TD Méthode de décomposition de domaine 13-14 novembre 2018

Journées Numériques. Lille.

Exercice 1: Schwarz alterné en 1D

On va mettre en oeuvre ici la méthode de Schwarz alternée pour l’équation 1D:
 ′′
−u + αu = f
 sur (a, b),
u(a) = g0 , (1)

u(b) = g1 .


a) Ecrire une fonction lap1d qui prend en argument d’entrée f (une fonction), α, X une
discrétisation uniforme de l’intervalle (a, b), g0 et g1 . Cette fonction renvoie le vecteur U
(de même dimension que X) qui est l’approximation de la solution de (1) par différences
finies d’ordre 2.
On utilisera la commande Octave spdiags pour construire la matrice du Laplacien en
prenant en compte son caractère creux.
b) Prendre f (x) = (9 + α) sin(3x), α = 1, g0 = 0 et g1 = sin(3) et tester le programme
précédent. Calculer la norme de l’erreur pour des pas d’espace h et h/2 et vérifier que
l’erreur a bien été divisée par 4. (correction: test_lap1d.m).
c) Mettre en oeuvre l’algorithme de Schwarz alterné (correction: schwarz_alt.m):
 k  k

 Lu 1 = f sur ]0, x 1 [ Lu2 = f sur ]x2 , 1[

uk1 (0) = g0 uk2 (x2 ) = uk1 (x2 )

 k 
u1 (x1 ) = u2k−1 (x1 ) uk2 (1) = g1


où x1 = X(m1 ) et x2 = X(m2 ) avec X une discrétisation uniforme de [0, 1] et m2 < m1

des entiers.
- On pourra dans un premier temps effectuer 20 itérations.
- On pourra prendre m1 = 60 et m2 = 50 pour une discrétisation de (0, 1) de 102 points.
- Tracer les différents itérés et observer la convergence de la suite vers la solution globale.
d) Trouver un critère d’arrêt pour l’algorithme.
e) Tracer la valeur de ce critère d’arrêt en fonction des itérations (correction: schwarz_alt_err.m).
f ) Reprendre la question précédente pour plusieurs tailles de recouvrement.
g) Mettre en oeuvre la version parallèle de cet algorithme (correction: schwarz_parallele_err.m):
 k  k

 Lu 1 = f sur ]0, x 1 [ Lu2 = f sur ]x2 , 1[

uk1 (0) = g0 uk2 (x2 ) = u1k−1 (x2 )
 
u1 (x1 ) = u2k−1 (x1 )
 k
uk2 (1) = g1


h) Mettre en oeuvre la méthode de décomposition de domaine avec N = 4 sous-domaines.

On testera sur f = 0, g0 = 0 et g1 = 1 (correction: schwarz_multi.m).

1
Exercice 2: Schwarz optimisé
On considère ici l’algorithme, avec p1 , p2 > 0 :
 k  k
Lu1 = f sur ]0, γ[
 Lu2 = f sur ]γ, 1[

uk1 (0) = g0 − (uk2 )′ (γ) + p2 uk2 (γ) = −(u1k−1 )′ (γ) + p2 u1k−1 (γ)
 
(u1 ) (γ) + p1 uk1 (γ) = (u2k−1 )′ (γ) + p1 u2k−1 (γ)
 k ′  k
u2 (1) = g1
a) Reprendre la fonction lap1d.m et la modifier pour qu’elle prenne en compte une condition
de Robin à gauche (correction: lap1d_rob.m) avec p > 0 :
−u′′ + αu = f


 sur (a, b),
−u′ (a) + pu(a) = g0R , (2)

u(b) = g1 .


