Académique Documents
Professionnel Documents
Culture Documents
i =n
kAk1 = max
1≤j ≤n
∑ |aij |
i =1
!1/2
kAk2 = ∑ |aij | 2
ij
q
= ρ (A> A )
kAx k
A −→ kAk = sup
x 6 =0 kx k
définit une norme matricielle dite norme induite par (ou subordonnée
à ) la norme vectorielle k.k.
6 Les normes vectorielles k.k1 , k.k∞ et k.k2 induisent, respectivement,
les normes matricielles suivantes
q
kAk1 = max ∑ |aij |, kAk∞ = max ∑ |aij |, kAk2 = $(A> A).
j i
i j
1
(I + B ) est inversible si kB k < 1 et de plus
(I + B )−1
≤
7
1 − kB k
4 / 26
2. Méthodes classiques(Jacobi, Gauss Seidel, Relaxation)
x (k +1) = Tx (k ) + C (2.2)
T = M −1 N et C = M −1 b
5 / 26
Dans le cadre de ce cours on se limitera aux cas les plus utilisés à partir
de :
A = D −L−U
Méthode de Jacobi : M = D, N = L + U.
Méthode de Gauss-Seidel : M = D − L, N = U.
Méthode de relaxation : A = A(ω ) = M (ω ) − N (ω ),
avec
1
M (ω ) = D − L,
ω
1−ω
N (ω ) = D −U
ω
où ω est un scalaire.
6 / 26
2.1 Généralités et définitions
Définition
Une méthode de type (2.2) est dite convergente si pour toute valeur
initiale x (0) on a lim x (n) = x.
n→+∞
Si une telle limite x existe alors elle vérifie Tx + C = x.
Définition
On appelle erreur de la méthode ( à la k eme itération ) la quantité
e (k ) = x (k ) − x avec e (0) = x (0) − x.
On obtient e (k ) = T k e (0) pour tout k.
La méthode est convergente si lim T k = 0.
k →∞
Définition
Une matrice carrée B est dite convergente si lim B k = 0.
k →+∞
7 / 26
Théorème
Soit A une matrice carrée. Les assertions suivantes sont équivalentes :
i) lim Ak = 0.
k →+∞
ii) lim Ak v = 0 pour tout v .
k →+∞
iii) ρ(A) < 1.
iv) kAk < 1, pour au moins une norme matricielle induite.
Théorème
Soit A une matrice carrée et k.k une norme quelconque, alors
1/k
lim
Ak
= ρ (A).
k →+∞
8 / 26
Remarque
L’étude des méthodes itératives consiste à étudier les deux problèmes
suivants :
1 Etant donné une méthode itérative de matrice T , déterminer si la
méthode converge, ie si ρ(T ) < 1 ou s’il existe une norme telle que
kT k < 1.
2 Etant donné deux méthodes itératives convergentes de matrices T et
Te , la méthode la plus rapide est celle ayant le plus petit rayon
spectral.
9 / 26
2.2 Méthode de Jacobi :
Si A = (aij ) la méthode de Jacobi consiste à choisir ; M = D = diag (aii )
et N = L + U = (−aij )i,6=j le schéma itératif est comme suit :
x(k +1) = D −1 (L + U )x(k ) + D −1 b =TJ x(k ) + c
La matrice TJ = D −1 (L + U ) est dite matrice de Jacobi associée à A
Si x(0) est le vecteur initial donné, l’algorithme de Jacobi est de la forme :
j =n
1 bi
∑
(k +1) (k )
xi =− aij xj + ; i = 1, · · · ., n
aii j =1,j 6=i
aii
Explicitement, on obtient :
(k +1) (k ) (k )
a11 x1
= −a12 x2 − · · · − a1n xn + b1
.. .. ..
. . .
a x (k +1) = − a x (k ) − · · · − a
(k )
nn n n1 1 nn−1 xn−1 + bn
Remarque
On montre un résultat analogue avec preuve similaire si A est strictement
dominante en colonnes.
