Académique Documents
Professionnel Documents
Culture Documents
A. RTIBI i
Sommaire
Introduction ........................................................................................................................................... 1
Interpolation polynomiale .................................................................................................................... 2
I. Introduction ............................................................................................................................... 2
II. Matrice de VANDERMONDE...................................................................................................... 2
III. Interpolation de Lagrange..................................................................................................... 3
IV. Polynôme de Newton ............................................................................................................ 5
V. Splines cubiques ........................................................................................................................ 7
Différentiation et Intégration.............................................................................................................. 12
I. Introduction ............................................................................................................................. 12
II. Différentiation numérique ...................................................................................................... 12
III. Intégration numérique ........................................................................................................ 15
Equations non linéaires ....................................................................................................................... 20
I. Introduction ............................................................................................................................. 20
II. Méthode des points fixes ......................................................................................................... 20
III. Méthode de Newton............................................................................................................. 24
IV. Méthode de la sécante ......................................................................................................... 27
V. Méthode de la bissection ou Dichotomie ............................................................................... 28
Systèmes d’équations algébriques ..................................................................................................... 31
I. Introduction ............................................................................................................................. 31
II. Méthode de résolution pour les systèmes triangulaires inférieurs et supérieurs ............. 31
III. Méthode d’élimination de Gauss ........................................................................................ 32
IV. Méthode de décomposition LU ........................................................................................... 33
V. Système d’équation non linéaire ............................................................................................ 37
Equations différentielles ..................................................................................................................... 41
I. Introduction ............................................................................................................................. 41
II. Méthode de Runge-Kutta ........................................................................................................ 41
III. Méthode à pas multiples ..................................................................................................... 44
IV. Méthode de tir ...................................................................................................................... 46
Résolution d'une équation différentielle du second ordre par une méthode aux différences finies
............................................................................................................................................................... 47
I. But ............................................................................................................................................. 47
II. Formulation .............................................................................................................................. 47
Equations aux dérivées partielles ...................................................................................................... 54
A. RTIBI ii
I. Introduction ............................................................................................................................. 54
II. Equation de la chaleur à une dimension ................................................................................ 54
III. Résolution de l’équation de la chaleur à 2-D par la méthode ADI ................................... 57
A. RTIBI iii
Introduction
Dans la nature, les systèmes et phénomènes physiques les plus intéressants sont aussi
les plus complexes à étudier. Ils sont souvent régis par un grand nombre de paramètres
non-linéaires interagissant entre eux (météorologie, turbulence des fluides...).
Pour analyser les paramètres et grandeurs d’un système naturel il faut recourir à une
série d'expériences. Mais les essais peuvent s'avérer très coûteux (essais en vol, essais
avec matériaux rares, instrumentations très chères...) et ils peuvent être très dangereux
(essais nucléaires, environnement spatial...). Enfin il peut être difficile de mesurer tous
les paramètres: échelles du problème trop petites (chimie du vivant, couche limite en
fluide...) ou trop grandes (astrophysique, météorologie, géophysique...).
Les modèles mathématiques utilisent très souvent des systèmes d'équations aux
dérivées partielles (EDP) non-linéaires dont on ne connait pas de solutions analytiques
en général. Il faut alors résoudre le problème numériquement en transformant les
équations continues de la physique en un problème discret sur un certain domaine de
calcul (le maillage). Dans certains cas il s'agit de la seule alternative (nucléaire,
astrophysique, spatial...). Dans d'autres cas, les simulations numériques sont menées en
parallèle avec des expérimentations.
A. RTIBI 1
Interpolation polynomiale
I. Introduction
A partir d'une fonction 𝑓(𝑥) connue en (𝑛 + 1) points de la forme [(𝑥𝑖 , 𝑓(𝑥𝑖 ) 𝑎𝑣𝑒𝑐 𝑖 =
0, 1, … , 𝑛], peut-on construire une approximation de 𝑓(𝑥) pour tout 𝑥 ?
Les points [(𝑥𝑖 , 𝑓(𝑥𝑖 ) 𝑎𝑣𝑒𝑐 𝑖 = 0, 1, … , 𝑛] sont appelés points de collocation ou points
d'interpolation. Ils peuvent provenir essentiellement de données expérimentales ou
numériques. Le problème d'interpolation se ramène en fait à la construction d'un
polynôme de degré élevé dont la courbe passe par tous les points de collocation et
capable de restituer toutes les valeurs entre les nœuds. En d'autres termes, il s'agit de
trouver un modèle mathématique afin de réduire toute information en une expression
mathématique facilement exploitable. De ce fait, le recours aux techniques
d'interpolation permet d'avoir des courbes régulières (lisses) passant par un nombre de
points élevé (génération de nœuds supplémentaires).
Théorème
Un polynôme de degré 𝑛 de forme générale 𝑝𝑛 (𝑥) = 𝑎0 + 𝑎1 𝑥 + ⋯ + 𝑎𝑛 𝑥 𝑛 𝑎𝑛 ≠ 0,
possède exactement 𝑛 racines qui peuvent être réelles ou complexes conjuguées.
Corollaire
Par (𝑛 + 1) points de collocation [(𝑥𝑖 , 𝑓(𝑥𝑖 ) 𝑎𝑣𝑒𝑐 𝑖 = 0, 1, … , 𝑛], on ne peut faire passer
qu'un et un seul polynôme de degré 𝑛.
Démonstration
Admettons l'existence de deux polynômes de degrés 𝑛 chacun, notés 𝑝𝑛 (𝑥) et 𝑔𝑛 (𝑥),
passant par les (𝑛 + 1) points de collocation.
Considérons alors le polynôme 𝑞(𝑥) = 𝑝𝑛 (𝑥) − 𝑔𝑛 (𝑥) qui est au plus de degré 𝑛. On
notera que le polynôme 𝑞(𝑥)vérifie 𝑞(𝑥𝑖 ) = 𝑝𝑛 (𝑥𝑖 ) − 𝑔𝑛 (𝑥𝑖 ) = 𝑓(𝑥𝑖 ) − 𝑓(𝑥𝑖 ) = 0 ; ∀ 𝑖 =
0,1, … , 𝑛.
Le polynôme 𝑞(𝑥) posséderait donc (𝑛 + 1) racines, ce qui contredit le théorème
précédent. Ceci démontre l'unicité du polynôme passant par (𝑛 + 1) points de
collocation donnés.
A. RTIBI 2
Une écriture matricielle de ce système conduit à:
Exercice
Trouver un polynôme qui interpole le nuage de points (0,1), (1,2), (2,9) 𝑒𝑡 (3,28). Le
nuage contient 4 points distincts, le polynôme cherché est donc de degré 3. Ses
coefficients 𝑎𝑖 sont solution de :
0 0 0 1 𝑎3 1
1 1 1 1 𝑎2 2
( ) |𝑎 = |
8 4 2 1 1 9
27 9 3 1 𝑎0 28
dont la solution est (1,0,0,1)𝑡 . Le polynôme recherché est donc : 𝑝3 (𝑥) = 𝑥 3 + 1
On considère deux points de collocations (𝑥0 , 𝑓(𝑥0 )), (𝑥1 , 𝑓(𝑥1 )) distincts.
A. RTIBI 3
On dit que 𝑃1 est le polynôme d’interpolation de Lagrange de degré 1 associé aux points
(𝑥0 , 𝑓(𝑥0 )), (𝑥1 , 𝑓(𝑥1 )).
Généralisation
Soit 𝑓 une fonction réelle d’une variable réelle définie sur [𝑎, 𝑏] qui contient les points
[𝑥𝑖 , 𝑖 = 0, 1, … , 𝑛] distincts tel que 𝑓(𝑥𝑖 ) = 𝑓𝑖 , 𝑖 = 0, 1, … , 𝑛:
Théorème
∀ 𝑖 = 0, 1, … , 𝑛 𝑃𝑛 (𝑥𝑖 ) = 𝑓𝑖
Démonstration.
Propriétés :
On prend :
𝑛
𝑃𝑛 (𝑥) = ∑ 𝑓𝑖 𝐿𝑖 (𝑥)
𝑖=0
On a
𝑃𝑛 (𝑥𝑖 ) = 𝑓𝑖
• unicité :
On pose 𝑅 = 𝑃𝑛 − 𝑄𝑛 , 𝑑 0 ≤ 𝑛
Donc 𝑅 = 0
Définition
Les polynômes 𝐿𝑖 (𝑥) forment une base de 𝑃𝑛 et s’appellent les polynômes de base de
Lagrange associées à ces points.
A. RTIBI 4
Exercice
On considère les points (0; 1), (1; 2), (2; 9) 𝑒𝑡 (3; 28), déterminer par la méthode de
Lagrange le polynôme 𝑃3 (𝑥) d’interpolation polynomiale qui passe par les points :
(𝑥𝑖 , 𝑦𝑖 ); 𝑖 = 0, 1,2,3
Solution
𝑝3 (𝑥) = 𝑥 3 + 1
Remarque
Définitions :
𝑓[𝑥𝑖 ] = 𝑓(𝑥𝑖 )
𝑓 (𝑥𝑖 ) − 𝑓(𝑥𝑗 )
𝑓[𝑥𝑖 , 𝑥𝑗 ] = , 𝑖≠𝑗
𝑥𝑖 − 𝑥𝑗
𝑓[𝑥𝑖 , 𝑥𝑗 ] − 𝑓[𝑥𝑗 , 𝑥𝑘 ]
𝑓[𝑥𝑖 , 𝑥𝑗 , 𝑥𝑘 ] = , 𝑖 ≠ 𝑗, 𝑖 ≠ 𝑘 𝑒𝑡 𝑗 ≠ 𝑘
𝑥𝑖 − 𝑥𝑘
On appelle différence divisée d’ordre n :
𝑓[𝑥0 , 𝑥1 , … , 𝑥𝑛−1 ] − 𝑓[𝑥1 , … , 𝑥𝑛 ]
𝑓[𝑥0 , 𝑥1 , … , 𝑥𝑛 ] = ,
𝑥0 − 𝑥𝑛
A. RTIBI 5
Soit 𝑃𝑛 (𝑥) le polynôme d’interpolation de 𝑓 de 𝑑° ≤ 𝑛 tel que 𝑃𝑛 (𝑥𝑖 ) = 𝑓(𝑥𝑖 ), 𝑝𝑜𝑢𝑟 𝑖 =
0,1,2 … 𝑛
La formule de Newton (ou polynôme de Newton) est une autre forme d’écriture du
polynôme d’interpolation de Lagrange.
L’intérêt du polynôme de Newton est qu’il est plus maniable et moins coûteux et peut
être calculé de manière récursive.
A. RTIBI 6
𝑓[𝑥0 , 𝑥1 , 𝑥2 ] de 𝑓[𝑥1 , 𝑥2 , 𝑥3 ] et de diviser le résultat par , 𝑥3 − 𝑥0 . La formule de Newton
utilise la diagonale principale de cette table.
Exemple
Cherchons le polynôme de Newton qui passe par les points de collocation
(0,1), (1,2), (2,9) et (3,28).
𝑥𝑖 𝑓(𝑥𝑖 ) 𝑓[𝑥𝑖 , 𝑥𝑖+1 ] 𝑓[𝑥𝑖 , 𝑥𝑖+1 , 𝑥𝑖+2 ] 𝑓[𝑥𝑖 , 𝑥𝑖+1 , 𝑥𝑖+2 , 𝑥𝑖+3 ]
0 1
1 2 1
2 9 7 3
3 28 19 6 1
Le polynôme est donc :
𝑃3 (𝑥) = 𝑥 3 + 1
Remarque.
