Professional Documents
Culture Documents
Analyse Numérique
Hassan DOUZI
Faculté des Sciences d’Agadir
Analyse Numérique
H. Douzi Page 2
Analyse Numérique
L’Analyse Numérique comprend deux mots : l’analyse qui fait référence aux
mathématiques et le mot numérique qui fait référence au traitement informatique. En
d’autres termes c’est l’élaboration de méthodes de calcul mathématiques adaptées
au traitement par ordinateur. En général le but de ces méthodes est la résolution de
problèmes concrets qui se posent dans différentes disciplines : Physique, Economie,
….etc.
H. Douzi Page 3
Analyse Numérique
Exemple d’Algorithme :
Problème : Résolution de l’équation réelle : a x2 + b x +c = 0
Algorithme :
1. On calcule le discriminant : ∆= b2 – 4 a c
2. Si ∆<0 il n’y a pas de solution
3. Si ∆=0 la solution est donnée par : x=(-b)/(2a)
4. Si ∆>0 la solution est donnée par : x = (-b+√∆)/(2a) ou x = (-b-√∆)/(2a)
Avant de trouver les méthodes numériques il faut exprimer les problèmes concrets
sous forme mathématiques parmi les formes les plus courantes on peut citer :
• Equations linéaires : Ax = b
• Equations non linéaires : f(x)=0
• Equations différentielles : f(x,y,y’)=0 …etc
H. Douzi Page 4
Analyse Numérique
H. Douzi Page 5
Analyse Numérique
x = ±2 n * 0, C1C 2 L C m
x2 x3 xn
ex = 1+ x + + +L+ + Ο( x n )
2! 3! n!
x Exp(x) Somme,
n=14
-10 4.54 10-5 4.54 10-5
-15 3.06 10-7 3.05 10-7
-20 2.06 10-9 -1.55 10-7
-25 1.39 10- 1.87 10-5
11
H. Douzi Page 6
Analyse Numérique
Il faut donc prendre en compte tous ces paramètres au cours de l’élaboration des
méthodes numérique. En Analyse Numérique, pour résoudre un problème donné,
souvent le problème qui se pose n’est pas de trouver une méthode numérique mais
la difficulté réside dans la démonstration que le problème est bien conditionné et la
méthode utilisée est stable.
H. Douzi Page 7
Analyse Numérique
Matrices particulières:
• Matrices diagonales et triangulaires
•
*
( )
Matrice adjointe et transposée : A = a ji ( )
A = a ji
t
Définition :
Une norme vectorielle sur Rn est une application de l’ensemble Rn vers R qui vérifie
un certain nombre de propriétés :
o ||v||=0 ⇔ v=0
o ||λv||=|λ| ||v||
o ||v+w|| ≤ ||v|| + ||w||
H. Douzi Page 8
Analyse Numérique
Exemples
Quelques normes vectorielles très utilisées : Soit v = (vi )1≤i ≤n alors on a :
n
o v 1 = ∑ vi
i =1
o A ∞
= max vi
1≤ i ≤ n
Définition
Une norme matricielle est une application de l’ensemble des matrices carré d’ordre n
vers R qui vérifie un certain nombre de propriétés :
o ||A||=0 ⇔ A=0
o ||λA||=|λ| ||A||
o ||A+B|| ≤ ||A|| + ||B||
o ||AB|| ≤ ||A|| ||B||
Exemples
Quelques normes matricielles très utilisées : Soit A = (a ij )1≤i , j ≤ n alors on a :
n
• A 1 = max ∑ aij
1≤ j ≤ n i =1
n
• A ∞ = max ∑ aij ■
1≤i ≤ n j =1
H. Douzi Page 9
Analyse Numérique
H. Douzi Page 10
Analyse Numérique
• Matrices diagonalisables
On a donc
Remarques :
• Une matrice est diagonalisable si elle est semblable à une matrice diagonale
• Pour toute matrice carrée et symétrique A il existe une matrice orthogonale O
telle que O-1AO soit diagonale
Soit Ax=b un système linéaire, une matrice est mal conditionnée lorsque de petites
variations sur les données A ou b entraînent de très fortes variations sur le résultat x,
(et même si x est obtenu sans erreurs d'arrondi ni de troncatures). Le
conditionnement de la matrice d’un système linéaire (qu’on note par Cond(A)) est un
outil qui permet de mesurer l'instabilité numérique de ce système.
