Analyse Numerique

Analyse Numérique
Méthodes Numériques pour la résolution d’ EDO
AMAL Youssef
ENSAT
Google Classroom: kzgrskw
yamal@uae.ac.ma
1445/2023
Plan du Cours
Équations Différentielles ordinaires (EDO)

Introduction,
Problème de Cauchy,
Schéma d’Euler,
Schémas de Taylor
Schémas de Runge-Kutta,
Convergence des schémas numèriques : Consistance et Stabilité.
Applications Pratiques : Propagation de Virus
Utilisation des méthodes numériques pour modéliser la propagation de
virus informatiques.
Calculs par le logiciel R
Références Recommandées :
Numerical Methods for Ordinary Differential Equations by J.C. Butcher.
Using R for Numerical Analysis in Science and Engineering by Victor
A. Bloomfield.
AMAL Youssef Statistique pour Ingénieurs 1445/2023 2 / 53
Équations Différentielles Ordinaires (EDO) Introduction
Modèle SIR de propagation des Virus Informatiques :
dS
= −β · S · I
dt
dI
=β·S·I −γ·I
dt
dR
=γ·I
dt
où
S(t) : Ordinateurs susceptibles d’être infectés.
I(t) : Ordinateurs infectés.
R(t) : Ordinateurs rétablis ou sécurisés.
β : Taux de transmission du virus informatique.
γ : Taux de rétablissement ou de sécurisation des ordinateurs.
Difficulté de Résolution Analytique : Système d’EDO complexes et
non linéaires.
Possibilité d’approcher les solutions analytiques par des solutions
Probléme de Cauchy
Hypothèses :
Soient I un intervalle de R non réduit à un point, t0 ∈ I, f une fonction
continue sur I × Rm , m ∈ N∗ , à valeur dans Rm et y0 fixé dans Rm .
Le problème de Cauchy (C) consiste à trouver y une fonction dérivable
sur I, vérifiant le système suivant :
y ′ (t) = f (t, y(t)), t ∈ I

(
(C)
y(t0 ) = y0

Probléme de Cauchy
Existence et unicité de la solution :

On considère I = [t0 , t0 + T ], avec T ∈ R∗+ ,
Si la fonction f : [t0 , t0 + T ] × Rm → Rm est continue sur [t0 , t0 + T ] ×
Rm , est lipschitzienne par rapport à sa 2eme variable : il existe k > 0
tel que pour tout t ∈ K et y, z ∈ Rm ,
∥f (t, y) − f (t, z)∥ ≤ k∥y − z∥
Alors le problème de Cauchy (C) admet une unique solution y définie

sur I.

Équations Différentielles Ordinaires (EDO) Discrétisation
On subdivise l’intervalle I = [t0 , t0 + T ] comme suit :

t0 < t1 < t2 < ... < tN = t0 + T ,
On cherche à définir y0 , y1 , y2 , ..., yN tels que les yi , i = 0, ..., N , ap-

prochent les y(ti ) (solution exacte aux points ti ).
N −1
On note le i-ème pas de discrétisation hi = ti+1 −ti > 0, et h = max hi .
i=1
y(ti ) est la solution analytique du problème de Cauchy en t = ti .
yi est la solution approximative en t = ti obtenue à l’aide d’une méthode
numérique : yi ≈ y(ti ).
Discrétisation uniforme :
h1 = h2 = ... = hN = h > 0.
Dans ce cas : T = N.h ou encore h = T /N .

Équations Différentielles Ordinaires (EDO) Schéma d’Euler
Schéma Explicite :
t0 , y0 = y(t0 ), hi , N nombre maximal de pas de temps, sont des donnés,
La solution y à chercher aux instants ti , i = 0, 1, ..., N ,
y(ti+1 ) ≈ y(ti ) + hi y ′ (ti ) = y(ti ) + hi f (ti , y(ti )),
c.à.d. yi+1 = yi + hi f (ti , yi ) pour tout 0 ≤ i ≤ N .
Schéma Implicite :
t0 , y0 = y(t0 ), hi , N nombre maximal de pas de temps, sont des donnés,
La solution y à chercher aux instants ti , i = 0, 1, ..., N ,
y(ti ) ≈ y(ti+1 ) − hi y ′ (ti+1 ) = y(ti+1 ) − hi f (ti+1 , y(ti+1 )),
c.à.d. yi+1 = yi + hi f (ti+1 , yi+1 ) pour tout 0 ≤ i ≤ N .

