Documente Academic
Documente Profesional
Documente Cultură
N. Fressengeas
Quelques ouvrages. . .
[GJP05, Pie01, Bis04]
Christopher M. Bishop. Neural Networks for Pattern Recognition, chapter 7 :Parameter Optimization Algorithms. Oxford University Press, 2004. 2005 Grivet Jean-Philippe. Analyse num erique pour les sciences physiques. Association Libre Cours, 2005. Nougier Jean Pierre. M ethodes de calcul num erique. Hermes Sciences, 2001.
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 4 Formats vid eo
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 5
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
Un ordinateur est un outil pour le traitement des donn ees Il utilise des donn ees dentr ee Eectue dessus un traitement programmm e Fournit des donn ees en sortie Et cest tout ! Les programmes les plus complexes se r esument ` a ca
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
Un ordinateur est un outil pour le traitement des donn ees Il utilise des donn ees dentr ee Eectue dessus un traitement programmm e Fournit des donn ees en sortie Et cest tout ! Les programmes les plus complexes se r esument ` a ca
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
3 composants principaux
Le(s) microprocesseur(s) Eectue(nt) toutes1 les t aches de traitement Cest un circuit electronique Les informations sont transmises sur des bus : ensembles de ls electriques La m emoire Stockage des donn ees dentr ee et de sortie Stockage des r esultats interm ediaires Stockage des programmes de traitement Les p eriph eriques Sans eux, ni entr ee, ni sortie de donn ee
1 Certaines t aches de traitement, comme la gestion de lachage, peuvent etre sous-trait ees ` a des cartes sp ecialis ees N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 6
CPU
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
3 composants principaux
Le(s) microprocesseur(s) Eectue(nt) toutes1 les t aches de traitement Cest un circuit electronique Les informations sont transmises sur des bus : ensembles de ls electriques La m emoire Stockage des donn ees dentr ee et de sortie Stockage des r esultats interm ediaires Stockage des programmes de traitement Les p eriph eriques Sans eux, ni entr ee, ni sortie de donn ee
1 Certaines t aches de traitement, comme la gestion de lachage, peuvent etre sous-trait ees ` a des cartes sp ecialis ees N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 6
CPU
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
3 composants principaux
Le(s) microprocesseur(s) Eectue(nt) toutes1 les t aches de traitement Cest un circuit electronique Les informations sont transmises sur des bus : ensembles de ls electriques La m emoire Stockage des donn ees dentr ee et de sortie Stockage des r esultats interm ediaires Stockage des programmes de traitement Les p eriph eriques Sans eux, ni entr ee, ni sortie de donn ee
1 Certaines t aches de traitement, comme la gestion de lachage, peuvent etre sous-trait ees ` a des cartes sp ecialis ees N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 6
CPU
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
La m emoire
2 grands types de m emoire
La m emoire vive Tr` es rapide (ns) Capacit ee limit ee ` a quelques Giga Octets Sert au stockage temporaire des donn ees Le Disque Dur 103 ` a 106 fois plus lent que la RAM Grandes capacit es (Tera Octet) Stockage permanent Emulation de la RAM (swap) si elle vient ` a manquer
RAM
HDD
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
La m emoire
2 grands types de m emoire
La m emoire vive Tr` es rapide (ns) Capacit ee limit ee ` a quelques Giga Octets Sert au stockage temporaire des donn ees Le Disque Dur 103 ` a 106 fois plus lent que la RAM Grandes capacit es (Tera Octet) Stockage permanent Emulation de la RAM (swap) si elle vient ` a manquer
RAM
HDD
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 8
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
BIT
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 10
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
Prenons un exemple
Comment stocker les entiers n egatifs ou sup erieurs ` a 255 ?
Stockage des grands entiers 8 bits ne susent pas : prenons 2 octets 2 octets : entiers de 0 ` a 216 1 = 65535 b1111 1111 1111 1110 vaut donc 65534 Nombre n egatifs Prenons la convention du compl ement2 ` a2: Si le premier BIT est 1, le nombre repr esent e est loppos e du compl ement ` a 2 des autres bits b1111 1111 1111 1110 vaut b000 0000 0000 0001 donc 1
Cette convention est commode car, gr ace ` a elle, laddition relative est compatible avec les additionneur binaires de nombres entiers naturels
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 10 2
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
Prenons un exemple
Comment stocker les entiers n egatifs ou sup erieurs ` a 255 ?
Stockage des grands entiers 8 bits ne susent pas : prenons 2 octets 2 octets : entiers de 0 ` a 216 1 = 65535 b1111 1111 1111 1110 vaut donc 65534 Nombre n egatifs Prenons la convention du compl ement2 ` a2: Si le premier BIT est 1, le nombre repr esent e est loppos e du compl ement ` a 2 des autres bits b1111 1111 1111 1110 vaut b000 0000 0000 0001 donc 1
Cette convention est commode car, gr ace ` a elle, laddition relative est compatible avec les additionneur binaires de nombres entiers naturels
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 10 2
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
b1111 1111 1111 1110 Stocke-t-on des entiers relatif (ou non) ? Il faut le d enir ` a priori Cest le format de ces 2 octets
65534 ou 1 ?
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 13
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Format binaire brut Ecriture de la m emoire telle quelle sur le disque (BIT ` a BIT) Rapide, simple et econome Exemple en C : le fonction write Inconv enients majeurs Ne peut etre relu QUE sur une machine du m eme type3 Souvent uniquement par le m eme programme
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Format binaire brut Ecriture de la m emoire telle quelle sur le disque (BIT ` a BIT) Rapide, simple et econome Exemple en C : le fonction write Inconv enients majeurs Ne peut etre relu QUE sur une machine du m eme type3 Souvent uniquement par le m eme programme
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Les chiers ex ecutables Ils doivent etre transcrits tel quels en m emoire Pour y etre ex ecut es Ils contiennent des codes diunstructions du microprocesseur Corrolaire Ne sont lisible que sur le type de machine qui la ecrit Souvent avec le m eme syst` eme dexploitation uniquement
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Les chiers ex ecutables Ils doivent etre transcrits tel quels en m emoire Pour y etre ex ecut es Ils contiennent des codes diunstructions du microprocesseur Corrolaire Ne sont lisible que sur le type de machine qui la ecrit Souvent avec le m eme syst` eme dexploitation uniquement
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 15
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Stocher des documents complexes N ecessit e de stocker des informations de structure en plus des copies m emoire Exemples de formats binaires complexes Fichiers Microsoft Oce (avant 2007) : *.DOC. . . Format HDF (Hierarchical Data File) Format Origin. . . Inconv enients majeurs Formats propri etaires, structure inconnue Interop erabilit e nulle Sauf quand le format est publi e (HDF)
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 15
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Stocher des documents complexes N ecessit e de stocker des informations de structure en plus des copies m emoire Exemples de formats binaires complexes Fichiers Microsoft Oce (avant 2007) : *.DOC. . . Format HDF (Hierarchical Data File) Format Origin. . . Inconv enients majeurs Formats propri etaires, structure inconnue Interop erabilit e nulle Sauf quand le format est publi e (HDF)
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 15
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Stocher des documents complexes N ecessit e de stocker des informations de structure en plus des copies m emoire Exemples de formats binaires complexes Fichiers Microsoft Oce (avant 2007) : *.DOC. . . Format HDF (Hierarchical Data File) Format Origin. . . Inconv enients majeurs Formats propri etaires, structure inconnue Interop erabilit e nulle Sauf quand le format est publi e (HDF)
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 15
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 16
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Le code ASCII
American Standard Code for Information Interchange
Un code standard pour coder les caract` eres Standardis e dans les ann ees 60 Un octet = un caract` eres 0` a 31 Exemples 48 ` a 57 : les chires 65 ` a 90 : les majuscules 97 ` a 122 : les minuscules4
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Le code ASCII
American Standard Code for Information Interchange
Un code standard pour coder les caract` eres Standardis e dans les ann ees 60 Un octet = un caract` eres 0` a 31 Exemples 48 ` a 57 : les chires 65 ` a 90 : les majuscules 97 ` a 122 : les minuscules4
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
CR LF
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
CR LF
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
CR LF
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Notion dencodage
Codage des accents et autres c edilles
Le code ASCII d enit 7 bits Les codes de 128 ` a 255 sont disponibles Il faut en d enir le format Cest lencodage Format dencodage Les formats dencodage sont tr` es variables Dune plateforme ` a une autre Dun pays ` a un autre Peu de normalisation. . . e.g. UTF-8, Latin1 (ISO 8859-1). . .
de 0 ` a 127
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Notion dencodage
Codage des accents et autres c edilles
Le code ASCII d enit 7 bits Les codes de 128 ` a 255 sont disponibles Il faut en d enir le format Cest lencodage Format dencodage Les formats dencodage sont tr` es variables Dune plateforme ` a une autre Dun pays ` a un autre Peu de normalisation. . . e.g. UTF-8, Latin1 (ISO 8859-1). . .
de 0 ` a 127
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 19
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Lisible par la plupart des ordinateurs et logiciels e.g. : stockage des nombres par leur ecriture d ecimale Utilisation tr` es r epandue Tous les chiers de conguration de Linux Format Comma5 Separated Value Et bien dautres. . . Un inconv enient Taille des chiers beaucoup plus importante quen binaire Solution : la compression
La Comma du format est une virgule qui peut etre remplac ee par autre chose N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 19
5
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Lisible par la plupart des ordinateurs et logiciels e.g. : stockage des nombres par leur ecriture d ecimale Utilisation tr` es r epandue Tous les chiers de conguration de Linux Format Comma5 Separated Value Et bien dautres. . . Un inconv enient Taille des chiers beaucoup plus importante quen binaire Solution : la compression
La Comma du format est une virgule qui peut etre remplac ee par autre chose N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 19
5
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Lisible par la plupart des ordinateurs et logiciels e.g. : stockage des nombres par leur ecriture d ecimale Utilisation tr` es r epandue Tous les chiers de conguration de Linux Format Comma5 Separated Value Et bien dautres. . . Un inconv enient Taille des chiers beaucoup plus importante quen binaire Solution : la compression
La Comma du format est une virgule qui peut etre remplac ee par autre chose N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 19
5
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 20
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Des formats polyvalents Interop erabilit e des formats ASCII Flexibilit e des formats complexes Permettent de d ecrire ` a peu pr` es tout Normalisation des formats complexes : la norme XML Formats tr` es r epandus
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Document1
OpenXML1
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Document1
OpenXML1
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 22
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Pas toujours
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Pas toujours
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Pas toujours
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Prenons un exemple
Prise de vue avec un appareil num erique conventionnel 5Mpixels
Caract eritiques de limage Nombre de points : 1944 2592 = 5 038 848 Profondeur de couleur : 3 8 = 24 BITs 256 niveaux pour chaque couleur primaire soit 224 = 16 777 216 couleurs M emoire totale utilis ee : 3 5 038 848 = 15 116 544 octets 15Mo. Sa r esolution d epend de la taille physique souhait ee e.g. 30*40cm
1944 30
= 64, 8
2592 40
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Prenons un exemple
Prise de vue avec un appareil num erique conventionnel 5Mpixels
Caract eritiques de limage Nombre de points : 1944 2592 = 5 038 848 Profondeur de couleur : 3 8 = 24 BITs 256 niveaux pour chaque couleur primaire soit 224 = 16 777 216 couleurs M emoire totale utilis ee : 3 5 038 848 = 15 116 544 octets 15Mo. Sa r esolution d epend de la taille physique souhait ee e.g. 30*40cm
1944 30
= 64, 8
2592 40
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Prenons un exemple
Prise de vue avec un appareil num erique conventionnel 5Mpixels
Caract eritiques de limage Nombre de points : 1944 2592 = 5 038 848 Profondeur de couleur : 3 8 = 24 BITs 256 niveaux pour chaque couleur primaire soit 224 = 16 777 216 couleurs M emoire totale utilis ee : 3 5 038 848 = 15 116 544 octets 15Mo. Sa r esolution d epend de la taille physique souhait ee e.g. 30*40cm
1944 30
= 64, 8
2592 40
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 24
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Codage BitMap 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Codage BitMap 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Avantages Tr` es faible encombrement m emoire Description ind ependante de la r esolution R esolution virtuellement innie Inconv enients IL ny en a pas pour les objets g eom etriques A part (peut etre) le manque doutils populaires pour les 6 manipuler Encombrement m emoire enorme pour une image echantillon ee Sauf ci celle-ci est consid er ee comme un objet BitMap
Citons Inkscape, excellent logiciel libre qui manipule la plupart des formats vectoriels
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 25 6
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Avantages Tr` es faible encombrement m emoire Description ind ependante de la r esolution R esolution virtuellement innie Inconv enients IL ny en a pas pour les objets g eom etriques A part (peut etre) le manque doutils populaires pour les 6 manipuler Encombrement m emoire enorme pour une image echantillon ee Sauf ci celle-ci est consid er ee comme un objet BitMap
Citons Inkscape, excellent logiciel libre qui manipule la plupart des formats vectoriels
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 25 6
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Avantages Tr` es faible encombrement m emoire Description ind ependante de la r esolution R esolution virtuellement innie Inconv enients IL ny en a pas pour les objets g eom etriques A part (peut etre) le manque doutils populaires pour les 6 manipuler Encombrement m emoire enorme pour une image echantillon ee Sauf ci celle-ci est consid er ee comme un objet BitMap
Citons Inkscape, excellent logiciel libre qui manipule la plupart des formats vectoriels
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 25 6
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Formats combin es
Insertion dune BitMap dans un format vectoriel La plupart des formats vecoriels permettent dins erer des objets BitMap en tant quobjets vecoriels
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
En pratique
Choix dun format BitMap Photos Images analogiques num eris ees
Choix dun format vectoriel Diagrammes Sch emas Images g eom etriques
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Choix dun format BitMap Photos Images analogiques num eris ees Taille du chier Enorme Recours ` a la compression
En pratique
Choix dun format vectoriel Diagrammes Sch emas Images g eom etriques Taille du chier Tout petit
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
En pratique
Choix dun format vectoriel Diagrammes Sch emas Images g eom etriques Taille du chier Tout petit Formats utilis es PostScript Portable Document Format Scalable Vector Graphics Windows Meta File Enhanced Meta File
UE SPM-PHY-S07-101, version 2.0.1, planche 27
Choix dun format BitMap Photos Images analogiques num eris ees Taille du chier Enorme Recours ` a la compression Formats utilis es Graphics Interchange Format Joint Photographic Experts Group Portable Network Graphics Tagged Image File Format
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 28
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
PNG,GIF...
