Académique Documents
Professionnel Documents
Culture Documents
Idée : Si x(k) converge vers une limite y alors Mx(k+1) = Nx(k) + b converge vers Mx = Nx + b,ç-à-d,
Ay = b. Ainsi, par unicité de la solution y = x∗ .
Puisque M est inversible, la suite (4.1) est équivalente à :
(
x(0) ∈ Rn ,
(4.2)
x(k+1) = M −1 Nx(k) + M −1 b ,
avec Ax = b ⇐⇒ x = M −1 Nx + M −1 b
Theorem 4.2.1
Soient P ∈ Mn (R) et c ∈ Rn . On considère la suite
(
x(0) ∈ Rn ,
(4.3)
x(k+1) = Px(k) + c .
1. Si ρ(P) < 1 alors il existe un unique x̄ ∈ Rn vérifiant x̄ = Px̄ + c et la suite (x(k) ) converge
∀ x(0) ∈ Rn vers x̄.
2. La suite (x(k) ) est convergente ∀ x(0) ∈ Rn ssi ρ(P) < 1.
Preuve du point 1
On suppose que ρ(P) < 1. L’équation x = Px + c =⇒ (I − P)x = 0Rn . Cette équation admet une
solution unique car I − P est inversible puisque ρ(P) < 1 (d’après le chapitre 1). Soit x̄ ∈ Rn cette
solution.
A l’itération k, on définit : V (k) := x(k) − x̄. On a :
Ainsi V (k) = PkV (0) . D’après le chapitre 1, on a limk→+∞ PkV (0) = 0 ssi ρ(P) < 1. Ceci donne
limk→+∞ x(k) = x̄ ssi ρ(P) < 1.
Corollary 4.2.2
La suite définie dans (4.2) converge pour toute solution initiale x(0) ∈ Rn vers la solution x∗ du
système Ax = b ssi ρ(M −1 N) < 1.
Exercise 4.1
Soit α > 0. On considère la méthode (du gradient) donnée par la relation itérative :
Dans certains cas, il n’est pas nécessaire de calculer ρ(M −1 N) comme le montre le théorème
suivant.
Theorem 4.2.3
4.3 Méthodes de Jacobi, de Gauss-Seidel et de Relaxation 27
Soit A ∈ Mn (R) une matrice symétrique définie positive. Si la matrice (Mt + N) est définie
positive alors la méthode (4.1) converge.
4.3.1 Notations
On adoptera par la suite la terminologie suivante :
Soit A = (ai, j )1≤i, j≤n une matrice inversible. On lui associe les matrices suivantes de D, E et FMn (R)
définies par :
D = diag(a1,1 , . . . , an,n ),
E : triangulaire inférieure avec ei, j = −ai, j si i > j et 0 sinon et
F : triangulaire supérieure avec fi, j = −ai, j si i < j et 0 sinon.
Les matrices E et F s’écrivent comme suit :
0 0 0 ... 0 0 −a1,2 ... . . . −a1,n
−a2,1 0 0 ... 0 0 0 −a2,3 . . . −a2,n
E =
0 −a3,2 0 ... 0 et F = .
. .
.. .. .. .. .
.. . . . .
.. .. ..
. . . . 0 0 0 ... 0 −an−1,n
0 0 . . . −an,n−1 0 0 ... ... ... 0
On a ainsi
A = D−E −F .
Cependant, on peut adopter la formulation explicite suivante plus facile à utiliser en pratique en
partant directement du système Ax = b : ∀k ∈ N, ∀i ∈ {1, . . . , n}
" #
n
(k+1) 1 (k)
xi = bi − ∑ ai, j x j .
ai,i j=1; j̸=i
Proposition 4.3.1
Soit A = (ai, j )1≤i, j≤n une matrice inversible telle que ai,i ̸= 0, ∀1 ≤ i ≤ n. On a :
• La méthode de Jacobi converge ssi ρ(J ) < 1.
• Si les matrices A et 2D − A sont symétriques définies et positives alors la méthode de Jacobi
converge.
• Si la matrice A est à diagonale strictement dominante alors la méthode de Jacobi est conver-
gente.
G := M −1 N = (D − E)−1 F .
Une itération de la méthode de Gauss-Seidel s’écrit donc sous la forme matricielle suivante :
Cependant, on peut adopter la formulation explicite suivante plus facile à utiliser en pratique en
partant directement du système Ax = b : ∀k ∈ N,
Pour i = 1,
" #
n
(k+1) 1 (k)
x1 = b1 − ∑ a1, j x j .
a1,1 j=2
Pour 2 ≤ i ≤ n,
" #
i−1 n
(k+1) 1 (k+1) (k)
xi = bi − ∑ ai, j x j − ∑ ai, j x j .
ai,i j=1 j=i+1
Proposition 4.3.2
Soit A = (ai, j )1≤i, j≤n une matrice inversible telle que ai,i ̸= 0, ∀1 ≤ i ≤ n. On a :
• La méthode de Gauss-Seidel converge ssi ρ(G ) < 1.
• Si A est symétrique définie positive alors la méthode de Gauss-Seidel est convergente.
• Si A est à diagonale strictement dominante alors la méthode de Gauss-Seidel est convergente.
Preuve du point 2
Il suffit de vérifier que les conditions du théorème 4.2.3 sont satisfaites. ■
4.4 Méthode de Relaxations successives 29
R
• Si w = 1, on retrouve la méthode de Gauss-Seidel.
• Si w < 1, on parle de sous-relaxation.
• Si w > 1, on parle de sur-relaxation.
• Le paramètre w devrait être choisi de façon à avoir ρ(Gw ) < 1 et minimale.
Theorem 4.4.1 Pour toute matrice inversible A ∈ Mn (R) telle que ai,i ̸= 0 ∀1 ≤ i ≤ n, et pour
tout w > 0, on a ρ(Gw ) ≥ |1 − w|. Par conséquent, la méthode de relaxation diverge si w ∈]0,
/ 2[.
Dans le cas particulier des matrices symétriques définies positives, on a le résultat suivant.
Theorem 4.4.2 Soit A une matrice symétrique définie positive. Pour tout w ∈]0, 2[, la méthode
de relaxation converge.