Définition :
Soit A une matrice carrée inversible d'ordre n, alors le conditionnement de A est
donné par:
Cond(A) = Α×Α
Où . représente une norme matricielle choisie.
H. Douzi Page 11
Analyse Numérique
Exemple :
On considère le système linéaire Ax=b avec :
10 7 8 7 32
7 5 6 5 23
A= b=
8 6 10 9 33
7 5 9 10 31
1
1
La solution de ce système est donnée par x =
1
1
32.1
22.9
Considérons une perturbation du second membre : b + ∆b =
33.1
30.9
9 .2
− 12.6
La solution du système : A( x + ∆x) = (b + ∆b) est donnée par x + ∆x =
4 .5
− 1 .1
∆b 0 .1 ∆x 13.6
Dans ce cas on a: ∞
= ≈ 0,003 et ∞
= = 13.6 Ainsi
b ∞
33 x ∞
1
∆x ∆b
∞
= 4488 ∞
donc le conditionnement de ce système est supérieur à 4488 et le
x ∞
b ∞
système est, bien sur, mal conditionné.
Considérons maintenant une perturbation de la matrice A donné par :
10 7 8 .1 7 .2
7.08 5.08 6 5
A=
8 5.98 9.89 9
6.99 4.99 9.89
9
H. Douzi Page 12
Analyse Numérique
− 81
137
La solution du système : ( A + ∆A)( x + ∆x) = b est donnée par x + ∆x =
− 34
22
H. Douzi Page 13
Analyse Numérique
1. Introduction
On se propose de résoudre le système linéaire suivant :
avec :
; et
La première méthode qui vient à l’esprit pour résoudre ce système est l’utilisation des
formules de Cramer :
H. Douzi Page 14
Analyse Numérique
Les méthodes numériques de résolutions d’un système linéaire sont de deux types :
−1
x n = a nn bn
x = a −1 (b − a x )
n −1 n −1n −1 n −1 n −1n n
M
−1
x 2 = a 22 (b2 − L − a 2 n −1 x n −1 − a 2 n x n )
x1 = a11−1 (bn − a12 x 2 − L − a1n −1 x n −1 − a1n x n )
H. Douzi Page 15
Analyse Numérique
Algorithme :
Fonction x = triang(A,b)
On vient de voir qu’il est très simple de résoudre des systèmes triangulaires. La
transformation du système original en un système triangulaire se fait en choisissant
des combinaisons linéaires appropriées des équations du système.
Exemple
3x 1 + 5x 2 = 9
Soit le système :
6x 1 + 7x 2 = 4
Si l’on multiplie la première équation par 2 et que l’on la soustrait de la deuxième on
obtient :
3x 1 + 5x 2 = 9
− 3x 2 = −14
On obtient un système triangulaire et équivalent au système initial. Cette procédure
s’appelle élimination de Gauss. Il reste ainsi à résoudre le système triangulaire par la
méthode de remontée pour trouver la solution du système initial.
H. Douzi Page 16
Analyse Numérique
13
x 1 = 9
x = 14
2
3
Sous forme matricielle on peut effectuer cette même opération en représentant la
matrice du système original comme le produit de deux matrices triangulaires :
De manière générale, étant donné un vecteur x avec xk ≠0, on peut annuler tout les
éléments xi, i > k, en multipliant le vecteur x par la matrice Mk suivante :
où : τ (k)i = xi/xk, i = k + 1, . . . , n.
H. Douzi Page 17
Analyse Numérique
On obtient une matrice U qui est triangulaire supérieure. Ce procédé est appelé
élimination de Gauss.