M eme principe que la compression ZIP standard Fonctionne tr` es mal avec des photos A r eserver aux images g eom etriques que lon ne peut avoir en format vectoriel
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
PNG,GIF...
M eme principe que la compression ZIP standard Fonctionne tr` es mal avec des photos A r eserver aux images g eom etriques que lon ne peut avoir en format vectoriel
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Les performances de lil et du cerveau humain Vision Noir & Blanc d etaill ee et p eriph eriques Gestion des couleurs centrale et peu r esolue Cons equences pour le codage des images La luminance doit etre bien r esolue Les couleurs la chrominance peuvent l etre moins Et donc. . . le codage JPEG D ecomposition Luminance-Chrominance Transform ee de Fourier spatiale 2D Suppression des hautes fr equences spatiales invisibles Compression jusqu` a un facteur 25 sans perte apparente de qualit e
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 29
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Les performances de lil et du cerveau humain Vision Noir & Blanc d etaill ee et p eriph eriques Gestion des couleurs centrale et peu r esolue Cons equences pour le codage des images La luminance doit etre bien r esolue Les couleurs la chrominance peuvent l etre moins Et donc. . . le codage JPEG D ecomposition Luminance-Chrominance Transform ee de Fourier spatiale 2D Suppression des hautes fr equences spatiales invisibles Compression jusqu` a un facteur 25 sans perte apparente de qualit e
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 29
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Les performances de lil et du cerveau humain Vision Noir & Blanc d etaill ee et p eriph eriques Gestion des couleurs centrale et peu r esolue Cons equences pour le codage des images La luminance doit etre bien r esolue Les couleurs la chrominance peuvent l etre moins Et donc. . . le codage JPEG D ecomposition Luminance-Chrominance Transform ee de Fourier spatiale 2D Suppression des hautes fr equences spatiales invisibles Compression jusqu` a un facteur 25 sans perte apparente de qualit e
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 29
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
Les performances de lil et du cerveau humain Vision Noir & Blanc d etaill ee et p eriph eriques Gestion des couleurs centrale et peu r esolue Cons equences pour le codage des images La luminance doit etre bien r esolue Les couleurs la chrominance peuvent l etre moins Et donc. . . le codage JPEG D ecomposition Luminance-Chrominance Transform ee de Fourier spatiale 2D Suppression des hautes fr equences spatiales invisibles Compression jusqu` a un facteur 25 sans perte apparente de qualit e
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 29
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
C a bave. . . Sch emas et graphiques : hautes fr equences spatiales Codage JPEG adapt e aux image analogiques num eris ees R esultat peu convaincant. . .
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
N ecessit e dun format de donn ees Fonctionnement dun ordinateur Stockage des donn ees en m emoire Un format, obligatoirement Formats binaires Formats binaires simples Formats binaires complexes Formats ASCII Le code ASCII Formats ASCII simples Formats ASCII complexes Formats dimage Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 31
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
MPEG
Du fait de l enorme taille des chiers, les formats vid eo sont des formats de codage
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
MPEG
Du fait de l enorme taille des chiers, les formats vid eo sont des formats de codage
N. Fressengeas
N ecessit e dun format de donn ees Formats binaires Formats ASCII Formats dimage
Analyse dune image num erique Vectoriel ou BitMap ? Formats comprim es avec ou sans perte ? Formats vid eo
MPEG
Du fait de l enorme taille des chiers, les formats vid eo sont des formats de codage
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Le pivot de Gauss Le pivot de Gauss : notation matricielle Autres m ethodes directes Conditionnement dun syst` eme lin eaire Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement M ethodes it eratives M ethodes it eratives et matrices creuses Principes g en eraux Quelques m ethodes classiques
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 33
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
On en trouve partout Physique, Chimie, M ecanique. . . G en eralement issus de la r esolution des Equations Di erentielles (ED) Pas si faciles ` a r esoudre Pour les syst` emes lin eaires simples : substitution, addition. . . Les ED g en` erent de grands syst` emes : 1000 inconnues ou plus N ecessit e dune m ethode syst ematique programmable
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
On en trouve partout Physique, Chimie, M ecanique. . . G en eralement issus de la r esolution des Equations Di erentielles (ED) Pas si faciles ` a r esoudre Pour les syst` emes lin eaires simples : substitution, addition. . . Les ED g en` erent de grands syst` emes : 1000 inconnues ou plus N ecessit e dune m ethode syst ematique programmable
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
On en trouve partout Physique, Chimie, M ecanique. . . G en eralement issus de la r esolution des Equations Di erentielles (ED) Pas si faciles ` a r esoudre Pour les syst` emes lin eaires simples : substitution, addition. . . Les ED g en` erent de grands syst` emes : 1000 inconnues ou plus N ecessit e dune m ethode syst ematique programmable
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Les m ethode directes Le pivot de Gauss en est le meilleur repr esentant Elles donnent un r esultat exact aux erreurs darrondi pr` es Les m ethode indirectes Ce sont des m ethodes it eratives On construit une suite convergent vers la solution La solution trouv ee est toujours approch ee
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Les m ethode directes Le pivot de Gauss en est le meilleur repr esentant Elles donnent un r esultat exact aux erreurs darrondi pr` es Les m ethode indirectes Ce sont des m ethodes it eratives On construit une suite convergent vers la solution La solution trouv ee est toujours approch ee
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Le pivot de Gauss Le pivot de Gauss : notation matricielle Autres m ethodes directes Conditionnement dun syst` eme lin eaire Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement M ethodes it eratives M ethodes it eratives et matrices creuses Principes g en eraux Quelques m ethodes classiques
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 36
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Principe Objectif : transformer un syst` eme lin eaire en un syst` eme type Rx = c r11 .. avec R triangulaire sup erieure R= . 0 La solution dun syst` eme triangulaire est directe Par substitution ` a partir de la derni` ere ligne On peut le r esoudre formellement 1 i : rii = 0 xi = rii
N. Fressengeas
du r1n . . . rnn
ci
k =i +1
rik xk
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Principe Objectif : transformer un syst` eme lin eaire en un syst` eme type Rx = c r11 .. avec R triangulaire sup erieure R= . 0 La solution dun syst` eme triangulaire est directe Par substitution ` a partir de la derni` ere ligne On peut le r esoudre formellement 1 i : rii = 0 xi = rii
N. Fressengeas
du r1n . . . rnn
ci
k =i +1
rik xk
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
Pour mettre des 0 sur la premi` ere colonne de la ligne k Si L1 est la premi` ere ligne Soustraire
ak 1 a11 L1
` a la ligne k
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
Pour mettre des 0 sur la premi` ere colonne de la ligne k Si L1 est la premi` ere ligne Soustraire
ak 1 a11 L1
` a la ligne k
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Choix du pivot
Ax = b
Si le pivot est nul Une permutation de lignes ou de colonnes r esout le probl` eme ements de b aussi ! Lignes permut ees ? El Colonnes permut ees ? x doit l etre aussi !
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Lordinateur naime pas diviser par de petits nombres Si est connu ` a pr` es, comme dans tout ordinateur Comparez lerreur relative obtenue sur le calcul de 1/
Pour = 2 Pour = 106
Un bon pivot doit etre grand . . . voire le plus grand possible M ethode du pivot partiel : permuter les lignes pour obtenir le plus grand pivot M ethode du pivot total : permuter lignes et colonnes
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Lordinateur naime pas diviser par de petits nombres Si est connu ` a pr` es, comme dans tout ordinateur Comparez lerreur relative obtenue sur le calcul de 1/
Pour = 2 Pour = 106
Un bon pivot doit etre grand . . . voire le plus grand possible M ethode du pivot partiel : permuter les lignes pour obtenir le plus grand pivot M ethode du pivot total : permuter lignes et colonnes
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Tous les pivots possibles sont nuls A un pas de la m ethode, impossibilit e de trouver un pivot non nuls Cela signie quune des inconnues a toujours un coecient nul Le syst` eme nest pas solvable : il est dit singulier Il poss` ede une innit e de solution ou pas du tout Si le pivot est trop petit Le syst` eme est s urement mal conditionn e (presque singulier) On en parle ` a la n de cette partie
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Tous les pivots possibles sont nuls A un pas de la m ethode, impossibilit e de trouver un pivot non nuls Cela signie quune des inconnues a toujours un coecient nul Le syst` eme nest pas solvable : il est dit singulier Il poss` ede une innit e de solution ou pas du tout Si le pivot est trop petit Le syst` eme est s urement mal conditionn e (presque singulier) On en parle ` a la n de cette partie
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
R esum e
2 3
Si |ars | = 0 alors STOP, le syst` eme est singulier Sinon echanger lignes (et colonnes) pour obtenir le syst` eme Ax = b Pour i > 1 :
Si L1 est la premi` ere ligne ai 1 L 1 ` a la ligne i Soustraire a 11 Pour obtenir le nouveau syst` eme A x = b
Recommencer en (1) avec la sous-matrice A de A priv ee des premi` eres ligne et colonne
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
R esum e
2 3
Si |ars | = 0 alors STOP, le syst` eme est singulier Sinon echanger lignes (et colonnes) pour obtenir le syst` eme Ax = b Pour i > 1 :
Si L1 est la premi` ere ligne ai 1 L 1 ` a la ligne i Soustraire a 11 Pour obtenir le nouveau syst` eme A x = b
Recommencer en (1) avec la sous-matrice A de A priv ee des premi` eres ligne et colonne
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
R esum e
2 3
Si |ars | = 0 alors STOP, le syst` eme est singulier Sinon echanger lignes (et colonnes) pour obtenir le syst` eme Ax = b Pour i > 1 :
Si L1 est la premi` ere ligne ai 1 L 1 ` a la ligne i Soustraire a 11 Pour obtenir le nouveau syst` eme A x = b
Recommencer en (1) avec la sous-matrice A de A priv ee des premi` eres ligne et colonne
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
R esum e
2 3
Si |ars | = 0 alors STOP, le syst` eme est singulier Sinon echanger lignes (et colonnes) pour obtenir le syst` eme Ax = b Pour i > 1 :
Si L1 est la premi` ere ligne ai 1 L 1 ` a la ligne i Soustraire a 11 Pour obtenir le nouveau syst` eme A x = b
Recommencer en (1) avec la sous-matrice A de A priv ee des premi` eres ligne et colonne
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
R esum e
2 3
Si |ars | = 0 alors STOP, le syst` eme est singulier Sinon echanger lignes (et colonnes) pour obtenir le syst` eme Ax = b Pour i > 1 :
Si L1 est la premi` ere ligne ai 1 L 1 ` a la ligne i Soustraire a 11 Pour obtenir le nouveau syst` eme A x = b
Recommencer en (1) avec la sous-matrice A de A priv ee des premi` eres ligne et colonne
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Le pivot de Gauss Le pivot de Gauss : notation matricielle Autres m ethodes directes Conditionnement dun syst` eme lin eaire Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement M ethodes it eratives M ethodes it eratives et matrices creuses Principes g en eraux Quelques m ethodes classiques
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 43
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Matrice identit e dont les el ements (i , i ) et (j , j ) sont permut es avec (i , j ) et (j , i ) Multiplication ` a gauche : permutation des lignes A droite : permutation des colonnes Remarque : Pij 1 = Pij
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 43
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
la ligne i .. . .. . .. . 0 . . . . .. . . . .. .. . . . . . .. . 1 0 0 1
A = GA
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
G 1
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
A[j ]
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
A[j ]
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
R=
k =n1 1
G [k ] P [k ] G [k ] P [k ]
k =n1
c=
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Si
k , P [k ]
= I alors R =
k =n1 k =n1
G [k ]
Donc A =
G [k ]
1
R = L.R
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
La permutation de A est parfois n ecessaire Pour eviter les pivots non nuls Mais aussi pour choisir les meilleurs pivots D ecomposition LR conventionnelle A = P LR o` u P est une matrice de permutation
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
La permutation de A est parfois n ecessaire Pour eviter les pivots non nuls Mais aussi pour choisir les meilleurs pivots D ecomposition LR conventionnelle A = P LR o` u P est une matrice de permutation
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
De lutilit e de la d ecomposition LR
R esolution de syst` emes lin eaires pour divers seconds membres Supposons A = P LR A r esoudre : Ax = bi pour divers i P L (Rx ) = bi Rx = y P Ly = bi Ce sont deux syst` emes triangulaires9 simples ` a r esoudre Utiliser la d ecomposition LR formellement revient ` a utiliser la m ethode de Gauss Autres utilisations Inversion matricielle Calcul de d eterminant
Le deuxi` eme syst` eme est triangulaire ` a une permutation pr` es, ce qui ne change pas la complexit e de sa r esolution.