Approche Géométrique
Pour un schèma d’Euler explicite de pas de temps h uniforme.

Remarquer la propagation des erreurs d’une itération à l’autre.

Schéma explicite à un pas
Un schéma numérique explicite à un pas approchant la solution du

problème de Cauchy (C )est un schéma qui s’écrit sous la forme
(
yi+1 = yi + hi Φ(ti , yi , hi )
y(t0 ) = y0
où la fonction Φ sera à définir suivant le schéma choisi.
Pour calculer la solution au pas de temps suivant, on se sert uniquement de
la solution au pas de temps précédent.
Exemple : Le schèma d’Euler est un schéma à un pas avec Φ(t, y, h) =

f (t, y).

Consistance
Soit y la solution du problème de Cauchy et soient y0 , y1 , ...yN les ap-
proximation de y aux temps t0 , t1 , ...tN par le schèma explicite à un pas.
Soit
ỹ(ti+1 ) = y(ti ) + hi Φ(ti , y(ti ), hi )
l’erreur locale ẽi+1 commise lors d’un seul pas de temps hi :
ẽi+1 = |y(ti+1 ) − ỹ(ti+1 )|
On dit que le schéma explicite à un pas est consistant avec le problème

PN −1
de Cauchy si et seulement si lim i=0 | ẽi+1 |= 0
h→0
La Consistance assure que la solution exacte des équations discrétisées
tende vers la solution exacte des équations continues lorsque h tend vers
zero.
Stabilité
On dit qu’un schéma explicite à un pas est stable s’il existe un réel M ≥
0 tel que, étant donnés les perturbations ϵ1 , ..., ϵN ,
∗
yi+1 = yi∗ + hi Φ(ti , yi∗ , hi ) + ϵn+1 , avec y0∗ = y0
Alors
N
X
max ∥yi − yi∗ ∥ ≤ M |ϵi |.
0≤i≤N
i=1
La stabilité d’un schéma assure que l’erreur de propagation d’un pas de

temps à l’autre, est bornée.

Convergence
On dit que le schéma explicite à un pas est convergent vers la solution

du problème de Cauchy si
lim max ∥y(ti ) − yi ∥ = 0

h→0 1≤i≤N
THÉORÈME DE LAX :
Si le schéma explicite à un pas est stable et consistant avec le problème
de Cauchy, alors il converge vers la solution du problème de Cauchy.

Ordre de Convergence
On dit qu’un schéma à un pas converge à l’ordre p si :
max | y(ti ) − yi |= O(hp ).

1≤i≤N

Convergence du schéma d’Euler :
Eli = |y(ti ) − ỹ(ti )| = O(h2 ), Egi = |y(ti ) − yi | = O(h)
L’erreur locale du schéma d’Euler est d’ordre p = 2, alors que l’erreur

globale est d’ordre de p = 1.

Exemple 1 : Considérons le problème de Cauchy (C) suivant :

( ′
y (t) = −2y(t)
y(0) = 1
1 Trouver la solution approchée de (C) par le schéma explicite et implicite

d’Euler.
2 Vérifier par calcul des erreurs que ces schéma sont globalement d’ordre 1.
Noter que la solution analytique de ce problème est y(t) = y0 e−2t .

Exemple 1 :

Exemple 1 :

Interprétations :
Plus le pas de temps est petit, plus la solution donnée par le schéma d’Euler
est proche de la solution exacte.
Le schéma implicite est plus stable que le schéma explicite pour des pas de
temps relativement élevés.
À partir d’un pas de temps assez petit, les deux schémas explicite et im-
plicite se comporte de la même manière.
L’erreur globale donnèe par le schéma d’Euler est proportionnelle à h, dans
ce cas d’exemple, on a :
Eg ≈ 0.037h
Si on cherche une solution approchée avec une precision de 10−5 , le pas

de temps h devrait être
Eg < 0.00001 =⇒ h < 0.00001/0.037 ≈ 0.0003
Pour atteindre le temps T = 5 avec le pas de temps h = 0.0003, on a

