Aula 23 Metodos Adaptativos e Sistemas Rigidos PDF

Prof. MSc.
David Roza José

david.jose@luzerna.ifc.edu.br 1/46
Métodos Adaptativos
e Sistemas Rígidos
O intuito destas aulas é introduzir métodos mais avançados para a resolução de
problemas de valor inicial.
Objetivos:
– Compreender como os métodos Runge-Kutta Fehlberg utilizam os métodos de
RK de diferentes ordens para estimar o erro e adequar o tamanho de passo;
– Conhecer, saber ajustar e passar parâmetros para as funções do MATLAB de
resolução de EDOs;
– Compreender a diferença entre métodos de passo único e múltiplos passos de
resolução de EDOs;
– Compreender o significado de rigidez e qual sua implicação na resolução de
EDO’s.
Prof. MSc. David Roza José

Métodos RK Adaptativos
Até o momento vimos métodos que empregam um tamanho constante de passo. Porém
para um número significativo de problemas, isto pode representar uma limitação séria.

A ideia então é ter um controle adaptativo do tamanho de passo. A implementação de

tais métodos necessita que uma estimativa do erro local de truncamento seja obtida
para cada passo. Esta estimativa serve então para aumentar ou diminuir o tamanho de
passo.
Que fique claro que além da solução de EDO’s, os métodos aqui descritos também
servem para se avaliar integrais definidas. A avaliação da integral definida:
é equivalente a resolver a equação diferencial abaixo para y(b) dado que a condição
inicial é y(a)=0.

Existem duas técnicas básicas para se incorporar o controle adaptativo do tamanho de

passo em métodos de passo único. O primeiro envolve reduzir o tamanho de passo à
metade: calcula-se uma vez para um tamanho de passo h, e depois duas vezes para um
tamanho de passo h/2. A diferença entre os dois resultados é uma estimativa do erro
local de truncamento. O tamanho do passo pode então ser ajustado baseado nesta
estimativa de erro.
O segundo é conhecido como método RK embutido, tal que o erro de truncamento é
estimado como a diferença entre duas estimativas utilizando métodos RK de diferentes
ordens. Este normalmente é mais utilizado por ser mais eficiente que a redução do passo
à metade.
Os métodos embutidos foram desenvolvidos por Fehlberg, por isso são normalmente
chamados de métodos RK-Fehlberg.

Num primeiro momento a ideia de se utilizar dois métodos de ordens diferentes pode
parecer computacionalmente oneroso. Uma predição de quarta ordem e outra de quinta
totalizariam uma quantidade de 10 avaliações de função por passo.
Fehlberg evitou este contratempo ao desenvolver um método RK de quinta ordem que
utiliza a maioria das mesmas avaliações de função que seriam necessárias ao método de
quarta ordem. Assim, o método resulta numa estimativa de erro baseada em somente
seis avaliações de função.

MATLAB
Desde o método original desenvolvido por Fehlberg, outros métodos superiores foram
desenvolvidos. Vários deles estão disponíveis no MATLAB, todos para sistemas não
rígidos.
ode23 – Esta função utiliza o algoritmo BS23 (Bogacki e Shampine, 1989; Shampine,
1994), que utiliza simultaneamente fórmulas RK de segunda e terceira ordem para
resolver a EDO e fazer a estimativa de erro para ajustar o tamanho do passo. As fórmulas
são:

MATLAB
A estimativa de erro é dada por:
Tal que
Aparentemente teríamos quatro avaliações de função, mas perceba que o k 1 do próximo