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 50 9
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
De lutilit e de la d ecomposition LR
R esolution de syst` emes lin eaires pour divers seconds membres Supposons A = P LR A r esoudre : Ax = bi pour divers i P L (Rx ) = bi Rx = y P Ly = bi Ce sont deux syst` emes triangulaires9 simples ` a r esoudre Utiliser la d ecomposition LR formellement revient ` a utiliser la m ethode de Gauss Autres utilisations Inversion matricielle Calcul de d eterminant
Le deuxi` eme syst` eme est triangulaire ` a une permutation pr` es, ce qui ne change pas la complexit e de sa r esolution.
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 50 9
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
De lutilit e de la d ecomposition LR
R esolution de syst` emes lin eaires pour divers seconds membres Supposons A = P LR A r esoudre : Ax = bi pour divers i P L (Rx ) = bi Rx = y P Ly = bi Ce sont deux syst` emes triangulaires9 simples ` a r esoudre Utiliser la d ecomposition LR formellement revient ` a utiliser la m ethode de Gauss Autres utilisations Inversion matricielle Calcul de d eterminant
Le deuxi` eme syst` eme est triangulaire ` a une permutation pr` es, ce qui ne change pas la complexit e de sa r esolution.
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 50 9
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
De lutilit e de la d ecomposition LR
R esolution de syst` emes lin eaires pour divers seconds membres Supposons A = P LR A r esoudre : Ax = bi pour divers i P L (Rx ) = bi Rx = y P Ly = bi Ce sont deux syst` emes triangulaires9 simples ` a r esoudre Utiliser la d ecomposition LR formellement revient ` a utiliser la m ethode de Gauss Autres utilisations Inversion matricielle Calcul de d eterminant
Le deuxi` eme syst` eme est triangulaire ` a une permutation pr` es, ce qui ne change pas la complexit e de sa r esolution.
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 50 9
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
De lutilit e de la d ecomposition LR
R esolution de syst` emes lin eaires pour divers seconds membres Supposons A = P LR A r esoudre : Ax = bi pour divers i P L (Rx ) = bi Rx = y P Ly = bi Ce sont deux syst` emes triangulaires9 simples ` a r esoudre Utiliser la d ecomposition LR formellement revient ` a utiliser la m ethode de Gauss Autres utilisations Inversion matricielle Calcul de d eterminant
Le deuxi` eme syst` eme est triangulaire ` a une permutation pr` es, ce qui ne change pas la complexit e de sa r esolution.
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 50 9
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Pivot de Gauss ou calcul de linverse ? Ax = b pourrait se r esoudre par le calcul de linverse : x = A1 b Le calcul de linverse pourrait etre fait par une autre m ethode10 La m ethode du Pivot est la plus rapide (complexit e en n3 /2)
10
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Pivot de Gauss ou calcul de linverse ? Ax = b pourrait se r esoudre par le calcul de linverse : x = A1 b Le calcul de linverse pourrait etre fait par une autre m ethode10 La m ethode du Pivot est la plus rapide (complexit e en n3 /2)
10
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Le pivot de Gauss Le pivot de Gauss : notation matricielle Autres m ethodes directes Conditionnement dun syst` eme lin eaire Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement M ethodes it eratives M ethodes it eratives et matrices creuses Principes g en eraux Quelques m ethodes classiques
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 52
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Elimination de Gauss-Jordan
Une autre pr esentation de la m ethode de Gauss
Ax = b
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Elimination de Gauss-Jordan
Une autre pr esentation de la m ethode de Gauss
Ax = b
1 0 0 . . . . . . .. . . 0 . . . . . [c ] [x ] . . .. .. . . . . . . . . . . . . 0 0 0 0 1
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Elimination de Gauss-Jordan
Une autre pr esentation de la m ethode de Gauss
Ax = b
1 0 0 . . . . . . .. . . . . . . . [x ] [c ] 0 . . . .. .. . . . . . . . . . . 0 . 0 0 1 0
Syst` eme triangulaire r esolu ` a laide du Pivot de Gauss (invers e) Remarque sur le Pivot Total Si le Pivot Total est utilis e, la permutation des colonnes permute le vecteur solution [x ] La remont ee ne peut faire lobjet de recherche de pivot
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 52
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Elimination de Gauss-Jordan
Application au calcul de linverse matriciel
D eterminer linverse de A, cest r esoudre des syst` emes Chaque colonne de linverse est solution dun syst` eme :
dont la matrice est A le second membre est un vecteur de base
Proposition : les r esoudre tous en m eme temps Le calcul de linverse le plus rapide qui soit 1 0 0 1 0 0 .. .. . . . . . . . . 0 0 . . . . . . [A] = . . . . . . . . . . . . . 0 . . . . . 0 0 0 1 0 0 1
N. Fressengeas
A1
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Elimination de Gauss-Jordan
Application au calcul de linverse matriciel
D eterminer linverse de A, cest r esoudre des syst` emes Chaque colonne de linverse est solution dun syst` eme :
dont la matrice est A le second membre est un vecteur de base
Proposition : les r esoudre tous en m eme temps Le calcul de linverse le plus rapide qui soit 1 0 0 1 0 0 .. .. . . . . . . . . 0 0 . . . . . . [A] = . . . . . . . . . . . . . 0 . . . . . 0 0 0 1 0 0 1
N. Fressengeas
A1
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Elimination de Gauss-Jordan
Application au calcul de linverse matriciel
D eterminer linverse de A, cest r esoudre des syst` emes Chaque colonne de linverse est solution dun syst` eme :
dont la matrice est A le second membre est un vecteur de base
Proposition : les r esoudre tous en m eme temps Le calcul de linverse le plus rapide qui soit 1 0 0 1 0 0 .. .. . . . . . . . . 0 0 . . . . . . [A] = . . . . . . . . . . . . . 0 . . . . . 0 0 0 1 0 0 1
N. Fressengeas
A1
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
M ethodes directes Le pivot de Gauss Le pivot de Gauss : notation matricielle Autres m ethodes directes Conditionnement dun syst` eme lin eaire Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement M ethodes it eratives M ethodes it eratives et matrices creuses Principes g en eraux Quelques m ethodes classiques
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 54
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Solution x1 = 0 x2 = 1
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Solution x1 = 0 x2 = 1 Deux syst` emes quasi identiques Ils ne di` erent que de 0, 1%
Leurs solutions sont tr` es di erentes Ils sont dits mal conditionn es
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 54
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
x2 A B x1
Droites quasi-parall` eles Une variation inme de lordonn ee ` a lorigine ou de la pente modie le point dintersection substantiellement
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Sources derreur Analyse num erique toujours faite par ordinateur Le stockage en m emoire cr ee des erreurs darrondi Si je r esous un syst` eme mal conditionn e Les coecients sont entach es derreurs Le r esultat na aucune signication
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Sources derreur Analyse num erique toujours faite par ordinateur Le stockage en m emoire cr ee des erreurs darrondi Si je r esous un syst` eme mal conditionn e Les coecients sont entach es derreurs Le r esultat na aucune signication
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Conditionnement de Ax = b cond (A) = A . A1 Cette d enition est valide quelle que soit la norme matricielle choisie Erreur sur la matrice x cond (A) x+ x A A
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Conditionnement de Ax = b cond (A) = A . A1 Cette d enition est valide quelle que soit la norme matricielle choisie Erreur sur la matrice x cond (A) x+ x A A
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Conditionnement de Ax = b cond (A) = A . A1 Cette d enition est valide quelle que soit la norme matricielle choisie Erreur sur la matrice x cond (A) x+ x A A
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
M ethodes directes Le pivot de Gauss Le pivot de Gauss : notation matricielle Autres m ethodes directes Conditionnement dun syst` eme lin eaire Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement M ethodes it eratives M ethodes it eratives et matrices creuses Principes g en eraux Quelques m ethodes classiques
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 58
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Premier r eexe : reconsid erer le probl` eme pos e Ne suis je pas en train de chercher ` a r esoudre un probl` eme qui na pas de solution ?
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 58
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Premier r eexe : reconsid erer le probl` eme pos e Ne suis je pas en train de chercher ` a r esoudre un probl` eme qui na pas de solution ?
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 58
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Premier r eexe : reconsid erer le probl` eme pos e Ne suis je pas en train de chercher ` a r esoudre un probl` eme qui na pas de solution ?
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 58
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Premier r eexe : reconsid erer le probl` eme pos e Ne suis je pas en train de chercher ` a r esoudre un probl` eme qui na pas de solution ?
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 58
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Id ee : consid erer que la solution du syst` eme nest quapproch ee x solution approch ee de Ax = b x nest pas solution donc Ax = b Par di erence : A (x x ) = (b b ) On retrouve le m eme syst` emea : A x = b Dont la solution approch ee est
a
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Id ee : consid erer que la solution du syst` eme nest quapproch ee x solution approch ee de Ax = b x nest pas solution donc Ax = b Par di erence : A (x x ) = (b b ) On retrouve le m eme syst` emea : A x = b Dont la solution approch ee est
a
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Id ee : consid erer que la solution du syst` eme nest quapproch ee x solution approch ee de Ax = b x nest pas solution donc Ax = b Par di erence : A (x x ) = (b b ) On retrouve le m eme syst` emea : A x = b Dont la solution approch ee est
a
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Id ee : consid erer que la solution du syst` eme nest quapproch ee x solution approch ee de Ax = b x nest pas solution donc Ax = b Par di erence : A (x x ) = (b b ) On retrouve le m eme syst` emea : A x = b Dont la solution approch ee est
a
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Id ee : consid erer que la solution du syst` eme nest quapproch ee x solution approch ee de Ax = b x nest pas solution donc Ax = b Par di erence : A (x x ) = (b b ) On retrouve le m eme syst` emea : A x = b Dont la solution approch ee est
a
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Id ee : consid erer que la solution du syst` eme nest quapproch ee x solution approch ee de Ax = b x nest pas solution donc Ax = b Par di erence : A (x x ) = (b b ) On retrouve le m eme syst` emea : A x = b Dont la solution approch ee est
a
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
M ethodes directes Le pivot de Gauss Le pivot de Gauss : notation matricielle Autres m ethodes directes Conditionnement dun syst` eme lin eaire Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement M ethodes it eratives M ethodes it eratives et matrices creuses Principes g en eraux Quelques m ethodes classiques
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 60
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Le pr e-conditionnement
Une attitude alternative face ` a un mauvais conditionnement
D enition P est appel e pr e-conditionneur de A si cond P 1 A < cond (A) Principe R esoudre P 1 A x = P 1 b au lieu de Ax = b D etermination de P P nest en g en eral pas calcul ee directement Elle est souvent issue dun algorithme d eriv e de la m ethode de Gauss Utilisation de pr e-conditionnement En g en eral peu dint er et pour les m ethodes directes Peut pr esenter un int er et pour les m ethodes it eratives
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 60
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Le pr e-conditionnement
Une attitude alternative face ` a un mauvais conditionnement
D enition P est appel e pr e-conditionneur de A si cond P 1 A < cond (A) Principe R esoudre P 1 A x = P 1 b au lieu de Ax = b D etermination de P P nest en g en eral pas calcul ee directement Elle est souvent issue dun algorithme d eriv e de la m ethode de Gauss Utilisation de pr e-conditionnement En g en eral peu dint er et pour les m ethodes directes Peut pr esenter un int er et pour les m ethodes it eratives
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 60
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Le pr e-conditionnement
Une attitude alternative face ` a un mauvais conditionnement
D enition P est appel e pr e-conditionneur de A si cond P 1 A < cond (A) Principe R esoudre P 1 A x = P 1 b au lieu de Ax = b D etermination de P P nest en g en eral pas calcul ee directement Elle est souvent issue dun algorithme d eriv e de la m ethode de Gauss Utilisation de pr e-conditionnement En g en eral peu dint er et pour les m ethodes directes Peut pr esenter un int er et pour les m ethodes it eratives
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 60
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement
Le pr e-conditionnement
Une attitude alternative face ` a un mauvais conditionnement
