slide1 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Que faire avec un système non-linéaire comme celui-ci: PowerPoint Presentation
Download Presentation
Que faire avec un système non-linéaire comme celui-ci:

Loading in 2 Seconds...

play fullscreen
1 / 19

Que faire avec un système non-linéaire comme celui-ci: - PowerPoint PPT Presentation


  • 93 Views
  • Uploaded on

Equations Non Linéaires. Equations linéaires, non-linéaires. Il n’est guère difficile de trouver la solution de l’équation linéaire a*x - b = 0 où a et b sont connus et x est l’inconnue. On écrit a*x = b et chaque membre de l’expression est divisé par a:

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Que faire avec un système non-linéaire comme celui-ci:' - kynton


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

Equations Non Linéaires

Equations linéaires, non-linéaires

Il n’est guère difficile de trouver la solution de l’équation linéaire a*x - b = 0 où a et b sont connus et x est l’inconnue. On écrit a*x = bet chaque membre de l’expression est divisé par a:

a*x = b a\a*x = a\b x = a\b(division à gauche, mldivide(a, b) en Matlab)

x*a = b x*a/a = b/a  x = b/a(division à droite, , mrdivide(a, b) en Matlab)

Que faire avec un système non-linéaire comme celui-ci:

Des méthodes adaptées doivent être mises en œuvre.

slide2

Equations Non Linéaires

Méthode de la bissection (dichotomie)

Trouver les « zéros » de fonctions non linéaires, les valeurs réelles  telles que f()=0

Avantage: l’algorithme n’utilise que des évaluations de la fonction f

slide3

Equations Non Linéaires

Méthode de Newton

Cette méthodes’applique à des équations du type pour lesquelles on peut calculer ou estimer la dérivée de f :  f’(x).

Soit x1 une valeur initiale approchéede la racine  inconnue:  = x1 + h, on a

et comme

on en tire l’estimation de h la quantité à ajouter à x1 pour s’approcher de  et générer une valeur x2= x1 + h :

On en déduit la méthode:

slide4

Equations Non Linéaires

Méthode de Newton, interprétation géométrique

f(x)

x

xn

xn+1

xn+2

slide5

x1

x3

x2

Equations Non Linéaires

Méthode de Newton, convergence, arrêt

f(x)

La méthode ne converge pas toujours vers la solution. Dans l’exemple ci-contre il existe un changement de concavité qui amène à une oscillation des termes xn

x

slide6

Equations Non Linéaires

Méthode de Newton: contrôle sur le résidu

e(k) = erreur = |x(k) - |

résidu = f(x(k))

résidu

résidu

|f ’(x)| >> 1 (à gauche) critère trop restrictif: alors que l’erreur est faible, les itérations se poursuivent puisque le résidu est grand.

|f ’(x)| << 1 (à droite) critère trop faible: ici le résidu est faible et conduit à l’arrêt des itérations alors que l’erreur est grande.

On utilisera donc préférentiellement le contrôle sur l’incrément.

slide7

Equations Non Linéaires

Méthode de Newton: systèmes d’équations non linéaires

La méthode Newton peut s’appliquer à la résolution

d’un système de plusieurs équations non linéaires :

A partir d’un couple de valeurs approchées (x1, y1) d’une solution (, ) du système, on peut déterminer deux accroissements h et k à donner à x1 et y1de manière à ce que :

En développant en 1er ordre,

il vient :     

slide8

Equations Non Linéaires

Méthode de Newton: systèmes d’équations non linéaires

Les quantités h et k s’obtiennent donc, en résolvant le système linéaire suivant :

Sous forme matricielle, en posant J la matrice Jacobienne:

J(x1, y1) =

Généralisation:

On peut noter de façon condensée (vectorielle):

slide9

Equations Non Linéaires

Méthode de Newton: résumé

R  R

On veut : f(x+h)=f(x) + h.f’(x) = 0  h = - f(x) / f’(x)

À partir de x1, on calcule x2=x1+h1, puis x3, …

Rn Rn

slide10

Equations Non Linéaires

fzero, poignée de fonction

La fonction fzero résout les équations non-linéaires du type : mafonction(x) = 0. Elle possède 2 entrées: a) une poignée* de la fonction dont on recherche le zéro et b) une valeur x0 initiale supposée proche du zéro de la fonction. Sa sortie est la valeur x= qui annule mafonction.