Si on souhaite ajouter un point de collocation (d’interpolation) et calculer un polynôme
de degré 4, il n’est pas nécessaire de tout recommencer. Par exemple, si on veut
déterminer le polynôme d’interpolation 𝑃4 (𝑥) de degré 4 qui passe par les points (0;1),
(1;2), (2;9),(3;28) et (5;54).
La table de différences divisées pour les points (0;1), (1;2), (2;9), (3;28) et (5;54) est :
𝑥𝑖 𝑓(𝑥𝑖 ) 𝑓[𝑥𝑖 , 𝑥𝑖+1 ] 𝑓[𝑥𝑖 , 𝑥𝑖+1 , 𝑥𝑖+2 ] 𝑓[𝑥𝑖 , … , 𝑥𝑖+3 ] 𝑓[𝑥𝑖 , … , 𝑥𝑖+4 ]
0 1
1 2 1
2 9 7 3
3 28 19 6 1
5 54 13 -2 -2 -3/5
qui est tout simplement le polynôme de degré 3 déjà calculé auquel on a ajouté une
correction de degré 4.
V. Splines cubiques
La méthode d'interpolation par splines cubiques consiste à utiliser, dans chaque
intervalle [𝑥𝑖−1 , 𝑥𝑖 ] un polynôme de degré 3 de la forme:
A. RTIBI 7
𝑝𝑖 (𝑥) = 𝑎𝑖 (𝑥 − 𝑥𝑖−1 ) 3 + 𝑏𝑖 (𝑥 − 𝑥𝑖−1 ) 2 + 𝑐𝑖 (𝑥 − 𝑥𝑖−1 ) + 𝑑𝑖 ; 𝑖 = 1, … , 𝑛
• Le polynôme 𝑝1 (𝑥) passe par la première extrémité (𝑥0 , 𝑓(𝑥0 )) donc 𝑝1 (𝑥0 ) =
𝑓(𝑥0 )
• Le polynôme 𝑝𝑛 (𝑥) passe par la première extrémité (𝑥𝑛 , 𝑓(𝑥𝑛 )) donc 𝑝𝑛 (𝑥𝑛 ) =
𝑓(𝑥𝑛 )
𝑝𝑖′′ (𝑥)
𝑀𝑖 (𝑥) = = 3𝑎𝑖 (𝑥 − 𝑥𝑖−1 ) + 𝑏𝑖
2
Donc pour 𝑥 = 𝑥𝑖−1 on a : 𝑝𝑖 (𝑥𝑖−1 ) = 𝑑𝑖 = 𝑝𝑖 𝑒𝑡 𝑀𝑖 (𝑥𝑖−1 ) = 𝑀𝑖 = 𝑏𝑖 𝑝𝑜𝑢𝑟 𝑖 = 1, … , 𝑛
A. RTIBI 8
Le polynôme en 𝑥𝑖 donne 𝑝𝑖+1 (𝑥𝑖 ) = 𝑝𝑖+1 = 𝑎𝑖 (𝑥𝑖 − 𝑥𝑖−1 ) 3 + 𝑏𝑖 (𝑥𝑖 − 𝑥𝑖−1 ) 2 +
𝑐𝑖 (𝑥𝑖 − 𝑥𝑖−1 ) + 𝑑𝑖
𝑀𝑖+1 − 𝑀𝑖 3
𝑝𝑖+1 = 𝑎𝑖 ℎ𝑖 3 + 𝑏𝑖 ℎ𝑖 2 + 𝑐𝑖 ℎ𝑖 + 𝑑𝑖 = ℎ𝑖 + 𝑀𝑖 ℎ𝑖2 + 𝑐𝑖 ℎ𝑖 + 𝑝𝑖
3ℎ𝑖
𝑝𝑖+1 − 𝑝𝑖 𝑀𝑖+1 + 2𝑀𝑖
⇒ 𝑐𝑖 = − ℎ𝑖 𝑝𝑜𝑢𝑟 𝑖 = 1, … , 𝑛
ℎ𝑖 3
En définitive, pour 𝑥 ∈ [𝑥𝑖−1 , 𝑥𝑖 ] on aura le polynôme, sa dérivé première et sa dérivée
deuxième recherché: 𝑝𝑜𝑢𝑟 𝑖 = 1, … , 𝑛
𝑀𝑖+1 − 𝑀𝑖
𝑝𝑖 (𝑥) = (𝑥 − 𝑥𝑖−1 ) 3 + 𝑀𝑖 (𝑥 − 𝑥𝑖−1 ) 2
3ℎ𝑖
𝑝𝑖+1 − 𝑝𝑖 𝑀𝑖+1 + 2𝑀𝑖
+[ − ℎ𝑖 ] (𝑥 − 𝑥𝑖−1 ) + 𝑝𝑖
ℎ𝑖 3
𝑀𝑖+1 − 𝑀𝑖
𝑝𝑖′ (𝑥) = (𝑥 − 𝑥𝑖−1 ) 2 + 2𝑀𝑖 (𝑥 − 𝑥𝑖−1 )
ℎ𝑖
𝑝𝑖+1 − 𝑝𝑖 𝑀𝑖+1 + 2𝑀𝑖
+[ − ℎ𝑖 ]
ℎ𝑖 3
𝑀𝑖+1 − 𝑀𝑖
𝑝𝑖′′ (𝑥) = 2 (𝑥 − 𝑥𝑖−1 ) + 2𝑀𝑖
ℎ𝑖
La continuité des dérivées premières de 𝑝𝑖+1 (𝑥) et 𝑝𝑖 (𝑥) aux nœuds intérieurs 𝑥𝑖
implique
′
l'égalité: 𝑝𝑖+1 (𝑥𝑖 ) = 𝑝𝑖′ (𝑥𝑖 ) pour 𝑖 = 1, … , 𝑛 − 1
𝑀𝑖+1 − 𝑀𝑖 2 𝑝𝑖+1 − 𝑝𝑖 𝑀𝑖+1 + 2𝑀𝑖
⇒ ℎ𝑖 + 2𝑀𝑖 ℎ𝑖 + [ − ℎ𝑖 ]
ℎ𝑖 ℎ𝑖 3
𝑝𝑖+2 − 𝑝𝑖+1 𝑀𝑖+2 + 2𝑀𝑖+1
= − ℎ𝑖+1
ℎ𝑖+1 3
Remarque
𝑖 = 1, … , 𝑛 − 1
Cette équation est une écriture condensée d'un système de 𝑛 − 1 équations, elle peut
être réécrite sous la forme matricielle suivante:
A. RTIBI 9
ℎ1 2(ℎ1 + ℎ2 ) ℎ2 0 . 0
𝑀1 𝛼2
0 ℎ2 2(ℎ2 + ℎ3 ) ℎ3 . 0 𝑀2 𝛼3
. 0 0 0 . . | ⋮ || ⋮
=
. . . . . . | 𝑀
𝑛 ⋮
. . . . . 0 𝑀𝑛+1 𝛼𝑛
(0 0 0 ℎ𝑛−1 2(ℎ𝑛−1 + ℎ𝑛 ) ℎ𝑛 )
On obtient ainsi un système de 𝑛 − 1 équations à 𝑛 + 1 inconnus. Deux conditions
supplémentaires sont nécessaires pour réduire le nombre d'inconnus à autant
d'équations. Plusieurs choix sont possibles. Ces choix restent en général sans grande
influence sur la fonction d'interpolation; leur influence peut paraître au niveau des
dérivées de la fonction aux bords de l'intervalle.
- Splines naturelles
Ce choix consiste à imposer 𝑀1 = 𝑀𝑛+1 = 0, on se ramène dans ce cas à la résolution
d'un système tridiagonal.
- Autre choix
A. RTIBI 10
Travaux Pratiques (à rendre)
But
Formulation
On dispose du tableau suivant montrant des valeurs expérimentales obtenues en
mesurant la vitesse (en km/h) d'un véhicule toutes les 5 secondes:
t(s) 0 5 10 15 20 25 30 35 40 45
v(km/h) 70 75 73 69 70 75 69 72 67 64
1. Montrer que, sur la base des données du tableau précédent, l'interpolation basée
sur l'utilisation du polynôme Lagrange (ou de Newton) conduirait à des erreurs
importantes aux temps t = 2.5s et 42.5s. Justifier votre réponse en déduisant les
valeurs de la vitesse à partir du polynôme de Lagrange de degré 9 (polynôme
construit à partir de 10 points de collocation).
Rappel
où 𝑓(𝑥𝑖 ) est une fonction connue par ses valeurs aux nœuds de collocation et nulle part
ailleurs et les polynômes 𝐿𝑖 (𝑥) sont donnés par:
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑖−1 )(𝑥 − 𝑥𝑖+1 ) … (𝑥 − 𝑥𝑛 )
𝐿𝑖 (𝑥) =
(𝑥𝑖 − 𝑥0 )(𝑥𝑖 − 𝑥1 ) … (𝑥𝑖 − 𝑥𝑖−1 )(𝑥𝑖 − 𝑥𝑖+1 ). . (𝑥𝑖 − 𝑥𝑛 )
𝑖 = 0,1 … … … , 𝑛
A. RTIBI 11
Différentiation et Intégration
I. Introduction
On a vu que la méthode d’interpolation permet d’évaluer la valeur d’une fonction en un
point quelconque situé entre deux points de collocation, [(𝑥𝑖 , 𝑓(𝑥𝑖 ) 𝑎𝑣𝑒𝑐 𝑖 = 0, 1, … , 𝑛].
Dans ce chapitre, il s’agit plutôt d’évaluer les dérivées de cette fonction de même que son
intégrale
𝑥𝑛
𝑓 ′ (𝑥) 𝑒𝑡 ∫ 𝑓(𝑥)𝑑𝑥
𝑥0
𝑓 ′ (𝑥) = 𝑝𝑛′ (𝑥) + 𝐸𝑛′ (𝑥) 𝑒𝑡 𝑓 ′′ (𝑥) = 𝑝𝑛′′ (𝑥) + 𝐸𝑛′′ (𝑥)
Remarque
1. dérivées d’ordre 1
L’approximation des dérivées d’ordre 1 est une évaluation de la pente de la fonction
𝑓(𝑥). L’ordre et la précision dépendent du polynôme d’interpolation qui peut être de
degré plus ou moins élevé. En fait, on montre que si on utilise un polynôme
d’interpolation de degré n, la dérivée de ce polynôme, évaluée en 𝑥 = 𝑥𝑖 , est une
approximation d’ordre 𝑛 pour 𝑓 ′ (𝑥𝑖 ).
Remarque
A. RTIBI 12
• En formulation de Newton avec un polynôme de degré 2 passant par
[(𝑥𝑖 , 𝑓(𝑥𝑖 ) 𝑎𝑣𝑒𝑐 𝑖 = 0, 1,2]
Si on pose 𝑥2 − 𝑥1 = 𝑥1 − 𝑥0 = ℎ
−𝑓(𝑥2 ) + 4𝑓(𝑥1 ) − 3𝑓(𝑥0 )
𝑓 ′ (𝑥0 ) = + 𝐸2′ (𝑥0 ) (𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑐𝑒 𝑎𝑣𝑎𝑛𝑡 𝑑’𝑜𝑟𝑑𝑟𝑒 2)
2ℎ
𝑓(𝑥2 ) − 𝑓(𝑥0 )
𝑓 ′ (𝑥1 ) = + 𝐸2′ (𝑥1 ) (𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑐𝑒 𝑐𝑒𝑛𝑡𝑟é𝑒 𝑑’𝑜𝑟𝑑𝑟𝑒 2)
2ℎ
3𝑓(𝑥2 ) − 4𝑓(𝑥1 ) + 𝑓(𝑥0 )
𝑓 ′ (𝑥2 ) = + 𝐸2′ (𝑥2 ) (𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑐𝑒 𝑎𝑟𝑟𝑖è𝑟𝑒 𝑑’𝑜𝑟𝑑𝑟𝑒 2)
2ℎ
2. dérivées d’ordre supérieur
Les dérivées d’ordre supérieur à un posent un problème au niveau de l’analyse de
l’erreur 𝐸𝑛 (𝑥). On contourne la difficulté en utilisant une approche basée sur des
développements de Taylor.