besoin de N = T /h ≈ 16667 itérations.
Équations Différentielles Ordinaires (EDO) Schémas de Taylor d’ordre supérieur
Ces schèmas sont basées sur le développement limité de Taylor :
h2 ′′
y(ti+1 ) = y(ti ) + hy ′ (ti ) + y (ti ) + O(h3 )
2!
La différenciation successive de la solution, y(t), donne
y ′ (t) = f (t, y(t)), y ′′ (t) = ft′ (t, y(t)) + fy′ (t, y(t))f (t, y(t))
On obtient alors le schéma de Taylor d’ordre 2 :
h2 ′
f (ti , yi ) + fy′ (ti , yi )f (ti , yi )

yi+1 = yi + hf (ti , yi ) +
2! t

Le schéma de Taylor d’ordre m est donné par :
yi+1 = yi + hTm (ti , yi ); où
h ′′ h(m−1) (m)
Tm (ti , yi ) ≈ y ′ (ti ) + y (ti ) + . . . + y (ti , y(ti )).
2! m!
Si m = 1, on a yi+1 = yi + hf(ti , yi ) (le schéma d’Euler).

h ′
Si m = 2, on a yi+1 = yi + h f (ti , yi ) + f (ti , y(ti ))
2!
Plus m est élevée, plus la méthode atteint une précision d’ordre supérieur.
La méthode nécessite de calculer des dérivées de f (t, y(t)) par rapport à t.

Exemple : Considérons le problème de Cauchy (C) suivant :
y ′ (t) = (1 − 2t)y(t)
(
y(0) = 1
1 Trouver T1 (t, y(t)), T2 (t, y(t)) et T3 (t, y(t)).

2 Pour h = 0.3, faire 4 itérations et calculer l’erreur commise sur e4 =
|y4 − y(1.2)| pour les 2 schémas T S1 et T S2. Noter que la solution
analytique de ce problème est y(t) = exp(0.25 − (t − 0.5)2 ).
3 Reprendre le même calcul Pour h = 0.15, et vérifier l’ordre de conver-
gence de ce schéma.

Solution :

Équations Différentielles Ordinaires (EDO) Schémas de Runge-Kutta
Les Schémas de Runge-Kutta sont formulées à partir d’une moyenne

pondérée des pentes y ′ = f (t, y(t)) de la solution :
s
X
yn+1 = yn + h bp kp
p=1
s
bp kp = Ts (tn , yn ) + O(hs )
P
tel que :
p=1
Les méthodes de Runge-Kutta ont le même ordre de précision que la
méthode de Taylor d’ordre s.

s
P
Description du cas générale: yn+1 = yn + h bp kp où bp ≥ 0 and
p=1
s
P
bp = 1 sont les poids,
p=1
!
s
P
Cas Explicite : kp = f tn + cp h, yn + h ap,q kq avec ap,q = 0
q=1
pour tout q ≤ p.
!
s
P s
P
Cas Implicite : kp = f tn + cp h, yn + h ap,q kq et cp = ap,q .
q=1 q=1

Description du cas explicite à l’ordre s = 2 (RK2):

k1 = f (tn , yn )
k2 = f (tn + αh, yn + βk1 )
yn+1 = yn + h(b1 k2 + b2 k2 ).
h2 ′′
On a y(tn+1 ) = y(tn ) + hy ′ (tn ) + 2
y (tn ) + O(h3 )
Or y ′′ = (f (t, y(t)))′ = ft′ (t, y(t)) + f (t, y(t))fy′ (t, y(t))
2
Alors yn+1 = yn + hf (tn , yn ) + h2 ft′ + f fy′ (tn , yn ) + O(h3 ), (⋆)

D’autre part,
f (tn + αh, yn + βk1 ) = f (tn , yn ) + αhft′ (tn , yn ) + βk1 fy′ (tn , yn ) +
O(h2 )
Ainsi, yn+1 = yn + h(b1 k1 + b2 k2 )
yn+1 = yn + h(b1 + b2 )f (tn , yn ) + b2 h2 αft′ + βf )fy′ (tn , yn ) +

O(h3 ), (⋆⋆)
En comparant (⋆) et (⋆⋆),
b1 + b2 = 1, αb2 = 1/2 et βb2 = 1/2.
par exemple α = β = 1 et b1 = b2 = 1/2 (Schéma de Heun).
Pour b1 = 0, b2 = 1, α = β = 1/2 (Schéma de Euler Modifié):

k1 = f (tn , yn )
k2 = f (tn + h2 , yn + h2 k1 )
yn+1 = yn + hk2 .