Algorithme
H. Douzi Page 18
Analyse Numérique
Exemple
4. Décomposition LU
• Enfin le produit des deux matrices MkMk+1 est aussi très facile à calculer avec des
1 sur la diagonale plus les colonnes k de Mk et (k+1) de Mk+1 :
H. Douzi Page 19
Analyse Numérique
Algorithme :
Existence de la factorisation LU
H. Douzi Page 20
Analyse Numérique
Il apparaît qu’à chaque étape de l’élimination de Gauss il faut avoir un pivot non nul
pour pouvoir déduire à la fin la décomposition LU. Donc la factorisation LU n’existe
pas toujours. Le théorème qui suit, donne une condition nécessaire pour assurer
l’existence de la décomposition :
Théorème :
Soit A une matrice d’ordre n. les sous matrices diagonales ∆k de A sont définies par :
a11 L a1n a11 L a1k
A = M O M , ∆ k = M O M k = 1L n
a a
n1 L a nn k1 L a kk
Si la matrice A et ses sous matrices diagonales sont inversibles alors A admet une
factorisation LU unique telle que A=LU■
H. Douzi Page 21
Analyse Numérique
5. Factorisation de Choleski
Exemple
matrice triangulaire L :
et de sa transposée LT.
Algorithme
On cherche la matrice :
H. Douzi Page 22
Analyse Numérique
On détermine la jème colonne de L, après avoir calculé les (j-1) premières colonnes :
(i=j) d'où
(i=j+1) d'où
...
(i=n) d'où
Il résulte du théorème précédent qu'il est possible de choisir tous les éléments lii>0
en assurant que toutes les quantités
sont positives.
Fonction L = Choleski(A)
H. Douzi Page 23
Analyse Numérique
6. Décomposition QR
Exemples :
• Matrice de rotation,
• Matrice de permutation,
H. Douzi Page 24
Analyse Numérique
Méthode de Householder
Soit x un vecteur colonne arbitraire de dimension m et de longueur |α|
Soit e1 le vecteur (1,0,..., 0)T, et || || la norme euclidienne, définissons
.
Q est la matrice de Householder ou matrice orthogonale élémentaire et
.
Nous pouvons utiliser ces propriétés pour transformer une matrice A de dimension
m*n en une matrice triangulaire supérieure. Tout d'abord, on multiplie A par la
matrice de Householder Q1 en ayant pris le soin de choisir pour x la première
colonne de A . Le résultat est une matrice QA avec des zéros dans la première
colonne excepté du premier élément qui vaudra α.
Ceci doit être réitéré pour A' qui va être multiplié par Q’2 (Q’2 est plus petite que Q1).
Si toutefois, vous souhaiteriez utiliser Q1A plutôt que A’, vous deviez remplir la
matrice de Householder avec des 1 dans le coin supérieur gauche :
Exemple :
Calculons la décomposition QR de
H. Douzi Page 25
Analyse Numérique
Observons que:
Nous avons maintenant sous la diagonale uniquement des zéros dans la 1re colonne.
Pour réitérer le processus, on prend la sous matrice principale
Finalement, on obtient
H. Douzi Page 26
Analyse Numérique
H. Douzi Page 27
Analyse Numérique
1. Principe Général
On construit une suite de vecteurs (xk) k = 0, 1, ... qui tend vers x*.
Le point de départ est une approximation x0 de x* obtenue par exemple par une
méthode directe. Pour construire cette suite, on utilise la linéarité pour décomposer la
matrice A en une partie facilement inversible et un reste.
On décompose la matrice A : A = M − N , de telle façon que M soit facilement
inversible.
Alors, Ax = b ⇒ Mx = Nx + b
On calcule la suite de vecteurs (xi) à partir d’un vecteur x0 choisi arbitrairement et de
la relation : Mxk+1 = Nxk + b ⇒ xk+1 = M−1Nxk +M−1b
C’est à dire :
H. Douzi Page 28
Analyse Numérique
2. Convergence
Démonstration
Existence de la solution :
Convergence :
H. Douzi Page 29
Analyse Numérique
H. Douzi Page 30
Analyse Numérique
3. Méthode de JACOBI
Soit la matrice A, on note :
C’est à dire :
H. Douzi Page 31
Analyse Numérique
Conditions de convergence
• ρ(J) < 1 (la valeur propre de plus grand module est < à 1)
Remarque :
H. Douzi Page 32
Analyse Numérique
Algorithme
4. Méthode de GAUSS-SEIDEL
H. Douzi Page 33
Analyse Numérique
Conditions de convergence
Algorithme
H. Douzi Page 34
Analyse Numérique
1. Introduction
On considère une fonction continue f : R → R . On se propose de trouver une ou
plusieurs solutions à l’équation f(x) = 0.