Le polynôme de degré 2 qui interpole une fonction passant par 3 points est :
𝑓(𝑥2 ) − 2𝑓(𝑥1 ) + 𝑓(𝑥0 )
𝑝2′′ (𝑥) = 2𝑓[𝑥0 , 𝑥1 , 𝑥2 ] =
ℎ2
𝑓(𝑥2 ) − 2𝑓(𝑥1 ) + 𝑓(𝑥0 )
𝑓 ′′ (𝑥0 ) = 𝑓 ′′ (𝑥1 ) = 𝑓 ′′ (𝑥2 ) = 𝑒𝑡 𝑝𝑜𝑢𝑟 𝑡𝑜𝑢𝑡 𝑥 ∈ [𝑥0 , 𝑥2 ]
ℎ2
Discussion sur l’ordre de cette approximation
Procédant par un développement de Taylor pour trouver l’ordre de l’approximation de
𝑓 ′′ (𝑥0 ), 𝑓 ′′ (𝑥1 ) 𝑒𝑡 𝑓 ′′ (𝑥2 )
On a
1 1
𝑔(𝑦 ± 𝑚ℎ) = 𝑔(𝑦) ± 𝑚ℎ𝑔′ (𝑦) + (𝑚ℎ)2 𝑔′′ (𝑦) ± (𝑚ℎ)3 𝑔′′′ (𝑦) + 𝑂(ℎ4 )
2 6
• ordre de l’approximation en 𝑥0
A. RTIBI 13
L’approximation est d’ordre 1 de la dérivée seconde en 𝑥0
• ordre de l’approximation en 𝑥1
𝑓(𝑥1 + ℎ) − 2𝑓(𝑥1 ) + 𝑓(𝑥1 − ℎ)
= 𝑓 ′′ (𝑥1 ) + 𝑂(ℎ2 )
ℎ2
L’approximation est d’ordre 2 de la dérivée seconde en 𝑥1
• ordre de l’approximation en 𝑥2
𝑓(𝑥2 ) − 2𝑓(𝑥2 − ℎ) + 𝑓(𝑥2 − 2ℎ)
= 𝑓 ′′ (𝑥2 ) + 𝑂(ℎ)
ℎ2
L’approximation est d’ordre 1 de la dérivée seconde en 𝑥2
Remarque
3. Extrapolation de Richardson
C’est une technique qui permet d’améliorer la précision d’une méthode d’approximation
Désignons par 𝑄ap (h) une approximation numérique d’une quantité exacte 𝑄ex
inconnue. Généralement, plus le pas ℎ est petit plus l’approximation est précise.
Généralement, l’approximation 𝑄ap (ℎ/2) est plus précise que 𝑄ap (h).
L’idée consiste à combiner les deux équations de façon à faire disparaître le terme cn ℎ𝑛
qui est d’ordre 𝑛.
1
(2𝑛 − 1)𝑄ex = 2𝑛 𝑄ap (ℎ/2) − 𝑄ap (ℎ) − cn+1 ℎ𝑛+1 + ⋯
2
2𝑛 𝑄ap (ℎ/2) − 𝑄ap (ℎ)
𝑄ex = + 𝑂(ℎ𝑛+1 )
(2𝑛 − 1)
A. RTIBI 14
Exemple
𝑒 0.1 −𝑒 0
Pour ℎ = 0.1 : 𝑓 ′ (0) = = 1.05170918 = 𝑄ap (0.1)
0.1
𝑒 0.05 −𝑒 0
Pour ℎ = 0.05 : 𝑓 ′ (0) = = 1.02542192 = 𝑄ap (0.05)
0.05
𝑒 0.05 −𝑒 −005
Pour ℎ = 0.05 : 𝑓 ′ (0) = = 1.000416719 = 𝑄ap (0.05)
2×0.05
𝑒 0.025 −𝑒 −0025
Pour ℎ = 0.025 : 𝑓 ′ (0) = = 1.00010418 = 𝑄ap (0.025)
2×0.05
′ (0)
22 𝑄ap (0.025) − 𝑄ap (0.05)
𝑓 = = 0.000000007
(22 − 1)
𝑥1 𝑥0 𝑥1
= ∫ [𝑓(𝑥0 ) + 𝑓[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 )]𝑑𝑥
𝑥0 𝑓(𝑥)
A. RTIBI 15
𝑥0 𝑥𝑖 𝑥𝑖+1 𝑥𝑛
𝑥1 −𝑥0
= (𝑓(𝑥0 ) + 𝑓(𝑥1 )) C’est l’aire du trapèze
2
ℎ
= [𝑓(𝑥0 ) + 2[𝑓(𝑥1 ) + ⋯ 𝑓(𝑥𝑛−1 )] + 𝑓(𝑥𝑛 )]
2
qui est la formule des trapèzes composée.
On montre que la précision est d’ordre 2 pour la méthode des trapèzes composée.
Exemple
𝜋⁄2
∫ 𝑠𝑖𝑛𝑥 𝑑𝑥 = 1 (𝑣𝑎𝑙𝑒𝑢𝑟 𝑎𝑛𝑎𝑙𝑦𝑡𝑖𝑞𝑢𝑒 𝑒𝑥𝑎𝑐𝑡𝑒)
0
dont l’erreur est 0.0032148 qui est environ quatre fois plus petite que celle obtenue
avec 4 sous intervalles ; ce qui justifie que la méthode des trapèzes est d’ordre 2.
Pour obtenir une précision au moins égale à 3, on utilise la formule de Richardson avec
𝑛 = 2:
𝜋⁄2
22 (0.9967852) − (0.9871158)
∫ 𝑠𝑖𝑛𝑥 𝑑𝑥 ≈ = 1.000008333
0 (22 − 1)
Remarque
A. RTIBI 16
• La méthode des trapèzes composée est d’ordre 2. La méthode des trapèzes
simple, bien qu’elle soit d’ordre 3, est rarement utilisée car elle est imprécise (on
montre que le terme d’erreur, pour la méthode des trapèzes simple, est donné
𝑓 ′′ (𝜂)
par – ℎ3 avec 𝜂𝜖[𝑥0 , 𝑥1 ]
12
• La méthode des trapèzes donne un résultat exact si la fonction 𝑓(𝑥) est un
polynôme de degré 1 car, dans ce cas, la dérivée seconde s’annule dans le terme
d’erreur.
b. Formule de Simpson 1/3
On utilise dans ce cas un polynôme de degré 2 dont la courbe passe par les 3 points
[(𝑥𝑖 , 𝑓(𝑥𝑖 ) 𝑎𝑣𝑒𝑐 𝑖 = 0, 1,2]
𝑥2
= ∫ {𝑓(𝑥0 ) + 𝑓[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 ) + 𝑓[𝑥0 , 𝑥1 , 𝑥2 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 )} 𝑑𝑥
𝑥0
Pour ℎ = 𝑥1 − 𝑥0 = 𝑥2 − 𝑥1 on a :
𝑥2
ℎ
∫ 𝑓(𝑥)𝑑𝑥 ≈ [𝑓(𝑥0 ) + 4𝑓(𝑥1 ) + 𝑓(𝑥2 )]
𝑥0 3
Exemple
𝜋⁄2
𝜋⁄4
∫ 𝑠𝑖𝑛𝑥 𝑑𝑥 ≈ [𝑠𝑖𝑛0 + 4𝑠𝑖𝑛 𝜋⁄4 + 𝑠𝑖𝑛 𝜋⁄2] = 1.00227987
0 3
résultat plus précis que celui obtenu par la méthode des trapèzes simple. La précision de
la méthode de Simpson 1/3 peut être améliorée aussi par la décomposition de
l’intervalle en sous intervalles.( Simpson 1/3 composée)
Puisque la méthode de Simpson 1/3 requiert 2 intervalles, on divise l’intervalle
d’intégration [a, b] en 2n sous intervalles et on utilise la méthode Simpson 1/3 simple
dans chaque paire de sous intervalles. On obtient alors la méthode de Simpson 1/3
composée comme suit :
𝑛 𝑛
𝑥𝑛 𝑥𝑖+1
ℎ
∫ 𝑓(𝑥)𝑑𝑥 = ∑ ∫ 𝑓(𝑥)𝑑𝑥 ≈ ∑ [𝑓(𝑥2𝑖 ) + 4𝑓(𝑥2𝑖+1 ) + 𝑓(𝑥2𝑖+2 )]
𝑥0 𝑥𝑖 3
𝑖=0 𝑖=0
ℎ
= {[𝑓(𝑥0 ) + 4𝑓(𝑥1 ) + 𝑓(𝑥2 )] + [𝑓(𝑥2 ) + 4𝑓(𝑥3 ) + 𝑓(𝑥4 )]
3
+ ⋯ [𝑓(𝑥2𝑛−2 ) + 4𝑓(𝑥2𝑛−1 ) + 𝑓(𝑥2𝑛 )]}
ℎ
= {[𝑓(𝑥0 ) + 4𝑓(𝑥1 ) + 𝑓(𝑥2 )] + [𝑓(𝑥2 ) + 4𝑓(𝑥3 ) + 𝑓(𝑥4 )]
3
+ ⋯ [𝑓(𝑥2𝑛−2 ) + 4𝑓(𝑥2𝑛−1 ) + 𝑓(𝑥2𝑛 )]}
A. RTIBI 17
On remarque que tous les termes de rang pair / (impair) sont multipliés par 2 / (4) sauf
le premier et le dernier.
Exemple
𝜋⁄2
∫ 𝑠𝑖𝑛𝑥 𝑑𝑥
0
Si on utilise un polynôme de degré 3 passant, dans l’intervalle [𝑥0 , 𝑥3 ], par les points,
[(𝑥𝑖 , 𝑓(𝑥𝑖 ) 𝑎𝑣𝑒𝑐 𝑖 = 0, 1,2] on obtient la formule de Simpson 3/8 qui est donnée par :
𝑛 𝑛
𝑥𝑛 𝑥𝑖+3
3ℎ
∫ 𝑓(𝑥)𝑑𝑥 = ∑ ∫ 𝑓(𝑥)𝑑𝑥 ≈ ∑ [𝑓(𝑥3𝑖 ) + 3𝑓(𝑥3𝑖+1 ) + 3𝑓(𝑥3𝑖+2 ) + 𝑓(𝑥3𝑖+3 )]
𝑥0 𝑥𝑖 8
𝑖=0 𝑖=0
3ℎ
= [𝑓(𝑥0 ) + 3𝑓(𝑥1 ) + 3𝑓(𝑥2 ) + 2𝑓(𝑥3 ) + 3𝑓(𝑥4 ) + ⋯ + 2𝑓(𝑥3𝑛−3 ) + 3𝑓(𝑥3𝑛−2 )
8
+ 3𝑓(𝑥3𝑛−1 ) + 𝑓(𝑥3𝑛 )]
Remarque
La méthode de Simpson 3/8 est beaucoup moins utilisée que celle de Simpson 1/3.
A. RTIBI 18
Travaux Pratiques (à rendre)
But
Evaluer numériquement :
1
∫ 𝑓(𝑥)𝑑𝑥
0
On donne 𝑓(𝑥) = 4𝑥 3 + 3𝑥 2 + 2𝑥 + 1.