h
(Schéma de Runge-Kutta d’ordre 3) : yn+1 = yn + 4 (k1 + 3k3 )
k1 = f (tn , yn )
k2 = f (tn + h3 , yn + h3 k1 )
2h 2h
k3 = f (tn + 3
, yn + k )
3 2
(Schéma de Runge-Kutta d’ordre 4) : yn+1 = yn + h6 (k1 + 2k2 + 2k3 + k4 )
k1 = f (tn , yn )
k2 = f (tn + h2 , yn + h2 k1 )
k3 = f (tn + h2 , yn + h2 k2 )
k4 = f (tn + h, yn + hk3 )

Exemple 2: Considérons le problème de Cauchy (C) suivant :

( ′
y (t) = t + y(t)
y(0) = 1
Comparer les erreurs globales liées aux schémas d’Euler, RK2 et RK4.

Solution :

Solution :

Équations Différentielles Ordinaires (EDO) Méthodes adaptatives
La précision des méthodes numériques peut être améliorée en diminuant

le pas de temps.
Diminution du pas de temps implique l’augmentation du coût de calcul.
Il peut y avoir des sous-intervalles [xi−1 , xi ] pour lesquels un pas rel-
ativement grand suffit et d’autres sous-intervalles où un petit pas est
nécessaire pour conserver l’erreur locale dans une limite souhaitée.
Une méthode adaptative est une méthode numérique qui utilise un pas
de temps variable.

Méthode adaptative : Consiste à ,

spécifier un nombre tol "tolérance"
adapter le pas de temps tel que l’erreur locale Eli ne dépasse pas la valeur
de tol à chaque itération,
Supposons que la solution approchée au temps ti a déjà été calculés avec
une valeur provisoire hnew pour hi ,
calculer la valeur provisoire de yi+1 en utilisant hi ,
calculer l’erreur locale Eli+1 ,
si Eli+1 < tol augmenter la valeur du pas, tandis que si Eli+1 > tol
diminuer la valeur du pas, en utilisant la formule suivante :
1/(p+1)
tol
hnew = hi , p ordre du schéma utilisé.
Eli+1

1
Schéma de Taylor : On a Eli+1 = hp+1 yip+1 alors
(p + 1)! i
1/(p+1)
(p + 1)!tol
hnew =
yip+1
1/(p+1)
(p + 1)!tol
Initialement, pour obtenir El1 = tol, on pose h1 =
y0p+1

Schéma de Runge-Kutta (1-2) :

(1)
yn+1 = yn + hn k1 avec k1 = f (tn , yn ),
(2) hn
yn+1 = yn + 2
(k1 + k2 ) avec k2 = f (tn + hn , yn + hn k1 ),
(2) (1)
Eli+1 = yn+1 − yn+1 = h2n (k2 − k1 ),
1/2
tol
hnew = hn
Eli+1
Initialement, on pose h1 = tol.
Schéma de Runge-Kutta (2-3) :
(2) hn
yn+1 = yn + 2
(k1 + k2 ) avec k2 = f (tn + hn , yn + hn k1 ),
(3)
yn+1 = yn + h6n (k1 + k2 + 4k3 ) avec k2 = f (tn + hn , yn + hn k1 ) et
k3 = f (tn + h2n , yn + h4n (k1 + k2 ))
(2) (1)
Eli+1 = yn+1 − yn+1 = h3n (k1 + k2 − 2k3 ),
1/3
tol
hnew = hn
Eli+1
Initialement, on pose h1 = tol.

Exemple 3: Considérons le problème de Cauchy (C) suivant :
y ′ (t) = (1 − 2t)y(t), t ∈]0, 4]

(
y(0) = 1
Appliquer les schémas de Taylor d’ordre 1 et 2 en utilisant la méthode

adaptative du pas de temps. Afficher les pas de temps utilisés ainsi que les
erreurs globales.
Même question pour RK(2 − 3).

