Résolution des équations non linéaires

Chapitre II
Résolution des équations
non linéaires

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 11

 Résolution des équations non linéaires

1. Introduction
Il est possible de résoudre analytiquement des équations du second, troisième voire
quatrième ordre, avec des difficultés relativement différentes. Cependant, il n'existe pas
de formule permettant de trouver les racines des polynômes de degré plus grand ou égal
à 5. II faudra donc recourir aux méthodes numériques. Dans ce qui suit, nous présentons
plusieurs techniques de résolution, notamment : la méthode de la bissection (appelée
aussi méthode de dichotomie), méthodes des points fixes (ou encore méthode des
approximations successives) et méthode de Newton.

2. Méthode de la bissection
D’une manière générale une équation non linéaire peut être écrite sous la forme :
𝐹 (𝑥 ) = 0 (2.1)

Une valeur de 𝑥 solution de 𝑓(𝑥) = 0 est appelée une racine ou un zéro de la fonction
𝑓(𝑥) et elle est notée « r ».
Si la fonction 𝑓(𝑥) est continue, elle change de signe et passe du positif au négatif
ou vice versa, de part et d'autre de la solution de l'équation 2.1 (Figure 2.1).

Supposons qu'il y ait effectivement un changement de signe autour d'une racine 𝑟 de

𝑓(𝑥). Soit [x1, x2], un intervalle ayant un changement de signe, c'est-à-dire:
𝑓(𝑥1 ) ∙ 𝑓(𝑥2 ) < 0 (2.2)

On pose alors:
𝑥1 +𝑥2
𝑥𝑚 = (2.3)
2

qui est le point milieu de l'intervalle. II suffit alors de déterminer, entre les intervalles
[x1, xm] et [xm, x2], celui qui possède un changement de signe.

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 12

 Résolution des équations non linéaires

Figure 2 .1: Méthode de la bissection: 𝑓 (𝑥 ) = 𝑒 −𝑥 − 𝑥

La racine se trouvera dans cet intervalle. Reprendre cette procédure pour chaque
intervalle où f(x) change de signe nous amène à l'algorithme suivant :
Algorithme de la bissection
1- Déterminer un intervalle initial [x1, x2] pour lequel f(x) possède un
changement de signe.

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 13

 Résolution des équations non linéaires

2- Poser un critère d'arrêt, c’est-à-dire une erreur minimale ε et/ou un

nombre d'itérations maximal N.
𝑥1 +𝑥2
3- Poser: 𝑥𝑚 = 2
|𝑥2 −𝑥1 |
4- Si < ε , alors:
2|𝑥𝑚 |

-La convergence est atteinte

-Ecrire la racine 𝑥𝑚
-écrire 𝑓(𝑥𝑚 )
-arrêt
5- Si 𝑓(𝑥1 ) ∙ 𝑓(𝑥𝑚 ) < 0 alors 𝑥2 = 𝑥𝑚
6- Si 𝑓(𝑥𝑚 ) ∙ 𝑓(𝑥1 ) < 0 alors 𝑥1 = 𝑥𝑚
7- Si le nombre maximal d'itérations N est atteint, donc :
-La convergence n’est pas atteinte en N itérations
-Arrêt
8- Retour à l'étape 3

|𝑥2 −𝑥1 |
L’expression de l'étape 3 de l'algorithme( ) represente une approximation de
2|𝑥𝑚 |

l'erreur relative. D’autre part, l’erreur absolue s’exprime comme suit :

𝑥2 −𝑥1
(2.4)
2

Le terme (½) dans l’expression (2.4) est dû au fait que la racine recherchée est soit dans
l'intervalle [x1, xm] ou dans l'intervalle [xm, x2], qui sont tous deux de longueur: ½ (x1,
x2).

