g u l a i r e i n f é r i e u r e B
16 disp ( ’ matrice B : ’ ) ;
17 d i s p (B) ;
18
19 %// vé r i f i c a t i o n que l e p r o d u i t B∗B ’ redonne A
20 disp ( ’ matrice A : ’ ) ;
21 C=B∗B ’ ;
22 d i s p (C) ;

2.6 Exemple d’exécution du programme

Une exécution du programme ci dessus avec notre matrice A nous donne l’image ci dessous

9
2.6 Exemple d’exécution du programme 2 FACTORISATION DE CHOLESKY

Figure 1 – Exécution de l’algorithme de factorisation.

10
 3 MÉTHODE DE RÉSOLUTION DE CHOLESKY

3 MÉTHODE DE RÉSOLUTION DE CHOLESKY

3.1 Principe
En général, un système de m équations linéaires à n inconnues peut être écrit sous la forme
suivante :

a1,1 x1 + a1,2 x2 + · · · + a1,n xn = b1




 a2,1 x1 + a2,2 x2 +.· · · + a2,n xn = b2



..

 ..


 .
am,1 x1 + am,2 x2 + · · · + am,n xn = bm


Où x1 , . . . , xn sont les inconnues et les nombres ai,j sont les coefficients du système.
Un système d’équations linéaires peut aussi s’écrire sous la forme matricielle : A × X = b
avec :
     
a1,1 a1,2 · · · a1,n x1 b1
 a2,1 a2,2 · · · a2,n   x2   b2 
A =  .. ..  ; X =  ..  et b =  .. 
     
.. ..
 . . . .   .   . 
am,1 am,2 · · · am,n xn bm

Lorsque A une matrice carrée définie positive, alors le systèmes d’équations peut être
résolution en utlisant la factorisation de CHOLESKY.  On factorise A en A = LLT , le système
L × y = b (1),
A × X = b devient LLT × X = b ⇔
LT × X = y (2).
On résout le système (1)pour trouver le vecteur y, puis le système (2)pour trouver le vecteur .
La résolution est facilitée par la forme triangulaire des matrices.
L’algorithme de résolution d’un système symétrique défini positif comporte les étapes décrites
ci-dessous :
• Factorisation de Cholesky : A = LLT
• Résolution du système triangulaire Ly = b (descente),
• Résolution du système triangulaire LT X = y (remontée).

3.2 Résolution des systèmes linéaire de formes triangulaire

Si A est une matrice triangulaire supérieure, et si aucun élément diagonal n’est nul, la
solution du système A × X = b est :

bn
 xn =
 an,n
,
⇔
 x = bi − nj=i+1 ai,j ×xj .
P

i 2

11
 3.3 Le programme matlab correspondant
3 MÉTHODE DE RÉSOLUTION DE CHOLESKY

Si A est une matrice triangulaire inférieure, et si aucun élément diagonal n’est nul, la solution
du système A × X = b est :
 b1
 x1 =
 a1,1
,
⇔
bi − i−1
P
j=1 ai,j ×xj

xi =

2

3.3 Le programme matlab correspondant

1
2 % // f o n c t i o n de r é s o l u t i o n d e s s y s t è mes d ’ é q u a t i o n avec l e s m a t r i c e s
3 %// t r i a n g u l a i r e s i n f e r i e u r e s
4 f u n c t i o n X = T r i a n g l e I n f (A, b )
5 n = l e n g t h (A) ;
6 X=b ;
7 X( 1 ) = b ( 1 ) . /A( 1 , 1 ) ;
8 f o r i =2: n
9 X( i ) = ( b ( i )−A( i , 1 : i −1)∗X( 1 : i −1) ) . /A( i , i ) ;
10 end
11 end
12
13
14 %// f o n c t i o n de r é s o l u t i o n d e s s y s t è mes d ’ é q u a t i o n avec l e s m a t r i c e s
t r i a n g u l a i r e s sup é r i e u r e s
15 f u n c t i o n X = T r i a n g l e S u p (A, b )
16 n = l e n g t h (A) ;
17 X=b ;
18 X( n ) = b ( n ) . /A( n , n ) ;
19 f o r i=n−1: −1:1
20 X( i ) =(b ( i )−A( i , i +1:n ) ∗X( i +1:n ) ) . /A( i , i ) ;
21 end
22 end

Programme Matlab de resolution des systèmes triangulaires inferieurs et supperieurs.