Les méthodes analytiques de résolution de ce type d’équation sont limitées à
certaines formes algébriques ( anxn + an-1xn-1 + … + a0 = 0 pour n<5) ou formes
particulières. Par conséquent pour les autres formes d’équations il faut employer des
méthodes numériques pour trouver ou approcher les racines.
Dans toute la suite on va supposer qu’on dispose d’un intervalle [a,b] où la fonction f
admet une seule solution α à l’intérieur de l’intervalle. Cette localisation de la racine
peut être fournie par des considérations à priori sur le problème à l’origine de
l’équation (des considérations physique, d’ordre de grandeur ou de conditions
initiales). On suppose aussi que la fonction est dérivable autant de fois qu’il sera
nécessaire.
2. Méthode de Dichotomie
La dichotomie (du Grec diviser par deux) peut être vue comme une variante
simplifiée de la stratégie plus générale diviser pour régner. Prenons un exemple
simple et ludique pour illustrer le mécanisme de recherche par dichotomie: Mohamed
propose à Moustapha le jeu suivant: « choisis en secret un nombre compris entre 0
et 100; je vais essayer de le deviner le plus rapidement possible, mais tu ne dois
répondre à mes questions que par oui ou par non ». Moustapha choisit 65 et attend
les questions de Mohamed:
• est-ce que le nombre est plus grand que 50? (100 divisé par 2)
• oui
• est-ce que le nombre est plus grand que 75? ((50 + 100) / 2)
• non
• est-ce que le nombre est plus grand que 63? ((50 + 75 + 1) / 2)
• oui
Mohamed réitère ses questions jusqu'à trouver 65. Par cette méthode itérative,
Mohamed est sûr de trouver beaucoup plus rapidement le nombre qu'en posant des
questions du type « est-ce que le nombre est égal à 30? ».
La Dichotomie est aussi la plus simple méthode connue pour chercher une racine
d’une fonction f continue sur un intervalle fermé [a,b] :
Algorithme
• On commence par prendre x0=(a+b)/2 le milieu de l’intervalle
• On a alors trois cas possibles :
o Si f(x0)f(a) < 0 la racine se trouve dans l’intervalle [a, x0] et on pose
dans ce cas :[a1, b1] = [a, x0]
o Si f(x0)f(b) < 0 la racine se trouve dans l’intervalle [x0, b] et on pose
dans ce cas :[a1, b1] = [x0, b]
H. Douzi Page 35
Analyse Numérique
3. Méthode de Newton
On suppose ici que la fonction est dérivable sur l’intervalle [a, b]. Le principe de la
méthode de Newton, qu’on appelle aussi méthode de la tangente, consiste à choisir
un point x0 dans l’intervalle et à remplacer la fonction f par sa tangente en ce point,
puis on calcule la racine de cette approximation affine dans l’intervalle [a,b]. En
général la racine de cette tangente est plus proche que x0 de la racine de f. On peut
donc continuer itérativement (par la construction d’une suite (xn)n ) de la même façon
jusqu’ à ce qu’on s’approche suffisamment de la racine de f.
Algorithme :
H. Douzi Page 36
Analyse Numérique
Exemple
Considérons le problème de trouver le nombre positif x vérifiant cos(x) = x3.
Reformulons la question pour introduire une fonction devant s'annuler : on recherche
le zéro de f(x) = cos(x) - x3.La dérivation donne f '(x) = -sin(x) - 3x2.Comme cos(x) ≤ 1
pour tout x et x3 > 1 pour x>1, nous savons que notre zéro se situe entre 0 et 1. Nous
essayons une valeur de départ de x0 = 0.5.
et les 12 premiers chiffres de cette valeur coïncident avec les 12 premiers chiffres du
vrai zéro.