A. RTIBI 19
Equations non linéaires
I. Introduction
Dans ce chapitre, on passera en revue les principales méthodes numériques utilisées
pour trouver une racine d’une équation non linéaire. On examinera les spécificités et le
comportement de chaque méthode. Il s’agit donc de décrire quelques méthodes pour
résoudre numériquement une équation de la forme :
𝑓(𝑥) = 0
Les méthodes proposées sont itératives construisant une suite (𝑥𝑛 ) vérifiant à la fin
lim 𝑥𝑛 = 𝑟 . Le but consiste donc à chercher une valeur de 𝑥, notée 𝑟, racine ou zéro de
𝑛→∞
la fonction 𝑓(𝑥). En règle générale, lorsque plusieurs solutions sont possibles, il est
difficile de prévoir à l’avance vers quelle racine r une méthode itérative converge. Si on
tombe sur une racine non souhaitée, on doit recommencer l’algorithme avec un autre
point de départ (estimation initiale de la solution). Il est à noter que le recours aux
méthodes numériques devient une alternative incontournable en l’absence de solution
analytique ou lorsque l’obtention de cette dernière nécessite des développements
mathématiques complexes.
L’un des avantages de cette méthode est le fait qu’elle s’applique pour la résolution d’un
système d’équations.
Définition : Un point fixe pour une fonction 𝑔(𝑥) est une valeur de 𝑥 invariante pour
cette fonction, i.e. toute solution de 𝑔(𝑥) = 𝑥 est un point fixe pour la fonction 𝑔(𝑥).
Exemple
Pour la fonction (𝑥) = 𝑥 3 , les valeurs 0, 1 et −1 sont des points fixes pour 𝑔. Pour établir
un algorithme permettant de déterminer les points fixes, on effectue les opérations de la
forme suivante :
Où 𝑥0 est une valeur estimée initialement ; elle est ‘quelconque’ à priori. L’algorithme
construit est général et son importance réside dans la relative facilité avec laquelle on
analyse la convergence.
A. RTIBI 20
a. oui⇒ Convergence non atteinte en 𝑁 itérations
Arrêt du programme
b. Non⇒ Retour à l’étape 2.
Exemple
Considérons l’équation 𝑓(𝑥) = 𝑥 3 + 𝑥 − 1 = 0, Il existe plusieurs façons de transformer
𝑓(𝑥) sous la forme ) 𝑔(𝑥) = 𝑥. On propose à titre indicatif les transformations suivantes
:
3 1
−𝑥 3 + 1 = 𝑥 √1 − 𝑥 = 𝑥 𝑥=
1 + 𝑥2
Toutes les transformations précédentes sont possibles (elles ne sont pas les seules) mais
on verra et on comprendra plus tard qu’elles ne sont pas équivalentes pour les
performances de la méthode des points fixes.
Remarque
Seuls certains choix conduisent à des algorithmes convergents. Ainsi, selon le choix de la
fonction itérative 𝑔(𝑥) et de la valeur initiale 𝑥0 , l’algorithme des points fixes peut
converger ou carrément diverger. D’où l’intérêt d’étudier les conditions de convergence
de cette méthode.
𝑒𝑛 = 𝑥𝑛 − 𝑟
Question : Sous quelles conditions, l’algorithme des points fixes converge-t-il vers la
racine ? Si la convergence a lieu, l’erreur en va tendre vers 0 lorsque 𝑛 devient
suffisamment grand.
A. RTIBI 21
Cette relation renseigne sur la vitesse avec laquelle l’erreur diminue. En fait, plus 𝑔′ (𝑟)
est petit, plus la convergence est rapide.
Ainsi, à l’étape de calcul𝑛 + 1, l’erreur est directement proportionnelle à l’erreur
correspondant à l’étape 𝑛. Cette erreur diminue si |𝑔′ (𝑟)| < 1. Cette condition est
nécessaire pour la convergence d’une méthode de points fixes. De plus, si : −1 <
|𝑔′ (𝑟)| < 0 , l’erreur va changer de signe à chaque itération et les valeurs de 𝑥𝑛 vont
osciller de part et d’autre de 𝑟.
Définitions
• Le taux de convergence d’une méthode de points fixes est donné par 𝑔′ (𝑟),
Lorsqu’il est nul l’erreur est proportionnelle à 𝑒𝑛2 dans le cas où 𝑔′′ (𝑟) ≠ 0
• Une méthode de points fixes converge à l’ordre 𝑝 si |𝑒𝑛+1 | ≈ 𝑐|𝑒𝑛 |𝑝 où 𝑐 est une
constante.
La convergence d’ordre 1 est dite linéaire, celle d’ordre 2 est dite quadratique.
Remarques
Définitions
• Le bassin d’attraction de la racine 𝑟 pour la MPF 𝑥𝑛+1 = 𝑔(𝑥𝑛 ) est l’ensemble des
valeurs initiales 𝑥0 pour lesquelles 𝑥𝑛 tend vers 𝑟 lorsque 𝑛 → ∞
Le bassin d’attraction de la racine r comprend donc tous les points 𝑥0 pour lesquels la
méthode des points fixes converge vers la racine 𝑟.
On pourra avoir recours à une méthode graphique pour choisir 𝑥0 aussi près que
possible de r.
• Un point fixe 𝑟 de la fonction 𝑔(𝑥) est dit attractif si |𝑔′ (𝑟)| < 1, répulsif si
|𝑔′ (𝑟)| > 1 et indéterminé si |𝑔′ (𝑟)| = 1
Exemple
Considérons 𝑔(𝑥) = 𝑥 3 qui possède les trois points fixes 0, ±1. Or, les points fixes 𝑥 =
±1 sont répulsifs car 𝑔′ (±1) = 3 Le point fixe 𝑥 = 0 est plus intéressant car 𝑔′ (0) = 0
c’est donc un point fixe attractif. La suite des valeurs engendrées par la MPF à partir de
𝑥0 , 𝑥0 3 , 𝑥0 9 , 𝑥0 27 , … .. Cette suite converge vers 0 si 𝑥0 ∈ ]−1, 1[ Ainsi, l’intervalle est le
bassin d’attraction du point fixe 0 Un choix de 𝑥0 à l’extérieur de cet intervalle conduit
à une divergence de l’algorithme.
Remarques
A. RTIBI 22
• Le bassin d’attraction d’un point fixe répulsif se réduit à 𝑟 (un seul point qui est la
racine).
• Dans le cas où |𝑔′ (𝑟)| = 1, s’il y a convergence, celle-ci serait extrêmement lente.
2. Extrapolation d’Aitken
C’est une extrapolation qui permet d’améliorer la convergence d’une MPF. En effet, elle
permet, à partir d’une MPF convergente à l’ordre 1, d’obtenir une méthode convergente
à l’ordre 2.
C'est-à-dire
𝑥2 − 𝑟 𝑥1 − 𝑟
≈
𝑥1 − 𝑟 𝑥0 − 𝑟
𝑥2 𝑥0 − 𝑥1 2
𝑟≈
𝑥2 − 2𝑥1 + 𝑥0
Cette formule a été trouvée numériquement instable. A la place, on utilise la formule
équivalente suivante :
(𝑥1 − 𝑥0 )2
𝑟 ≈ 𝑥0 −
𝑥2 − 2𝑥1 + 𝑥0
Cette formule est dite formule d’extrapolation d’Aitken. Elle permet d’avoir, à partir de
𝑥0 , 𝑥1 et 𝑥2 , une meilleure approximation du point fixe 𝑟. Il en résulte un algorithme qui
accélère efficacement la convergence d’une MPF : c’est l’algorithme de Steffenson.
Algorithme de Steffenson
A. RTIBI 23
5. On effectue le changement 𝑥0 = 𝑥𝑒 et on retourne à l’étape 2.
𝑓(𝑥0 + 𝛿𝑥) = 0
Remarque
L’algorithme de la méthode de Newton est un cas particulier de la MPF où 𝑔(𝑥) = 𝑥 −
𝑓(𝑥)
𝑓 ′ (𝑥)
A. RTIBI 24
1. Interprétation géométrique
𝑓(𝑥)
La droite tangente à la courbe en (𝑥0 , 𝑓(𝑥0 )) admet pour
pente 𝑓 ′ (𝑥0 ) et son équation est 𝑦 = 𝑓(𝑥0 ) + 𝑓 ′ (𝑥0 )(𝑥 −
𝑥0 ) ; elle correspond donc à un développement de Taylor
à l’ordre 1 autour de 𝑥0 et coupe l’axe 𝑂𝑥 en 𝑥1 (valeur de
𝑓(𝑥 ) 𝑥𝑖+1 𝑥𝑖
𝑥 qui annule 𝑦) , 𝑥1 = 𝑥0 − 𝑓′ (𝑥0 )
0
2. Analyse de la convergence
Puisque la méthode de Newton est un cas particulier de la méthode des points fixes avec
𝑓(𝑥)
(𝑥) = 𝑥 − 𝑓′ (𝑥) , la convergence dépend donc de 𝑔′ (𝑟).
Evaluons la dérivée de g :
′ (𝑥)
𝑓(𝑥)𝑓 ′′ (𝑥)
𝑔 = 2
(𝑓 ′ (𝑥))
Remarque
Dans le cas où 𝑓 ′ (𝑟) est également nul, 𝑔′ (𝑟) pourrait être différent de zéro. Pour
s’assurer de la convergence quadratique (en général) de la méthode de Newton, il suffit
de calculer 𝑔′′ (𝑟).
2 2
′′ (𝑥)
(𝑓 ′ (𝑥)) [𝑓 ′ (𝑥)𝑓 ′′ (𝑥) + 𝑓(𝑥)𝑓 ′′′ (𝑥)] − 2𝑓(𝑥)𝑓 ′ (𝑥)(𝑓 ′′ (𝑥))
𝑔 = 4
(𝑓 ′ (𝑥))
′′ (𝑟)
𝑓 ′′ (𝑟)
𝑔 = ′
𝑓 (𝑟)
Remarque
Un mauvais choix de la valeur de 𝑥0 peut provoquer la divergence de la méthode de
Newton.
A. RTIBI 25
3. Cas des racines multiples
Lorsque la convergence est lente, la raison est souvent due à la multiplicité d’une
solution.
Définition
Une racine 𝑟 de 𝑓(𝑥) est dite de multiplicité m si la fonction 𝑓(𝑥) peut s’écrire sous la
forme :
Théorème
Démonstration
𝑓 ′′ (𝑥) = 𝑚(𝑚 − 1)(𝑥 − 𝑟)𝑚−2 ℎ(𝑥) + 2𝑚(𝑥 − 𝑟)𝑚−1 ℎ′ (𝑥) + (𝑥 − 𝑟)𝑚 ℎ′′ (𝑥)
ℎ(𝑟)[𝑚(𝑚 − 1)ℎ(𝑟)]
𝑔′ (𝑟) = 2
(𝑚ℎ(𝑟))
Interprétation
Dans le cas d’une solution multiple, il existe un moyen pour récupérer la convergence
quadratique. Il suffit de transformer le problème posé en un problème équivalent
admettant les mêmes racines mais dont la multiplicité est égale à 1.
A. RTIBI 26
𝑓(𝑥)
𝑢(𝑥) =
𝑓 ′ (𝑥)
Les fonctions 𝑓(𝑥) et 𝑢(𝑥) admettent les mêmes racines mais r est une racine simple
1
pour 𝑢(𝑥). Comme ℎ(𝑟) ≠ 0 on a 𝑢(𝑟) = 0 et 𝑢′ (𝑟) = 𝑚.
Remarque
La convergence quadratique de la méthode de Newton, exige de connaître à l’avance la
multiplicité m de la racine recherchée ce qui n’est pas évident en pratique.