3.4 Programme Matlab de resolution final

Le programme Matlab obtenu aprèes combinaison des programmes précédents est :

1 f u n c t i o n [X] = s o l v e w i t h c h o l e s k y (A, b )
2 j = i s s y m e t r i q u e (A) ;
3 i f ( j ˜=0)
4 Disp ( ”La m a t r i c e n ’ e s t pas s y s m e t r i q u e ” )
5 return ;
6 end
7
8

9 L = c h o l e s k y f a c t o r i z a t i o n (A)
10 y = T r i a n g l e I n f (A, b ) ; y=y ’
11 X=T r i a n g l e S u p (L ’ , y ’ ) ; X=X ’

12
 3.4 Programme Matlab de resolution final
3 MÉTHODE DE RÉSOLUTION DE CHOLESKY

12
13 return ;
14 end
15
16 function [B] = c h o l e s k y f a c t o r i z a t i o n (A)
17
18 % f a c t o r i s a t i o n de Cholesky
19 % −−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
20 n=l e n g t h (A) ;
21 %A=o n e s ( n , n )+eye ( n , n ) ;
22 B=z e r o s ( n , n ) ;
23 % −−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
24 B( 1 , 1 )=s q r t (A( 1 , 1 ) ) ;
25 f o r i =1:n−1
26 f o r k=1:n−i
27 B( i+k , i ) =(A( i+k , i )−sum (B( i+k , 1 : i −1) . ∗B( i , 1 : i −1) ) ) /B( i , i ) ;
28 end
29 B( i +1, i +1)=s q r t (A( i +1, i +1)−sum (B( i +1 ,1: i ) . ˆ 2 ) ) ;
30 end
31 % a f f i c h a g e de l a m a t r i c e t r i a n g u l a i r e i n f é r i e u r e B
32 % disp ( ’ matrice B : ’ ) ;
33 % d i s p (B) ;
34 % vé r i f i c a t i o n que l e p r o d u i t B∗B ’ redonne A
35 disp ( ’ matrice A : ’ ) ;
36 C=B∗B ’ ;
37 d i s p (C) ;
38 end
39
40 f u n c t i o n X = T r i a n g l e I n f (A, b )
41 n = l e n g t h (A) ;
42 X=b ;
43 X( 1 ) = b ( 1 ) . /A( 1 , 1 ) ;
44 f o r i =2: n
45 X( i ) = ( b ( i )−sum (A( i , 1 : i −1) . ∗X( 1 : i −1) ) ) . /A( i , i ) ;
46 end
47 end
48
49

50 %// f o n c t i o n de r é s o l u t i o n d e s s y s t è mes d ’ é q u a t i o n avec l e s m a t r i c e s

t r i a n g u l a i r e s sup é r i e u r e s
51 f u n c t i o n X = T r i a n g l e S u p (A, b )
52 n = l e n g t h (A) ;
53 X=b ;
54 X( n ) = b ( n ) . /A( n , n ) ;
55 f o r i=n−1: −1:1
56 X( i ) =(b ( i )−sum (A( i , i +1:n ) . ∗ X( i +1:n ) ) ) . /A( i , i ) ;
57 end
58 end
59
60 f u n c t i o n h = i s s y m e t r i q u e (A)
61 j = i s m a t r i c e c a r r e e (A) ;
62 i f j == 0
63 d i s p ( ”La m a t r i c e n ’ e s t pas c a r r e e ” )
64 return ;

13
 3.5 Exemple d’exécution du programme
3 deMresolution
ÉTHODEfinale
DE RÉSOLUTION DE CHOLESKY