4. Méthode de Lagrange
On l’appelle aussi la méthode de la sécante car elle consiste à remplacer la tangente
de la méthode de Newton par une sécante qui est plus facile à calculer. En effet un
H. Douzi Page 37
Analyse Numérique
f ( x n ) − f ( x n −1 )
f ' ( xn ) ≈
x n − x n −1
Remarque :
Dans une autre variante on utilise l’approximation de la dérivée suivante :
f ( x n ) − f (a) f ( x n ) − f (b)
f ' ( xn ) ≈ ou
xn − a xn − b
Exemple :
f(x) = cos(x) - x3 = 0
H. Douzi Page 38
Analyse Numérique
x 0 ∈ [ a, b]
x n +1 = g ( x n )
Démonstration
D’abord si la suite (xn)n converge alors, d’après la condition 2, la limite est dans
l’intervalle [a,b].
Ensuite l’équation g(x) = x admet une solution unique dans [a,b] en effet si l1 et l2
sont deux solutions alors g(l1)=l1 et g(l2)=l2 , or d’après la condition 2 on a :
g (l1 ) − g (l 2 ) ≤ K l1 − l 2 c'est-à-dire que l1 − l 2 ≤ K l1 − l 2 donc forcément l1 = l2 car
0≤K<1.
Enfin montrons que la suite (xn)n converge :
H. Douzi Page 39
Analyse Numérique
On a : x n +1 − x n = g ( x n ) − g ( x n −1 ) ≤ K x n − x n −1
D’où : x n +1 − x n ≤ K n x1 − x0
De même comme on a : x n + p − x n ≤ x n + p − x n+ p −1 + L + x n +1 − x n
On peut dire que :
1− K p Kn
x n + p − x n ≤ x1 − x 0 K n ( K p −1 + K p −2 + L + 1) = x1 − x0 K n ≤ x1 − x0 car K < 1
1− K 1− K
Ainsi pour p fixé lim x n + p − x n = 0 c'est-à-dire que la suite (xn)n est une suite de
n →∞
Théorème 2
Si la fonction g est dérivable sur [a,b] et si la dérivée g’ vérifie : max g ' ( x) = K < 1
x∈[ a ,b ]
Démonstration
On utilise la formule des accroissement finies : pour tout x, y ∈ [a, b] on peut trouver
ξ ∈]x,y[ telle que g ( x) − g ( y ) = g ' (ξ ) x − y ≤ K x − y ■
Corollaire 1
Soit l une solution de l’équation g(l)=l et g’ continue au voisinage de l alors on a les 3
cas suivantes :
1. Point fixe attractif : si g ' (l ) < 1 alors il existe un intervalle [a,b] contenant l
pour lequel ∀x0 ∈ [a, b] la suite (xn)n définie par xn+1 = g(xn) converge vers l
2. Point fixe répulsif : si g ' (l ) > 1 alors ∀x0 ≠ l la suite (xn)n définie par
xn+1=g(xn) ne converge pas vers l
3. Point fixe douteux : si g ' (l ) = 1 on ne peut pas conclure il peut y avoir
convergence ou divergence.
H. Douzi Page 40
Analyse Numérique
Théorème 3
Si la suite (xn)n ,définie par xn+1 = g(xn) convege vers l et si g est suffisamment
dérivable au voisinage de l alors l’ordre de la méthode est donnée par :
g ' (l ) = g ' ' (l ) = L = g p −1 (l ) = 0
g ( p ) (l ) ≠ 0
(xn+1 − l ) g ( p ) (l )
De plus on a : lim =
n →∞ ( xn − l ) p p!
Démonstration
On utilise le développement de Taylor :
(xn+1 − l ) = (g ( xn ) − g (l )) = ∑ g ( k ) (l ) ( xn − l ) + ο (( xn − l ) p +1 )
p k
k =1 k!
(x − l) p
donc : ( x n +1 − l ) = g ( p ) (l ) n + ο (( x n − l ) p +1 )
k!