Exemple :
La fonction 𝑓 (𝑥 ) = 𝑥 3 + 𝑥² − 3𝑥 − 3 possède un zéro dans l'intervalle [1, 2]. En
effet:
𝑓 (1) ∙ 𝑓 (2) = −12 < 0

On a alors xm = 1.5 et xm = 2. L'intervalle [1.5 , 2] possède encore un changement de

signe, ce qui n'est pas le cas pour l'intervalle [1, 1.5]. Le nouvel intervalle de travail est
donc [1.5, 2], dont le point milieu est xm = 1.75. Le tableau suivant résume les résultats :

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 14

 Résolution des équations non linéaires

x1 x2 xm f(x1) f(x2) f(xm) Erreur

absolue
1,0 2,0 1,5 -4,0 3,0 -1,875 0,5
1,5 2,0 1,75 -1,875 3,0 +0.17187 0,25
1,5 1,75 1,625 -1,875 0,17187 -0,94335 0,1253
1,625 1,75 1,6875 -0,94335 0,17187 -0.40942 0,0625
1,6875 1,75 1,71875 -0,40942 0,17187 -0.12478 0,03125

2.1.Nombre d’itérations requises pour une précision donnée :

Soit L = x1 - x2, la longueur de l'intervalle initial. Après une itération, le nouvel
intervalle est de longueur L/2 et après n itérations, la longueur de l'intervalle contenant
la racine devient:
𝐿/2𝑛 (2.5)

Ainsi, pour obtenir un résultat dont l’erreur absolue est inferieure ou égale à un critère
de précision donné (ε), la longueur de l’intervalle à l’itération n (expression (2.5)) doit
vérifier la condition suivante :
𝐿/2𝑛 < 𝜀 (2.6)

On obtient donc :
𝐿
ln( )
𝑛> ∆𝑟
(2.7)
ln 2

La méthode de la bissection est très lente mais la convergence est assurée du

moment qu’on prend à chaque itération un intervalle fermé avec un changement de
signe de la fonction f(x). Contrairement aux méthodes fermées, les méthodes ouvertes
(méthode des points fixes, méthode de Newton,…) ne garantissent nullement la
convergence, mais elles possèdent l’avantage d’être relativement plus rapides que la
méthode de la bissection.

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 15

 Résolution des équations non linéaires

3. Méthode des points fixes

Le point fixe d'une fonction g(x) est une valeur de x qui reste invariante pour cette
fonction, c'est-à-dire toute solution de x=g (x) est un point fixe de la fonction g(x). La
suite numérique suivante permet de déterminer les points fixes de g(x) :
𝑥 𝑑𝑜𝑛𝑛é
{ 0 (2.8)
𝑥𝑛+1 = 𝑔(𝑥𝑛 )

Il en résulte l'algorithme suivant :

Algorithme de la méthode des points fixes

1- Poser un critère d'arrêt, c’est-à-dire une erreur minimale ε et/ou un nombre
d'itérations maximal N.
2- Suggérer une valeur initiale x0
3- Effectuer 𝑥𝑛+1 = 𝑔(𝑥𝑛 )
|𝑥𝑛+1 − 𝑥𝑛 |
4- Si |𝑥𝑛+1 |
<𝜀 :

-La convergence est atteinte

-Ecrire la racine xn+1
-Ecrire f(xn+1)
-Arrêt
5- Si le nombre maximal d'itérations N est atteint alors :
-La convergence n’est pas atteinte en N itérations
-Arrêt
6- Retour à l'étape 3

|𝑥𝑛+1 − 𝑥𝑛 |
Dans l'algorithme ci-dessus exposé, l’expression |𝑥𝑛+1 |
représente une

approximation de l'erreur relative. L’erreur absolue s’exprime par :

∆𝑟 = |𝑥𝑛+1 − 𝑥𝑛 | (2.9)

Exemple :
Soit l’équation 𝐹 (𝑥 ) = 2𝑥 3 − 𝑥 − 2 = 0
D’après le théorème du point fixe, la suite

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 16

 Résolution des équations non linéaires

𝑥0 ∈ [1,2]
{
𝑥𝑛+1 = 𝑔3 (𝑥𝑛 )

converge vers l’unique racine 𝑥 ∈ [1,2] de l’équation 𝑥 = 𝑔3 (𝑥).

