Professional Documents
Culture Documents
4 SEL Metodos - Iterativos
4 SEL Metodos - Iterativos
Solución de Sistemas de
Ecuaciones Lineales mediante
Métodos Iterativos
1
Metodos de Solución Iterativos
Empezar con una aproximación inicial para el
vector solución (x0)
Actualizar en cada iteración el vector x usando
el sistema Ax=b
Cada iteración involucra el producto matriz-
vector.
Si A es esparcida este producto es realizado
eficientemente.
2
Procedimiento de solución Iterativa
Escribir el sistema Ax=b en una forma
equivalente x=Tx+c
Empezando con x0, genere una secuencia de
aproximaciones {xk} iterativamente por
xk+1=Txk+c
Representación de T y c dependen del tipo de
método usado.
Pero para cada método T y c son obtenidas a
partir de A y b.
3
Convergencia
Cuando k, la secuencia {xk} converge a un
vector solución bajo algunas condiciones en la
Matriz T.
Esto impone condiciones diferentes en la matriz
A para diferentes métodos.
Para la misma matriz A, un método puede
converger mientras que otro puede divergir.
Por lo tanto para cada método la relación entre
A y T deben ser encontradas para decidir la
convergencia.
4
Diferentes metodos Iterativos
Iteración de Jacobi
Iteración de Gauss-Seidel
Successive Over Relaxation (S.O.R)
SOR es un método usado para acelerar la
convergencia.
La iteración de Gauss-Seidel es un caso especial del
método SOR.
5
Iteración de Jacobi
6
Método de Jacobi. Forma Matricial
· Descomponiendo A = D - L - U. -U=triu(A)-D
-U
D =
-L
-L=tril(A)-D D=diag(diag(A))
7
xk+1=Txk+c - iteración por el método de
Jacobi
Se puede escribir como A=D-L-U (No es una
factorización)
xk+1=D-1(L+U)xk+D-1b
T=D-1(L+U)
Dxk+1 c=D-1b
8
iteración Gauss-Seidel (GS)
Use lo último
al actualizar
9
x(k+1)=Tx(k)+c iteración de Gauss-Seidel
Ax=b (D-L-U)x=b
(D-L)xk+1 =Uxk+b
Dxk+1
xk+1=(D-L)-1Uxk+(D-L)-1b
Tgs=(D-L)-1U
cgs=(D-L)-1b
10
Comparación
İteración de Gauss-Seidel converge más
rápidamente que la iteración de Jacobi desde
que este usa la última actualización.
Pero existen algunos casos que la iteración de
Jacobi converge pero Gauss-Seidel no.
El método de sobre relajación sucesiva es
usada para acelerar la convergencia del
método de Gauss-Seidel.
11
Metodo Sobre Relajación Sucesiva
(SOR)
Escribiendo en términos del factor de relajacion :
Dxk+1=(1-)Dxk+b+Lxk+1+Uxk
(D- L)xk+1=[(1-)D+U]xk+b
T=(D- L)-1[(1-)D+U]
c= (D- L)-1b
13
Norma de un vector
La norma de un vector debe satisfacer estas
condiciones:
15
Norma de una matriz
La norma de una matriz debe
satisfacer estas condiciones:
Importante identidad
16
Normas de matrices mas usadas
Norma Máxima suma_columna o norma ℓ1
17
Ejemplo
Calcule las normas ℓ1 y ℓ de la matriz
17
13
15
16 19 10
18
Convergencia de los métodos iterativos
Substituye esto en
19
Convergencia de los Métodos Iterativos
iteración potencia
Condición de Convergencia
20
Condición de Convergencia
21
Condición Suficiente para convergencia
Si la magnitud de todos los valores propios de la
Matriz de iteración T es menor que 1 entonces la
iteración es convergente
condición suficiente para convergencia
22
Convergencia de la iteración de Jacobi
T=D-1(L+U)
23
Convergencia de la iteración de Jacobi
Evaluar la norma infinita (suma máxima fila) de T
Matriz Diagonal
estrictamente
Dominante
Si A es una matriz con diagonal estrictamente
dominante, entonces la iteración de Jacobi
converge para cualquier valor inicial
24
Criterio de convergencia 1
Sea el sistema A*x=b, Si la matriz A presenta
diagonal estrictamente dominante, entonces
los métodos de Jacobi y Gauss-Seidel seran
Convergente a partir de cualquier vector
Inicial.