(xn+1 − l ) g ( p ) (l )
d’où : = + ο ( xn − l ) ■
( xn − l ) p p!
Exemples :
H. Douzi Page 41
Analyse Numérique
f ( x)
• Pour la méthode de Newton : on a g ( x) = x −
f ' ( x)
f ( x) f ' ' ( x)
donc g ' ( x) = ainsi si f’(l)≠0 on a g’(l)=0 car f(l)=0 donc la méthode
( f ' ( x ) )2
est au moins d’ordre 2 on dit que la méthode de Newton a une convergence
quadratique.
f ( x)( x − a )
• Pour la méthode de Lagrange : dans le cas où on a g ( x) = x −
f ( x) − f (a)
f (a ) + f ' (l )(l − a)
On obtient g ' (l ) = donc si g’(l)≠0 ( ce qui est possible) la
f (a)
méthode est d’ordre 1 on dit que la méthode de Lagrange a une convergence
linéaire.
H. Douzi Page 42
Analyse Numérique
Condition de convergence
H. Douzi Page 43
Analyse Numérique
H. Douzi Page 44
Analyse Numérique
H. Douzi Page 45
Analyse Numérique
H. Douzi Page 46
Analyse Numérique
H. Douzi Page 47
Analyse Numérique
6. Méthode de gradient
On cherche la direction de descente qui fait décroitre localement la fonction:
H. Douzi Page 48
Analyse Numérique
Exemple :
H. Douzi Page 49
Analyse Numérique
7. La méthode de Newton
H. Douzi Page 50
Analyse Numérique
2. Interpolation polynomiale
l’interpolation polynomiale est une technique d'interpolation d'un ensemble de
données ou d'une fonction par un polynôme. En d'autres termes, étant donné un
ensemble de points (obtenu, par exemple, à la suite d'une expérience), on cherche
H. Douzi Page 51
Analyse Numérique
un polynôme qui passe par tous ces points, et éventuellement vérifie d'autres
conditions, de degré si possible le plus bas.
L0 ( x ) =
(x − 2)(x − 4) L1 ( x ) =
x( x − 4 )
L2 ( x ) =
x(x − 2)
8 −4 8
H. Douzi Page 52
Analyse Numérique
30
25
20
15
10
0
-1 0 1 2 3 4 5
H. Douzi Page 53
Analyse Numérique
Exemple :
H. Douzi Page 54
Analyse Numérique
H. Douzi Page 55
Analyse Numérique
Exemple :
Erreur commise
On applique la formule d’erreur de l’interpolation de Lagrange on obtient alors :
Avec :
H. Douzi Page 56
Analyse Numérique
Exemple :
Erreur commise
On applique la formule d’erreur de l’interpolation de Lagrange on obtient alors :
Avec :
H. Douzi Page 57
Analyse Numérique
7. Méthode de SIMPSON
Exemple :
H. Douzi Page 58
Analyse Numérique
Erreur commise
H. Douzi Page 59
Analyse Numérique
1. Problème de Cauchy
Définition
Soit f : [a,b] x R → R et y0∈R. Le problème de Cauchy ou le problème de la
condition initiale est le suivant :
Trouver une fonction y : [a,b] → R dérivable sur [a,b] qui vérifie :
y (a) = y 0
y ' ( x) = f ( x, y ( x)) ∀x ∈ [a, b]
Théorème (Cauchy-Lipshitz)
On suppose que la fonction f vérifie les conditions suivantes :
• f est continue par rapport à ses deux variables.
• f (x,y) est Lipchitzienne en y uniformément par rapport à x, c'est-à-dire :
∃ L > 0 telque : f ( x, y ) − f ( x, z ) ≤ L y − z pour tout x ∈ [a, b] et ∀ y, z ∈ R
Alors dans ce cas le problème de Cauchy admet une solution unique■.
2. Méthode d’Euler
La méthode d’Euler est la méthode numérique la plus simple mais pas la plus
efficace qui est utilisée pour résoudre une équation différentielle.
y (a) = y 0
On considère le problème de Cauchy suivant :
y ' ( x) = f ( x, y ( x)) ∀x ∈ [a, b]
La méthode d’Euler consiste à subdiviser l’intervalle [a,b] en points équidistants :
x0=a, x1, …, xn=b avec x(i+1)-xi=(b-a)/n=h est le pas de la subdivision.