D enition P est appel e pr e-conditionneur de A si cond P 1 A < cond (A) Principe R esoudre P 1 A x = P 1 b au lieu de Ax = b D etermination de P P nest en g en eral pas calcul ee directement Elle est souvent issue dun algorithme d eriv e de la m ethode de Gauss Utilisation de pr e-conditionnement En g en eral peu dint er et pour les m ethodes directes Peut pr esenter un int er et pour les m ethodes it eratives
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 60
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Le pivot de Gauss Le pivot de Gauss : notation matricielle Autres m ethodes directes Conditionnement dun syst` eme lin eaire Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement M ethodes it eratives M ethodes it eratives et matrices creuses Principes g en eraux Quelques m ethodes classiques
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 61
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Avantages des m ethodes it eratives Limiter les besoins en m emoire vive Et donc limiter le temps de calcul Inconv enients Convergence en g en eral assez lente Solution n ecessairement approch ee Quel type de m ethode choisir ? Pour les petits syst` emes (creux ou denses) : Gauss Pour les grands syst` emes creux : m ethode it eratives Pour les grands syst` emes denses : Gauss (mais ce sera dicile)
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 63
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Avantages des m ethodes it eratives Limiter les besoins en m emoire vive Et donc limiter le temps de calcul Inconv enients Convergence en g en eral assez lente Solution n ecessairement approch ee Quel type de m ethode choisir ? Pour les petits syst` emes (creux ou denses) : Gauss Pour les grands syst` emes creux : m ethode it eratives Pour les grands syst` emes denses : Gauss (mais ce sera dicile)
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 63
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Avantages des m ethodes it eratives Limiter les besoins en m emoire vive Et donc limiter le temps de calcul Inconv enients Convergence en g en eral assez lente Solution n ecessairement approch ee Quel type de m ethode choisir ? Pour les petits syst` emes (creux ou denses) : Gauss Pour les grands syst` emes creux : m ethode it eratives Pour les grands syst` emes denses : Gauss (mais ce sera dicile)
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 63
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Avantages des m ethodes it eratives Limiter les besoins en m emoire vive Et donc limiter le temps de calcul Inconv enients Convergence en g en eral assez lente Solution n ecessairement approch ee Quel type de m ethode choisir ? Pour les petits syst` emes (creux ou denses) : Gauss Pour les grands syst` emes creux : m ethode it eratives Pour les grands syst` emes denses : Gauss (mais ce sera dicile)
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 63
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Le pivot de Gauss Le pivot de Gauss : notation matricielle Autres m ethodes directes Conditionnement dun syst` eme lin eaire Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement M ethodes it eratives M ethodes it eratives et matrices creuses Principes g en eraux Quelques m ethodes classiques
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 64
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
B
Une matrice arbitraire B permet de faire appara tre la solution x comme point xe
Construction de la suite vectorielle Bxi +1 + (A B ) xi = b xi +1 = xi B 1 (Axi b) xi +1 = I B 1 A xi + B 1 b xi +1 = Mxi + p Jacobi, Gauss-Seidel. . . Le choix dun pr e-conditionnement Le choix de B correspond au choix dune m ethode La vitesse de convergence en d ependra
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 64
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
B
Une matrice arbitraire B permet de faire appara tre la solution x comme point xe
Construction de la suite vectorielle Bxi +1 + (A B ) xi = b xi +1 = xi B 1 (Axi b) xi +1 = I B 1 A xi + B 1 b xi +1 = Mxi + p Jacobi, Gauss-Seidel. . . Le choix dun pr e-conditionnement Le choix de B correspond au choix dune m ethode La vitesse de convergence en d ependra
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 64
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
B
Une matrice arbitraire B permet de faire appara tre la solution x comme point xe
Construction de la suite vectorielle Bxi +1 + (A B ) xi = b xi +1 = xi B 1 (Axi b) xi +1 = I B 1 A xi + B 1 b xi +1 = Mxi + p Jacobi, Gauss-Seidel. . . Le choix dun pr e-conditionnement Le choix de B correspond au choix dune m ethode La vitesse de convergence en d ependra
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 64
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
B
Une matrice arbitraire B permet de faire appara tre la solution x comme point xe
Construction de la suite vectorielle Bxi +1 + (A B ) xi = b xi +1 = xi B 1 (Axi b) xi +1 = I B 1 A xi + B 1 b xi +1 = Mxi + p Jacobi, Gauss-Seidel. . . Le choix dun pr e-conditionnement Le choix de B correspond au choix dune m ethode La vitesse de convergence en d ependra
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 64
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
B
Une matrice arbitraire B permet de faire appara tre la solution x comme point xe
Construction de la suite vectorielle Bxi +1 + (A B ) xi = b xi +1 = xi B 1 (Axi b) xi +1 = I B 1 A xi + B 1 b xi +1 = Mxi + p Jacobi, Gauss-Seidel. . . Le choix dun pr e-conditionnement Le choix de B correspond au choix dune m ethode La vitesse de convergence en d ependra
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 64
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
B
Une matrice arbitraire B permet de faire appara tre la solution x comme point xe
Construction de la suite vectorielle Bxi +1 + (A B ) xi = b xi +1 = xi B 1 (Axi b) xi +1 = I B 1 A xi + B 1 b xi +1 = Mxi + p Jacobi, Gauss-Seidel. . . Le choix dun pr e-conditionnement Le choix de B correspond au choix dune m ethode La vitesse de convergence en d ependra
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 64
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Convergence de la suite xi +1 = Mxi + p Elle converge13 si (M ) < 1 (M ) est le rayon spectral de M (M ) = maxi |i |, si les i sont les valeurs propres de M Le choix de B est donc guid e par I B 1 A < 1 et le plus petit possible Bxi +1 + (A B ) xi = b ais ement inversible
Une d emonstration el ementaire de cette propri et e pour la suite xi +1 = Mxi peut etre faite en se pla cant dans la base des vecteurs propres.
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 65
13
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Convergence de la suite xi +1 = Mxi + p Elle converge13 si (M ) < 1 (M ) est le rayon spectral de M (M ) = maxi |i |, si les i sont les valeurs propres de M Le choix de B est donc guid e par I B 1 A < 1 et le plus petit possible Bxi +1 + (A B ) xi = b ais ement inversible
Une d emonstration el ementaire de cette propri et e pour la suite xi +1 = Mxi peut etre faite en se pla cant dans la base des vecteurs propres.
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 65
13
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethodes directes Le pivot de Gauss Le pivot de Gauss : notation matricielle Autres m ethodes directes Conditionnement dun syst` eme lin eaire Notion de conditionnement Attitude ` a adopter face ` a un syst` eme mal conditionn e Notion de pr e-conditionnement M ethodes it eratives M ethodes it eratives et matrices creuses Principes g en eraux Quelques m ethodes classiques
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 66
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Ax = b
0 . . . . . . 0
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethode de Jacobi
B=D
B=D
N. Fressengeas
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
M ethode de Gauss-Seidel
Aussi connue sous le nom de m ethode du pas unique
B =D E
M = I B 1 A = (I L)1 U = H x [i +1] = Mx [i ] + B 1 b
B etant triangulaire, la d etermination de M se fait par r esolution dun syst` eme triangulaire14 i ,
k <j
14
ajk xk [i ] = bj
On rappelle quen analyse num erique, il est absolument proscrit de calculer un inverse autrement que par la m ethode de Gauss ou via une m ethode it erative. Dans ce cas ci, lapplication de la formule pour i croissant ` a partir de 1 sut.
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 68
M ethodes directes Conditionnement dun syst` eme lin eaire M ethodes it eratives
Param` etre de relaxation : R 1 B ( ) = D (I L) = 1 :Gauss-Seidel < 1 : sous-relaxation > 1 : sur-relaxation Le choix de est un point dicile hors du p erim` etre de ce cours Permet cependant dajuster le rayon spectral
N. Fressengeas
N. Fressengeas
Equivalence R esolution Optimisation Par le truchement dune d eriv ee Dimensions de lespace darriv ee M ethodes it erative de r esolution R esolution dans R R esolution dans Rn Application ` a loptimisation Optimisation dans R Optimisation dans Rn
10
N. Fressengeas
Equivalence R esolution Optimisation Par le truchement dune d eriv ee Dimensions de lespace darriv ee M ethodes it erative de r esolution R esolution dans R R esolution dans Rn Application ` a loptimisation Optimisation dans R Optimisation dans Rn
10
N. Fressengeas
N. Fressengeas
N. Fressengeas
N. Fressengeas
Equivalence R esolution Optimisation Par le truchement dune d eriv ee Dimensions de lespace darriv ee M ethodes it erative de r esolution R esolution dans R R esolution dans Rn Application ` a loptimisation Optimisation dans R Optimisation dans Rn
10
N. Fressengeas
Fonctions ` a valeurs r eelles Peut etre optimis ee Peut servir dans une r esolution Quelle que soit la dimension n de lespace de d epart
F =R
Fonctions ` a valeurs vectorielles m>1 Ne peut pas etre optimis ee : Rm nest pas muni dune relation dordre Peut servir dans une r esolution : correspond alors ` am probl` emes r eels Cas particulier m=1 f :E R Sans perte de g en eralit e, on sint eressera donc uniquement au cas m=1
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 73
Fonctions ` a valeurs r eelles Peut etre optimis ee Peut servir dans une r esolution Quelle que soit la dimension n de lespace de d epart
F =R
Fonctions ` a valeurs vectorielles m>1 Ne peut pas etre optimis ee : Rm nest pas muni dune relation dordre Peut servir dans une r esolution : correspond alors ` am probl` emes r eels Cas particulier m=1 f :E R Sans perte de g en eralit e, on sint eressera donc uniquement au cas m=1
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 73
Fonctions ` a valeurs r eelles Peut etre optimis ee Peut servir dans une r esolution Quelle que soit la dimension n de lespace de d epart
F =R
Fonctions ` a valeurs vectorielles m>1 Ne peut pas etre optimis ee : Rm nest pas muni dune relation dordre Peut servir dans une r esolution : correspond alors ` am probl` emes r eels Cas particulier m=1 f :E R Sans perte de g en eralit e, on sint eressera donc uniquement au cas m=1
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 73
Equivalence R esolution Optimisation Par le truchement dune d eriv ee Dimensions de lespace darriv ee M ethodes it erative de r esolution R esolution dans R R esolution dans Rn Application ` a loptimisation Optimisation dans R Optimisation dans Rn
10
N. Fressengeas
f (x ) = 0
N. Fressengeas
f (x ) = 0
N. Fressengeas
f (x ) = 0
N. Fressengeas
La m ethode de Newton
Une construction de sur la base dun d eveloppement limit e
f (x ) =
n=0
f (x ) = 0 x = donn e, x
f ( ) f ( ) x approche
La m ethode de Newton
Une construction de sur la base dun d eveloppement limit e
f (x ) =
n=0
f (x ) = 0 x = donn e, x
f ( ) f ( ) x approche
La m ethode de Newton
Une construction de sur la base dun d eveloppement limit e
f (x ) =
n=0
f (x ) = 0 x = donn e, x
f ( ) f ( ) x approche
La m ethode de Newton
Une construction de sur la base dun d eveloppement limit e
f (x ) =
n=0
f (x ) = 0 x = donn e, x
f ( ) f ( ) x approche
La m ethode de Newton
Formulation formelle et interpr etation graphique
Relation de r ecurrence (x ) = x
17.5 15 12.5 10 7.5 5 2.5 -1
ordre 1
f (x ) f (x )
x
1
x*
N. Fressengeas
La m ethode de Newton
Formulation formelle et interpr etation graphique
Relation de r ecurrence (x ) = x
17.5 15 12.5 10 7.5 5 2.5 -1
ordre 1
f (x ) f (x )
x
1
7.5
x*
5 2.5 -1 -2.5 -5
x * x 1
N. Fressengeas
La m ethode de Newton
Formulation formelle et interpr etation graphique
Relation de r ecurrence (x ) = x
17.5 15 12.5 10 7.5 5 2.5 -1
ordre 1
f (x ) f (x )
x
1
7.5
x*
5 2.5 -1 -2.5 -5
x * x 1
NewtonApproximation par un polyn ome f est approch ee par un polyn ome dordre N Une des racines est prise comme solution approch ee
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 76
Principe D eriv ee de la m ethode Newton Quand la d eriv ee nest pas calculable Approximation de la d eriv ee par une s ecante f (x ) f (x0 ) f (x ) f (x0 ) f (x ) = limx x0 f (x ) x x0 x x0
N. Fressengeas
Principe D eriv ee de la m ethode Newton Quand la d eriv ee nest pas calculable Approximation de la d eriv ee par une s ecante f (x ) f (x0 ) f (x ) f (x0 ) f (x ) = limx x0 f (x ) x x0 x x0
17.5 15 12.5 10 7.5 5 2.5 -1 -2.5 1 2 3 4
x1 x2 x
x0
UE SPM-PHY-S07-101, version 2.0.1, planche 77
N. Fressengeas
Principe D eriv ee de la m ethode Newton Quand la d eriv ee nest pas calculable Approximation de la d eriv ee par une s ecante f (x ) f (x0 ) f (x ) f (x0 ) f (x ) = limx x0 f (x ) x x0 x x0
17.5 15 12.5 10
R ecurrence xn+1 = xn f
n xn1 (xn ) f (xx n )f (xn1 )
x1 x2 x
x0
N. Fressengeas
Equivalence R esolution Optimisation Par le truchement dune d eriv ee Dimensions de lespace darriv ee M ethodes it erative de r esolution R esolution dans R R esolution dans Rn Application ` a loptimisation Optimisation dans R Optimisation dans Rn
10
N. Fressengeas
Equation dans Rn
f1 (x1 , . . . , xn ) . . f (x ) = 0 =0 . fn (x1 , . . . , xn )
f .(x ) f (x ) f ( ) + D
f (x )
La Jacobienne f1 . f Dx = . .
x1 fn x1
f1 xn fn xn
. . .
N. Fressengeas
Equation dans Rn
f1 (x1 , . . . , xn ) . . f (x ) = 0 =0 . fn (x1 , . . . , xn )
f .(x ) f (x ) f ( ) + D
f (x )
La Jacobienne f1 . f Dx = . .
x1 fn x1
f1 xn fn xn
. . .