Le calcul numérique de cette racine à 10-3 prés, à partir de x0 = 1 donne :
N 0 1 2 3 4
xn 1 1,144 1,162 1,165 0,165

Donc x = 1,165 est la solution de l’équation à 10-3 prés.

Il y a plusieurs façons de transformer une équation de la forme f (x) = 0 en un

problème équivalent de la forme x= g(x). Certaines formes conduisent à des
algorithmes convergents et d'autres pas.

3.1.Convergence de la méthode des points fixes

Soit r un point fixe de la fonction g(x), c'est-à-dire qui vérifie 𝑓(𝑟) = 0 et 𝑟 = 𝑔(𝑟).
L’erreur s’écrit aux étapes n et n+1, respectivement, comme suit :
𝑒𝑛 = 𝑥𝑛 − 𝑟 (2.10)
𝑒𝑛+1 = 𝑥𝑛+1 − 𝑟 = 𝑔(𝑥𝑛 ) − 𝑔(𝑟) (2.11)

Il ressort des expressions (2.10) et (2.11) que:

𝑥𝑛 = 𝑟 + (𝑥𝑛 − 𝑟) = 𝑟 + 𝑒𝑛 (2.12)

L’application du développement de Taylor à la fonction g(x) autour de la racine r

conduit à :
𝑒𝑛+1 = 𝑔(𝑟 + 𝑒𝑛 ) − 𝑔(𝑟)
𝑔′′ (𝑟)𝑒𝑛2 𝑔′′′ (𝑟)𝑒𝑛 3
= (𝑔 (𝑟) + 𝑔′(𝑟)𝑒𝑛 + + + ⋯)
2! 3!

−𝑔(𝑟) (2.13)

Et par conséquent :
𝑔′′ (𝑟)𝑒𝑛 2 𝑔′′′ (𝑟)𝑒𝑛 3
𝑒𝑛+1 = 𝑔′ (𝑟)𝑒𝑛 + + +⋯ (2.14)
2! 3!

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 17

 Résolution des équations non linéaires

La relation (2.14) fait apparaitre qu’au voisinage de la racine r, le premier terme non nul
de l'expression de droite sera déterminant pour la convergence. Si 𝑔′(𝑟) ≠ 0 et si on
néglige les termes d'ordre supérieur ou égal à 2, on a:
𝑒𝑛+1 ≃ 𝑔′(𝑟)𝑒𝑛 (2.15)

On voit que l'erreur à l'étape (n+1) est directement proportionnelle à l'erreur à l'étape n.
L'erreur ne pourra donc diminuer que si:
|𝑔′(𝑟)| < 1 (2.16)

La condition (2.16) est une condition nécessaire de convergence de la méthode des

points fixes.

3.2.Bassin d’attraction
La convergence de la méthode des points fixes dépend également du choix de la
solution initiale x0. Un mauvais choix de cette dernière peut donner un algorithme
divergent même si la condition (2.16) est satisfaite. On définit donc le bassin
d'attraction qui représente l'ensemble des valeurs initiales x 0 pour lesquelles la méthode
des points fixes converge.
Soit g(x), une fonction continue dans l'intervalle I = [a, b] et telle que g(x)ϵI pour
tout x dans I. Si de plus g'(x) existe et si:
𝑔′(𝑥) ≤ 𝑘 < 1 (2.17)

pour tout x0 dans l'intervalle ouvert (a, b), tous les points x0 de l'intervalle I
appartiennent au bassin d'attraction de l'unique point fixe r de I.
Il est possible que la méthode des points fixes converge dans le cas où:
|𝑔′(𝑟)| = 1 (2.18)

Il s'agit d'un cas limite intéressant. Nous verrons plus loin un exemple de cette situation.
La convergence dans ce cas est au mieux extrêmement lente, car le taux de convergence
est près de 1.