passo é o k4 deste passo. Assim este método fornece uma estimativa do próximo passo e
do erro baseados em 3 avaliações de função, ao invés de cinco que normalmente
resultaria da aplicação de um método RK de segunda ordem (duas avaliações) e um
método RK de terceira ordem (três avaliações). Após cada passo, o erro é conferido para
verificar se está dentro da tolerância desejada. Caso sim, o valor para y i+1 é aceito, e k4
torna-se k1 para o próximo passo. Caso contrário, o tamanho de passo é reduzido até que
o critério da estimativa de erro seja satisfeito.
MATLAB
ode45 – Esta função utiliza o algoritmo desenvolvido por Dormand e Prince, 1980, que
utiliza simultaneamente um método RK de quarta e quinta ordem (45) para resolver uma
EDO e efetuar a estimativa de erro para o ajuste do tamanho do passo. A recomendação
do MATLAB é de sempre utilizar esta função como uma primeira tentativa para a maioria
dos problemas.
ode113 – Esta função utiliza o método de ordem variável de Adams-Bashforth-Moulton.
É útil para baixas tolerâncias de erro e para EDOs computacionalmente custosas. É um
método de passos múltiplos, que será explicado em breve.
Todas as funções apresentadas podem ser chamadas da maneira genérica:
[t, y] = ode45(fun, tspan, y0)
Tal que y é o vetor solução, sendo cada coluna uma das variáveis dependentes, e cada
linha corresponde a um instante de tempo no vetor coluna t. fun é o nome da função
que retorna um vetor coluna representando o lado direito da igualdade da EDO, e tspan
especifica o intervalo de integração e y0 contém os valores iniciais.
MATLAB
O vetor tspan pode ser formulado de duas maneiras:

tspan = [ti tf];
A integral é realizada de ti até tf. A segunda maneira é utilizada para se obter soluções
em tempos específicos t0, t1, …, tn (sempre monotônico)
tspan = [t0 t1 ... tn];
Um exemplo de como utilizar o MATLAB para resolver uma única EDO, tomando por base
a equação que temos tratado nas últimas aulas. A integraremos de t=0 até t=4, com a
condição inicial de y(0)=2.
dydt = @(t,y) 4*exp(0.8*t)-0.5*y;

[t,y] = ode45(dydt,[0 4],2);
y(length(t))

MATLAB – Exemplo 1
Utilizaremos o MATLAB para mostrar como resolver um sistema de equações,

integrando-as de t=0 até t=20, tendo como condições iniciais y1=2 e y2=1 em t=0.
Estas são equações do tipo predador-presa.

Precisamos, num primeiro momento, criar uma função que calcule o valor do lado direito
das EDO’s (que calcule o valor da derivada, da inclinação). Podemos fazer isso criando um
arquivo .m, ou passando como função anônima.
Arquivo .m
function yp = predprey(t,y)
yp = [1.2*y(1)-0.6*y(1)*y(2);-0.8*y(2)+0.3*y(1)*y(2)];
end

MATLAB
E a solução seria invocada como

tspan = [0 20];
y0 = [2, 1];
[t,y] = ode45(@predprey, tspan, y0);
Para se utilizar como função anônima:
tspan = [0 20];
y0 = [2, 1];
pp1 = @(t,y) [1.2*y(1)-0.6*y(1)*y(2);-0.8*y(2)+0.3*y(1)*y(2)];
[t1,y1] = ode45(pp1, tspan, y0);
E podemos gerar uma figura no domínio do tempo e um de fase.
plot(t1,y1);
figure
plot(y1(:,1),y1(:,2));

MATLAB
O MATLAB costuma usar parâmetros padrão para controlar vários aspectos da

integração. Podemos alterar diversas opções através de parâmetros adicionais na
chamada da função de solução da EDO:
[t, y] = ode45( fun, tspan, y0, opc, p1, p2, …)
Tal que opc é uma estrutura de dados criada com a função odeset que controla diversos
parâmetros do solver, e p1, p2, …, são parâmetros que podem ser passados para a
função que está sendo resolvida.
A sintaxe geral da função odeset tem a seguinte forma:
opc = odeset('par1', val1, 'par2', val2, ... )
Uma lista completa de todos os parâmetros pode ser obtida ao se digitar odeset no
console.

MATLAB
Alguns parâmetros comuns são dados por:

'RelTol' Tolerância relativa
'AbsTol' Tolerância absoluta
'InitialStep' Determina qual o tamanho de passo inicial
'MaxStep' Determina qual o maior tamanho de passo que pode ser utilizado.

