Escolar Documentos
Profissional Documentos
Cultura Documentos
MB536
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
Procedmiento de solución Iterativa
Escribir el sistema Ax=b en una forma equivalente
x=Tx+c (como x=g(x) para iteración del punto
fijo)
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 parir
de A y b, pero en forma diferente.
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
5
Iteración de Jacobi
a11x1 a12 x2 a1n xn b1 x10
a21x1 a22 x2 a2 n xn b2 0
x2
x
0
0
an1 x1 an 2 x2 ann xn bn xn
x11
1
(b1 a12 x20 a1n xn0 ) 1 i 1 n
a11
k 1
xi bi
aii
aij x aij x
k
j
k
j
1
j 1 j i 1
x12 (b2 a21 x10 a23 x30 a2 n xn0 )
a22
1
x1n (bn an1 x10 an 2 x20 ann1 xn01 )
ann
6
Método de Jacobi. Forma Matricial
Descomponiendo A = D - L - U. U=D-triu(A)
-U
D =
-L
L= D -tril(A) 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)
a11 a12 a13 0 0 0 a11 0 0 0 a12 a13
a a a a 0 0 0 a 0 0 0 a
21 22 23 21 22 23
1 i 1 n xk+1=D-1(L+U)xk+D-1b
bi aij x j aij x j
k 1
xi k k
aii j 1 j i 1 T=D-1(L+U)
Dxk+1 Lx k Uxk c=D-1b
8
iteración Gauss-Seidel (GS)
a11x1 a12 x2 a1n xn b1 x10
Use lo último a21x1 a22 x2 a2 n xn b2 0
x2
al actualizar x
0
0
an1 x1 an 2 x2 ann xn bn xn
x11
1
(b1 a12 x20 a1n xn0 ) 1 i 1 n
a11
k 1
xi bi
aii
a x ij
k 1
j aij x k
j
1 j 1 j i 1
x12 (b2 a21 x11 a23 x30 a2 n xn0 )
a22
1
x1n (bn an1 x11 an 2 x12 ann1 x1n 1 )
ann
9
x(k+1)=Tx(k)+x iteración de Gauss-Seidel
Ax=b (D-L-U)x=b
1 i 1 n
bi aij x j aij x j
k 1 k 1
x k
i
aii j 1 j i 1 (D-L)xk+1 =Uxk+b
Dxk+1
Lx k 1 Uxk
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)
GS puede ser escrita como sigue
1 i 1 n
bi aij x j aij x j
k 1 k 1
x i x
k
i
k
aii j 1 j i
xik 1 xik ik término Corrector
i2
xi3 i1
2
Converge más
xi2 i
i1 rápido
xi1
Multiplicando por i0
i0 1
0
x i
12
SOR
xik 1 xik ik
1 i 1 n
x bi aij x j aij x j
k 1 k k 1 k
xi i
aii j 1 j i
1 i 1 n
xik 1 (1 ) xik bi aij x j aij x j
k 1 k
aii j 1 j i 1
1<<2 Sobre-relajación (convergencia rápida)
0<<1 Sub-relajación (convergencia más lenta)
Existe un valor óptimo para
Encontrarlo por prueba y error
13
x(k+1)=Tx(k)+c iteración para SOR
1 i 1 n
(1 ) x bi aij x j aij x j
k 1 k k 1 k
xi i
aii j 1 j i 1
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
14
Convergencia de los métodos iterativos
Substituye esto en
x k 1 Tx k c
ek 1 xˆ T (ek xˆ ) c Txˆ c Tek
iteración potencia
e T e T
k (k ) 0 (k )
e 0
Condición de Convergencia
Lim e k 0 si Lim E ( k ) 0
k k
16
Norma de un vector
La norma de un vector debe satisfacer estas
condiciones:
x 0 Para cualquier vector no nulo x
x 0 si y solo si x es un vector nulo
αx x Para un escalar α
x y x y
La norma de un Vector pueden ser definidas en diferentes
formas, y deben satisfacer estas condiciones.
17
Normas de vectores Comunmente usadas
norma Suma o norma ℓ1
x 1 x1 x2 xn
norma Euclideana ó norma ℓ2
x 2 x x x
2
1
2
2
2
n
x max i xi
18
Norma de una matriz
La norma de una matriz debe satisfacer estas cond.
A 0
A 0 si y solo si A es una matriz nula
αA A para α escalar
A B A B
Importante identidad
Ax A x x es un vector
19
Normas de matrices mas usadas
Norma Maxima suma_col- o norma ℓ1
m
A 1 max aij
1 j n
i 1
Norma Espectral o norma ℓ2
3 9 5 17 A
7 2 4 13
6 8 1 15
16 19 10
A1
21
Condición de Convergencia
k 1 ( k 1)
lim e 0 si lim T 0
k k
26
Ejemplo 1 (Iteración de Jacobi)
4 1 1 x1 7 0
4 8 1 x 21 x 0 0
2 b Ax0 26.7395
2 1 5 x3 15 0 2
7 3.875 4.225
x13 1.6625
4
21 4 1.65625 4.225 b Ax2 1.9534
x23 3.98125 2
8
15 2 1.65625 3.875
x33 2.8875
5
15 x20 5 x30 15
x
1
1 7.5
2 2
b Ax1 54.8546
21 4 x10 x30 21 2
x2
1
2.625
8 8
x31 7 4 x10 x20 7.0
29
Ejemplo 2 (continuación...)
15 2.625 5 7
x11 11.3125
2
21 4 7.5 7 b Ax2 208.3761
x12 0.25 2
8
x31 7 4 7.5 2.625 39.625
30
Convergencia de la iteración de
Gauss-Seidel
Iteración GS converge para cualquier vector inicial
si A es una matriz diagonalmente dominante
31
Matrices Definidas Positivas
Una matriz es definida positiva si todos sus valores
propios son positivos
Una matriz simétrica diagonalmente dominante con
diagonal con entradas a la diagonal positiva es
definida positiva.
Si una matriz es definida positiva
Todas las entradas a la diagonal son positivas
El elemento mas grande (en magnitud) de la
matriz completa debe estar en la diagonal.
32
Verificar la definición de positiva
20 12 25
12 15 2 No es definida positiva
25 2 5 El elemento mas grande no esta en la
diagonal principal
20 12 5
12 15 2 No es definida positiva
Todas las entradas a la diagonal no
5 2 25
son positivas
20 12 5 Definida positiva
12 15 2
Simétrica, diagonalmente dominante,
5 2 25 todas las entradas a la diagonal son
positivas.
33
Verificar la definición de positiva
20 12 5
12 15 2
No simetría
8 2 25
7 x20 x30 7
x
1
1
1.75 b Ax1 3.0414
4 4 2
36
Convergencia del método SOR
Si 0<<2, método SOR converge para cualquier
valor inicial si A es una matriz simétrica y definida
positiva.
37
Conteo de operaciones
El # de operaciones para la Eliminación gaussiana o la
descomposición LU es de 0 (n3), orden de n3
Para los métodos iterativos, el número de multiplicaciones
escalares es 0 (n2) en cada iteración.
Si el número total de las iteraciones requeridas para la
convergencia es mucho menos que n, entonces los métodos
iterativos son más eficiente que métodos directos.
Los Métodos iterativos también se satisfacen bien para las
matrices esparcidas.
38
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
39