A. RTIBI 27
Remarque
Puisque 𝑓(𝑟) = 0 et si 𝑥1 , 𝑥2 sont tels que 𝑥1 < 𝑟 < 𝑥2 , alors 𝑓(1). 𝑓(𝑥2 ) < 0. Ceci signifie
Remarque
A. RTIBI 28
𝑥1 − 𝑥2
2𝑛
𝑥 −𝑥
𝑥1 −𝑥2 ln ( 1 2 )
Le nombre n d’itérations nécessaires pour avoir <△ 𝑟 tel que 𝑛 > △𝑟
. En
2𝑛 ln (2)
pratique, on considère la plus petite valeur de n vérifiant cette condition.
A. RTIBI 29
Travaux Pratiques (à rendre)
But
Formulation
A. RTIBI 30
Systèmes d’équations algébriques
I. Introduction
Un système d’équations linéaires est un ensemble d’équations portant sur les mêmes
inconnues. En général, un système de n équations linéaires à n inconnues peut être écrit
sous la forme suivante :
On peut utiliser la notation matricielle, qui est beaucoup plus pratique et surtout plus
compacte. On écrit alors le système sous la forme matricielle : 𝐴𝑥⃗ = 𝑏⃗⃗
Les méthodes de résolution des systèmes linéaires se groupent dans deux grandes
catégories :
• Les méthodes directes : une méthode est dite directe si elle permet d’obtenir la
solution exacte du système en un nombre fini d’opérations élémentaires
(×, +, −,÷).
• Les méthodes itératives : une méthode est dite itérative si elle permet de
construire une suite 𝑥𝑛 qui converge vers la solution 𝑥 du système.
Si une matrice A est triangulaire alors det(𝐴) = ∏𝑛𝑖=1 𝑎𝑖𝑖 . On en déduit que A est
inversible si et seulement si 𝑎𝑖𝑖 ≠ 0 𝑝𝑜𝑢 𝑡𝑜𝑢𝑡 𝑖 = 1, … , 𝑛
𝑥1 = 𝑏1 ⁄𝑎11 𝑥𝑛 = 𝑏𝑛 ⁄𝑎𝑛𝑛
{ 𝑏𝑖 − ∑𝑖−1
𝑗=1 𝑎𝑖𝑗 𝑥𝑗 { 𝑏𝑖 − ∑𝑛𝑗=𝑖+1 𝑎𝑖𝑗 𝑥𝑗
𝑥𝑖 = 𝑥𝑖 =
𝑎𝑖𝑖 𝑎𝑖𝑖
A. RTIBI 31
(résolution par descente) (résolution par remontée)
Remarque
Cette méthode consiste à utiliser des opérations élémentaires sur le système pour
rendre la matrice (𝑎𝑖𝑗 ) triangulaire supérieure.
Toute les opérations qui seront effectuer sur la ma matrice (𝑎𝑖𝑗 ) affecteront la matrice
unicolonne (𝑏𝑖 )
Exemple
2 1 2 𝑥1 10
(6 4 0) |𝑥2 = |26 𝐴𝑥⃗ = 𝑏⃗⃗
8 5 1 𝑥3 35
2 1 2 10
La matrice augmentée est : (6 4 0 26) = (𝐴, 𝑏⃗⃗)
8 5 1 35
𝑎11 = 2 ≠ 0, s’appelle premier pivot de l’élimination de Gauss. On effectue alors pour
toute ligne 𝐿𝑖 𝑝𝑜𝑢𝑟 𝑖 ≥ 2 :
𝑎𝑖1
𝐿𝑖 ⟵ 𝐿𝑖 − 𝐿
𝑎11 1
𝑚𝑖1 = 𝑎𝑖1 ⁄𝑎11 ∶ 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑡𝑒𝑢𝑟 , il sert pour éliminer l’inconnu 𝑥1 des lignes 𝑖 ≥ 2 en
leur retranchant 𝑚𝑖1 fois la première ligne. 𝑚21 = 3 et 𝑚31 = 4
2 1 2 10
On obtient : (0 1 −6 −4)
0 1 −7 −5
Le deuxième pivot est 1. On effectue la transformation :
1
𝐿3 ⟵ 𝐿3 − 𝐿2 𝑚32 = 1
1
A. RTIBI 32
2 1 2 10
(0 1 −6 −4) = (𝑈, 𝑏⃗⃗𝑚 )
0 0 −1 −1
𝑥1 = 3
La solution est donc : |𝑥2 = 2
𝑥3 = 1
Remarque
Exemple :
1 0 0 1 0 0 1 0 0
𝑇1 = (−3 1 0) 𝑇2 = ( 0 1 0) 𝑇3 = (0 1 0)
0 0 1 −4 0 1 0 −1 1
𝑈 = 𝑇3 𝑇2 𝑇1 𝐴 𝑒𝑡 𝐴 = 𝑇1−1 𝑇2−1 𝑇3−1 𝑈
1 0 0 1 0 0 1 0 0
𝑇1−1 = (3 1 0) 𝑇2−1 = (0 1 0) 𝑇3−1 = (0 1 0 )
0 0 1 4 0 1 0 1 1
1 0 0
𝑇1−1 𝑇2−1 𝑇3−1 = 𝐿 = (3 1 0)
4 1 1
1 0 0 2 1 2
𝐴 = (3 1 0 ) (0 1 −6) = 𝐿𝑈
4 1 1 0 0 −1
1. Décomposition de Crout
A. RTIBI 33
Cet exemple de décomposition consiste à prendre des valeurs unités sur la diagonale de
la matrice 𝑈. Raisonnons sur une matrice 4 × 4 comme exemple en supposant au
préalable que les pivots 𝑙𝑖𝑖 ≠ 0
𝑙22 = 𝑎22 − 𝑙21 𝑢12 𝑙32 = 𝑎32 − 𝑙31 𝑢12 𝑙42 = 𝑎42 − 𝑙41 𝑢12
𝑙33 = 𝑎33 − 𝑙31 𝑢13 − 𝑙32 𝑢23 𝑙43 = 𝑎43 − 𝑙41 𝑢13 − 𝑙42 𝑢23
𝑎𝑖𝑗 − ∑𝑖−1
𝑘=1 𝑙𝑖𝑘 𝑢𝑘𝑗
𝑢𝑖𝑗 = 𝐶𝑎𝑙𝑐𝑢𝑙 𝑑𝑒 𝑙𝑎 𝑖 𝑖è𝑚𝑒 𝑙𝑖𝑔𝑛𝑒 𝑑𝑒 𝑈
𝑙𝑖𝑖
𝑢23 = (𝑎23 − 𝑙21 𝑢13 )⁄𝑙22 𝑢24 = (𝑎24 − 𝑙21 𝑢14 )⁄𝑙22
A. RTIBI 34
Résolution du système
𝑥𝑛 = 𝑦𝑛 𝑒𝑡 𝑥𝑖 = 𝑦𝑖 − ∑𝑛𝑘=𝑖+1 𝑢𝑖𝑘 𝑥𝑘
Exemple
1 −1 2 𝑥1 5
(3 1 2) |𝑥2 = |11
1 2 1 𝑥3 8
Solution :
1 −1 2 1 0 0 1 −1 2
(3 1 2) = (3 4 0) (0 1 −1)
1 2 1 1 3 2 0 0 1
𝑥1 1
𝑥
| 2 = |2
𝑥3 3
1. Décomposition 𝑳𝑼 avec permutation de lignes
Quand un pivot 𝑙𝑖𝑖 = 0 on fait une permutation de ligne pour retrouver un pivot non nul
et cette permutation doit affecter aussi la matrice colonne 𝑏⃗⃗ . Pour mémoriser toutes les
1
2
permutations on associe un vecteur permutation 𝑝⃗ = | au système.
⋮
3
Exemple
0 2 1 𝑥1 −1 1
(1 0 0) |𝑥2 = | 2 𝑝⃗ = |2
3 0 1 𝑥3 7 3
0 2 1 1
(1 0 0 ) 𝑝⃗ = |2
3 0 1 3
𝟎 2 1
• 1re colonne de 𝐿 : (𝟏 0 0)
𝟑 0 1
On effectue une permutation 𝐿1 ⟵ 𝐿3 , ligne ayant le plus grand pivot.
A. RTIBI 35
3 0 1 3
(1 0 0 ) 𝑝⃗ = |2
0 2 1 1
𝟑 𝟎 𝟏⁄𝟑 3
• 1re ligne de 𝑈 : (𝟏 0 0 ) 𝑝⃗ = |2
𝟎 2 1 1
• 2iéme colonne de 𝐿 : 𝑙22 = 𝑎22 − 𝑙21 𝑢12 = 0 − 1 × 0 = 0 et 𝑙32 = 2 − 0 × 0 = 2
𝟑 𝟎 𝟏⁄𝟑 3
(𝟏 0 0 ) 𝑝⃗ = |2
𝟎 2 1 1
3
𝐿2 ⟵ 𝐿3 ⇒ 𝑝⃗ = |1
2
𝟑 𝟎 𝟏⁄𝟑 3
(𝟎 2 1 ) 𝑝⃗ = |1
𝟏 0 0 2
𝟑 𝟎 𝟏⁄𝟑 3
(𝟎 2 𝟏⁄𝟐) 𝑝⃗ = |1
𝟏 0 0 2
La décomposition 𝐿𝑈 est :
𝟑 𝟎 𝟏⁄𝟑 3
(𝟎 𝟐 𝟏⁄𝟐 ) 𝑝⃗ = |1
𝟏 𝟎 −𝟏⁄𝟑 2
𝟑 𝟎 𝟎 𝟏 𝟎 𝟏⁄𝟑 𝟑 𝟎 𝟏
Et le produit 𝐿𝑈 = (𝟎 𝟐 𝟎 ) (𝟎 𝟏 𝟏⁄𝟐 ) = ( 𝟎 𝟐 𝟏)
𝟏 𝟎 −𝟏⁄𝟑 𝟎 𝟎 𝟏 𝟏 𝟎 𝟎
7
⃗𝑏⃗𝑝 = |−1
2
𝑈𝑥⃗ = 𝑦⃗ ⟹ 𝑥1 = 2 𝑥2 = −1 𝑥3 = 1
A. RTIBI 36
V. Système d’équation non linéaire
1. But
• Définir deux méthodes itératives permettant de résoudre un système d’équations
non linéaires.
• Elaborer un programme numérique sur la base de deux méthodes.
• Comparer la performance de ces deux méthodes.
2. Formulation du problème
𝑓1 (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) = 0
𝑓2 (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) = 0
{ ( 1)
⋮
𝑓𝑛 (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) = 0
𝜕𝑓 0 𝜕𝑓
Avec : 𝜕𝑥𝑖 = 𝜕𝑥 𝑖 (𝑋⃗ 0 ), 𝑓10 = 𝑓𝑖 (𝑋⃗ 0 ) et ∆𝑥𝑖0 = (𝑥𝑖1 − 𝑥𝑖0 )
𝑗 𝑗
𝐽⃗0 ∆
⃗⃗0 = −𝐹⃗ 0 (5)
A. RTIBI 37
𝜕𝑓10 𝜕𝑓10 𝜕𝑓10
…
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
𝜕𝑓20 𝜕𝑓20 𝜕𝑓20
…
𝐽⃗0 = 𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛 (6)
⋮ 0 ⋮ ⋮
⋮ ⋮ ⋮ ⋮
𝜕𝑓𝑛0 𝜕𝑓𝑛0 𝜕𝑓𝑛0
…
( 𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛 )
3. Methode de Newton
En faisant une estimation 𝑋⃗ 0 on obtient 𝐽⃗0 𝑒𝑡 𝐹⃗ 0 à partir des équations (6) et (8)
respectivement. La résolution de (5) donne ∆ ⃗⃗0 et la nouvelle estimation est déduite de
l’égalité 𝑋⃗1 = 𝑋⃗ 0 + ∆
⃗⃗0 .
Si 𝑋⃗ 0 est suffisamment voisin de 𝑋⃗ 𝑒 alors 𝑋⃗1 serait une meilleure approximation que 𝑋⃗ 0 .
