Méthodes Numériques pour la Résolution

des Equations Différentielles Ordinaires

La modélisation d'un problème réel utilise les lois de la physique, ces quelques lois
sont écrites sous la forme de bilans qui se traduisent mathématiquement par des
Equations Différentielles Ordinaires (EDO).
Trouver la solution d'une EDO ou d'un système d'EDO est ainsi un problème
courant, souvent difficile ou impossible à résoudre de façon analytique. Il est alors
nécessaire de recourir à des méthodes numériques pour résoudre ces équations.
Diffinition des EDO
Une EDO est une relation fonctionnelle entre une fonction inconnue d’une seule
variable et ses dérivées 𝑔(𝑥, 𝑦, 𝑦 ′ , 𝑦 ′′ , … , 𝑦 (𝑝) ) = 0. L’ordre de la dérivée du plus grand
ordre y apparaissant s’appelle l’ordre de cette équation.
La forme canonique d’une EDO est la suivante:
𝑦 (𝑝) = 𝐹(𝑥, 𝑦, 𝑦 ′ , 𝑦 ′′ , … , 𝑦 (𝑝−1) ) (1)
L’équation canonique peut être sous forme d’un système d’EDO d’ordre 1 (Forme
Cauchy):
𝑥0 , ℎ, 𝑦0 , 𝑦10 , 𝑦20 , … , 𝑦(𝑝−1)0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠 (𝐶𝑜𝑛𝑑𝑖𝑡𝑖𝑜𝑛𝑠 𝑖𝑛𝑖𝑡𝑖𝑎𝑙𝑒𝑠)
𝑦 ′ = 𝑦1
𝑦1′ = 𝑦2 (2)
⋮
′
{ (𝑝) = 𝐹(𝑥, 𝑦, 𝑦1 , 𝑦2 , … , 𝑦(𝑝−1) )
𝑦

Dans la première partie de ce cours, on considère seulement des EDO du 1er ordre,
c.-à-d. des équations de la forme 𝑔(𝑥, 𝑦, 𝑦 ′ ) = 0 ou bien sous la forme Cauchy:
𝑦′ = 𝐹(𝑥, 𝑦) (3)
METHODES A UN PAS

Les formulations générales des méthodes explicipe et implicite à un pas s’écrivent:

Methode explicite Méthode implicite

𝑥0 , ℎ, 𝑦0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠 𝑥0 , ℎ, 𝑦0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠
{ {
𝑦𝑖+1 = 𝑦𝑖 + 𝜑(𝑥𝑖 , 𝑦𝑖 , ℎ) 𝑦𝑖+1 = 𝑦𝑖 + 𝜑(𝑥𝑖 , 𝑦𝑖 , 𝑦𝑖+1 , ℎ)

N.B. : Explicite ou implicite ? On lit souvent que " les schémas implicites sont plus
stables", mais ils nécessitent à chaque itération la résolution d’une équation algébrique ou
d’un système d’équations, par contre les schémas explicites, les solutions sont directes.

Méthodes d’Euler explicite, implicite et améliorée

Soit 𝑦 = 𝑓(𝑥) la solution de l’équation (3) avec la condition initiale f ( x0 )  y0 . Le

problème consiste d’approcher numériquement à la solution 𝑦 = 𝑓 (𝑥 ) de (3) sur

1
l’intervalle (a = x0 , b) en vérifiant la condition initiale. Dans toutes les méthodes qui
seront développées dans ce cours, on subdivise l’intervalle (a, b) en n et on aura le pas
𝑏−𝑎
ℎ= .
𝑛

Ou peut écrire : 𝑥𝑖 = 𝑥0 + 𝑖. ℎ avec 𝑖 = 0, 1, 2, … , 𝑛.

On connait les valeurs 𝑥0 et 𝑦0 , donc aussi 𝑦′(𝑥0 ) = 𝐹(𝑥0 , 𝑦0 ). Selon cette méthode,
on approche la solution de l’équation (3) sur (𝑥0 , 𝑥1 ) par sa tangente en 𝑥0 . On aura :

𝑦1 − 𝑦0 = 𝑦 ′ (𝑥0 )(𝑥1 − 𝑥0 ) = ℎ. 𝑦 ′ (𝑥0 ) ⇔ 𝑦1 = 𝑦0 + ℎ. 𝐹(𝑥0 , 𝑦0 ) (4)

Méthode explicite, d’ordre 1, dont l’algorithme est:

𝑥0 , ℎ, 𝑦0 : 𝑑𝑜𝑛𝑛é𝑒𝑠 (𝐶𝐼)
𝑦1 = 𝑦0 + ℎ. 𝐹 (𝑥0 , 𝑦0 )
𝑦2 = 𝑦1 + ℎ. 𝐹 (𝑥1 , 𝑦1 )
𝑦3 = 𝑦2 + ℎ. 𝐹 (𝑥2 , 𝑦2 ) (5)
⋮
𝑦𝑖+1 = 𝑦𝑖 + ℎ. 𝐹 (𝑥𝑖 , 𝑦𝑖 )
⋮
{ 𝑦𝑛+1 = 𝑦𝑛 + ℎ. 𝐹 (𝑥𝑛 , 𝑦𝑛 )

