Académique Documents
Professionnel Documents
Culture Documents
Chapitre 3
Systèmes d’équations
1 algébriques
Par: Omar Noui, Ph. D.
2
3.2: Systèmes linéaires
▪ Un système linéaire s’écrit sous la forme 𝐴𝑥Ԧ = 𝑏 tels que:
𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑥1 𝑏1
𝑎2,1 𝑎22 𝑎23 … 𝑎2𝑛 𝑥2 𝑏2
𝐴 = 𝑎31 𝑎32 𝑎33 … 𝑎3𝑛 , 𝑥Ԧ = 𝑥3 𝑒𝑡 𝑏 = 𝑏3
⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 … 𝑎𝑛𝑛 𝑥𝑛 𝑏𝑛
▪ La méthode classique de substitution successive est très difficile à
décrire sous forme d’algorithme.
▪ Les systèmes linéaires les plus faciles à résoudre sont les systèmes
diagonaux.
3
3.2: Systèmes linéaires
▪ Matrice triangulaire: Une matrice est dite triangulaire inférieure (ou
supérieure) si tous les 𝑎𝑖𝑗 (ou tous les 𝑎𝑗𝑖 ) sont nuls pour 𝑖 < 𝑗. Une
matrice triangulaire supérieure est la transposée d’une matrice
triangulaire inférieure.
▪ Les systèmes triangulaires sont aussi faciles à résoudre.
▪ Pour résoudre un système triangulaire inférieur (supérieur), il suffit
d’utiliser la méthode de la descente (remontée) triangulaire:
𝑥1 = 𝑏1 Τ𝑎11
𝑖−1
Principe de la méthode:
▪ Le principe est d’exprimer la matrice 𝐴 comme produit de deux matrices
triangulaires 𝐿 et 𝑈 de telle sorte que:
𝐴𝑥Ԧ = 𝐿𝑈𝑥Ԧ = 𝑏
▪ 𝐿 est triangulaire inférieure et 𝑈 est triangulaire supérieure.
▪ On pose alors 𝑈𝑥Ԧ = 𝑦.
Ԧ La résolution se fait en deux étapes:
𝐿𝑦Ԧ = 𝑏
൝
𝑈𝑥Ԧ = 𝑦Ԧ
b) Pour j= 𝑖 + 1, 𝑖 + 2, … , 𝑛:
i. Calcul de la 𝑖 è𝑚𝑒 colonne de 𝐿: 𝑙𝑗𝑖 = 𝑎𝑗𝑖 − σ𝑖−1
𝑘=1 𝑙𝑗𝑘 𝑢𝑘𝑖
Remontée triangulaire
1. 𝑥𝑛 = 𝑦𝑛
2. Pour 𝑖 = 𝑛 − 1, 𝑛 − 2, … , 2,1:
𝑛
𝑥𝑖 = 𝑦𝑖 − 𝑢𝑖𝑘 𝑥𝑘
𝑘=𝑖+1
3.5: Décomposition LU
11
Décomposition de Crout:
▪ L’algorithme ne fonctionne que si les pivots sont tous non nuls. Ce n’est pas
toujours le cas et il est possible qu’il faille permuter deux lignes pour éviter
cette situation.
▪ Une fois utilisés, les éléments 𝑎𝑖𝑗 de la matrice 𝐴 ne servent plus à rien. Ils
peuvent alors être détruits au fur et à mesure que la décomposition progresse.
▪ Notation LU compacte: On remplace les éléments 𝑎𝑖𝑗 par les coefficients 𝑢𝑖𝑗 et
𝑙𝑖𝑗 :
𝑙11 𝑢12 𝑢13 𝑢14
𝑙21 𝑙22 𝑢23 𝑢24
𝑙31 𝑙32 𝑙33 𝑢34
𝑙41 𝑙42 𝑙43 𝑙44
▪ La notation compacte revient à mettre en mémoire la matrice 𝐿 + 𝑈 − 𝐼 et à
détruire la matrice 𝐴
3.5: Décomposition LU
12
𝑛3 +3𝑛2 −𝑛
1. multiplications/divisions.
