Você está na página 1de 4

UNIVERSITE de BRETAGNE du SUD Ecole Nationale Suprieure Des Ingnieurs De Bretagne Du Sud

Compte Rendu TP2 : Rsolution de systmes linaires par des mthodes itratives

AL ECHCHEIKH EL ALOUI Adnane


Ralis par

Anne Universitaire 2010/2011

Mr Mr Ludovic Billot

Encadr par

Introduction
Mthode de Jacobi, due au mathmaticien allemand Karl Jacobi, est une mthode itrative de (k) rsolution d'un systme matriciel de la forme Ax=b. Pour cela, on utilise une suitex qui converge vers un point fixe x, solution du systme d'quations linaires. La mthode de Gauss-Seidel est une mthode itrative de rsolution d'un systme matriciel de la forme Ax = b. Pour cela, on utilise une suite x(k) qui converge vers un point fixe x, solution du systme d'quations linaires. En notant A = [a ij ] ij et b = [b i ] i , on construit la suite :

Ce qui revient, en dcomposant A en matrices triangulaires :

x(k) = (D L) 1(Ux(k 1) + b) o D est la partie diagonale de A, L sa partie triangle infrieure


et U sa partie triangle suprieure: A = D L U

Exercice 1
Mthode de Jacobi function [X,cp]=jacobi (A,B,precision,max,X2) D=diag(diag(A)); F=triu(A,1); E=tril(A,-1); cp=0; L=(E+F); arret=1; while(cp<=max)&(arret>precision) cp=cp+1; X=D\(B-L*X2); arret=norm(X-X2,inf); X2=X; end
%Dans cette fonction on calcul une vecteur solution AX=B %pour trouver la diagonale de A %triangle suprieur de la matrice A %triangle infrieur de la matrice A %somme des matrice de triangle suprieur et infrieur

Mthode de Gauss function [X,cp] =gausseideil(A,B,precision,max,X2) D=diag(diag(A)); F=triu(A,1); E=tril(A,-1); cp=0; L=(E+F); arret=1; while(cp<=max)&(arret>precision) cp=cp+1; X=(D+E)\(B-F)*X2; arret=norm(X-X2,inf); X2=X; end

Exercice 2
Soit rsoudre le systme linaire AX=B avec A= [9 -2 1;-1 5 -1;1 -2 9] et B= [13;9;-11]; 1) - Calcul du conditionnement de A: Cond(A)= ans = 2.5413 Conclusion : la matrice A est bien conditionne, 3) Rsolution du systme linaire pour diffrentes valeurs du vecteur de dpart. Cp : cest le compteur Pour X0= (0 ; 0 ; 0) A=[9 -2 1;-1 5 -1;1 -2 9]; B=[13;9;-11]; precision=10^(-6); X2=[0;0;0]; max=1000;

X= 2.0000 2.0000 -1.000 cp= 14 X= 2.0000 2.0000 -1.000 Cp=


3

function:
[X,cp] =jacobi(A,B,precision,max,X2); X,cp A=[9 -2 1;-1 5 -1;1 -2 9]; B=[13;9;-11]; precision=10^(-6); X2=[10;-5;6]; max=1000;

Pour X0= (10 ; -5 ; 6)

function:

Pour X0(100 ; 2000 ; 5)

[X,cp] =jacobi(A,B,precision,max,X2); X,cp A=[9 -2 1;-1 5 -1;1 -2 9]; B=[13;9;-11]; precision=10^(-6); X2=[100;2000;5]; max=1000;

17 X= 2.0000 2.0000 -1.0000 Cp= 21

function:
[X,cp] =jacobi(A,B,precision,max,X2); X,cp

On constate que quelques soient la valeur du vecteur de dpart on constate que la suite converge
4) Le vecteur nul est le vecteur de dpart et on change la prcision : Pour : Prcision=10^(-2) cp=5 Prcision=10^(-4) cp=9 Prcision=10^(-6) cp=14 Prcision=10^(-8) cp=18 Prcision=10^(-10) cp=23

Donc si on augment la prcision cest logique on va avoir plus de boucle de test