𝐽⃗𝑘 ∆
⃗⃗𝑘 = −𝐹⃗ 𝑘 (9)
𝑋⃗ 𝑘+1 = 𝑋⃗ 𝑘 + ∆
⃗⃗𝑘 (10)
Remarque
4. Méthode de Picard
A. RTIBI 38
Lorsque la jacobienne est diagonalement dominante, il est avantageux de la rendre
tridiagonale en basculant vers le membre de droite tous les termes qui ne font pas parti
de la tridiagonale avec leurs coefficients. Ainsi on aura :
𝑛
𝜕𝑓10 0 𝜕𝑓10 0 𝜕𝑓10 𝑖𝑛𝑖𝑡
∆𝑥 + ∆𝑥 . . = −𝑓10 −∑ ∆𝑥
𝜕𝑥1 1 𝜕𝑥2 2 𝜕𝑥𝑗 𝑗
𝑗=3
𝑛
𝜕𝑓20 𝜕𝑓20 𝜕𝑓30 𝜕𝑓20 𝑖𝑛𝑖𝑡
∆𝑥10 + ∆𝑥20 + ∆𝑥30 . = −𝑓20 −∑ ∆𝑥
𝜕𝑥1 𝜕𝑥2 𝜕𝑥3 𝜕𝑥𝑗 𝑗 (12)
𝑗=4
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
0 𝑛−2
𝜕𝑓𝑛−1 0
𝜕𝑓𝑛0 0 𝜕𝑓𝑛0 𝑖𝑛𝑖𝑡
. . + ∆𝑥𝑛−1 + ∆𝑥 = −𝑓𝑛0 − ∑ ∆𝑥
𝜕𝑥𝑛−1 𝜕𝑥𝑛 𝑛 𝜕𝑥𝑗 𝑗
{ 𝑗=1
Remarque
Il est à noter qu’une fois satisfait, ces critères ne signifient pas toujours que le vecteur 𝑋⃗ 𝑘
est une bonne approximation du vecteur 𝑋⃗ 𝑒 et ne fournit aucune précision sur
l’estimation.
A. RTIBI 39
Travaux Pratiques
A. RTIBI 40
Equations différentielles
I. Introduction
Ici t est la variable indépendante et 𝑦(𝑡) est la variable dépendante et f est une fonction
quelconque de deux variables supposée suffisamment différentiable. Le but de l’étude
est d’obtenir numériquement une approximation de 𝑦(𝑡) pour tout 𝑡 ≥ 𝑡0 .
Définition
𝑦𝑛+1 = 𝑦𝑛 + ℎ𝜙(𝑡𝑛 , 𝑦𝑛 )
La méthode est dite à un pas si, pour obtenir la solution à 𝑡 = 𝑡𝑛+1, on doit utiliser la
solution numérique au temps 𝑡𝑛 seulement. Les méthodes à pas multiples sont des
méthodes qui exigent également la connaissance de la solution numérique aux temps
𝑡𝑛−1 , 𝑡𝑛−2,….
Ces méthodes permettent d’obtenir des ordres de précision élevés tout en évitant les
inconvénients d’autres méthodes (comme la méthode de Taylor par exemple) qui
nécessitent l’évaluation des dérivées partielles de la fonction 𝑓(𝑡, 𝑦).
ℎ2 ′′
𝑦(𝑡𝑛+1 ) = 𝑦(𝑡𝑛 + ℎ) = 𝑦(𝑡𝑛 ) + ℎ𝑦 ′ (𝑡𝑛 ) + 𝑦 (𝑦(𝑡𝑛 )) + 𝑂(ℎ3 )
2
ℎ2
𝑦(𝑡𝑛+1 ) = 𝑦(𝑡𝑛 + ℎ) = 𝑦(𝑡𝑛 ) + ℎ𝑓(𝑡𝑛 , 𝑦(𝑡𝑛 )) + 𝑓′(𝑡𝑛 , 𝑦(𝑡𝑛 )) + 𝑂(ℎ3 )
2
A. RTIBI 41
Le but consiste à remplacer l’équation précédente par une expression équivalente
possédant le même ordre de précision 𝑂(ℎ3 ).
Les paramètres 𝑎𝑖 sont des inconnus à déterminer de telle sorte que les expressions
précédentes aient toutes deux une erreur en 𝑂(ℎ3 ). L’expression (4) est avantageuse par
le fait qu’elle ne présente aucune dérivation.
Des développements en séries de Taylor en deux variables autour du point (𝑡𝑛 , 𝑦(𝑡𝑛 ))
conduisent aux égalités :
Par identification des deux développements puisqu’ils ont le même ordre de grandeur
on détermine les 𝑎𝑖 .
A. RTIBI 42
Enfin
𝑦(𝑡𝑛+1 ) = 𝑦(𝑡𝑛 ) + 𝑎1 ℎ𝑓(𝑡𝑛 , 𝑦(𝑡𝑛 )) + 𝑎2 ℎ𝑓(𝑡𝑛 + 𝑎3 ℎ, 𝑦(𝑡𝑛 ) + 𝑎4 ℎ)
ℎ ℎ
= 𝑦(𝑡𝑛 ) + 𝑓(𝑡𝑛 , 𝑦(𝑡𝑛 )) + 𝑓 (𝑡𝑛 + ℎ, 𝑦(𝑡𝑛 ) + ℎ𝑓(𝑡𝑛 , 𝑦(𝑡𝑛 )))
2 2
ℎ
= 𝑦(𝑡𝑛 ) + [𝑓(𝑡𝑛 , 𝑦(𝑡𝑛 )) + 𝑓 (𝑡𝑛 + ℎ, 𝑦(𝑡𝑛 ) + ℎ𝑓(𝑡𝑛 , 𝑦(𝑡𝑛 )))]
2
[𝑓(𝑡𝑛 , 𝑦(𝑡𝑛 )) + 𝑓 (𝑡𝑛 + ℎ, 𝑦(𝑡𝑛 ) + ℎ𝑓(𝑡𝑛 , 𝑦(𝑡𝑛 )))]
= 𝑦(𝑡𝑛 ) + ℎ
2
= 𝑦𝑛 + ℎ𝜙(𝑡𝑛 , 𝑦𝑛 )
Remarque
• L’évaluation de 𝑦𝑛+1 a été scindée en deux étapes pour faciliter les calculs avec 𝑦 ∗
apparaissant comme une variable temporaire et correspond à une itération de la
méthode d’Euler 𝑦𝑛+1 = 𝑦𝑛 + ℎ𝑓(𝑡𝑛 , 𝑦𝑛 ). En fait, 𝑦 ∗ est une prédiction de la
solution en 𝑡𝑛+1 , corrigée et améliorée à la deuxième étape de l’algorithme : c’est
une méthode de prédiction correction.
• Il existe d’autres variantes de Runge-Kutta d’ordre deux comme la méthode du
point milieu qui correspond à 𝑎1 = 0, 𝑎2 = 1, 𝑎3 = 1⁄2 et 𝑎4 = 𝑓(𝑡𝑛 , 𝑦(𝑡𝑛 ))⁄2
A. RTIBI 43
ℎ 𝑘2
𝑘3 = 𝑓 (𝑡𝑛 + , 𝑦𝑛 + )
2 2
𝑘4 = 𝑓(𝑡𝑛 + ℎ, 𝑦𝑛 + 𝑘3 )
ℎ
⇒ 𝑦𝑛+1 = 𝑦𝑛 + [𝑘1 + 2𝑘2 + 2𝑘3 + 𝑘4 ]
6
⇒ 𝑡𝑛+1 = 𝑡𝑛 + ℎ
iii. Arrêt du programme
Remarque
Pour obtenir 𝑦𝑛+1 on procède par intégrer cet équation dans l’intervalle [𝑡𝑛 , 𝑡𝑛+1 ]
𝑡𝑛+1 𝑡𝑛+1 𝑡𝑛+1
′ (𝑡)
∫ 𝑦 𝑑𝑡 = ∫ 𝑓(𝑡, 𝑦(𝑡)) 𝑑𝑡 ⇒ 𝑦(𝑡𝑛+1 ) = 𝑦(𝑡𝑛 ) + ∫ 𝑓(𝑡, 𝑦(𝑡)) 𝑑𝑡
𝑡𝑛 𝑡𝑛 𝑡𝑛
𝑡𝑛+1
𝑦𝑛+1 = 𝑦𝑛 + ∫ 𝑓(𝑡, 𝑦(𝑡)) 𝑑𝑡 𝑒𝑛 é𝑐𝑟𝑖𝑡𝑢𝑟𝑒 𝑎𝑙𝑔𝑜𝑟𝑖𝑡ℎ𝑚𝑒
𝑡𝑛
𝑡𝑛+1
∫𝑡𝑛 𝑓(𝑡, 𝑦(𝑡)) 𝑑𝑡 peut être calculer en utilisant une interpolation polynomiale de
Newton pour 𝑓(𝑡, 𝑦(𝑡)) sur ses valeurs calculées aux itérations précédentes.
𝑝𝑚 (𝑡) = 𝑓(𝑡𝑛 ) + 𝑓[𝑡𝑛 , 𝑡𝑛−1 ](𝑡 − 𝑡𝑛 ) + 𝑓[𝑡𝑛 , 𝑡𝑛−1 , 𝑡𝑛−2 ](𝑡 − 𝑡𝑛 )(𝑡 − 𝑡𝑛−1 ) + ⋯
A. RTIBI 44
Au lieu de prendre comme polynôme d’approximation de 𝑓(𝑡, 𝑦(𝑡)) le polynôme
précédent 𝑝𝑚 (𝑡) on peut prendre
∗ (𝑡)
𝑝𝑚 = 𝑓(𝑡𝑛+1 ) + 𝑓[𝑡𝑛+1 , 𝑡𝑛 ](𝑡 − 𝑡𝑛+1 ) + 𝑓[𝑡𝑛+1 , 𝑡𝑛 , 𝑡𝑛−1 ](𝑡 − 𝑡𝑛+1 )(𝑡 − 𝑡𝑛 ) + ⋯
A. RTIBI 45
• Les méthodes de prédiction-correction ne sont pas auto-démarrables ; leur
démarrage nécessite l’utilisation d’une méthode à un pas ( Runge-Kutta par
exemple).
• Pour un schéma d’ordre 3 par exemple, 𝑛 doit être ≥ 2. La condition initiale 𝑦0
étant connue, les valeurs de 𝑦1 et 𝑦2 doivent être calculées par une méthode à un
pas.
Exemple
3 2
𝑦 ′′ (𝑡) = 𝑦 𝑎𝑣𝑒𝑐 𝑐𝑜𝑛𝑑𝑖𝑡𝑖𝑜𝑛𝑠 𝑎𝑢𝑥 𝑓𝑟𝑜𝑛𝑡𝑖è𝑟𝑒𝑠 𝑦(0) = 4, 𝑦(1) = 1
2
Le problème est à valeurs aux frontières, il lui correspond le problème à valeurs initiales
(𝐶𝐼) suivant :
𝑦′ = 𝑓 𝑎𝑣𝑒𝑐 𝐶𝐼 𝑦(0) = 4
{ ′ 3 2
𝑓 = 𝑦 𝑎𝑣𝑒𝑐 𝐶𝐼 𝑓(0) = 𝛼
2
La valeur de 𝛼 n’est pas connue ; elle doit être telle que la condition 𝑦(1) = 1 soit
vérifiée moyennant une certaine précision fixée à l’avance. La méthode de tir permet de
résoudre les équations du dernier système de manière itérative.