11 / 26
2.3 Méthode de Gauss-Seidel :
Pour cette méthode, les matrices M et N sont données par : M = D − L
(supposé inversible) et N = U où D, L et U proviennent de l’écriture
A = D − L − U, le schéma itératif est comme suit :
(D − L)x (k +1) = Ux (k ) + b (2.3)
ou encore
x (k +1) = (D − L)−1 Ux (k ) + (D − L)−1 b (2.4)
en explicitant (2.3) on obtient :
(k +1) (k ) (k )
a11 x1 = −a12 x2 − · · · − a1n xn + b1
(k +1) (k +1) (k ) (k )
a22 x2 = −a21 x1 − a23 x3 − · · · − a2n xn + b2
.. .. ..
. . .
(k +1) (k +1) (k +1) (k ) (k )
aii xi = −ai1 x1 · · · − aii −1 xi −1 − aii +1 xi +1− · · · − ain xn + bi
.. .. ..
. . .
(k +1) (k +1) (k +1)
= −an1 x1 − · · · − ann−1 xn−1 + bn
ann xn
12 / 26
La matrice TGS = (D − L)−1 U est dite matrice de Gauss-Seidel associée à
A
Théorème
Si A est une matrice carrée à diagonale strictement dominante en lignes
alors la méthode de Gauss-Seidel converge
Preuve :
kT xk ∞
kT k∞ = max
x6 =0 kxk ∞
13 / 26
k −1
On a yk = ∑jj = −1 j =n −1
=1 (D L)kj yj + ∑j =k +1 (D U )kj xj d’où
j =k −1 j =n
|akj | |akj |
| yk | ≤ ∑ |akk |
ky k ∞ + ∑ kxk ∞
j =k +1 | kk |
j =1 a
et : !
j =k −1 j =n
|akj | ky k ∞ |akj |
1− ∑ |akk |
≤ ∑
kxk∞ j =k +1 |akk |
j =1
soit enfin :
|akj |
j =n
∑ j =k +1
kTxk∞ ky k ∞ |akk |
= ≤ < 1, ∀x 6= 0
kxk ∞ kxk ∞ j =k −1 |akj |
1 − ∑ j =1
|akk |
kT xk ∞
=⇒ kT k∞ = max <1
x6 =0 kxk ∞
Donc la méthode Gauss-Seidel converge
14 / 26
2.4 Méthode de relaxation
Si on considère des matrices M et N dépendantes d’un paramètre ω on
obtient : A = M (ω ) − N (ω )
1 1−ω
avec M (ω ) = D − L et N (ω ) = D +U
ω −1 ω −1
1−ω
1 1
T (ω ) = D −L D +U et c (ω ) = D −L b
ω ω ω
T (ω ) = (I − ωD −1 L )−1 ((1 − ω )I + ωD −1 U )
Remarques
Si ω = 1, on retrouve la méthode de Gauss-Seidel.
Si ω > 1, on parle de sur-relaxation.
Si ω < 1, on parle de sous-relaxation.
Théorème
Condition nécessaire de convergence de la méthode de relaxation :
0<ω<2
15 / 26
Preuve :
−1
1−ω
1
T (ω ) = D −L D +U
ω ω
Si les valeurs propres de T (ω ) sont notées λi (ω ) on a :
1−ω
n det D +U
ω
det(T (ω )) = ∏ λi (ω ) = = (1 − ω )n .
i =1
1
det D −L
ω
16 / 26
3. Exercices
Exercice (1)
On considère le système linéaire Ax = b, où A et b sont définis de la façon
suivante :
1 2(1 − β ) 0 1
A= 1 2 0 , b= 0
0 0 1 1
Exercice (1)
1On sait que si A est une matrice à diagonale dominante stricte par
ligne, alors les méthodes de Gauss-Seidel et de Jacobi sont
convergentes. On voit bien que cette condition est satisfaite par la
deuxième et la troisième ligne de la matrice A .