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 18

 Résolution des équations non linéaires

Exemple :
Etudier la convergence de la méthode des points fixes dans les deux cas suivants :
𝑎) 𝑥 = 2𝑥 3 − 2 𝑒𝑡 𝑥 ∈ [1,2]
3 𝑥
𝑏) 𝑥 = √1 + 𝑒𝑡 𝑥 ∈ [1,2]
2
a) La dérivée de g(x) s’exprime par : 𝑔́ (𝑥 ) = 6𝑥 2 > 0 ce qui ne verifie pas la
condition (2.16). Donc l’intervalle [1, 2] n’est pas un bassin d’attraction et la suite
xn+1=g(xn) diverge.

1
b) On a : 0 < 𝑔′(𝑥 ) = 3 𝑥
<1
6 √(1+ )²
2

donc 𝑔 est strictement contractante.

D’autre part,
3 3 3
𝑔(1) = √2 > 1, 𝑔(2) = √2 < 2, 𝑜𝑟 𝑔 est monotone, donc 𝑔([1,2]) ⊂ [1,2] . Donc

d’après le théorème du point fixe, la suite :

𝑥 ∈ [1,2]
{ 0
𝑥𝑛+1 = 𝑔(𝑥𝑛 )

converge vers l’unique racine 𝑥 ∈ [1,2] de l’équation 𝑥 = 𝑔(𝑥)

3.3.Interprétation géométrique
La figure 2.2 présente les différents cas possibles:
0 < g'(r) < 1,
—1 < g'(r) < 0,
g'(r) > 1

Les points fixes se trouvent aux niveaux des intersections entre les courbes y = x et
y=g(x). On remarque la différence de comportement entre les cas convergents :
0 < g'(r) < 1 (Voir figure 2.2a) et - 1 < g'(r) < 0 (Voir figure 2.2b)

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 19

 Résolution des équations non linéaires

qui correspondent aux figures 2.2a et 2.2b, respectivement. Bien que les itérations
oscillent de part et d'autre de la racine lorsque la pente est négative, la convergence n'en
est pas moins assurée.

(a) (b)

(c)
Figure 2.2: Interprétation géométrique de la méthode des points fixes

Par contre, lorsque la pente est supérieure à 1 (Figure 2.2c), les itérations s'éloignent
de la racine recherchée. On obtiendrait un résultat similaire dans le cas où g'(r) < - 1 ;
les itérations s'éloigneraient de la racine en oscillant de part et d'autre de la racine.
L'intérêt de cet algorithme réside dans sa généralité et dans le faite qu’il facilite
relativement l'analyse de convergence.

4. Méthode de Newton
La méthode de Newton est l'une des méthodes les plus utilisées pour la résolution
des équations non linéaires. La détermination de son algorithme est basée sur
l'utilisation du développement de Taylor.

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 20

 Résolution des équations non linéaires

Soit de nouveau l’équation (2.1). A partir d'une valeur initiale de la solution (x0), on
cherche une correction (δx) telle que:
0 = 𝑓(𝑥0 + 𝛿𝑥) (2.19)

En faisant un développement de Taylor autour de x= x0:

𝑓′′ (𝑥0)(𝛿𝑥)² 𝑓′′′ (𝑥0)(𝛿𝑥)3
0 = 𝑓 (𝑥0 ) + 𝑓 ′(𝑥0 )𝛿𝑥 + + +⋯ (2.20)
2! 3!