Utilizaremos o solver ode23 para resolver uma EDO de t=0 até t=4, tal que y(0)=0.5, com
um erro relativo padrão (10-3) e outro mais rigoroso (10-4).
Verificar o arquivo exemplo2.m.

Eventos
As funções de solução de EDO do MATLAB são normalmente implementadas para um

intervalo de integração prescrito, ou seja: são utilizados para se obter a solução de um
instante inicial até um instante final. Entretanto existem problemas onde não sabemos o
tempo final.
O problema do saltador de bungee-jump é um deles: vamos supor que o saltador,
inadvertidamente, salte sem a corda que o segura. O tempo final, neste caso,
corresponde ao instante do impacto do saltador no chão – e não é uma informação que
possuímos. Neste caso o objetivo de se resolver a EDO é determinar quando o saltador
atinge o chão.
A opção events do MATLAB serve para resolver tais problemas. Ela resolve uma EDO até
que uma das variáveis dependentes atinja zero (entre outras opções).

Resolveremos o problema do saltador de Bungee-Jump, que tem o seguinte conjunto de

EDOs:
Deve-se expressar o sistema de EDOs como uma função num arquivo .m

function dydt=freefall(t,y,cd,m)
% y(1) = x e y(2) = v
grav=9.81;
dydt=[y(2); grav-cd/m*y(2)*abs(y(2))];
end

Para este problema desenvolvemos uma função para o evento, chamada de endevent,
que pode ser escrita como:
function [detect,stopint,direction]=endevent(t,y,varargin)
% Localiza quando a altura passa de zero e interrompe a integração.
detect=y(1); % Detecta altura = 0
stopint=1; % Para a integração
direction=0; % Direção não importa
end
Esta função poderia ter qualquer nome, mas deve conter os campos detect, stopint e
direction. Esses campos especificam opções para o MATLAB efetuar a operação. detect
carrega qual variável deve ser monitorada até que atinja o valor zero; caso desejássemos
uma altura diferente (por exemplo, 5 metros) escreveríamos detect = y(1) -5;. stopint
define que a integração deve ser parada; e direction tem o valor zero caso qualquer zero
deva ser detectado, +1 caso somente os zeros onde a função é crescente devam ser
detectados e -1 caso somente zeros onde a função é decrescente devam ser detectados.
Por fim, necessitamos de um script para gerar a solução e chamar o solver com as opções
adequadas.
opts=odeset('events',@endevent);
y0=[-200 -20];
[t,y,te,ye]=ode45(@freefall,[0 inf],y0,opts,0.25,68.1);
te,ye
plot(t,-y(:,1),'-',t,y(:,2),'--','LineWidth',2)
grid on
legend('Altura (m)','Velocidade (m/s)')
xlabel('tempo (s)');
ylabel('x (m) and v (m/s)')

Métodos de Passos Múltiplos
Os métodos de passo único descritos anteriormente utilizam informação em um único

ponto ti para prever o valor da variável dependente yi+1 num ponto futuro ti+1. Métodos
alternativos, chamados de métodos de passos múltiplos, são baseados na observação
de que, uma vez que o cálculo se inicia, informações valiosas dos pontos anteriores estão
disponíveis.
A curvatura das linhas unindo os valores prévios fornecem informação a respeito da
trajetória da solução. Métodos de passos múltiplos exploram estas informações para
resolver EDOs.

Métodos de Passos Múltiplos

Método Não Auto-Iniciado de Heun
O método de Heun utiliza o método de Euler como um preditor:
E a regra trapezoidal como um corretor:
Assim, o preditor e o corretor possuem erros de truncamento local de O(h2) e O(h3),

respectivamente. Isto sugere que o preditor é o “elo fraco” por possuir o maior erro. Esta
fraqueza é significativa porque a eficiência do corretor iterativo depende da precisão da
previsão inicial. Assim, uma maneira de melhorar o método de Heun é desenvolver um
preditor cujo erro local de truncamento seja O(h3). Isto pode ser feito ao se utilizar o
método de Euler e a inclinação em yi, mais a informação do ponto anterior yi-1, tal que:

Esta fórmula atinge precisão de O(h3) ao custo de empregar um tamanho de passo maior,
2h. Além disso a equação não é auto-iniciada pois envolve um valor anterior da variável
dependente yi-1. Tal valor não estaria disponível num problema típico de valor inicial. Por
causa disso, o método é chamado de não auto-iniciado. Através deste método, a
estimativa da inclinação é feita no meio do intervalo – ao invés de ser no início – e tal
centralização melhora o erro local do preditor para O(h3).