De no cumplir esta condición no pedemos afirmar
nada acerca de la convergencia.
25
Criterio de convergencia 2
Si la magnitud de todos los valores propios de la
Matriz de iteración T es menor que 1 entonces la
iteración es convergente. En otras palabras si el
radio espectral de la matriz de iteración T es menor
A 1, la convergencia esta asegurada, en caso
contrario habrá divergencia.
26
Ejercicio 1: Analizar la convergencia
para Jacobi
27
Ejercicio 2: Analizar la convergencia
para Jacobi
28
Ejercicio 3: Analizar la convergencia
para Jacobi
29
Criterios de Parada
Ax=b
En cualquier iteración k, el término residual es
rk=b-Axk
Verificar la norma del término residual
||b-Axk||<TOL
Si esto es menor que la cota del valor de
parada o tolerancia definido por el usuario
30
Otros Criterios de Parada
Ax=b
En cualquier iteración k, el término de error de
sucesion es:
rk+1=xk+1-xk
Verificar la norma del término de error de
sucesion:
||xk+1-xk||<TOL
Si esto es menor que la cota del valor de
parada o tolerancia
31
Ejemplo 1 (Iteración de Jacobi)
32
Ejemplo 1 continuación...
7+2.625−3
¿ =1.65625
‖𝑏− 𝐴 𝑥 ‖ =1.8061
2
2
4
3 7+3.875−3.175
𝑥=
1 =1.925 ‖𝑏− 𝐴 𝑥3‖2=1.0027
4
Matriz es diagonal estrictamente dominante, las iteraciones de
Jacobi son convergentes. 33
Solucion Matricial
34
Solucion Matricial
35
Solucion Matricial
36
Ejemplo 2
37
Ejemplo 2 continuación...
39
Ejemplo1 (Iteración de Gauss-Seidel)
İteración de
Jacobi
40
Ejemplo 1 continuación...
‖𝑏− 𝐴𝑥2‖2=1.8061
Iteración de Jacobi
41
Solucion Matricial
42
Solucion Matricial
43
Solucion Matricial
44
Convergencia del método SOR
Si 0<<2, método SOR converge para
cualquier valor inicial si A es una matriz
simétrica y definida positiva.
Si >2, método SOR diverge
Si 0<<1, SOR método converge pera la
velocidad de convergencia es mas lenta que el
método de Gauss-Seidel.
45
Formas Matriciales. Resumen
x ( k ) = Tx ( k-1 ) + c
A= D - L - U
Método T c
Jacobi D-1 (L+U) D-1 b
Gauss-Seidel ( D -L)-1 U ( D -L)-1 b
46
Problema 1
Resolver el siguiente sistema por el método SOR,
considere ω=1.25.
47
Problema 1
48
Problema 1
k x1 x2 x3
0 0 0 0
1 0.625 2.0703125 1.2719727
2 1.1157227 2.1035767 0.9643745
3 1.003437 1.9640469 0.997671
4 0.9879054 2.0044809 1.0019825
5 1.0044239 2.0008818 0.9997799
49
Problema 2
Sea el sistema A x = b :
Para k=-1, es la matriz A definida positiva?
método de Gauss-Seidel?
Hacer 03 iteraciones de Gauss-Seidel para k=-3
50
Problema 2
A es definida positiva si:
51
Problema 2
52
Problema 2
n x1 x2
0 0 0
1 3 4
2 9 6
3 12 7
4 13.5 7.5
5 14.25 7.75
6 14.625 7.875
7 14.8125 7.9375
53