Méthode implicite, d’ordre 1, dont l’algorithme est:

𝑥0 , ℎ, 𝑦0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠
{ (6)
𝑦𝑖+1 = 𝑦𝑖 + ℎ. 𝐹(𝑥𝑖+1 , 𝑦𝑖+1 )

Méthode d’Euler améliorée, d’ordre 1, dont l’algorithme est :

𝑥0 , ℎ, 𝑦0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠
{ ℎ ℎ (7)
𝑦𝑖+1 = 𝑦𝑖 + ℎ. 𝐹 (𝑥𝑖 + 2 , 𝑦𝑖 + 2 𝐹(𝑥𝑖 , 𝑦𝑖 ))

Géométriquement, cette méthode consiste à remplacer dans la méthode d’Euler la

pente de la tangente en (𝑥𝑖 , 𝑦𝑖 ) par la valeur corrigée au milieu de l’intervalle [𝑥𝑖 , 𝑥𝑖+1 ].

Méthode de Crank-Nicholson

L’algorithme de la méthode est :

𝑥0 , ℎ, 𝑦0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠
{ ℎ (8)
𝑦𝑖+1 = 𝑦𝑖 + 2 . [𝐹(𝑥𝑖 , 𝑦𝑖 ) + 𝐹(𝑥𝑖+1 , 𝑦𝑖+1 )]

Elle est obtenue en utilisant la formule d’integration numérique des trapèzes.

Méthodes de Runge-Kutta (RK-2 et RK-4)

Au lieu d’utiliser des lignes droites (tangentes) pour approcher la solution de

l’équation (3), on obtient à partir des formules d’integration numérique plus précises que
la formule des rectangles.

Selon la formule de Taylor, on a :

2
 ℎ2 ℎ3 ℎ4
𝑦𝑖+1 = 𝑦(𝑥𝑖+1 ) = 𝑦(𝑥𝑖 + ℎ) = 𝑦𝑖 + ℎ. 𝑦′(𝑥𝑖 ) + . 𝑦′′(𝑥𝑖 ) + . 𝑦′′′(𝑥𝑖 ) + . 𝑦′′′′(𝑥𝑖 ) + ⋯ (9)
2! 3! 4!

Et comme :

𝑦 ′ (𝑥𝑖 ) = 𝐹(𝑥𝑖 , 𝑦𝑖 )
{ (10)
𝑦 ′′ (𝑥𝑖 ) = 𝐹𝑥′ (𝑥𝑖 , 𝑦𝑖 ) + 𝐹𝑦′ (𝑥𝑖 , 𝑦𝑖 ). 𝐹(𝑥𝑖 , 𝑦𝑖 )

En négligeant les termes de la 3ème dérivée et plus de l’éq.(9), on aura :

ℎ2
𝑦𝑖+1 = 𝑦𝑖 + ℎ. 𝐹(𝑥𝑖 , 𝑦𝑖 ) + . [𝐹𝑥′ (𝑥𝑖 , 𝑦𝑖 ) + 𝐹𝑦′ (𝑥𝑖 , 𝑦𝑖 ). 𝐹 (𝑥𝑖 , 𝑦𝑖 )]
2
ℎ ℎ
= 𝑦𝑖 + 2 . 𝐹 (𝑥𝑖 , 𝑦𝑖 ) + 2 . [𝐹(𝑥𝑖 , 𝑦𝑖 ) + ℎ. 𝐹𝑥′ (𝑥𝑖 , 𝑦𝑖 ) + ℎ. 𝐹𝑦′ (𝑥𝑖 , 𝑦𝑖 ). 𝐹(𝑥𝑖 , 𝑦𝑖 )] (11)

ℎ ℎ
= 𝑦𝑖 + . 𝐹 (𝑥𝑖 , 𝑦𝑖 ) + . 𝐹 (𝑥𝑖+1 , 𝑦𝑖+1 )
2 2
Finalement l’algorithme de la méthode explicite de RK-2 devient:
𝑥0 , ℎ, 𝑦0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠
{ ℎ (12)
𝑦𝑖+1 = 𝑦𝑖 + 2 . [𝐹(𝑥𝑖 , 𝑦𝑖 ) + 𝐹(𝑥𝑖+1 , 𝑦𝑖 + ℎ. 𝐹(𝑥𝑖 , 𝑦𝑖 ))]

Pour l’algorithme de la méthode explicite RK-4 (qui est la plus utilisée), on néglige
les termes de la 4ème dérivée et plus de l’éq.(9):
ℎ2 ℎ3
𝑦𝑖+1 = 𝑦𝑖 + ℎ. 𝑦′(𝑥𝑖 ) + . 𝑦′′(𝑥𝑖 ) + . 𝑦′′′(𝑥𝑖 ) (13)
2! 3!