En négligeant les termes d'ordre supérieur ou égal à 2 en δx on obtient:

0 ≃ 𝑓 (𝑥0 ) + 𝑓 ′(𝑥0 )𝛿𝑥 (2.21)
On peut alors isoler la correction
𝑓(𝑥 )
𝛿𝑥 = − 𝑓′ (𝑥0 ) (2.22)
0

La correction δx est la quantité que l'on doit ajouter à x 0 pour annuler la fonction
f(x). Puisque nous avons négligé les termes d'ordre supérieur ou égal à 2 dans le
développement de Taylor, cette correction n'est pas parfaite, nous avons donc :
𝑥1 = 𝑥0 + δ𝑥 (2.23)

En recommençant ce processus dans le but de corriger les x i par des nouvelles

quantités δxi. On obtient l’algorithme de la méthode de Newton suivant :
Algorithme de la méthode de Newton
1- Poser un critère d'arrêt, c’est-à-dire une erreur minimale ε et/ou un nombre
d'itérations maximal N.
2- Suggérer une valeur initiale x0
𝑓(𝑥 )
3- Effectuer : 𝑥𝑛+1 = 𝑥𝑛 − 𝑓′ (𝑥𝑛 )
𝑛

|𝑥𝑛+1 − 𝑥𝑛 |
4- Si : |𝑥𝑛+1 |
<𝜀

-La convergence est atteinte

-Ecrire la racine xn+1
-Ecrire f(xn+1)
-Arrêt
5- Si le nombre maximal d'itérations N est atteint alors :

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 21

 Résolution des équations non linéaires

-La convergence n’est pas atteinte en N itérations

-Arrêt
6- Retour à l'étape 3

Exemple :
On cherche à résoudre l’équation 𝑓 (𝑥 ) = 𝑒 −𝑥 − 𝑥 = 0. Pour utiliser la méthode de
Newton, il faut obtenir la dérivée de cette fonction, qui est 𝑓 ′(𝑥 ) = −𝑒 −𝑥 − 1 .
L’algorithme se résume à :
𝑓(𝑥𝑛 ) 𝑒 −𝑥𝑛 − 𝑥𝑛
𝑥𝑛+1 = 𝑥𝑛 − = 𝑥𝑛 −
𝑓 ′(𝑥𝑛 ) −𝑒 −𝑥𝑛 − 1

Les résultats sont compilés dans le tableau suivant à partir de x 0=0.

N xn |𝒆 𝒏 | 𝒆𝒏
| |
𝒆𝒏 − 𝟏
0 0,000 0000 0,5671 × 10+0 -
1 0,500 0000 0,6714 × 10-1 0,1183 × 10+0
2 0,566 3110 0,8323 × 10-3 0,1239 × 10-1
3 0,567 1432 0,1250 × 10-6 0,1501 × 10-3
4 0,567 1433 0,4097 × 10-9 ≃0

4.1.Interprétation géométrique de la méthode de Newton

La figure 2.3 permet de donner une interprétation géométrique assez simple de la
méthode de Newton. Sur cette figure, on a représenté la fonction f(x), la valeur initiale
et le point (x0, f(x0)) qui est sur la courbe. La droite tangente à la courbe en ce point est
de pente 𝑓’(x0) et a pour équation:
𝑦 = 𝑓 (𝑥0 ) + 𝑓 ′ (𝑥0 )(𝑥 − 𝑥0 ) (2.24)

qui correspond au développement de Taylor de degré 1 autour de x 0. Cette droite coupe

l'axe des x en y = 0, c'est-à-dire en:
𝑓(𝑥 )
𝑥1 = 𝑥0 − 𝑓′ (𝑥0 ) (2.25)
0

qui devient la nouvelle valeur estimée de la solution. On reprend ensuite le même

raisonnement à partir du point (x0, f(x0)) et ainsi de suite.

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 22

 Résolution des équations non linéaires

Figure 2.3: Interprétation géométrique de la méthode de Newton

Identiquement à la méthode des points fixes, la convergence de la méthode de

Newton dépend de la valeur initiale x0. Malgré ses propriétés de convergence, une
mauvaise valeur initiale peut provoquer la divergence de cette méthode

Cours d’Analyse Numérique- Dr. NADIR Mahmoud 23