Solution : Résolution numérique par TS1 avec pas de temps adaptatif

d’une tolérance de 10−2

Solution : Résolution numérique par TS1 avec pas de temps adaptatif

d’une tolérance de 10−4

Solution : Comparaison des erreurs globales obtenues par TS1 et TS2
Avec pas de temps adaptatif

tol N EG (TS1) tol N EG (TS2)
1e − 2 27 0.0769 1e − 2 16 0.0138
1e − 4 228 0.00754 1e − 4 51 0.000757
Avec pas de temps uniforme

h N EG (TS1) h N EG (TS2)
0.148 27 0.130 0.25 16 0.02041794
0.0175 228 0.0149 0.078 51 0.001842665

Solution : Comparaison des erreurs globales obtenues par TS1 et TS2
Avec pas de temps adaptatif

tol N EG (RK 2-3)
1e − 2 16 0.0159269
1e − 07 418 7.745e − 06
Avec pas de temps uniforme

h N EG (RK 2-3)
0.25 16 0.02002453
9.56e − 3 418 2.106e − 05

Équations Différentielles Ordinaires (EDO) Systèmes d’équations différentielles ordinaires
Considérons une équation d’ordre m, avec m conditions initiales,



 y1′ (t) = f1 (t, y1 (t), . . . , ym (t)), y1 (t0 ) = y1,0


y2′ (t) = f2 (t, y1 (t), . . . , ym (t)), y2 (t0 ) = y2,0





···

 ′
ym−1 (t) = fm−1 (t, y1 (t), . . . , ym (t)), ym−1 (t0 ) = ym−1,0




 ′
ym (t) = fm−1 (t, y1 (t), . . . , ym (t)), ym (t0 ) = ym,0


Schéma d’Euler Explicite :

Données : t0 , T, (y1,0 , y2,0 . . . , ym,0 ), h, N
Solutions approchées yi,n pour chaque temps tn = tn−1 + h et i =
1, ..., m, vérifiant,
yi,n+1 = yi,n + hfi (tn , y1,n , . . . , ym,n )

Schéma de Runge-Kutta ordre 4 :

Données : t0 , T, (y1,0 , y2,0 . . . , ym,0 ), h, N
Solutions approchées yi,n pour chaque temps tn = tn−1 + h et i =
1, ..., m, vérifiant,
yi,n+1 = yi,n + h6 (ki,1 + 2ki,2 + 2ki,3 + ki,4 ), avec,
ki,1 = fi (tn , y1,n , y2,n , . . . , ym,n )
ki,2 = fi (tn + h2 , y1,n + h2 k1,1 , y2,n + h2 k2,1 , . . . , ym,n + h2 km,1 )
ki,3 = fi (tn + h2 , y1,n + h2 k1,2 , y2,n + h2 k2,2 , . . . , ym,n + h2 km,2 )
ki,4 = fi (tn + h, y1,n + hk1,3 , y2,n + hk2,3 , . . . , ym,n + hkm,3 )

Exemple 2: Considérons le système d’EDO suivant :
dy1
= −3y1 + y2
dt
dy2
= −2y2
dt
avec les conditions initiales y1 (0) = 2 et y2 (0) = 1.

Sachant que la solution analytique de ce système est donnée par
y1 (t) = exp(−3t) + exp(−2t), y2 (t) = exp(−2t)
calculer la solution numérique en utilisant le schéma d’Euler explicite sur

t ∈ [0, 1].

Équations Différentielles Ordinaires (EDO) Systèmes d’ordre supérieur
Équations d’ordre m :


 y (m) (t) = f (t, y(t), y ′ (t), . . . , y (m−1) (t)),


y(t0 ) = y0





y ′ (t0 ) = y1


···





 (m−1)
y (t0 ) = ym−1

Ce sytème sera transformé en un système de m EDO d’ordre 1.

Équations d’ordre 2 :
 (2)

 y (t) = f (t, y(t), y ′ (t)),

y(t0 ) = y0


y ′ (t0 ) = u0

On pose u = y ′ . Ainsi,


 y ′ = u, y(t0 ) = y0



 ′
u (t) = f (t, y(t), y ′ (t)), u(t0 ) = u0

Exemple : Considérons le problème de Cauchy (C) suivant :

 ′′

y (t) = −y ′ (t) + 2y(t), t ∈]0, 4]

y(0) = 1


y ′ (0) = −2

Sachant que la solution analytique de ce système est y(t) = e−2t , calculer

pour un pas de temps h = 0.01, la solution approchée et l’erreur globale
par le schéma d’Euler explicite.