La méthode du tir est basée sur l’estimation de la pente en 𝑡 = 0et comprend les étapes
suivantes :
A. RTIBI 46
Résolution d'une équation différentielle du second ordre par une méthode aux
différences finies
I. But
II. Formulation
Pour 𝑥𝜖[𝑎, 𝑏] et (𝑥), 𝑞(𝑥), 𝑟(𝑥) sont des fonctions connues de la variable 𝑥.
La méthode des différences finies est basée sur des développements en séries de Taylor.
Le problème différentiel est remplacé par un problème algébrique discret et la solution
est alors recherchée en un certain nombre de nœuds. On procède ainsi à la division de
l'intervalle [𝑎, 𝑏] en 𝑛 nœuds ou (𝑛 − 1) sous intervalles. Cette subdivision peut être
régulière (espacement entre les nœuds constant) ou irrégulière (espacement entre les
nœuds variable). Dans le cas d'une division régulière, on aura:
𝑏−𝑎
𝑥𝑖 = 𝑎 + (𝑖 − 1) 𝑖 = 1,2, … , 𝑛
(𝑛 − 1)
Δ𝑥 2
𝑦(𝑥𝑖 ± Δ𝑥) = 𝑦𝑖+1 = 𝑦𝑖 ± 𝑦𝑖′ Δ𝑥 + 𝑦𝑖′′ + O(Δ𝑥 3 ) Δ𝑥 = 𝑥𝑖+1 − 𝑥𝑖
2!
𝑦𝑖+1 − 𝑦𝑖−1 𝑦𝑖+1 − 2𝑦𝑖 + 𝑦𝑖−1
𝑦𝑖′ = + O(Δ𝑥 2 ) 𝑦𝑖′′ = + O(Δ𝑥 2 )
2Δ𝑥 Δ𝑥 2
A. RTIBI 47
Par substitution dans l’équation différentielle conduit, en chaque nœud 𝑖, à l'équation
algébrique suivante:
𝑎𝑖 𝑦𝑖−1 + 𝑏𝑖 𝑦𝑖 + 𝑐𝑖 𝑦𝑖+1 = 𝑑𝑖
𝑦(𝑎) = 𝑦1
• Pour des conditions aux frontière de type Direchlet : { ,
𝑦(𝑏) = 𝑦𝑛
La matrice sera sous la forme :
𝑏2 𝑐2 0 . . 0
𝑦2 𝑑2 − 𝑎2 𝑦1
𝑎3 𝑏3 𝑐3 0 . .
𝑦3 𝑑3
0 . . . . . | ⋮ =|
| ⋮
. . . . . . |
𝑦𝑛−2 𝑑𝑛−2
. . . 𝑎𝑛−2 𝑏𝑛−2 𝑐𝑛−2 𝑦𝑛−1 𝑑𝑛−1 − 𝑐𝑛−1 𝑦𝑛
(0 . 0 0 𝑎𝑛−1 𝑏𝑛−1 )
C'est une matrice tridiagonale qui fait appel à un sous programme de quelques
lignes pour donner les 𝑦𝑖 , 𝑖 = 2, … , 𝑛 − 1
𝑦′(𝑎) = 𝐴
• Pour des conditions aux frontière de type Newmann : { ,
𝑦′(𝑏) = 𝐵
Développement de Taylor au voisinage de 𝑦1 et 𝑦𝑛 toujours à l’ordre 2 donne :
′ ′′
Δ𝑥 2
𝑦(𝑥𝑖 ± Δ𝑥) = 𝑦𝑖+1 = 𝑦𝑖 ± 𝑦𝑖 Δ𝑥 + 𝑦𝑖 + O(Δ𝑥 3 )
2!
4𝑦2 − 𝑦3 − 2Δ𝑥𝐴 4𝑦𝑛−1 − 𝑦𝑛−2 + 2Δ𝑥𝐴
𝑦1 = + O(Δ𝑥 2 ) 𝑦𝑛 = + O(Δ𝑥 2 )
3 3
4𝑎2 𝑦2 𝑎2 𝑦3 2𝑎2 Δ𝑥𝐴
⇒ 𝑎2 𝑦1 = − −
3 3 3
4𝑐𝑛−1 𝑦𝑛−1 𝑐𝑛−1 𝑦𝑛−2 2𝑐𝑛−1 Δ𝑥𝐵
𝑒𝑡 𝑐𝑛−1 𝑦𝑛 = − +
3 3 3
Après introduction des conditions aux limites, la matrice prend la forme suivante:
𝑏2′ 𝑐2′ 0 . . 0
𝑦2 𝑑2′
𝑎3 𝑏3 𝑐3 0 . .
𝑦3 𝑑3
0 . . . . . | ⋮ =| ⋮
. . . . . . | |
𝑦 𝑑𝑛−2
. . . 𝑎𝑛−2 𝑏𝑛−2 𝑐𝑛−2 𝑦𝑛−2 ′
′ ′ 𝑛−1 𝑑𝑛−1
(0 . 0 0 𝑎𝑛−1 𝑏𝑛−1 )
4 1 4
𝑏2′ = 𝑏2 + 𝑎2 𝑐2′ = 𝑐2 − 𝑎2 ′
𝑎𝑛−1 = 𝑎𝑛−1 + 𝑐𝑛−1
3 3 3
′
𝑐𝑛−1 2𝑎 2 Δ𝑥𝐴 2𝑐𝑛−1 Δ𝑥𝐵
𝑏𝑛−1 = 𝑏𝑛−1 − 𝑑2′ = 𝑑2 + ′
𝑑𝑛−1 = 𝑑𝑛−1 −
3 3 3
A. RTIBI 48
2. -Schéma compact
Les valeurs de 𝑦𝑖′′ et 𝑦𝑖′ sont calculées par des approximations d'ordre supérieur à 2
(ordre 4 par exemple).
Δ𝑥 2 Δ𝑥 3 Δ𝑥 4
𝑦𝑖±1 = 𝑦𝑖 ± 𝑦𝑖′ Δ𝑥 + 𝑦𝑖′′ ′′′
± 𝑦𝑖 ′′′′
+ 𝑦𝑖 + O(Δ𝑥 5 )
2! 3! 4!
4Δ𝑥 2 8Δ𝑥 3 16Δ𝑥 4
𝑦𝑖±2 = 𝑦𝑖 ± 2𝑦𝑖′ Δ𝑥 + 𝑦𝑖′′ ± 𝑦𝑖′′′ + 𝑦𝑖′′′′ + O(Δ𝑥 5 )
2! 3! 4!
Par élimination des dérivées d'ordres non désirés, on obtient:
A. RTIBI 49
Δ𝑥 2 ′′ Δ𝑥 3 ′′′ Δ𝑥 4 ′′′′ Δ𝑥 5 ′′′′′
𝑦3 = 𝑦2 + Δ𝑥𝑦2′ + 𝑦 + 𝑦 + 𝑦 + 𝑦 + O(Δ𝑥 6 )
2! 2 3! 2 4! 2 5! 2
Δ𝑥 2 ′′ Δ𝑥 3 ′′′ Δ𝑥 4 ′′′′ Δ𝑥 5 ′′′′′
𝑦1 = 𝑦2 − Δ𝑥𝑦2′ + 𝑦 − 𝑦 + 𝑦 − 𝑦 + O(Δ𝑥 6 )
2! 2 3! 2 4! 2 5! 2
On cherchera une combinaison de la forme 𝑎𝑦6 + 𝑏𝑦5 + 𝑐𝑦4 + 𝑑𝑦3 + 𝑒𝑦1 de façon à
éliminer les dérivées de y d'ordres 1, 3, 4 et 5. On obtient:
𝑏 = −6 𝑐 = 14 𝑑 = −4 𝑒 = 10
1
𝑦2′′ = (𝑦 − 6𝑦5 + 14𝑦4 − 4𝑦3 − 15𝑦2 + 10𝑦1 ) + O(Δ𝑥 4 )
12Δ𝑥 2 6
′′
1
𝑦𝑛−1 = (𝑦 − 6𝑦𝑛−4 + 14𝑦𝑛−3 − 4𝑦𝑛−2 − 15𝑦𝑛−1 + 10𝑦𝑛 ) + O(Δ𝑥 4 )
12Δ𝑥 2 𝑛−5
D'où:
On retourne à l'équation différentielle du départ et, on obtient, pour chaque nœud 𝑖, une
équation de la forme:
A. RTIBI 50
Sous forme condensée, on peut écrire:
𝑎𝑖 𝑦𝑖−1 + 𝑏𝑖 𝑦𝑖 + 𝑐𝑖 𝑦𝑖+1 = 𝑑𝑖 ( 2 ≤ 𝑖 ≤ 𝑛 − 1)
𝑦(𝑎) = 𝑦1
Si par exemple les conditions aux limites sont de type Dirichlet: {
𝑦(𝑏) = 𝑦𝑛
𝑏2 𝑐2 0 . . 0
𝑦2 𝑑2 − 𝑎2 𝑦1
𝑎3 𝑏3 𝑐3 0 . .
𝑦3 𝑑3
0 . . . . . | ⋮ =|
| ⋮
. . . . . . |
𝑦𝑛−2 𝑑𝑛−2
. . . 𝑎𝑛−2 𝑏𝑛−2 𝑐𝑛−2 𝑦𝑛−1 𝑑𝑛−1 − 𝑐𝑛−1 𝑦𝑛
(0 . 0 0 𝑎𝑛−1 𝑏𝑛−1 )
La matrice résultante est tridiagonale. Elle le restera également si les conditions aux
limites sont de type Newman ou mixtes. Dans ce cas, il faut prendre soin de procéder à
une correction des termes figurant dans la première ligne et la dernière ligne de la
matrice tridiagonale et du second membre.
1. Comme le calcul des 𝛼𝑖 et des 𝛽𝑖 est régi par un processus itératif, on fixera à
l'avance le nombre maximum d'itérations (précaution utile dans les processus
itératifs).
2. On initialise les 𝛼𝑖 et les𝛽𝑖 à 1 (bonne estimation initiale) pour démarrer le
processus itératif ( 2 ≤ 𝑖 ≤ 𝑛 − 1)
3. On appelle le sous programme qui permet d'inverser la matrice tridiagonale ⇒
𝑦𝑖 ( 2 ≤ 𝑖 ≤ 𝑛 − 1).
4. On utilise les valeurs de 𝑦𝑖 obtenues en 3) pour évaluer les 𝛼𝑖 et les 𝛽𝑖 à l'aide des
expressions établies précédemment.
5. S'il s'agit d'une première évaluation de 𝛼𝑖 et 𝛽𝑖 on retourne à l'étape 3). Dans le
cas contraire, on compare les nouvelles et les anciennes valeurs de 𝑦𝑖 en calculant
le résidu:
A. RTIBI 51
𝑛−1 0.5
[𝑦𝑐𝑛𝑣 (𝑖) − 𝑦𝑐𝑎𝑛 (𝑖)]2
𝑅𝑒𝑠 𝑛𝑣 = [∑ ]
(𝑦𝑐𝑎𝑛 (𝑖))2
𝑖=2
A. RTIBI 52
Travaux Pratiques (à rendre)
But
Mettre en application le contenu du présent chapitre et comparer les précisions
de la méthode aux différences finies d'ordre 2 et du schéma compact.
Formulation
On considère l'équation différentielle suivante:
𝑦(0) = 1
𝑦 ′′ + 3𝑦 ′ + 2𝑦 = 2𝑥 + 3 𝑥 𝜖 [0, 1] 𝐶𝐿: { 1
𝑦(1) = 1 +
𝑒
L'équation différentielle proposée admet une solution analytique simple à
déterminer. La solution analytique sera considérée comme une référence pour
des fins de comparaison avec les solutions numériques.
• Déterminer la solution analytique de l'équation différentielle proposée
avec les conditions aux limites associées.