>> fzero('cos', 2) % ou écrire: fzero(@cos, 2)

ans = 1.5708

On peut évidemment affecter la sortie à une nouvelle variable:

>> un_zero_de_cos = fzero(@cos, 2) % ceci résout: cos(x)=0

un_zero_de_cos = 1.5708

Essayons avec ma fonction

>> u=fzero(@mafonction, 2)

u = 1

>> u=fzero(@mafonction, -10)

u = -1.0000 % ces 2 dernières commandes résolvent: x.^2-1 = 0

function y=mafonction(x)

y=x.^2-1;

end

* Une poignée est un type de variable désignant les fonctions. Elle est construite en ajoutant un ‘@’ davant le nom de la fonction, ou en la créant comme une fonction anonyme.

slide11

Equations Non Linéaires

fzero, fonctions paramétrées

Les choses peuvent se compliquer si la fonction cible est paramétrée, et possède donc plus d’une entrée comme dans la version ci-contre:

function y=mafonction(p, x)

y = x.*cos(x)+p;

end

Une façon d’utiliser fzero (qui n’accepte que des fonction à une seule entrée) est de créer une fonction anonyme en fixant d’abord la valeur du paramètre:

>> p = 5;

>> mafonction2 = @(x) mafonction(p, x); % mafonction2 possède une seule entrée

>> ezplot(mafonction2, [-10, 2])

>> grid

>> fzero(mafonction2, -5)

ans = -5.3125

>> fzero(mafonction2, 0)

ans = 3.0217

slide12

Equations Non Linéaires

fzero, options, optimset

En réalité, fzero peut posséder 2 ou 3 entrées:

>> x = fzero(fun, x0, options)

où options est une entrée qui va permettre, par exemple d’indiquer avec quelle tolérance la recherche du zéro doit être réalisée.

Pour connaitre les options disponibles avec fzero, on utilise la commande optimset. On voit que par défaut, fzero recherche le zéro d’une fonction jusqu’à une tolérance égale à eps(1).

>> options = optimset(@fzero)

options =

Display: 'notify'

MaxFunEvals: []

MaxIter: []

TolFun: []

TolX: 2.2204e-016

Pour changer la valeur de l’option ‘param’, il faut utiliser la syntaxe suivante pour optimset:

options = optimset(old_options, ‘param', new_value)

Ainsi, pour changer le critère d’arrêt, on écrira:

>> new_opt = optimset(options, 'tolx', 1e-6)

On pourra par la suite exécuter fzero avec les nouvelles options qu’onluipassera:

>> x = fzero(fun, x0, new_opt )

new_opt =

Display: 'notify'

MaxFunEvals: []

MaxIter: []

TolFun: []

TolX: 1.0000e-006

slide13

Equations Non Linéaires

Exercice: erreur de la méthode de dichotomie

En observant que l’erreur est bornée:

Etablir

le nombre d’itérations minimal qui garantisse:

où  est une tolérance donnée.

slide14

Equations Non Linéaires

Exercice: Volume d’un gaz réel

On considère le dioxyde de carbone (CO2), pour lequel a=0.401 Pa.m6 et b=42.7 10-6 m3. Donner le volume occupé par N=1000 molécules de CO2 à la température T=300 K et à la pression p=3.5 107 Pa et avec une tolérance de 10-9. On donne k=1.38 10-23Joule.K-1.

slide15

Equations Non Linéaires

Exercice: matrice jacobienne

Soit la fonction F de R2 R2:

Calculer l’expression de sa matrice jacobienne JF (X).

En déduire JF([1; 2]).

La fonction jacobimatrice ci-contre évalue numériquement la matrice jacobienne d’une fonction fun. Etudier chaque ligne de cette fonction. Appliquer la à la fonction F définie au-dessus et vérifier le résultat obtenu pour JF([1; 2]).

Pourquoi a t’il été ajouté « eps » dans la définition de dx ?

function [J, y0]=jacobimatrice(fun, x0)

% Jacobimatrice calcule la matrice jacobienne J de la

% fonction fun évaluée au point x0.