N. Fressengeas
Equation dans Rn
f1 (x1 , . . . , xn ) . . f (x ) = 0 =0 . fn (x1 , . . . , xn )
f .(x ) f (x ) f ( ) + D
f (x )
La Jacobienne f1 . f Dx = . .
x1 fn x1
f1 xn fn xn
. . .
N. Fressengeas
Equation dans Rn
f1 (x1 , . . . , xn ) . . f (x ) = 0 =0 . fn (x1 , . . . , xn )
f .(x ) f (x ) f ( ) + D
f (x )
La Jacobienne f1 . f Dx = . .
x1 fn x1
f1 xn fn xn
. . .
N. Fressengeas
Equivalence R esolution Optimisation Par le truchement dune d eriv ee Dimensions de lespace darriv ee M ethodes it erative de r esolution R esolution dans R R esolution dans Rn Application ` a loptimisation Optimisation dans R Optimisation dans Rn
10
N. Fressengeas
Optimisation dans R
Recherche dextrema dans R Annulation de la d eriv ee Recherche de racine de la d eriv ee M ethodes de r esolution Exemples avec la m ethode Newton ordre 1 : (x ) = x ordre 2 : (x ) = x
f (x ) f (x ) f (x )
f (x )2 2f (x )f f (x )
(x )
N. Fressengeas
Optimisation dans R
Recherche dextrema dans R Annulation de la d eriv ee Recherche de racine de la d eriv ee M ethodes de r esolution Exemples avec la m ethode Newton ordre 1 : (x ) = x ordre 2 : (x ) = x
f (x ) f (x ) f (x )
f (x )2 2f (x )f f (x )
(x )
N. Fressengeas
Equivalence R esolution Optimisation Par le truchement dune d eriv ee Dimensions de lespace darriv ee M ethodes it erative de r esolution R esolution dans R R esolution dans Rn Application ` a loptimisation Optimisation dans R Optimisation dans Rn
10
N. Fressengeas
Exemple dans R2
f : R2 R
N. Fressengeas
Exemple dans R2
f : R2 R
Le skieur minimise son altitude f M ethode de la plus grande pente (x ) = x gradx (f ) Plusieurs strat egies sont possibles Facteur correctif matriciel (x ) = x .gradx (f ) Choix de : choix de la m ethode15
15
Inconv enient de la plus grande pente La convergence peut etre lente Comment y rem edier ? Par le choix correct du facteur correctif Il existe beaucoup de propositions pour Pr esentons quelques unes dentre elles : :
La m ethode de Newton et ses d eriv ees
N. Fressengeas
Inconv enient de la plus grande pente La convergence peut etre lente Comment y rem edier ? Par le choix correct du facteur correctif Il existe beaucoup de propositions pour Pr esentons quelques unes dentre elles : :
La m ethode de Newton et ses d eriv ees
N. Fressengeas
Inconv enient de la plus grande pente La convergence peut etre lente Comment y rem edier ? Par le choix correct du facteur correctif Il existe beaucoup de propositions pour Pr esentons quelques unes dentre elles : :
La m ethode de Newton et ses d eriv ees
N. Fressengeas
M ethode de Newton
La Hessienne .gradx (f ) f Hx =
2f x1 x1
= H 1
Relation de r ecurrence
f (x ) = x Hx 1
. . .
2f x1 xn
. . .
2f x1 xn
2f xn xn
M ethodes d eriv ees Nest pas sans rappeler la m ethode dans R Dautres m ethodes consistent ` a approcher H
Remplacer H par sa diagonale pour mieux linverser Remplacer H par H + I
interm ediaire entre Newton et plus grande pente r eglable par
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 82
M ethode de Newton
La Hessienne .gradx (f ) f Hx =
2f x1 x1
= H 1
Relation de r ecurrence
f (x ) = x Hx 1
. . .
2f x1 xn
. . .
2f x1 xn
2f xn xn
M ethodes d eriv ees Nest pas sans rappeler la m ethode dans R Dautres m ethodes consistent ` a approcher H
Remplacer H par sa diagonale pour mieux linverser Remplacer H par H + I
interm ediaire entre Newton et plus grande pente r eglable par
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 82
M ethode de Newton
La Hessienne .gradx (f ) f Hx =
2f x1 x1
= H 1
Relation de r ecurrence
f (x ) = x Hx 1
. . .
2f x1 xn
. . .
2f x1 xn
2f xn xn
M ethodes d eriv ees Nest pas sans rappeler la m ethode dans R Dautres m ethodes consistent ` a approcher H
Remplacer H par sa diagonale pour mieux linverser Remplacer H par H + I
interm ediaire entre Newton et plus grande pente r eglable par
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 82
N. Fressengeas
Interpolation Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines D erivation num erique D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique Int egration num erique Les m ethodes de Newton-Cotes Int egration de Gauss
12
13
N. Fressengeas
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Interpolation Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines D erivation num erique D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique Int egration num erique Les m ethodes de Newton-Cotes Int egration de Gauss
12
13
N. Fressengeas
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Linterpolation
Pourquoi interpoler ? Obtenir une valeur approch ee l` a o` u il ny a pas de valeur exacte D eriver une fonction num erique Int egrer num eriquement avec davantage de pr ecision
N. Fressengeas
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Interpolation Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines D erivation num erique D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique Int egration num erique Les m ethodes de Newton-Cotes Int egration de Gauss
12
13
N. Fressengeas
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
yi Li (x )
i =0
Polyn ome de Lagrange associ e aux n points (xi ) Degr e n1 Li (xk ) = ik : 1 pour i = k , 0 sinon. Li Li (x ) =
(Li )
N. Fressengeas
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
yi Li (x )
i =0
Polyn ome de Lagrange associ e aux n points (xi ) Degr e n1 Li (xk ) = ik : 1 pour i = k , 0 sinon. Li Li (x ) =
(Li )
N. Fressengeas
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
yi Li (x )
i =0
Polyn ome de Lagrange associ e aux n points (xi ) Degr e n1 Li (xk ) = ik : 1 pour i = k , 0 sinon. Li
n
(Li )
Li (x ) =
k =0,k =i
(x xk )
N. Fressengeas
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
yi Li (x )
i =0
Polyn ome de Lagrange associ e aux n points (xi ) Degr e n1 Li (xk ) = ik : 1 pour i = k , 0 sinon. Li
n
(Li )
Li (x ) =
k =0,k =i
x xk xi xk
N. Fressengeas
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Interpolation Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines D erivation num erique D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique Int egration num erique Les m ethodes de Newton-Cotes Int egration de Gauss
12
13
N. Fressengeas
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Interpolation de Hermite
p (x ) =
i =1
yi Hi (x ) +
i =1
i (x ) yi H
i interpolent y Les Hi interpollent y , les H n contraintes suppl ementaires : degr e 2n 1 Hi (x ) = (1 2(x xi )Li (xi )) [Li (x )]2 i (x ) = [Li (x )]2 (x xi ) H
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 87
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Interpolation de Hermite
p (x ) =
i =1
yi Hi (x ) +
i =1
i (x ) yi H
i interpolent y Les Hi interpollent y , les H n contraintes suppl ementaires : degr e 2n 1 Hi (x ) = (1 2(x xi )Li (xi )) [Li (x )]2 i (x ) = [Li (x )]2 (x xi ) H
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 87
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Interpolation de Hermite
p (x ) =
i =1
yi Hi (x ) +
i =1
i (x ) yi H
i interpolent y Les Hi interpollent y , les H n contraintes suppl ementaires : degr e 2n 1 Hi (x ) = (1 2(x xi )Li (xi )) [Li (x )]2 i (x ) = [Li (x )]2 (x xi ) H
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 87
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Interpolation de Hermite
p (x ) =
i =1
yi Hi (x ) +
i =1
i (x ) yi H
i interpolent y Les Hi interpollent y , les H n contraintes suppl ementaires : degr e 2n 1 Hi (x ) = (1 2(x xi )Li (xi )) [Li (x )]2 i (x ) = [Li (x )]2 (x xi ) H
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 87
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Interpolation Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines D erivation num erique D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique Int egration num erique Les m ethodes de Newton-Cotes Int egration de Gauss
12
13
N. Fressengeas
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Principe Fonctions dinterpolation d enie par morceaux Continument d erivable 2 fois A interpoler n points, n 1 splines s (x ) ` a calculer s (x ) = ai + bi x + ci x 2 + di x 3 4(n 1) inconnues Interpolation par f , n contraintes : i [1, n] , f (xi ) = yi Continuit e de f ,f et f aux fronti` eres des intervalles : 3 (n 2) contraintes 3 (n 2) + n = 4n 6 : il en manque 2, ` a inventer
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 88
i [1, n] , (xi , yi )
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Principe Fonctions dinterpolation d enie par morceaux Continument d erivable 2 fois A interpoler n points, n 1 splines s (x ) ` a calculer s (x ) = ai + bi x + ci x 2 + di x 3 4(n 1) inconnues Interpolation par f , n contraintes : i [1, n] , f (xi ) = yi Continuit e de f ,f et f aux fronti` eres des intervalles : 3 (n 2) contraintes 3 (n 2) + n = 4n 6 : il en manque 2, ` a inventer
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 88
i [1, n] , (xi , yi )
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Principe Fonctions dinterpolation d enie par morceaux Continument d erivable 2 fois A interpoler n points, n 1 splines s (x ) ` a calculer s (x ) = ai + bi x + ci x 2 + di x 3 4(n 1) inconnues Interpolation par f , n contraintes : i [1, n] , f (xi ) = yi Continuit e de f ,f et f aux fronti` eres des intervalles : 3 (n 2) contraintes 3 (n 2) + n = 4n 6 : il en manque 2, ` a inventer
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 88
i [1, n] , (xi , yi )
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Principe Fonctions dinterpolation d enie par morceaux Continument d erivable 2 fois A interpoler n points, n 1 splines s (x ) ` a calculer s (x ) = ai + bi x + ci x 2 + di x 3 4(n 1) inconnues Interpolation par f , n contraintes : i [1, n] , f (xi ) = yi Continuit e de f ,f et f aux fronti` eres des intervalles : 3 (n 2) contraintes 3 (n 2) + n = 4n 6 : il en manque 2, ` a inventer
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 88
i [1, n] , (xi , yi )
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Principe Fonctions dinterpolation d enie par morceaux Continument d erivable 2 fois A interpoler n points, n 1 splines s (x ) ` a calculer s (x ) = ai + bi x + ci x 2 + di x 3 4(n 1) inconnues Interpolation par f , n contraintes : i [1, n] , f (xi ) = yi Continuit e de f ,f et f aux fronti` eres des intervalles : 3 (n 2) contraintes 3 (n 2) + n = 4n 6 : il en manque 2, ` a inventer
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 88
i [1, n] , (xi , yi )
Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines
Principe Fonctions dinterpolation d enie par morceaux Continument d erivable 2 fois A interpoler n points, n 1 splines s (x ) ` a calculer s (x ) = ai + bi x + ci x 2 + di x 3 4(n 1) inconnues Interpolation par f , n contraintes : i [1, n] , f (xi ) = yi Continuit e de f ,f et f aux fronti` eres des intervalles : 3 (n 2) contraintes 3 (n 2) + n = 4n 6 : il en manque 2, ` a inventer
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 88
i [1, n] , (xi , yi )
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
Interpolation Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines D erivation num erique D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique Int egration num erique Les m ethodes de Newton-Cotes Int egration de Gauss
12
13
N. Fressengeas
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
Deux grands classes de fonctions ` a distinguer Celles qui sont d enies analytiquement Celles qui sont connues uniquement en certains points Deux grandes classes de m ethodes Les m ethode de d erivations et dint egration num eriques peuvent etre di erentes dans les deux cas.
N. Fressengeas
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
Deux grands classes de fonctions ` a distinguer Celles qui sont d enies analytiquement Celles qui sont connues uniquement en certains points Deux grandes classes de m ethodes Les m ethode de d erivations et dint egration num eriques peuvent etre di erentes dans les deux cas.
N. Fressengeas
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
Interpolation Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines D erivation num erique D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique Int egration num erique Les m ethodes de Newton-Cotes Int egration de Gauss
12
13
N. Fressengeas
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
ordre 1 + o(1)
(x + h ) : 0 1
N. Fressengeas
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
ordre 1 + o(1)
(x + h ) : 0 1
N. Fressengeas
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
ordre 1 + o(1)
(x + h ) : 0 1
N. Fressengeas
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
ordre 1 + o(1)
(x + h ) : 0 1
N. Fressengeas
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
(x ) + o h 2 (x ) + o h 2
+ o(h)
Il y en a dautres : imaginez une formule en cinq points pour prendre en compte un terme de plus du DL.
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 91
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
(x ) + o h 2 (x ) + o h 2
+ o(h)
Il y en a dautres : imaginez une formule en cinq points pour prendre en compte un terme de plus du DL.
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 91
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
(x ) + o h 2 (x ) + o h 2
+ o(h)
Il y en a dautres : imaginez une formule en cinq points pour prendre en compte un terme de plus du DL.