3
Factorisation de Choleski:
▪ Algorithme:
1. Premier pivot: 𝑙11 = 𝑎11 ;
2. Première colonne:
pour 𝑖 allant de 2 à 𝑛: 𝑙𝑖1 = 𝑎𝑖1 /𝑙11 ;
3. Pour 𝑘 allant de 2 à 𝑛:
a) Terme diagonal (pivot):
𝑘−1
2
𝑙𝑘𝑘 = 𝑎𝑘𝑘 − 𝑙𝑘𝑗
𝑗=1
b) Colonne 𝑘:
pour 𝑖 allant de 𝑘 + 1 à 𝑛:
𝑘−1
𝑙𝑖𝑘 = 𝑎𝑖𝑘 − 𝑙𝑖𝑗 𝑙𝑘𝑗 ൗ𝑙𝑘𝑘
𝑗=1
3.6: Quelques cas intéressants
16
Factorisation de Choleski:
▪ La résolution d’un système linéaire se fait aussi en deux étapes:
1.Un système triangulaire inférieure 𝐿𝑦Ԧ = 𝑏
2.Un système triangulaire supérieure 𝐿𝑇 𝑥Ԧ = 𝑦Ԧ
▪ Le déterminant de A se calcule par:
𝑛
det 𝐴 = (det 𝐿)2 = ෑ 𝑙𝑖𝑖2
𝑖=1
▪ Une matrice est tridiagonale si ses seuls termes non nuls sont situés sur la
diagonale principale et les deux diagonales adjacentes:
𝑎11 𝑎12 0 … 0 𝐷1 𝑆1 0 … 0
𝑎21 𝑎22 𝑎23 … 0 𝐼1 𝐷2 𝑆2 … 0
0 𝑎32 𝑎33 ⋱ 0 𝑜𝑢 0 𝐼2 𝐷3 ⋱ 0
⋮ ⋱ ⋱ ⋱ 𝑎𝑛−1 𝑛 ⋮ ⋱ ⋱ ⋱ 𝑆𝑛−1
0 0 0 𝑎𝑛 𝑛−1 𝑎𝑛 𝑛 0 0 0 𝐼𝑛−1 𝐷𝑛
▪ Normes compatibles: Une norme vectorielle et une norme matricielle sont dites
compatibles si la condition:
𝐴𝑥Ԧ ≤ 𝐴 𝑥Ԧ
est valide quels que soient la matrice 𝐴 et le vecteur 𝑥.
Ԧ
▪ Si une norme matricielle est induite à une norme vectorielle, les deux normes
sont automatiquement compatibles.
▪ Les normes 𝐴 𝐹 et 𝑥Ԧ 2 sont compatibles.
3.9: Conditionnement d’une matrice
25
⋮ ⋮
⋮ ⋮ ⋱ ⋮ 𝛿𝑥𝑛
𝜕𝑓𝑛 𝑖 𝜕𝑓𝑛 𝑖 𝜕𝑓𝑛 𝑖 𝑓𝑛 (𝑥 𝑖 )
𝑥 𝑥 ⋯ 𝑥
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
3.10: Systèmes non linéaires
31
Méthode de Newton: (algorithme)
1. Étant données:
▪ un critère d’arrêt 𝜖𝑎 .
▪ Un nombre maximal d’itérations 𝑁.
▪ Une approximation initiale 𝑥 0 = (𝑥10 , 𝑥20 , … , 𝑥𝑛0 ) de la solution.
▪ La précision machine 𝜖𝑚 .
2. Pour 𝑖 ≥ 0, effectuer:
a) Résolution du système linéaire:
𝐽 𝑥 𝑖 𝛿 𝑥Ԧ = −𝑅(𝑥 𝑖 )
b) Mise à jour: 𝑥 𝑖+1 = 𝑥 𝑖 + 𝛿 𝑥Ԧ
𝛿 𝑥Ԧ
c) Si < 𝜖𝑎 et 𝑅(𝑥 𝑖+1 ) ≤ 𝜖𝑎
𝑥 𝑖+1 +𝜖𝑚
▪ Convergence atteinte.
▪ Écrire la solution 𝑥 𝑖+1 .
▪ Arrêt.
d) Si le nombre maximal d’itérations 𝑁 est atteint:
▪ Convergence non atteinte en 𝑁 itérations.
▪ Arrêt.
3.10: Systèmes non linéaires
32
Méthode de Newton:
▪ La convergence de la méthode de Newton dépend de 𝑥 0 .
▪ Lorsqu’il y a convergence, elle est toujours quadratique. En posant 𝑒 𝑖 = 𝑥Ԧ − 𝑥 𝑖 on a:
2
𝑒 𝑖+1 ≈𝐶 𝑒𝑖
▪ La convergence quadratique est perdue si la matrice jacobienne est singulière au
point 𝑥,
Ԧ solution du système.
▪ Pour obtenir la convergence quadratique, on doit calculer et décomposer une
matrice de dimension 𝑛 à chaque itération. De plus il faudra fournir un programme
informatique permettant de calculer les 𝑛 fonctions 𝑓𝑖 𝑥Ԧ et les 𝑛2 dérivées
partielles.
▪ Pour éviter le calcul des 𝑛2 dérivées partielles, on utilise la méthode de Newton
modifiée qui consiste à remplacer les dérivées partielles par des différences
centrées.
𝜕𝑓1 𝑓𝑖 𝑥1 , … , 𝑥𝑗−1 , 𝑥𝑗 + ℎ, … , 𝑥𝑛 − 𝑓𝑖 𝑥1 , … , 𝑥𝑗−1 , 𝑥𝑗 − ℎ, … , 𝑥𝑛
𝑥Ԧ ≈
𝜕𝑥𝑗 2ℎ