65 end
66 h=1;
67 f o r i =1: l e n g h t (A)
68 f o r j =1: l e n g t h (A( i ) )
69 i f A( i , j )˜=A( j , i )
70 h=0;
71 end
72 end
73 end
74 end
75
76
77
78

79
80 f u n c t i o n hv = i s m a t r i c e c a r r e e (A)
81 h=1;
82 v=s i z e (A) ;
83 i f v ( 1 ) ˜= v ( 2 )
84 h=0;
85 end
86 end

3.5 Exemple d’exécution du programme de resolution finale

Une exécution du programme ci dessus avec notre matrice A nous donne l’image ci dessous

14
3.5 Exemple d’exécution du programme
3 deMresolution
ÉTHODEfinale
DE RÉSOLUTION DE CHOLESKY

Figure 2 – Exécution de l’algorithme de résolution.

15
 5 COMPARAISON DE LA MÉTHODE DE CHOLESKY AVEC LES AUTRES
MÉTHODES DE RÉSOLUTION
4 Complexité de la méthode de Cholesky
En comptant la complexité de la factorisation et celle de la resolution des deux systèms
3
triangulare qui est de O(n2 ), nous obtenons une complexité de l’ordre de O( n6 ).
L’algorithme a ainsi une complexité polynomiale cubique, ce qui permet de resoudre des
systèmes avec plusieurs milliers d’inconnues. De plus, si on resout plusieurs systèmes avec la
même matrice et des seconds membres différents, on n’effectue la factorisation qu’une fois. On
a donc une complexité cubique pour le premier système puis quadratique pour les systèmes
suivants.

5 Comparaison de la méthode de Cholesky avec les

autres méthodes de résolution
5.1 Nuances avec la méthode d’élimination de GAUSS
Le premier avantage de la méthode de Gauss sur la méthode de Cholesky est sur le type de
matrice utilisé. Toute matrice carrée est utilisable avec la méthode Gauss alors que seule les
matrice symetriques définies positives peuvent être utilisées avec la methode de Cholesky. Au
nieau de la complexité, la mathode de Cholesky est préferable car la méthode de Gauss a
3
O( n3 ) comme complexité.

5.2 Nuances avec la methode gradient conjugué

Le premier point remarquable ici est que les deux méthodes utilisent des matrices symétrique
défines positives. Mais a méthode la plus rapide et celle qui qui utlise moi de ressources est la
celle de gradient conjugué car sa complexité est O(n). En termes d’implementatoin, la
methode de Cholesky est plus facile à comprendre et à implementer.

5.3 Nuances avec les methodes directes et itteratives

La complexité d’une itération est d’environ 2n2 . Si l’on fait au moins n itérations, on a donc
une complexité totale de 2n3 , à comparer aux n3 6
de la méthode de Cholesky.

5.4 Les méthodes

Les méthodes directes sont les méthodes basées sur l’élimination de Gauss ou celle de la
factorisation de Cholesky. Leur complexité est autour de n3 .

Remarque : Pour résoudre un système linéaire, on préferera les méthodes directes dans le
cas des matrices pleines, et les méthodes itératives dans le cas des matrices creuses.

16
 5 COMPARAISON DE LA MÉTHODE DE CHOLESKY AVEC LES AUTRES
5.4 Les méthodes MÉTHODES DE RÉSOLUTION

CONCLUSION
Parvenu au terme de notre travail, il etait question pour nous de vous présenter de la plus
simple des manière la méthode de résolution des systèmes d’équations linéaires à plusieurs
inconnues. Il en ressort que toute la méthode repose sur factorisation de Cholesky qui
utilise une matrice carrée A définie positive et la transforme A = LLT avec L matrice
triangulaire inférieure.

17
 6 REFÉRENCES

6 Reférences
• Parallel Programming for Multicore and Cluster Systems de Thomas Rauber et Gu-
dula Rünger

• https ://fr.wikipedia.org/wiki/Factorisationd eCholesky

• https ://www.gerad.ca/Sebastien.Le.Digabel/MTH1007 12m atricess ymetriquesd efp ositives.pdf

18