Assim, o método pode ser resumido através da equação preditora e corretora como:
tal que os índices superiores indicam que o corretor é aplicado iterativamente de j=1 até
m para se obter soluções refinadas. As iterações são finalizadas baseadas numa
estimativa do erro aproximado.

Exemplo - Método Não Auto-Iniciado
de Heun
Utilizar o Método Não Auto-Iniciado de Heun para integrar a equação abaixo de t=0 até
t=4, com um tamanho unitário de passo. A condição inicial é y(0)=2. A informação
adicional necessária é que y(-1)=-0.3929953.
O preditor é utilizado para extrapolar linearmente de t=-1 até t=+1.
Note que y1 refere-se a t1=-1s; y2 refere-se a t2=0s; y3 refere-se a t1=1s; y4 refere-se a t4=-
2s;e assim sucessivamente.

de Heun
Utiliza-se o corretor iterativamente para calcula o valor de yi+1:

de Heun
Para a segunda iteração:

de Heun
O método é aplicado continuamente até que o erro aproximado seja menor que o valor
estimado. Ao se convergir o resultado para y1, aplica-se novamente o preditor para y2 e
utiliza-se o corretor até atingir a convergência, e assim sucessivamente. Com
e_a=0.00001, temos:

Estimativa de Erro
Além de fornecer mais eficiência, o método não auto-iniciado de Heun também pode ser
utilizado para estimar o erro de truncamento. Assim como os métodos adaptativos, a
estimativa de erro pode fornecer um critério para a mudança do tamanho de passo.
Uma estimativa do erro local de truncamento para este método é dada por:
tal que y0i+1 é o valor do preditor, e ymi+1 é o valor do corretor.

Exemplo - Estimativa de Erro
Utilizaremos dados do problema anterior para estimar o erro local de truncamento. O

preditor do primeiro passo e o corretor convergido forneceram:
Para o segundo passo:

Exemplo - Estimativa de Erro
Comparando-se, então, os erros de truncamento com os erros exatos – ou seja, com a

diferença entre o corretor convergido de cada passo de tempo e a solução exata, temos:

Rigidez
A rigidez é um problema que pode surgir na solução de equações diferenciais ordinárias.

Um sistema rígido é aquele que envolve componentes que mudam rapidamente com
outros que mudam lentamente. Em alguns casos os componentes que variam
rapidamente são transientes efêmeros, após isso a solução torna-se dominada por
componentes que variam lentamente. Apesar do fenômeno transiente existir por um
curto período do intervalo de integração, eles podem ditar o tamanho do passo para
toda a solução.
Tanto um sistema como uma única EDO podem ser rígidos. Um exemplo é:
caso consideremos que y(0)=0, a solução analítica torna-se:

Rigidez
A solução é inicialmente dominada pelo termo exponencial rápido (exp(-1000t)). Após

um curto período de tempo ( t < 0.005 ), o transiente “some”, e a solução torna-se
dominada pelo termo exponencial lento (exp(-t)).
Um entendimento do tamanho de passo necessário para estabilidade de tal solução
pode ser vista observando-se a parte homogênea da EDO:
Vimos que a estabilidade depende claramente do tamanho de passo h.

Rigidez
Para a parte transiente rápida, o critério de estabilidade é que hmin=0.002. Nota-se que
apesar deste critério manter a estabilidade, ele não garante que a solução será precisa.
Um tamanho de passo ainda menor seria necessário para tal.
O transiente rápido, apesar de ocupar uma pequena fração do intervalo de integração,
controla o tamanho máximo de passo.
Mostrar rk4ordem alterando o tamanho do passo para solução da EDO.