• Utiliser un échantillonnage régulier permettant la subdivision de
l'intervalle [0, 1] en (𝑛 − 1) sous intervalles identiques (n nœuds). On
prendra 𝑛 = 7, 15 𝑒𝑡 21.
• Elaborer un code numérique adéquat permettant de déterminer 𝑦𝑖 ( 1 ≤
𝑖 ≤ 𝑛) en utilisant un schéma aux différences finies précis au second ordre
et un schéma compact.
• Présenter les résultats sous la forme du tableau suivant:
Nombre de nœuds égal: 𝑛 =
𝑥 𝑦𝑒 𝑦𝑑 𝑦𝑐 𝜀𝑑 𝜀𝑐
0
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
1
• Représenter graphiquement, pour les deux méthodes numériques,
l'évolution de l'erreur relative en fonction de x pour les trois valeurs de n
proposés.
• Conclure.
A. RTIBI 53
Equations aux dérivées partielles
I. Introduction
Les simulations numériques sont utilisées dans un but de reproduire, par le calcul, le
comportement d'un système décrit par un modèle, très souvent constitué d'équations
aux dérivées partielles (traduction mathématique de lois scientifiques).
On peut retenir que le but d'une simulation numérique est de prédire par le calcul le
comportement d'un système décrit par un modèle mathématique.
C'est une équation différentielle partielle du second ordre parabolique, à une dimension,
elle s'écrit:
𝜕𝑇 𝜕 2𝑇
=𝛼 2 𝛼 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
𝜕𝑡 𝜕𝑥
1. Exemples de méthodes explicites
a. Méthode FTCS (Forward Time-Central Space Method)
𝑇𝑖𝑛+1 − 𝑇𝑖𝑛 𝑛
𝑇𝑖+1 𝑛
+ 𝑇𝑖−1 − 2𝑇𝑖𝑛
=𝛼
Δ𝑡 Δ𝑥 2
On peut déduire directement:
𝛼Δ𝑡 𝑛 𝛼Δ𝑡
𝑇𝑖𝑛+1 = 𝑇𝑖𝑛 + 2
𝑛
(𝑇𝑖+1 + 𝑇𝑖−1 − 2𝑇𝑖𝑛 ) = 𝑇𝑖𝑛 (1 − 2𝑟) + 𝑟(𝑇𝑖+1
𝑛 𝑛
+ 𝑇𝑖−1 ); =𝑟
Δ𝑥 Δ𝑥 2
qui est de l'ordre de (Δ𝑡, Δ𝑥 2 ).
Stabilité de ce schéma ?
𝑇𝑖1 = 𝑇𝑖0 (1 − 2𝑟); 𝑇𝑖2 = 𝑇𝑖1 (1 − 2𝑟) = 𝜀(1 − 2𝑟)2 ; ⋯ ; 𝑇𝑖𝑛 = 𝜀(1 − 2𝑟)𝑛
b. Méthode de Richardson
A. RTIBI 54
𝑇𝑖𝑛+1 − 𝑇𝑖𝑛−1 𝑛
𝑇𝑖+1 𝑛
+ 𝑇𝑖−1 − 2𝑇𝑖𝑛
=𝛼
2Δ𝑡 Δ𝑥 2
On déduit:
𝛼Δ𝑡 𝑛 𝛼Δ𝑡 𝑛
𝑇𝑖𝑛+1 = 𝑇𝑖𝑛−1 − 4 2
𝑇𝑖 + 2 2 (𝑇𝑖+1 𝑛
+ 𝑇𝑖−1 ) = 𝑇𝑖𝑛−1 − 4𝑟𝑇𝑖𝑛 + 2𝑟(𝑇𝑖+1
𝑛 𝑛
+ 𝑇𝑖−1 )
Δ𝑥 Δ𝑥
𝑇𝑖2 = 𝜀; 𝑇𝑖3 = 𝑇𝑖1 − 4𝑟𝑇𝑖2 = 4𝑟𝜀; 𝑇𝑖4 = 𝜀(1 + 16𝑟 2 ); 𝑇𝑖5 = −𝜀(8𝑟 + 64𝑟 3 )
c. Schéma de Frankel-Dufort
On obtient:
1 − 2𝑟 𝑛−1 2𝑟
𝑇𝑖𝑛+1 = 𝑇𝑖 + 𝑛
(𝑇𝑖+1 𝑛
+ 𝑇𝑖−1 )
1 + 2r 1 + 2r
C'est une méthode explicite qui a l'avantage d'être inconditionnellement stable mais
non auto démarrable. On peut la démarrer par exemple par la méthode FTCS.
Un schéma est dit implicite lorsque l'équation aux différences finies contient plus d'une
inconnue. Les méthodes implicites offrent davantage de garantie concernant la stabilité
et la plupart d'entre elles sont inconditionnellement stables.
a. Schéma de Laasonen
Stabilité du schéma ?
A. RTIBI 55
1 1
𝑇𝑖1 = 𝜀 ; ⋯ ; 𝑇𝑖𝑛 = 𝜀
1 + 2𝑟 (1 + 2𝑟)𝑛
Schéma explicite:
⁄
𝑇𝑖𝑛+1 2 − 𝑇𝑖𝑛 𝑛
𝑇𝑖+1 𝑛
+ 𝑇𝑖−1 − 2𝑇𝑖𝑛
=𝛼
Δ𝑡⁄2 Δ𝑥 2
Schéma implicite:
⁄2
𝑇𝑖𝑛+1 − 𝑇𝑖𝑛+1 𝑛+1
𝑇𝑖+1 𝑛+1
+ 𝑇𝑖−1 − 2𝑇𝑖𝑛+1
=𝛼
Δ𝑡⁄2 Δ𝑥 2
A. RTIBI 56
Il est à noter que la formulation bêta est inconditionnellement stable pour 1⁄2 ≤ 𝛽 ≤ 1
et conditionnellement stable pour 0 ≤ 𝛽 ≤ 1⁄2.
𝜕𝑇 𝜕 2𝑇 𝜕 2𝑇
= 𝛼 ( 2 + 2) 𝛼 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
𝜕𝑡 𝜕𝑋 𝜕𝑌
𝜕𝜃 𝜕 2𝜃 𝜕 2𝜃
= 𝛼 ( 2 + 2)
𝜕𝜏 𝜕𝑥 𝜕𝑦
La méthode ADI, méthode implicite aux directions alternées, a été introduite par
Peaceman et Rochefort (1955) et elle a été extensivement utilisée depuis pour la
résolution de problèmes transitoires bidimensionnels car, en général, elle conduit à des
matrices tridiagonales dans les deux directions du balayage. De plus, le schéma de calcul
est très efficace car stable et consistant. La méthode ADI utilise deux équations aux
différences finies, l’une implicite par rapport à la première coordonnée et l’autre
implicite par rapport à la deuxième coordonnée. La solution pour chaque étape de temps
est obtenue en balayant le domaine horizontalement ou verticalement (ou l’inverse) en
utilisant, dans chaque balayage, une formulation implicite. On utilise des dérivations
centrées, précises à l’ordre 2, pour les dérivations en x et y. Les deux équations
discrétisées, pour faire avancer la solution de 𝜏 = 𝑛Δ𝜏 à 𝜏 + Δ𝜏 = (𝑛 + 1)Δ𝜏, sont les
suivantes :
Température implicite en x :
⁄2 ⁄2 ⁄2 ⁄2
𝜃𝑖𝑗𝑛+1 − 𝜃𝑖𝑗𝑛 𝑛+1
𝜃𝑖+1𝑗 − 2𝜃𝑖𝑗𝑛+1 𝑛+1
+ 𝜃𝑖−1𝑗 𝑛
𝜃𝑖𝑗+1 − 2𝜃𝑖𝑗𝑛 + 𝜃𝑖𝑗−1
𝑛
= +
Δ𝜏⁄2 Δ𝑥 2 Δ𝑦 2
A. RTIBI 57
Les coefficients connus 𝐴1𝑖𝑗 , 𝐵𝑖𝑗
1
, 𝐶𝑖𝑗1 𝑒𝑡 𝐷𝑖𝑗
1
peuvent être obtenus par identification avec
l’équation précédente. En tenant compte de l’ensemble des nœuds d’une ligne, on
obtient un système d’équations de la forme 𝐴𝑥̅ = 𝑏̅, où 𝐴 est une matrice tridiagonale.
Température implicite en y :
⁄2 ⁄2 ⁄2 ⁄2
𝜃𝑖𝑗𝑛+1 − 𝜃𝑖𝑗𝑛 𝑛+1
𝜃𝑖+1𝑗 − 2𝜃𝑖𝑗𝑛+1 𝑛+1
+ 𝜃𝑖−1𝑗 𝑛+1
𝜃𝑖𝑗+1 − 2𝜃𝑖𝑗𝑛+1 + 𝜃𝑖𝑗−1
𝑛+1
= +
Δ𝜏⁄2 Δ𝑥 2 Δ𝑦 2
De manière similaire, pour un nœud (i, j) donné, cet équation peut être écrite sous la
forme condensée suivante :
𝑛+1 2 𝑛+1 𝑛+1
𝐴2𝑖𝑗 𝜃𝑖𝑗−1 + 𝐵𝑖𝑗 𝜃𝑖𝑗 + 𝐶𝑖𝑗2 𝜃𝑖𝑗+1 = 𝐷𝑖𝑗2
En tenant compte de l’ensemble des colonnes et des conditions aux limites associées, on
obtient à nouveau un système linéaire de la forme 𝐴𝑥̅ = 𝑏̅ où A est une matrice
tridiagonale.
Pour introduire les conditions aux limites, on va prendre un exemple concret d’un
domaine rectangulaire de largeur L et de hauteur 𝐻(𝐻 = 2𝐿) initialement en équilibre à
la température 𝑇𝐹 . A l’instant 𝑡 = 0𝑠, on porte la température d’une paroi verticale à
𝑇𝐶 (𝑇𝐶 > 𝑇𝐹 ) et on maintient les parois horizontales adiabatiques. Le gradient de
température étant imposé dans la direction de la largeur, on prendra L comme étant une
longueur caractéristique. Ainsi, les conditions aux limites adimensionnlles associées au
problème sont telles que 𝜃 = 1 pour 𝑥 = 0 et 𝜃 = 0 pour 𝑥 = 1.
𝜕𝜃 𝜕𝜃
Sur les parois horizontales on aura : 𝜕𝑦| = 0 et 𝜕𝑦| =0
𝑦=0 𝑦=2
Pour j = 2 :
2
4 𝑛+1 1 𝑛+1
(𝐵𝑖2 + 𝐴2𝑖2 ) 𝜃𝑖2 2
+ (𝐶𝑖2 − 𝐴2𝑖2 ) 𝜃𝑖3 2
= 𝐷𝑖2
3 3
𝑛+1 𝑛+1
𝜕𝜃 𝑛+1 𝑛+1 𝑛+1 𝑛+1 4𝜃𝑖𝑁−1 −𝜃𝑖𝑁−2
De même, 𝜕𝑦| = 0 ⇒ 3𝜃𝑖𝑁 − 4𝜃𝑖𝑁−1 +𝜃𝑖𝑁−2 = 0 et 𝜃𝑖𝑁 =
𝑦=2 3
A. RTIBI 58
Pour 𝑗 = 𝑁 − 1 :
2
4 2 𝑛+1 1 2 𝑛+1
(𝐵𝑖𝑁−1 + 𝐶𝑖𝑁−1 ) 𝜃𝑖𝑁−1 + (𝐴2𝑖𝑁−1 − 𝐶𝑖𝑁−1 ) 𝜃𝑖𝑁−2 2
= 𝐷𝑖𝑁−1
3 3
En définitive, une fois les conditions aux frontières sont prises en compte, la matrice
résultante est une matrice tridiagonale.
A. RTIBI 59