On discrétisera la condition aux limites par le schéma:

U2 − U1 αh h
− + pU1 + U1 = f1 + g0R . (3)
h 2 2
b) Calculer la norme de l’erreur pour des pas d’espace h et h/2 et vérifier que l’erreur a bien
été divisée par 4.
c) Mettre en oeuvre l’algorithme de Schwarz optimisé (correction: schwarz_rob.m). Par
exemple pour le domaine ]γ, 1[ la condition de Robin discrète (3) s’écrit
(U 2)2 − (U 2)1 αh h
− + p2 (U 2)1 + (U 2)1 = f1 + g0R .
h 2 2
On pourra discrétiser la valeur à prendre g0R (γ) de par:
!
k−1 k−1
(U 1 )m − (U 1 )m −1 αh k−1 h
g0R = − 1 1
− (U1 )m1 + fm1 + p2 (U1k−1 )m1
h 2 2

d) Ici on souhaite observer l’influence des valeurs de p1 et p2 sur la vitesse de convergence.

(a) Cas p1 = p2 = p. Observer l’influence de la valeur de p sur la vitesse de convergence.
Dans le cas où γ = 0.5, observer la convergence lorsque p = p∗ = 2 (valeur optimale
théorique pour l’algorithme continu).
(b) Cas p1 et p2 quelconques. Observer la convergence lorsque p1 = p∗1 et p2 = p∗2 où
• si α = 0
1 1
p1 = , p2 = ,
1−γ γ
• si α = 0 √ ! √ !
√ 1 + e2 α(γ−1) √ e2 α γ + 1
p1 = α √ , p2 = α √ .
1 − e2 α(γ−1) e2 α γ − 1
On écrira une fonction retournant p∗ (cas (a)) ou p∗ = [p∗1 , p∗2 ] (cas (b))
(correction: paramopt.m).

2
Exercice 3: Schwarz alterné en 2D
On s’intéresse ici au problème 2D:


 − △u + αu = f dans Ω :=]0, 1[×]0, 1[,

u(x, 0) = g1 (x), x ∈ [0, 1],



u(1, y) = g2 (y), y ∈ [0, 1], (4)

u(x, 1) = g3 (x), x ∈ [0, 1],





u(0, y) = g4 (y), y ∈ [0, 1].


On travaille ici sur un maillage uniforme dans les deux directions: tous les domaines sont
discrétisés par des mailles de taille h × h.

a) Construire une discrétisation du carré unité grâce à l’instruction meshgrid.

b) Ecrire une fonction mat lap2d qui calcule la matrice obtenue par discrétisation de (4)
par différences finies. Elle prend en arguments d’entrée α, n, m avec n + 2 et m + 2 les
dimensions du maillage du domaine de calcul et h le pas de discrétisation. On utilisera la
fonction kron.
c) Ecrire une fonction lap2d qui prend en arguments d’entrée A (la matrice du schéma),
f (une fonction), les données de Dirichlet aux quatre bords (des vecteurs), X, Y une
discrétisation de [0, 1] × [0, 1] et h le pas de discrétisation. Cette fonction renvoie le
vecteur U (de même dimension que X et Y ) qui est l’approximation de la solution de (4)
par différences finies d’ordre 2.
d) Tester les fonctions précédentes sur les données:
- α = 0.
- f (x, y) = 2 sin(x) sin(y).
- g1 ≡ 0, g4 ≡ 0, g2 (y) = sin(1) sin(y) et g3 (x) = sin(1) sin(x).
e) Extraire du maillage global deux maillages se recouvrant.
f ) Mettre en oeuvre la méthode de Schwarz alterné avec les données:
- α = 0.
- f (x, y) = 2π 2 sin(πx) sin(πy).
- g1 ≡ g2 ≡ g3 ≡ g4 ≡ 0.

Exercice 4: Méthodes de DDM vues comme un préconditionneur

On considère ici le problème 1D.

a) Programmer les méthodes MS, AS et RAS.

b) Accélerer les algorithmes précédents grâce à une méthode de Krylov.

3
Exercice 5: Préconditionnement par sous-structuration
On étudie ici la méthode de sous-structuration pour le problème 1D.

a) Résoudre le système linéaire vérifié par les inconnues d’interface par une méthode de type
point fixe.
b) Résoudre à présent le système par GMRES.
c) Comparer la vitesse de convergence des deux méthodes.