Rigidez
Ao invés de se utilizar métodos explícitos – onde existem diversas condições para

estabilidade; pode-se utilizar um método implícito.
O método implícito possui esta nomenclatura porque as incógnitas aparecem em ambos
os lados da equação. Uma forma implícita do método de Euler pode ser desenvolvido ao
se avaliar a inclinação num tempo futuro:
Esta abordagem, chamada de método de Euler para trás, resulta em:
Assim, independentemente do tamanho do passo h, o método é incondicionalmente

estável.

Exemplo – Euler Implícito e Explícito
Utilizaremos o método de Euler para resolver a equação a seguir com y(0)=0. Para o
método explícito, h=0.0005 e h=0.0015 para integrar entre t=0 e t=0.006. Para o método
implícito, h=0.05 para t=0 e t=0.4.
Para o método de Euler explícito, a equação de recorrência torna-se:
E os resultados podem ser observados no próximo slide:


No método explícito, temos que:
Pelo fato da função ser linear, podemos isolar yi+1 (o quê nem sempre é possível fazer), e
assim obter um formato explícito para o mesmo:
No próximo slide pode ser observado o comportamento do método para um h=0.05.


Rigidez
Sistemas de EDOs também podem ser rígidos. Um exemplo é dado por:
Para as condições iniciais de y1(0)=52.29 e y2(0)=83.82, a solução exata é:
Os expoentes são negativos e diferem em cerca de duas ordens de magnitude. Assim

como para o exemplo de uma equação, expoentes grandes que acabam implicando na
rigidez.

Rigidez
Um método de Euler implícito para o sistema pode ser formulado como:
Rearranjando os termos obtém-se:
Ou seja, o problema acaba consistindo na resolução de um sistema linear para cada

passo de tempo. Para EDOs não lineares a solução torna-se ainda mais complexa, pois
envolve a resolução de um sistema não linear de equações (Matriz Jacobiana? ^^).
Assim, apesar de se estabilidade através dos métodos implícitos, paga-se um preço na
forma de uma complexidade excedente.
MATLAB
O MATLAB possui diversas funções para resolver sistemas de EDOs rígidas. São elas:
ode15s. Aplica um método de ordem variável baseado em diferenciação numérica. É um
solver de passos múltiplos que oferece precisão média a baixa.
ode23s. Baseada na fórmula de Rosenbrock de ordem 2. Por ser um método de passo
único, pode ser mais eficiente que ode15s para tolerâncias grosseiras.
ode23t. Implementa a regra trapezoidal com um interpolante “livre”. É utilizada para
problemas moderadamente rígidos com baixa precisão onde a solução não pode
apresentar amortecimento numérico.
ode23tb. Aplica um método implícito RK, podendo ser mais eficiente que ode15s para
tolerâncias grosseiras.

Exemplo – ODEs Rígidas
A equação de van der Pol é um modelo de um circuito eletrônico que surgiu na época
das válvulas. A solução desta equação torna-se progressivamente rígida conforme mu
torna-se maior. Para y1(0)=dy1/dt=1, utilizaremos o MATLAB para resolver: (a) mu=1, com
o ode45 de t=0 até t=20. (b) para mu=1000, utilizar ode23s para resolver de t=0 até
t=6000.
O primeiro passo é converter esta EDO de segunda ordem em um par de EDOs de

primeira ordem através de:

Exemplo – EDOs Rígidas
Criamos, então, uma função anônima para passar as EDO’s

yp = @(t,y,mu) [y(2); mu*(1-y(1)^2)*y(2)-y(1)];
O solver pode então ser chamado através da função solicitada:
[t, y] = ode45(yp, [0 20], [1 1], [], 1);
plot(t,y(:,1),'-',t,y(:,2),'--');
legend('y1','y2');
grid on
Tentaremos também resolver com mu=1000;
[t, y] = ode45(yp, [0 6000], [1 1], [], 1000);
plot(t,y(:,1));
grid on
(w8 until eternity)