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 91
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
D eriv ee premi` ere : un ordre de plus dans le DL D eriv ee centr ee avec deux pas di erents (e.g. doubles) Di erenciation pond er ee ... D eriv ee seconde : une formule centr ee ? D eriv ee ` a droite D eriv ee ` a gauche f (x ) =
f (x +h)+f (x h)2f (x ) h2
+ o(1)
N. Fressengeas
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
D eriv ee premi` ere : un ordre de plus dans le DL D eriv ee centr ee avec deux pas di erents (e.g. doubles) Di erenciation pond er ee ... D eriv ee seconde : une formule centr ee ? D eriv ee ` a droite D eriv ee ` a gauche f (x ) =
f (x +h)+f (x h)2f (x ) h2
+ o(1)
N. Fressengeas
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
coecients inconnus : a0 , a et a+
Supposons une approximation de la d eriv ee f (x ) a+ f (x + h) + a0 f (x ) + a f (x h) Supposons la relation v eri ee exactement lorsque f est un polyn ome Trois inconnues, trois polyn omes : 1,x et x 2
a0 = 0 a+ = a =
1 2h
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
coecients inconnus : a0 , a et a+
Supposons une approximation de la d eriv ee f (x ) a+ f (x + h) + a0 f (x ) + a f (x h) Supposons la relation v eri ee exactement lorsque f est un polyn ome Trois inconnues, trois polyn omes : 1,x et x 2
a0 = 0 a+ = a =
1 2h
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
coecients inconnus : a0 , a et a+
Supposons une approximation de la d eriv ee f (x ) a+ f (x + h) + a0 f (x ) + a f (x h) Supposons la relation v eri ee exactement lorsque f est un polyn ome Trois inconnues, trois polyn omes : 1,x et x 2
a0 = 0 a+ = a =
1 2h
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
coecients inconnus : a0 , a et a+
Supposons une approximation de la d eriv ee f (x ) a+ f (x + h) + a0 f (x ) + a f (x h) Supposons la relation v eri ee exactement lorsque f est un polyn ome Trois inconnues, trois polyn omes : 1,x et x 2
a0 = 0 a+ = a =
1 2h
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
Interpolation Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines D erivation num erique D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique Int egration num erique Les m ethodes de Newton-Cotes Int egration de Gauss
12
13
N. Fressengeas
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
Cas dune fonction connue seulement par ses valeurs en certains points
Si cest une fonction issue dun calcul Lorsque les points d echantillonnage sont equidistants : m ethodes pr ec edentes applicables Sinon : il faut avoir recours ` a linterpolation Si ce sont des donn ees exp erimentales N ecessairement irr eguli` erement espac ees Incertitude sur labscisse Grosses erreurs sur la d eriv ee Seule m ethode possible : d erivation dune fonction construite
Par interpolation Par approximation
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 94
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
Cas dune fonction connue seulement par ses valeurs en certains points
Si cest une fonction issue dun calcul Lorsque les points d echantillonnage sont equidistants : m ethodes pr ec edentes applicables Sinon : il faut avoir recours ` a linterpolation Si ce sont des donn ees exp erimentales N ecessairement irr eguli` erement espac ees Incertitude sur labscisse Grosses erreurs sur la d eriv ee Seule m ethode possible : d erivation dune fonction construite
Par interpolation Par approximation
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 94
D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique
Cas dune fonction connue seulement par ses valeurs en certains points
Si cest une fonction issue dun calcul Lorsque les points d echantillonnage sont equidistants : m ethodes pr ec edentes applicables Sinon : il faut avoir recours ` a linterpolation Si ce sont des donn ees exp erimentales N ecessairement irr eguli` erement espac ees Incertitude sur labscisse Grosses erreurs sur la d eriv ee Seule m ethode possible : d erivation dune fonction construite
Par interpolation Par approximation
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 94
Interpolation Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines D erivation num erique D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique Int egration num erique Les m ethodes de Newton-Cotes Int egration de Gauss
12
13
N. Fressengeas
Les m ethodes de Newton-Cotes Choix ` a priori dun pas xe h : nh = (b a) Interpolation polynomiale Int egration du polyn ome Lint egration de Gauss Echantillonnage variable Algorithme plus performant mais plus complexe
N. Fressengeas
Les m ethodes de Newton-Cotes Choix ` a priori dun pas xe h : nh = (b a) Interpolation polynomiale Int egration du polyn ome Lint egration de Gauss Echantillonnage variable Algorithme plus performant mais plus complexe
N. Fressengeas
Interpolation Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines D erivation num erique D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique Int egration num erique Les m ethodes de Newton-Cotes Int egration de Gauss
12
13
N. Fressengeas
Int egration et interpolation polyn omiale Interpolation polynomiale par les n + 1 points Int egration du polyn ome Calcul faisable une fois pour toute : les nombres de Cotes n A W0 W1 W2 W3 W4 0 1 1 1 1/2 1 1 2 1/3 1 4 1 3 3/8 1 3 3 1 4 2/45 7 32 21 32 7
f
a i =0
hAWi f (xi )
Inconv enient quand n cro t Comportement oscillatoire dun polyn ome de degr e elev e
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 96
Int egration et interpolation polyn omiale Interpolation polynomiale par les n + 1 points Int egration du polyn ome Calcul faisable une fois pour toute : les nombres de Cotes n A W0 W1 W2 W3 W4 0 1 1 1 1/2 1 1 2 1/3 1 4 1 3 3/8 1 3 3 1 4 2/45 7 32 21 32 7
f
a i =0
hAWi f (xi )
Inconv enient quand n cro t Comportement oscillatoire dun polyn ome de degr e elev e
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 96
Int egration et interpolation polyn omiale Interpolation polynomiale par les n + 1 points Int egration du polyn ome Calcul faisable une fois pour toute : les nombres de Cotes n A W0 W1 W2 W3 W4 0 1 1 1 1/2 1 1 2 1/3 1 4 1 3 3/8 1 3 3 1 4 2/45 7 32 21 32 7
f
a i =0
hAWi f (xi )
Inconv enient quand n cro t Comportement oscillatoire dun polyn ome de degr e elev e
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 96
D ecoupage du domaine en sous-intervalles n intervalles n interpolation dordre 0 : m ethode des rectangles n 1 interpolations dordre 1 : m ethode des trap` ezes 2/n interpolations dordre 2 : m ethode de Simpson . . . Simpson (ordre 3) et Villarceau (ordre 4)
N. Fressengeas
D ecoupage du domaine en sous-intervalles n intervalles n interpolation dordre 0 : m ethode des rectangles n 1 interpolations dordre 1 : m ethode des trap` ezes 2/n interpolations dordre 2 : m ethode de Simpson . . . Simpson (ordre 3) et Villarceau (ordre 4)
N. Fressengeas
D ecoupage du domaine en sous-intervalles n intervalles n interpolation dordre 0 : m ethode des rectangles n 1 interpolations dordre 1 : m ethode des trap` ezes 2/n interpolations dordre 2 : m ethode de Simpson . . . Simpson (ordre 3) et Villarceau (ordre 4)
N. Fressengeas
D ecoupage du domaine en sous-intervalles n intervalles n interpolation dordre 0 : m ethode des rectangles n 1 interpolations dordre 1 : m ethode des trap` ezes 2/n interpolations dordre 2 : m ethode de Simpson . . . Simpson (ordre 3) et Villarceau (ordre 4)
N. Fressengeas
Interpolation Polyn omes de Lagrange Autre formes dinterpolations polyn omiales Interpolation par splines D erivation num erique D erivation num erique dune fonction analytique D erivation num erique dune fonction num erique Int egration num erique Les m ethodes de Newton-Cotes Int egration de Gauss
12
13
N. Fressengeas
Polyn omes de Legendre P0 (x ) = 1 P1 (x ) = x (n + 1) Pn+1 (x ) = (2n + 1) xPn (x ) nPn1 (x ) Orthogonalit e sur [1, 1]
1
m = n,
1
Pn (x ) Pm (x ) dx = 0 m = n, Pn Pm
N. Fressengeas
Polyn omes de Legendre P0 (x ) = 1 P1 (x ) = x (n + 1) Pn+1 (x ) = (2n + 1) xPn (x ) nPn1 (x ) Orthogonalit e sur [1, 1]
1
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
m = n,
1
Pn (x ) Pm (x ) dx = 0 m = n, Pn Pm
N. Fressengeas
Polyn omes de Legendre P0 (x ) = 1 P1 (x ) = x (n + 1) Pn+1 (x ) = (2n + 1) xPn (x ) nPn1 (x ) Orthogonalit e sur [1, 1]
1
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
m = n,
1
Pn (x ) Pm (x ) dx = 0 m = n, Pn Pm
N. Fressengeas
f (x )
i =1 b
f (ai ) Hi (x ) +
i =1 n
i (x ) f (ai ) H
f (x ) dx
a i =1
f (ai ) Hi (x ) +
i =1
i (x ) f (ai ) H
(x ai ) L2 i (x ) dx
N. Fressengeas
f (x )
i =1 b
f (ai ) Hi (x ) +
i =1 n
i (x ) f (ai ) H
f (x ) dx
a i =1
f (ai ) Hi (x ) +
i =1
i (x ) f (ai ) H
(x ai ) L2 i (x ) dx
N. Fressengeas
f (x )
i =1 b
f (ai ) Hi (x ) +
i =1 n
i (x ) f (ai ) H
f (x ) dx
a i =1
f (ai ) Hi (x ) +
i =1
i (x ) f (ai ) H
(x ai ) L2 i (x ) dx
N. Fressengeas
(x ) =
k =0
(x xk )
(x ai ) L2 i (x ) =
b a
Li (x ) (x ) (ai ) dx
Si les Li et ont les (ai ) comme racines communes, a une racine (donc un degr e) de plus M eme racines que les polyn omes de Legendre : identiques (` a un facteur pr` es) Si les (ai ) sont racines des polyn omes de Legendre : Li
N. Fressengeas
(x ) =
k =0
(x xk )
(x ai ) L2 i (x ) =
b a
Li (x ) (x ) (ai ) dx
Si les Li et ont les (ai ) comme racines communes, a une racine (donc un degr e) de plus M eme racines que les polyn omes de Legendre : identiques (` a un facteur pr` es) Si les (ai ) sont racines des polyn omes de Legendre : Li
N. Fressengeas
(x ) =
k =0
(x xk )
(x ai ) L2 i (x ) =
b a
Li (x ) (x ) (ai ) dx
Si les Li et ont les (ai ) comme racines communes, a une racine (donc un degr e) de plus M eme racines que les polyn omes de Legendre : identiques (` a un facteur pr` es) Si les (ai ) sont racines des polyn omes de Legendre : Li
N. Fressengeas
(x ) =
k =0
(x xk )
(x ai ) L2 i (x ) =
b a
Li (x ) (x ) (ai ) dx
Si les Li et ont les (ai ) comme racines communes, a une racine (donc un degr e) de plus M eme racines que les polyn omes de Legendre : identiques (` a un facteur pr` es) Si les (ai ) sont racines des polyn omes de Legendre : Li
N. Fressengeas
Les polyn omes de Legendre ne sont d enis que sur [1, 1] Changement de variable = Formule obtenue
1 n 1 2
(a + b ) 1 2 (a b ) x
f ( ) d
1 1 i =1
f (ai ) Hi ( )
Hi =
1
Li
N. Fressengeas
Les polyn omes de Legendre ne sont d enis que sur [1, 1] Changement de variable = Formule obtenue
1 n 1 2
(a + b ) 1 2 (a b ) x
f ( ) d
1 1 i =1
f (ai ) Hi ( )
Hi =
1
Li
N. Fressengeas
M ethode pr ec edente inapplicable pour les intervalles ouverts On prendra les racines dautres polyn omes orthogonaux sur ] 1, 1[ : Chebychev sur R+ : Laguerre sur R : Hermite Modication de la notion dorthogonalit e
N. Fressengeas
M ethode pr ec edente inapplicable pour les intervalles ouverts On prendra les racines dautres polyn omes orthogonaux sur ] 1, 1[ : Chebychev sur R+ : Laguerre sur R : Hermite Modication de la notion dorthogonalit e
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
R esolution num erique des probl` emes di erentiels Classication Forme canonique Probl` emes aux conditions initiales M ethode dEuler M ethodes Runge & Kutta M ethodes dAdams Probl` emes aux conditions limites M ethode de Tir M ethode matricielle y = f (t , y ) , y (0) = y0
15
16
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
R esolution num erique des probl` emes di erentiels Classication Forme canonique Probl` emes aux conditions initiales M ethode dEuler M ethodes Runge & Kutta M ethodes dAdams Probl` emes aux conditions limites M ethode de Tir M ethode matricielle y = f (t , y ) , y (0) = y0
15
16
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Probl` emes aux conditions initiales Probl` eme de Cauchy Les contraintes sont impos ees en un point unique Elles concernent linconnue et ses n 1 premi` eres d eriv ees Ce sont les conditions initiales Contraintes impos ees en divers points Elles peuvent concerner linconnue ou ses d eriv ees Elles peuvent etre exprim ees en plusieurs points Elles doivent etre au nombre de n
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Probl` emes aux conditions initiales Probl` eme de Cauchy Les contraintes sont impos ees en un point unique Elles concernent linconnue et ses n 1 premi` eres d eriv ees Ce sont les conditions initiales Contraintes impos ees en divers points Elles peuvent concerner linconnue ou ses d eriv ees Elles peuvent etre exprim ees en plusieurs points Elles doivent etre au nombre de n
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
R esolution num erique des probl` emes di erentiels Classication Forme canonique Probl` emes aux conditions initiales M ethode dEuler M ethodes Runge & Kutta M ethodes dAdams Probl` emes aux conditions limites M ethode de Tir M ethode matricielle y = f (t , y ) , y (0) = y0
15
16
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Forme canonique
y = f (t , y )
EDO dordre 1 Le probl` eme que nous allons etudier dans cette partie Est-il si restrictif ? Equation dordre 1 equivalente y0 y1 y1 y2 . . . = . . . yn2 yn1 yn1 g (t , y0 , , yn1 )