Propagation de malware dans un réseau local Différents modèles d’évolution
Malware : ou logiciels malveillants sont des programmes informatiques

conçus dans le but de causer des dommages, ou de perturber le fonction-
nement normal d’un système informatique ou encore voler des données.
Par exemple, virus informatique, spyware ...
Figure: Angel Martin del Rey. Mathematical modeling of the propagation of

malware: a review. Security Comm. Networks (2015).
Ce diagramme représente l’évolution de la population informatique ex-

posée à un malware donné.
Sensibles: ordinateurs qui n’ont pas été infectés par malware,

Exposés: ordinateurs qui ont été infectés par un logiciel malveillant mais
n’ont pas encore été activés,
Infectieux : ordinateurs sur lesquels le code malveillant est actif mode,
ayant ainsi la capacité d’accomplir son devoir et se propager aux autres
ordinateurs du réseau,
Récupérés : Ces machines ont été nettoyées ou désinfectées avec succès,
éliminant le malware et le rendant inactif ou neutralisé.
Mise en quarantaine : Ces machines infectées sont isolées du réseau
ou mises en quarantaine pour empêcher la propagation du malware vers
d’autres systèmes.
Vaccinés : Dans le contexte informatique, cela pourrait signifier que
ces machines ont été protégées contre ce malware spécifique, peut-être
en appliquant des correctifs ou en utilisant des logiciels de sécurité qui
préviennent l’infection.
Plusieurs modèles existent, Susceptible-Infectious-Susceptible (SIS) mod-

els, Susceptible-Infectious-Recovered (SIR) models, Susceptible-Exposed-
Infectious-Recovered (SEIR), Susceptible-Exposed-Infectious-Quarantined-
Recovered (SEIQR) models...
Les modèles SIS et SIR font le sujet de base de votre projet.

Diagrammes d’évolution des malwares (SIS et
Propagation de malware dans un réseau local SIR)
Diagramme à transitions d’états dans le modèle SIS :
β·S·I
S I
γ·I
Diagramme à transitions d’états dans le modèle SIR :

β·S·I γ·I
S I R

Diagrammes d’évolution des malwares (SIS et
Propagation de malware dans un réseau local SIR)
EDO décrivant la dynamique modèle SIS :
dS
= −β · S · I + γ · I
dt
dI
=β·S·I −γ·I
dt
Où :
S : Nombre de machines susceptibles d’être infectées.
I : Nombre de machines infectées.
β : Taux de propagation du malware.
γ : Taux de récupération ou nettoyage des machines infectées.

Propagation de malware dans un réseau local Modèle SIR
EDO décrivant la dynamique modèle SIR :
dS
= −β · S · I
dt
dI
=β·S·I −γ·I
dt
dR
=γ·I
dt
où
S(t) : Ordinateurs susceptibles d’être infectés.
I(t) : Ordinateurs infectés.
R(t) : Ordinateurs rétablis ou sécurisés.
β : Taux de transmission du virus informatique.
γ : Taux de rétablissement ou de sécurisation des ordinateurs.
Propagation de malware dans un réseau local Projet
Objectif du projet : comprendre comment la vitesse de propagation du

malware et les mesures de sécurité influencent la dynamique de l’infection
dans un environnement informatique sous les hypothèses prises par le
modèle SIS ou le modèle SIR.
Tâches à realisées et à partagées en groupes de cinq personnes :
1 Paramétrage du Modèle : collecter les données β, γ et le système initial,
des travaux publiés.
2 Implémentation Numérique : par Schemas de Runge-Kutta.
3 Analyse des Résultats : étudier l’impact de différents paramètres sur la
vitesse de propagation du malware, évaluer l’efficacité des mesures de
sécurité sur la dynamique de l’infection.
4 Rédaction d’un rapport de moins de 10 pages : Introduction, Résultats
obtenus, Conclusion et Bibliographie.
5 Présentation: Récompense des meilleurs travaux effectués.

Analyse Numerique

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Analyse Numerique

Transféré par

Droits d'auteur :

Formats disponibles

Analyse Numérique

Méthodes Numériques pour la résolution d’ EDO

Équations Différentielles ordinaires (EDO)

Modèle SIR de propagation des Virus Informatiques :

y ′ (t) = f (t, y(t)), t ∈ I

AMAL Youssef Statistique pour Ingénieurs 1445/2023 4 / 53

Existence et unicité de la solution :

∥f (t, y) − f (t, z)∥ ≤ k∥y − z∥

Alors le problème de Cauchy (C) admet une unique solution y définie

AMAL Youssef Statistique pour Ingénieurs 1445/2023 5 / 53

On subdivise l’intervalle I = [t0 , t0 + T ] comme suit :

On cherche à définir y0 , y1 , y2 , ..., yN tels que les yi , i = 0, ..., N , ap-

AMAL Youssef Statistique pour Ingénieurs 1445/2023 6 / 53

AMAL Youssef Statistique pour Ingénieurs 1445/2023 7 / 53

Pour un schèma d’Euler explicite de pas de temps h uniforme.