1 3
Il suffit alors que : |2(1 − β)| < 1 ⇐⇒ < β <
2 2
2 Matrice d’itération de la méthode de Jacobi : On a A = D − L − U
avec
1 0 0 0 0 0 0 2(1 − β ) 0
D = 0 2 0 ,L = − 1 0 0 ,U = − 0 0 0
0 0 1 0 0 0 0 0 0
18 / 26
Exercice (Suite)
1 0 0 0 −2 + 2 β 0
D −1 =
0 1/2 0 , L + U −1 0 0
0 0 1 0 0 0
0 2( β − 1) 0
⇒ BJ = D −1 (L + U ) = −1/2 0 0
0 0 0
p p
dont les valeurs propres sont λ1 = 0, λ2 = − |1 − β|, λ3 = |1 − β|
q
=⇒ ρ(BJ ) = |1 − β|
19 / 26
Exercice (Suite)
3 Matrice d’itération de la méthode de Gauss-Seidel :
1 0 0 1 0 0
− 1
D −L = 1 2 0 , (D − L) = −1/2 1/2 0
0 0 1 0 0 1
0 2( β − 1) 0
BGS = (D − L ) −1 U = 0 1−β 0
0 0 0
dont les valeurs propres sont λ1 = λ2 = 0, λ3 = 1 − β
=⇒ ρ(BGS ) = 1 − β
donc la méthode converge si et seulement si
1
2 Soit 0 < ω < 2. Montrer que ( Id − E ) est inversible si et
√ ω
2
seulement si ω 6=
2 √
2
3 Pour 0 < ω < 2, ω 6 = , on considère la méthode itérative (pour
2
trouver la solution de Ax = b ) suivante :
1−ω
1 n +1
Id − E x = F+ Id x n + b
ω ω
21 / 26
Exercice (Suite)
Montrer que les valeurs propres de la matrice d’itération
−1
1−ω
1
Lω = Id − E F+ Id
ω ω
en fonction de ω , sont
1−ω 1−ω
λ1 = 1 − ω, λ2 = √ , λ3 = √ .
1+ω 2 1−ω 2
√
4 spectral est ρ(Lω ) = |λ3 | si ω <
Montrer que le rayon √ 2 et
ρ(Lω ) = |λ1 | si ω ≥ 2
5 Pour quelles valeurs de ω la méthode est-elle convergente ?
22 / 26
Corrigé
Exercice (2)
1 On a det(A) = −1 6= 0 donc A est inversible.
2 Soit0 < ω < 2. On a
1 1 1
√
det Id − E = − 2 6 = 0 ⇔ ω 6 = 2/2.
ω ω ω2 √
1 2
Donc Id − E est inversible si et seulement si ω 6=
ω 2
√
2
3 Pour 0 < ω < 2, ω 6= , on a
2
−1 !
1−ω
1
det(Lω − λId ) = det Id − E F+ Id − λId
ω ω
1−ω
1
= det F+ Id − λ Id − E
ω ω
23 / 26
Exercice (Suite)
1 h √
det (Lω − λId ) = (( 1 − ω ) − λ ) ( 1 − ω ) − λ ( 1 + ω 2)
ω3 √ i
(1 − ω ) − λ (1 − ω 2)
1−ω 1−ω
=⇒ λ1 = 1 − ω, λ2 = √ , λ3 = √ .
1+ω 2 1−ω 2
4 On a ρ(Lω ) = max(|λ1 |, |λ2 |, |λ3 |)
25 / 26
Exercice (Suite)
√
b) Si ω ∈]1,√ 2[=⇒ 1 √ − ω ≤ 0 =⇒ |1 − ω√| = ω −√ 1
−1 ≤ 1 − ω 2 ≤ 1 − 2 ≤ 0 =⇒ |1 − ω 2| = ω 2 − 1
ω−1 √
=⇒ ρ(Lω ) = √ < 1 puisque ω < ω 2
ω 2−1
2
D’où la méthode est convergente si √ <ω
1+ 2
√ √
ii ) Si ω ∈] 2, 2], ρ(Lω ) = |1 − ω | = ω − 1√< 1; ∀ω ∈] 2, 2]
D’où la méthode est convergente ∀ω ∈] 2, 2]
2
D’où la méthode converge si et seulement si ω ∈ √ ,2
1+ 2
26 / 26