Changement de variable yi = w (i )
Dans la suite, nous etudierons et prendrons des exemples pour des inconnues ` a valeurs r eelles, mais lon pourra g en eraliser ais ement
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 107
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Forme canonique
y = f (t , y )
EDO dordre 1 Le probl` eme que nous allons etudier dans cette partie Est-il si restrictif ? Equation dordre 1 equivalente y0 y1 y1 y2 . . . = . . . yn2 yn1 yn1 g (t , y0 , , yn1 )
Changement de variable yi = w (i )
Dans la suite, nous etudierons et prendrons des exemples pour des inconnues ` a valeurs r eelles, mais lon pourra g en eraliser ais ement
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 107
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Forme canonique
y = f (t , y )
EDO dordre 1 Le probl` eme que nous allons etudier dans cette partie Est-il si restrictif ? Equation dordre 1 equivalente y0 y1 y1 y2 . . . = . . . yn2 yn1 yn1 g (t , y0 , , yn1 )
Changement de variable yi = w (i )
Dans la suite, nous etudierons et prendrons des exemples pour des inconnues ` a valeurs r eelles, mais lon pourra g en eraliser ais ement
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 107
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Forme canonique
y = f (t , y )
EDO dordre 1 Le probl` eme que nous allons etudier dans cette partie Est-il si restrictif ? Equation dordre 1 equivalente y0 y1 y1 y2 . . . = . . . yn2 yn1 yn1 g (t , y0 , , yn1 )
Changement de variable yi = w (i )
Dans la suite, nous etudierons et prendrons des exemples pour des inconnues ` a valeurs r eelles, mais lon pourra g en eraliser ais ement
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 107
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Forme canonique
y = f (t , y )
EDO dordre 1 Le probl` eme que nous allons etudier dans cette partie Est-il si restrictif ? Equation dordre 1 equivalente y0 y1 y1 y2 . . . = . . . yn2 yn1 yn1 g (t , y0 , , yn1 )
Changement de variable yi = w (i )
Dans la suite, nous etudierons et prendrons des exemples pour des inconnues ` a valeurs r eelles, mais lon pourra g en eraliser ais ement
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 107
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
R esolution num erique des probl` emes di erentiels Classication Forme canonique Probl` emes aux conditions initiales M ethode dEuler M ethodes Runge & Kutta M ethodes dAdams Probl` emes aux conditions limites M ethode de Tir M ethode matricielle y = f (t , y ) , y (0) = y0
15
16
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
La m ethode dEuler
2
y = f (t , y )
Une m ethode simple mais tr` es peu utilis ee car impr ecise et instable
DL ordre 1
y (t + t ) =
1.5 1 0.5 1 2 3
t 3 3! y
+
t 3 3! f
(t , y ) +
(t , y ) +
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
La m ethode dEuler
2
y = f (t , y )
Une m ethode simple mais tr` es peu utilis ee car impr ecise et instable
DL ordre 1
y (t + t ) =
1.5 1 0.5 1 2 3
t 3 3! y
+
t 3 3! f
(t , y ) +
(t , y ) +
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
La m ethode dEuler
2
y = f (t , y )
Une m ethode simple mais tr` es peu utilis ee car impr ecise et instable
DL ordre 1
y (t + t ) =
1.5 1 0.5 1 2 3
t 3 3! y
+
t 3 3! f
(t , y ) +
(t , y ) +
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
La m ethode dEuler
2
y = f (t , y )
Une m ethode simple mais tr` es peu utilis ee car impr ecise et instable
DL ordre 1
y (t + t ) =
1.5 1 0.5 1 2 3
t 3 3! y
+
t 3 3! f
(t , y ) +
(t , y ) +
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Explicite vs. Implicite ? M ethode explicite : y [i ] ne d epend que des y [k ] pour k < i M ethode implicite : y [i ] ne d epend que des y [k ] pour k i Euler implicite
y [i +1] y [i ] t [i +1] y [i +1] y [i ] Implicite : y = t [ i +1] [ i ] y = y + t f t , y [i +1] [i ]
Explicite : y
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Explicite vs. Implicite ? M ethode explicite : y [i ] ne d epend que des y [k ] pour k < i M ethode implicite : y [i ] ne d epend que des y [k ] pour k i Euler implicite
y [i +1] y [i ] t [i +1] y [i +1] y [i ] Implicite : y = t [ i +1] [ i ] y = y + t f t , y [i +1] [i ]
Explicite : y
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Explicite vs. Implicite ? M ethode explicite : y [i ] ne d epend que des y [k ] pour k < i M ethode implicite : y [i ] ne d epend que des y [k ] pour k i Euler implicite
y [i +1] y [i ] t [i +1] y [i +1] y [i ] Implicite : y = t [ i +1] [ i ] y = y + t f t , y [i +1] [i ]
Explicite : y
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Explicite vs. Implicite ? M ethode explicite : y [i ] ne d epend que des y [k ] pour k < i M ethode implicite : y [i ] ne d epend que des y [k ] pour k i Euler implicite
y [i +1] y [i ] t [i +1] y [i +1] y [i ] Implicite : y = t [ i +1] [ i ] y = y + t f t , y [i +1] [i ]
Explicite : y
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Explicite vs. Implicite ? M ethode explicite : y [i ] ne d epend que des y [k ] pour k < i M ethode implicite : y [i ] ne d epend que des y [k ] pour k i Euler implicite
y [i +1] y [i ] t [i +1] y [i +1] y [i ] Implicite : y = t [ i +1] [ i ] y = y + t f t , y [i +1] [i ]
Explicite : y
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
R esolution num erique des probl` emes di erentiels Classication Forme canonique Probl` emes aux conditions initiales M ethode dEuler M ethodes Runge & Kutta M ethodes dAdams Probl` emes aux conditions limites M ethode de Tir M ethode matricielle y = f (t , y ) , y (0) = y0
15
16
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
De nombreux avantages Faciles ` a programmer Tr` es stables Largeur du pas ais ement modiable pour une pr ecision souhait ee La condition initiale sut Quelques inconv enients Pour une m eme pr ecision, il y a plus econome en temps de calcul Instables dans certains cas Tr` es utilis ees en pratique Surtout ` a lordre 4 Autre m ethode si RK4 est instable N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 110
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
De nombreux avantages Faciles ` a programmer Tr` es stables Largeur du pas ais ement modiable pour une pr ecision souhait ee La condition initiale sut Quelques inconv enients Pour une m eme pr ecision, il y a plus econome en temps de calcul Instables dans certains cas Tr` es utilis ees en pratique Surtout ` a lordre 4 Autre m ethode si RK4 est instable N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 110
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
De nombreux avantages Faciles ` a programmer Tr` es stables Largeur du pas ais ement modiable pour une pr ecision souhait ee La condition initiale sut Quelques inconv enients Pour une m eme pr ecision, il y a plus econome en temps de calcul Instables dans certains cas Tr` es utilis ees en pratique Surtout ` a lordre 4 Autre m ethode si RK4 est instable N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 110
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
= f t [i + 2 ] , y [i + 2 ]
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
= f t [i + 2 ] , y [i + 2 ]
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
= f t [i + 2 ] , y [i + 2 ]
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
y [i +1] y [i ] t
t [i ] , y [i ]
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
y [i +1] y [i ] t
5 4 3 2 1 1.5 2
t [i ] , y [i ]
y [i +1] = 1 y [i ] + t f t [i + 2 ] , y [i +1/2]
Formule ` a lordre 2
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
y [i +1] y [i ] t
5 4 3 2 1 1.5 2
t [i ] , y [i ]
y [i +1] = 1 y [i ] + t f t [i + 2 ] , y [i +1/2]
Formule ` a lordre 2
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
r1 = f t [i ] , y [i ] r2 = f t [i + 2 ] , y [i ] +
1
t 2 r1
3 2 1 1.5 2
y [i +1] = y [i ] + t r2
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
RK4
RK4 est obtenue par pond eration successive des d eriv ees ` a droite, ` a gauche et centr ee r1 = f t [i ] , y [i ]
1 r2 = f t [i + 2 ] , y [i ] +
25
t 2 r1 t 2 r2
20 15 10 5 1.5 2
r3 = f t [i + 2 ] , y [i ] + r4 = f y [i +1] y [i ] + t [i +1] , y [i ] =
t 6
+ t r3
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
RK4
RK4 est obtenue par pond eration successive des d eriv ees ` a droite, ` a gauche et centr ee r1 = f t [i ] , y [i ]
1 r2 = f t [i + 2 ] , y [i ] +
25
t 2 r1 t 2 r2
20 15 10 5 1.5 2
r3 = f t [i + 2 ] , y [i ] + r4 = f y [i +1] y [i ] + t [i +1] , y [i ] =
t 6
+ t r3
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
RK4
RK4 est obtenue par pond eration successive des d eriv ees ` a droite, ` a gauche et centr ee r1 = f t [i ] , y [i ]
1 r2 = f t [i + 2 ] , y [i ] +
25
t 2 r1 t 2 r2
20 15 10 5 1.5 2
r3 = f t [i + 2 ] , y [i ] + r4 = f y [i +1] y [i ] + t [i +1] , y [i ] =
t 6
+ t r3
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
RK4
RK4 est obtenue par pond eration successive des d eriv ees ` a droite, ` a gauche et centr ee r1 = f t [i ] , y [i ] r2 = f t [i + 2 ] , y [i ] + r3 = f t [i + 2 ] , y [i ] +
1 1
35
t 2 r1 t 2 r2
30 25 20 15 10 5 1.5 2
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
RK4
RK4 est obtenue par pond eration successive des d eriv ees ` a droite, ` a gauche et centr ee r1 = f t [i ] , y [i ] r2 = f t [i + 2 ] , y [i ] + r3 = f t [i + 2 ] , y [i ] +
1 1
35
t 2 r1 t 2 r2
30 25 20 15 10 5 1.5 2
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
R esolution num erique des probl` emes di erentiels Classication Forme canonique Probl` emes aux conditions initiales M ethode dEuler M ethodes Runge & Kutta M ethodes dAdams Probl` emes aux conditions limites M ethode de Tir M ethode matricielle y = f (t , y ) , y (0) = y0
15
16
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Adams-Bashforth
(n ecessitant plusieurs points pr ec edents)
Principe : encore une fois le D eveloppement Limit e D eveloppement limit e Di erences nies Ordre augment e en augmentant lordre du DL Le calcul de y [i ] n ecessite y [i 1] ,y [i 2] . . . D eveloppement limit e` a droite y [i +1] = y [i ] + t f [i ] +
En notant f ti , y
[i ]
t t y (t + t ) = y (t ) + t y (t ) + 2! y (t ) + 3! y (t ) + t 2 [i ] 2! f
[i ]
[i ] t 3 3! f
=f
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Adams-Bashforth
(n ecessitant plusieurs points pr ec edents)
Principe : encore une fois le D eveloppement Limit e D eveloppement limit e Di erences nies Ordre augment e en augmentant lordre du DL Le calcul de y [i ] n ecessite y [i 1] ,y [i 2] . . . D eveloppement limit e` a droite y [i +1] = y [i ] + t f [i ] +
En notant f ti , y
[i ]
t t y (t + t ) = y (t ) + t y (t ) + 2! y (t ) + 3! y (t ) + t 2 [i ] 2! f
[i ]
[i ] t 3 3! f
=f
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Adams-Bashforth
(n ecessitant plusieurs points pr ec edents)
Principe : encore une fois le D eveloppement Limit e D eveloppement limit e Di erences nies Ordre augment e en augmentant lordre du DL Le calcul de y [i ] n ecessite y [i 1] ,y [i 2] . . . D eveloppement limit e` a droite y [i +1] = y [i ] + t f [i ] +
En notant f ti , y
[i ]
t t y (t + t ) = y (t ) + t y (t ) + 2! y (t ) + 3! y (t ) + t 2 [i ] 2! f
[i ]
[i ] t 3 3! f
=f
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Euler = y [i ] + t f [i ] + o(t )
+ o t 2
[i ]
o(t ) 3f [i ] f [i 1] + o t 2
D emarrage de la m ethode N ecessit e de trouver un premier point par une autre m ethode dordre au moins egal Par exemple : RK2
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 116
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Euler = y [i ] + t f [i ] + o(t )
+ o t 2
[i ]
o(t ) 3f [i ] f [i 1] + o t 2
D emarrage de la m ethode N ecessit e de trouver un premier point par une autre m ethode dordre au moins egal Par exemple : RK2
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 116
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Euler = y [i ] + t f [i ] + o(t )
+ o t 2
[i ]
o(t ) 3f [i ] f [i 1] + o t 2
D emarrage de la m ethode N ecessit e de trouver un premier point par une autre m ethode dordre au moins egal Par exemple : RK2
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 116
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
[i ] t 3 3! f
+ o t 3
[i ]
[i ]
f [i ] 2f [i 1] + f [i 2] + o(1) t 2
23f [i ] 16f [i 1] + 5f [i 2] + o t 3
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
[i ] t 3 3! f
+ o t 3
[i ]
[i ]
f [i ] 2f [i 1] + f [i 2] + o(1) t 2
23f [i ] 16f [i 1] + 5f [i 2] + o t 3
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
[i ] t 3 3! f
+ o t 3
[i ]
[i ]
f [i ] 2f [i 1] + f [i 2] + o(1) t 2
23f [i ] 16f [i 1] + 5f [i 2] + o t 3
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
[i ] t 3 3! f
+ o t 3
[i ]
[i ]
f [i ] 2f [i 1] + f [i 2] + o(1) t 2
23f [i ] 16f [i 1] + 5f [i 2] + o t 3
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
[i ] t 3 3! f
+ o t 3
[i ]
[i ]
f [i ] 2f [i 1] + f [i 2] + o(1) t 2
23f [i ] 16f [i 1] + 5f [i 2] + o t 3
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Adams-Moulton
Di erences nies ` a gauche
t 2 2! y
(t + t ) + + ?