AMAL Youssef Statistique pour Ingénieurs 1445/2023 8 / 53

Schéma explicite à un pas

Un schéma numérique explicite à un pas approchant la solution du

Exemple : Le schèma d’Euler est un schéma à un pas avec Φ(t, y, h) =

AMAL Youssef Statistique pour Ingénieurs 1445/2023 9 / 53

l’erreur locale ẽi+1 commise lors d’un seul pas de temps hi :

ẽi+1 = |y(ti+1 ) − ỹ(ti+1 )|

On dit que le schéma explicite à un pas est consistant avec le problème

La stabilité d’un schéma assure que l’erreur de propagation d’un pas de

AMAL Youssef Statistique pour Ingénieurs 1445/2023 11 / 53

On dit que le schéma explicite à un pas est convergent vers la solution

lim max ∥y(ti ) − yi ∥ = 0

AMAL Youssef Statistique pour Ingénieurs 1445/2023 12 / 53

On dit qu’un schéma à un pas converge à l’ordre p si :

max | y(ti ) − yi |= O(hp ).

AMAL Youssef Statistique pour Ingénieurs 1445/2023 13 / 53

Convergence du schéma d’Euler :

Eli = |y(ti ) − ỹ(ti )| = O(h2 ), Egi = |y(ti ) − yi | = O(h)

L’erreur locale du schéma d’Euler est d’ordre p = 2, alors que l’erreur

AMAL Youssef Statistique pour Ingénieurs 1445/2023 14 / 53

Exemple 1 : Considérons le problème de Cauchy (C) suivant :

1 Trouver la solution approchée de (C) par le schéma explicite et implicite

AMAL Youssef Statistique pour Ingénieurs 1445/2023 15 / 53

AMAL Youssef Statistique pour Ingénieurs 1445/2023 16 / 53

AMAL Youssef Statistique pour Ingénieurs 1445/2023 17 / 53

Si on cherche une solution approchée avec une precision de 10−5 , le pas

Eg < 0.00001 =⇒ h < 0.00001/0.037 ≈ 0.0003

Pour atteindre le temps T = 5 avec le pas de temps h = 0.0003, on a

Ces schèmas sont basées sur le développement limité de Taylor :

On obtient alors le schéma de Taylor d’ordre 2 :

AMAL Youssef Statistique pour Ingénieurs 1445/2023 19 / 53

Le schéma de Taylor d’ordre m est donné par :

yi+1 = yi + hTm (ti , yi ); où

AMAL Youssef Statistique pour Ingénieurs 1445/2023 20 / 53

Exemple : Considérons le problème de Cauchy (C) suivant :

1 Trouver T1 (t, y(t)), T2 (t, y(t)) et T3 (t, y(t)).

AMAL Youssef Statistique pour Ingénieurs 1445/2023 21 / 53

AMAL Youssef Statistique pour Ingénieurs 1445/2023 22 / 53

Les Schémas de Runge-Kutta sont formulées à partir d’une moyenne

AMAL Youssef Statistique pour Ingénieurs 1445/2023 23 / 53

AMAL Youssef Statistique pour Ingénieurs 1445/2023 24 / 53

Description du cas explicite à l’ordre s = 2 (RK2):

Pour b1 = 0, b2 = 1, α = β = 1/2 (Schéma de Euler Modifié):

AMAL Youssef Statistique pour Ingénieurs 1445/2023 26 / 53

(Schéma de Runge-Kutta d’ordre 4) : yn+1 = yn + h6 (k1 + 2k2 + 2k3 + k4 )

AMAL Youssef Statistique pour Ingénieurs 1445/2023 27 / 53

Exemple 2: Considérons le problème de Cauchy (C) suivant :

AMAL Youssef Statistique pour Ingénieurs 1445/2023 28 / 53