Exemplo – EDOs Rígidas
Porém, o solver ode23s não enfrenta os mesmos problemas:

[t, y] = ode23s(yp, [0 6000], [1 1], [], 1000);
plot(t,y(:,1));
grid on
Sugestão de leitura:
Estudo de Caso: O Chafariz Intermitente de Pliny (pp628)

Informações
Exercícios pp628
23.2 23.3 23.15 23.19
Programar o algoritmo BS23 e utilizar para a resolução do exercício 23.2.
Programar o algoritmo de Heun não auto-iniciado e utilizar para a resolução do exercício
23.3.
Para os problemas 23.15 e 23.19, utilizar um dos dois algoritmos anteriores.


Aula 23 Metodos Adaptativos e Sistemas Rigidos PDF

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 23 Metodos Adaptativos e Sistemas Rigidos PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Prof. MSc.

David Roza José

Prof. MSc. David Roza José

Prof. MSc. David Roza José

A ideia então é ter um controle adaptativo do tamanho de passo. A implementação de

Prof. MSc. David Roza José

Existem duas técnicas básicas para se incorporar o controle adaptativo do tamanho de

Prof. MSc. David Roza José

Prof. MSc. David Roza José

Prof. MSc. David Roza José

A estimativa de erro é dada por:

Aparentemente teríamos quatro avaliações de função, mas perceba que o k 1 do próximo

O vetor tspan pode ser formulado de duas maneiras:

dydt = @(t,y) 4*exp(0.8*t)-0.5*y;

Prof. MSc. David Roza José

Utilizaremos o MATLAB para mostrar como resolver um sistema de equações,

Estas são equações do tipo predador-presa.

Prof. MSc. David Roza José

E a solução seria invocada como

Prof. MSc. David Roza José

O MATLAB costuma usar parâmetros padrão para controlar vários aspectos da

Prof. MSc. David Roza José

Alguns parâmetros comuns são dados por:

Prof. MSc. David Roza José

Verificar o arquivo exemplo2.m.

Prof. MSc. David Roza José

As funções de solução de EDO do MATLAB são normalmente implementadas para um

Prof. MSc. David Roza José

Resolveremos o problema do saltador de Bungee-Jump, que tem o seguinte conjunto de

Deve-se expressar o sistema de EDOs como uma função num arquivo .m

Prof. MSc. David Roza José

Prof. MSc. David Roza José

Os métodos de passo único descritos anteriormente utilizam informação em um único

Prof. MSc. David Roza José

Prof. MSc. David Roza José

O método de Heun utiliza o método de Euler como um preditor:

E a regra trapezoidal como um corretor:

Assim, o preditor e o corretor possuem erros de truncamento local de O(h2) e O(h3),

Prof. MSc. David Roza José

Prof. MSc. David Roza José

Prof. MSc. David Roza José

O preditor é utilizado para extrapolar linearmente de t=-1 até t=+1.

Prof. MSc. David Roza José

Prof. MSc. David Roza José

Prof. MSc. David Roza José

Prof. MSc. David Roza José

tal que y0i+1 é o valor do preditor, e ymi+1 é o valor do corretor.

Prof. MSc. David Roza José

Utilizaremos dados do problema anterior para estimar o erro local de truncamento. O

Para o segundo passo:

Prof. MSc. David Roza José

Comparando-se, então, os erros de truncamento com os erros exatos – ou seja, com a

Prof. MSc. David Roza José

A rigidez é um problema que pode surgir na solução de equações diferenciais ordinárias.

caso consideremos que y(0)=0, a solução analítica torna-se:

Prof. MSc. David Roza José

A solução é inicialmente dominada pelo termo exponencial rápido (exp(-1000t)). Após

Vimos que a estabilidade depende claramente do tamanho de passo h.

Prof. MSc. David Roza José

Prof. MSc. David Roza José

Ao invés de se utilizar métodos explícitos – onde existem diversas condições para

Esta abordagem, chamada de método de Euler para trás, resulta em:

dydt = @(t,y) 4exp(0.8t)-0.5*y;