[i +1] t 3 3! f [i +1] t 3 3! f
D eriv ees evalu ees par di erences nies ` a gauche On a besoin du r esultat pour avoir le r esultat . . . Estimation du r esultat par une m ethode ouverte (pr ediction) Correction par une m ethode ferm ee dordre au moins egal It eration jusqu` a obtention de la pr ecision voulue
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 118
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Adams-Moulton
Di erences nies ` a gauche
t 2 2! y
(t + t ) + + ?
[i +1] t 3 3! f [i +1] t 3 3! f
D eriv ees evalu ees par di erences nies ` a gauche On a besoin du r esultat pour avoir le r esultat . . . Estimation du r esultat par une m ethode ouverte (pr ediction) Correction par une m ethode ferm ee dordre au moins egal It eration jusqu` a obtention de la pr ecision voulue
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 118
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Adams-Moulton
Di erences nies ` a gauche
t 2 2! y
(t + t ) + + ?
[i +1] t 3 3! f [i +1] t 3 3! f
D eriv ees evalu ees par di erences nies ` a gauche On a besoin du r esultat pour avoir le r esultat . . . Estimation du r esultat par une m ethode ouverte (pr ediction) Correction par une m ethode ferm ee dordre au moins egal It eration jusqu` a obtention de la pr ecision voulue
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 118
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Adams-Moulton
Di erences nies ` a gauche
t 2 2! y
(t + t ) + + ?
[i +1] t 3 3! f [i +1] t 3 3! f
D eriv ees evalu ees par di erences nies ` a gauche On a besoin du r esultat pour avoir le r esultat . . . Estimation du r esultat par une m ethode ouverte (pr ediction) Correction par une m ethode ferm ee dordre au moins egal It eration jusqu` a obtention de la pr ecision voulue
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 118
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Euler implicite
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Euler implicite
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Avantages Stabilit e des m ethodes implicites Quantit e de calcul proche des m ethodes explicites Principe Estimation par une m ethode ouverte Correction par une m ethode ferm ee
dordre au moins egal en pratique : m eme ordre ou un de plus
Adams-Bashforth Adams-Moulton
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Avantages Stabilit e des m ethodes implicites Quantit e de calcul proche des m ethodes explicites Principe Estimation par une m ethode ouverte Correction par une m ethode ferm ee
dordre au moins egal en pratique : m eme ordre ou un de plus
Adams-Bashforth Adams-Moulton
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
R esolution num erique des probl` emes di erentiels Classication Forme canonique Probl` emes aux conditions initiales M ethode dEuler M ethodes Runge & Kutta M ethodes dAdams Probl` emes aux conditions limites M ethode de Tir M ethode matricielle y = f (t , y ) , y (0) = y0
15
16
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Principe Transformer en un probl` eme ` a conditions initiales Une condition inconnue Trouver linconnue
Fig.: Source de la Photo : Ray Bilcli, http://www.trueportraits.com
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 121
M ethode de Tir
R esolution it erative des probl` emes ` a conditions limites
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Recherche de la racine
Trouver u , cest r esoudre le probl` eme
yL (u ) = yL
M ethode de lartilleur Je tire un coup au dessus Je tire un coup au dessous Jajuste le tir Je recommence si n ecessaire Cest la M ethode de la s ecante Application dans notre cas R esoudre pour deux valeurs arbitraires u [1] et u [2] u [3] sera la valeur trouv ee pour u en interpolant yL [1] lin eairement entre u et u [2] [yL (u[n] )yL ]u[n1] [yL (u[n1] )yL ]u[n] u [n+1] = [yL (u[n] )yL (u[n1] )]
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 123 Voir chapitre pr ec edent
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Recherche de la racine
Trouver u , cest r esoudre le probl` eme
yL (u ) = yL
M ethode de lartilleur Je tire un coup au dessus Je tire un coup au dessous Jajuste le tir Je recommence si n ecessaire Cest la M ethode de la s ecante Application dans notre cas R esoudre pour deux valeurs arbitraires u [1] et u [2] u [3] sera la valeur trouv ee pour u en interpolant yL [1] lin eairement entre u et u [2] [yL (u[n] )yL ]u[n1] [yL (u[n1] )yL ]u[n] u [n+1] = [yL (u[n] )yL (u[n1] )]
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 123 Voir chapitre pr ec edent
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Recherche de la racine
Trouver u , cest r esoudre le probl` eme
yL (u ) = yL
M ethode de lartilleur Je tire un coup au dessus Je tire un coup au dessous Jajuste le tir Je recommence si n ecessaire Cest la M ethode de la s ecante Application dans notre cas R esoudre pour deux valeurs arbitraires u [1] et u [2] u [3] sera la valeur trouv ee pour u en interpolant yL [1] lin eairement entre u et u [2] [yL (u[n] )yL ]u[n1] [yL (u[n1] )yL ]u[n] u [n+1] = [yL (u[n] )yL (u[n1] )]
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 123 Voir chapitre pr ec edent
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
M ethode de la s ecante Evaluation de yu pour u [1] et u [2] arbitraires M ethode de la s ecante pour r esoudre 0 yu (L) + 1 yu (L) = cL
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 124
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
M ethode de la s ecante Evaluation de yu pour u [1] et u [2] arbitraires M ethode de la s ecante pour r esoudre 0 yu (L) + 1 yu (L) = cL
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 124
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
M ethode de la s ecante Evaluation de yu pour u [1] et u [2] arbitraires M ethode de la s ecante pour r esoudre 0 yu (L) + 1 yu (L) = cL
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 124
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Equation di erentielle lin eaire du second ordre Les coecients ne d ependent que de x A (x ) y + B (x ) y + C (x ) y = D (x ) La combinaison lin eaire de deux solutions est solution Cas particulier de la m ethode de la s ecante Linterpolation lin eaire est exacte Un pas sut u [3] est la solution
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Equation di erentielle lin eaire du second ordre Les coecients ne d ependent que de x A (x ) y + B (x ) y + C (x ) y = D (x ) La combinaison lin eaire de deux solutions est solution Cas particulier de la m ethode de la s ecante Linterpolation lin eaire est exacte Un pas sut u [3] est la solution
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Equation di erentielle lin eaire du second ordre Les coecients ne d ependent que de x A (x ) y + B (x ) y + C (x ) y = D (x ) La combinaison lin eaire de deux solutions est solution Cas particulier de la m ethode de la s ecante Linterpolation lin eaire est exacte Un pas sut u [3] est la solution
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
ordre n
nL = n n0 dentre elles sont en xL : cL = (cL,1 , , cL,nL ) Transformation en probl` eme ` a conditions initiales en x0 n0 premi` eres conditions connues,nL suivantes inconnues Posons u = (c0 , cu ) et e (u ) = cL (u ) cL M ethode de Newton discr etis ee
Voir chapitre pr ec edent
e (u ) = 0
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
ordre n
nL = n n0 dentre elles sont en xL : cL = (cL,1 , , cL,nL ) Transformation en probl` eme ` a conditions initiales en x0 n0 premi` eres conditions connues,nL suivantes inconnues Posons u = (c0 , cu ) et e (u ) = cL (u ) cL M ethode de Newton discr etis ee
Voir chapitre pr ec edent
e (u ) = 0
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
ordre n
nL = n n0 dentre elles sont en xL : cL = (cL,1 , , cL,nL ) Transformation en probl` eme ` a conditions initiales en x0 n0 premi` eres conditions connues,nL suivantes inconnues Posons u = (c0 , cu ) et e (u ) = cL (u ) cL M ethode de Newton discr etis ee
Voir chapitre pr ec edent
e (u ) = 0
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
ordre n
nL = n n0 dentre elles sont en xL : cL = (cL,1 , , cL,nL ) Transformation en probl` eme ` a conditions initiales en x0 n0 premi` eres conditions connues,nL suivantes inconnues Posons u = (c0 , cu ) et e (u ) = cL (u ) cL M ethode de Newton discr etis ee
Voir chapitre pr ec edent
e (u ) = 0
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
ordre n
nL = n n0 dentre elles sont en xL : cL = (cL,1 , , cL,nL ) Transformation en probl` eme ` a conditions initiales en x0 n0 premi` eres conditions connues,nL suivantes inconnues Posons u = (c0 , cu ) et e (u ) = cL (u ) cL M ethode de Newton discr etis ee
Voir chapitre pr ec edent
e (u ) = 0
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
ordre n
nL = n n0 dentre elles sont en xL : cL = (cL,1 , , cL,nL ) Transformation en probl` eme ` a conditions initiales en x0 n0 premi` eres conditions connues,nL suivantes inconnues Posons u = (c0 , cu ) et e (u ) = cL (u ) cL M ethode de Newton discr etis ee
Voir chapitre pr ec edent
e (u ) = 0
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
ordre n
nL = n n0 dentre elles sont en xL : cL = (cL,1 , , cL,nL ) Transformation en probl` eme ` a conditions initiales en x0 n0 premi` eres conditions connues,nL suivantes inconnues Posons u = (c0 , cu ) et e (u ) = cL (u ) cL M ethode de Newton discr etis ee
Voir chapitre pr ec edent
e (u ) = 0
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
R esolution num erique des probl` emes di erentiels Classication Forme canonique Probl` emes aux conditions initiales M ethode dEuler M ethodes Runge & Kutta M ethodes dAdams Probl` emes aux conditions limites M ethode de Tir M ethode matricielle y = f (t , y ) , y (0) = y0
15
16
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Une EDO lin eaire discr etis ee est un syst` eme lin eaire Di erences nies en chaque point : n equations La valeur de y en chaque point : n inconnues R esolution du syst` eme Les di erences nies ne font r ef erence quaux voisins Cest un syst` eme multidiagonal, donc creux M ethodes it eratives et matrices creuses pour n grand Mais attention ` a la troncature du D eveloppement Limit e Il est prudent de comparer la solution obtenue en doublant n Et de le doubler encore si n ecessaire
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 127
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Une EDO lin eaire discr etis ee est un syst` eme lin eaire Di erences nies en chaque point : n equations La valeur de y en chaque point : n inconnues R esolution du syst` eme Les di erences nies ne font r ef erence quaux voisins Cest un syst` eme multidiagonal, donc creux M ethodes it eratives et matrices creuses pour n grand Mais attention ` a la troncature du D eveloppement Limit e Il est prudent de comparer la solution obtenue en doublant n Et de le doubler encore si n ecessaire
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 127
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Une EDO lin eaire discr etis ee est un syst` eme lin eaire Di erences nies en chaque point : n equations La valeur de y en chaque point : n inconnues R esolution du syst` eme Les di erences nies ne font r ef erence quaux voisins Cest un syst` eme multidiagonal, donc creux M ethodes it eratives et matrices creuses pour n grand Mais attention ` a la troncature du D eveloppement Limit e Il est prudent de comparer la solution obtenue en doublant n Et de le doubler encore si n ecessaire
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 127
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Une EDO lin eaire discr etis ee est un syst` eme lin eaire Di erences nies en chaque point : n equations La valeur de y en chaque point : n inconnues R esolution du syst` eme Les di erences nies ne font r ef erence quaux voisins Cest un syst` eme multidiagonal, donc creux M ethodes it eratives et matrices creuses pour n grand Mais attention ` a la troncature du D eveloppement Limit e Il est prudent de comparer la solution obtenue en doublant n Et de le doubler encore si n ecessaire
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 127
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
Une EDO lin eaire discr etis ee est un syst` eme lin eaire Di erences nies en chaque point : n equations La valeur de y en chaque point : n inconnues R esolution du syst` eme Les di erences nies ne font r ef erence quaux voisins Cest un syst` eme multidiagonal, donc creux M ethodes it eratives et matrices creuses pour n grand Mais attention ` a la troncature du D eveloppement Limit e Il est prudent de comparer la solution obtenue en doublant n Et de le doubler encore si n ecessaire
N. Fressengeas UE SPM-PHY-S07-101, version 2.0.1, planche 127
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
R esolution dun syst` eme non lin eaire Un air de d ej` a vu M ethode de Newton multidimensionnelle vue pr ec edemment
Ici
N. Fressengeas
Probl` emes di erentiels num eriques Probl` emes aux conditions initiales Probl` emes aux conditions limites
N. Fressengeas