En utilisant la formule de Simpson de l’integration et après quelques

transformations, on obtient l’algorithme de RK-4 :
𝑥0 , ℎ, 𝑦0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠
𝑘1𝑖 = 𝐹 (𝑥𝑖 , 𝑦𝑖 )
ℎ ℎ
𝑘2𝑖 = 𝐹 (𝑥𝑖 + 2 , 𝑦𝑖 + 2 . 𝑘1𝑖 )
ℎ ℎ (14)
𝑘3𝑖 = 𝐹 (𝑥𝑖 + 2 , 𝑦𝑖 + 2 . 𝑘2𝑖 )
𝑘4𝑖 = 𝐹 (𝑥𝑖 + ℎ, 𝑦𝑖 + ℎ. 𝑘3𝑖 )
ℎ
{𝑦𝑖+1 = 𝑦𝑖 + 6 . [𝑘1𝑖 + 2. 𝑘2𝑖 + 2. 𝑘3𝑖 + 𝑘4𝑖 ]
Cette méthode consiste à évaluer 4 valeurs intermédiaires 𝑘1𝑖 , 𝑘2𝑖 , 𝑘3𝑖 et 𝑘4𝑖 et à
faire la moyenne pondérée.

METHODES A PAS MULTIPLES

Méthode de Nystrom

Cette méthode à 2 pas dont son agorithme est :

𝑥0 , ℎ, 𝑦0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠
{ 𝑦1 : 𝐶𝑎𝑙𝑐𝑢𝑙é𝑒 𝑎𝑣𝑒𝑐 𝑢𝑛𝑒 𝑚é𝑡ℎ𝑜𝑑𝑒 à 𝑢𝑛 𝑝𝑎𝑠 (15)
𝑦𝑖+1 = 𝑦𝑖−1 + 2ℎ. 𝐹(𝑥𝑖 , 𝑦𝑖 )

Méthodes d’Adams-Bashforth-Moulton

3
 En se basant sur les techniques d’integration numérique, on a la formation
générale :
𝑝
𝑦𝑖+1 = 𝑦𝑖 + ∑𝑗=−1 𝛽𝑗 . 𝐹(𝑥𝑖−𝑗 , 𝑦𝑖−𝑗 ) (16)

Méthode d’Adams-Bashforth à 2 pas, explicite, d’ordre 2 :

𝑥0 , ℎ, 𝑦0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠
{ 𝑦1 : 𝐶𝑎𝑙𝑐𝑢𝑙é𝑒 𝑎𝑣𝑒𝑐 𝑢𝑛𝑒 𝑚é𝑡ℎ𝑜𝑑𝑒 à 𝑢𝑛 𝑝𝑎𝑠 (17)
ℎ
𝑦𝑖+1 = 𝑦𝑖 + 2 . [3𝐹(𝑥𝑖 , 𝑦𝑖 ) − 𝐹(𝑥𝑖−1 , 𝑦𝑖−1 )]

Méthode d’Adams-Bashforth à 3 pas, explicite, d’ordre 3 :

𝑥0 , ℎ, 𝑦0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠
{ 𝑦1 , 𝑦2 : 𝐶𝑎𝑙𝑐𝑢𝑙é𝑒𝑠 𝑎𝑣𝑒𝑐 𝑢𝑛𝑒 𝑚é𝑡ℎ𝑜𝑑𝑒 à 𝑢𝑛 𝑝𝑎𝑠 (18)
ℎ
𝑦𝑖+1 = 𝑦𝑖 + 12 . [23𝐹(𝑥𝑖 , 𝑦𝑖 ) − 16𝐹(𝑥𝑖−1 , 𝑦𝑖−1 ) + 5𝐹 (𝑥𝑖−2 , 𝑦𝑖−2 )]

Méthode d’Adams-Moulton à 3 pas, implicite, d’ordre 3 :

𝑥0 , ℎ, 𝑦0 ∶ 𝑑𝑜𝑛𝑛é𝑒𝑠
{ 𝑦1 , 𝑦2 : 𝐶𝑎𝑙𝑐𝑢𝑙é𝑒𝑠 𝑎𝑣𝑒𝑐 𝑢𝑛𝑒 𝑚é𝑡ℎ𝑜𝑑𝑒 à 𝑢𝑛 𝑝𝑎𝑠 (19)
ℎ
𝑦𝑖+1 = 𝑦𝑖 + 12 . [5𝐹(𝑥𝑖+1 , 𝑦𝑖+1 ) + 8𝐹 (𝑥𝑖 , 𝑦𝑖 ) − 𝐹 (𝑥𝑖−1 , 𝑦𝑖−1 )]