On en déduit xi=a+ih pour i=0,1,…,n.
Supposons que la solution du problème soit deux fois dérivable alors d’après le
développement de Taylor et pour chaque indice i=0…n-1, il existe ci∈[xi , xi+1 ] tel
que :
( x − xi ) 2
y ( xi +1 ) = y ( xi ) + ( xi +1 − xi ) y ' ( xi ) + i +1 y ' ' (c i )
2
Puisque y(x) satisfait l’équation différentielle on peut écrire :
h2
y ( xi +1 ) = y ( xi ) + hf ( xi , y ( xi )) + y ' ' (ci )
2
h2
La méthode d’Euler consiste à négliger pour chaque indice i le terme y ' ' (ci )
2
On obtient ainsi une estimation de la solution sur les points de la subdivision :
H. Douzi Page 60
Analyse Numérique
y 0 = y (a)
yi +1 = y i + hf ( xi , y i ) pour i = 0L n − 1
Théorème
On peut montrer que suivant certaines conditions (f lipchitzienne et y’’ bornée sur
[a,b]) l’approximation (y0, y1, …,yn) donné par la méthode d’Euler converge vers la
solution exacte (y(x0), y(x1), … , y(xn)) lorsqu’on augmente le nombre des points de
la subdivision c'est-à-dire lorsque h tends vers 0■.
Définition
Une méthode numérique fournissant des valeurs approchées (y0, y1, …,yn) de la
solution exacte (y(x0), y(x1), … , y(xn)) est dite d’ordre p s’il existe une constante K
telle que :
max y ( xi ) − yi ≤ K .h
p
i = 0 ,L, n
On peut vérifier que la méthode d’Euler est d’ordre 1 donc c’est une méthode qui ne
converge pas rapidement. En général on utilise des méthodes d’ordre plus élevé
comme les méthodes de Runge-Kutta qui peuvent atteindre l’ordre 4.
Exemple
y ( 0) = 0
y ' = π cos(πx) y ( x)
Solution exacte : y = e sin(πx )
H. Douzi Page 61
Analyse Numérique
H. Douzi Page 62
Analyse Numérique
3. Méthodes de RUNGE-KUTTA
H. Douzi Page 63
Analyse Numérique
H. Douzi Page 64
Analyse Numérique
Exemple
y ( 0) = 0
y ' = π cos(πx) y ( x)
Solution exacte : y = e sin(πx )
H. Douzi Page 65
Analyse Numérique
Equation de la chaleur:
Elle intervient, comme modèle, dans de nombreux problèmes des sciences de
l’ingénieur :
H. Douzi Page 66
Analyse Numérique
Equation de Laplace:
On utilise une classification des EDP de second ordre à coefficient constants portant
sur une variable u(x,y) de la manière suvante:
H. Douzi Page 67
Analyse Numérique
Principe de la méthode des différences finies : Les fonctions et leurs dérivées qui
interviennent dans les équations EDP sont remplacées par des approximations (des
différences finies) :
H. Douzi Page 68
Analyse Numérique
H. Douzi Page 69
Analyse Numérique
La méthode des éléments finis est une méthode numérique pour résoudre des
équations différentielles linéaires en utilisant l’approche variationnelle des équations
d’état. L’idée de la méthode est de remplacer l’espace des solutions, dans la
formulation variationnelle, par un espace de dimension fini bien choisi.
Le problème approché se ramène alors à la résolution d’un système linéaire.
A noter la différence de philosophie entre les différences finies et les éléments finis :
• Différences finies : On approche les operateurs qui interviennebt dans les
EDP.
• Eléments finis : On approche l’espace dans le quel on cherche la solution.
H. Douzi Page 70
Analyse Numérique
H. Douzi Page 71
Analyse Numérique
6. Bibliographie
matricielle et d’optimisation,Masson.
de l’ingénieur, Dunod.
H. Douzi Page 72