% y0 = fun(x0).

% fun est une poignée de fonction.

% Exemple pour une fonction R^3 ==> R^2:

% >> f=@(x) [x(1)*x(2)^2+x(3); x(1)*x(3)^2-x(2)];

% >> x0 = [1, 2, 3];

% [J, y0]=jacobimatrice(f, x0)

% J =

% 4 4 1

% 9 -1 6

% y0 =

% 7

% 7

y0 = fun(x0);

n = length(x0); m = length(y0);

J = zeros(m, n);

dx = x0/1000 + eps;

for k=1:n

x0p=x0; x0m=x0;

x0p(k)=x0p(k)+dx(k);

x0m(k)=x0m(k)-dx(k);

J(:,k)=(fun(x0p)-fun(x0m))/2/dx(k);

end

end

slide16

Equations Non Linéaires

Exercice: écrire une fonction newton

function [x, niter]=newton(f, x0, tolx, maxiter)

% trouve la solution par la méthode de Newton

% d’un système d’équations non-linéaires pouvant

% se mettre sous la forme

% f(x)=0 où f est une fonction de R^n dans R^n

% X = valeur telle que f(X) = 0 à TOLX prés

% NITER = nombre d'itérations effectuées

%

% F = poignée de la fonction 

% X0 = valeur initiale des itérations

% TOLX = tolérance sur l'incrément:

% si norm(x(k+1)-x(k))< tolx alors arrêt

% MAXITER = nombre maximal d'itérations à effectuer

%

% exemple dans R^1:

% f=@(x) sin(2*x) -1 + x;

% [x, niter]=newton(f, 0.5, 1e-8, 100)

% x =

% 0.3523

% niter =

% 4

%

% exemple dans R^3

% f=@(x)[x(1)+x(2)^2+x(3);x(1)+x(3)^2-x(2); sum(x)];

% x0 = [1; 2; 3];

% [x, niter]=newton(f, x0, 1e-8, 100)

% x =

% -3.0000

% 1.0000

% 2.0000

% niter =

% 6

Copier, tester et débugger la fonction NEWTON donnée ici. Elle fait appel à la fonction jacobimatrice étudiée plus haut dans ce chapitre.

x0=x0(:);

continuer=true;

niter=0;

while continuer

xold=x;

J=jacobimatrice(f, xold);

x=xold-J\f(xold);

niter=niter+1;

if niter>maxiter, continuer=false; end

if norm(x-xold)<tolx, continuer=false; end

end

end

slide17

Equations Non Linéaires

Exercice: modifier une fonction newton

function [x, niter]=newton(f, x0, tolx, maxiter)

% trouve la solution par la méthode de Newton

% d’un système d’équations non-linéaires pouvant

% se mettre sous la forme

% f(x)=0 où f est une fonction de R^n dans R^n

% X = valeur telle que f(X) = 0 à TOLX prés

% NITER = nombre d'itérations effectuées

%

% F = poignée de la fonction 

% X0 = valeur initiale des itérations

% TOLX = tolérance sur l'incrément:

% si norm(x(k+1)-x(k))< tolx alors arrêt

% MAXITER = nombre maximal d'itérations à effectuer

%

% exemple dans R^1:

% f=@(x) sin(2*x) -1 + x;

% [x, niter]=newton(f, 0.5, 1e-8, 100)

% x =

% 0.3523

% niter =

% 4

%

% exemple dans R^3

% f=@(x)[x(1)+x(2)^2+x(3);x(1)+x(3)^2-x(2); sum(x)];

% x0 = [1; 2; 3];

% [x, niter]=newton(f, x0, 1e-8, 100)

% x =

% -3.0000

% 1.0000

% 2.0000

% niter =

% 6

  • Modifier la fonction newton ci-contre de façon à ce quelle renvoie le vecteur x =[x0, x1, ..., xn] des itérations successives et où x0 est la valeur initiale et xn est la solution à tolx prés.
  • newton peut-elle résoudre x^3-1=0 ? (voir http://fr.wikipedia.org/wiki/Fractale_de_Newton)

x0=x0(:);

continuer=true;

niter=0;

while continuer

xold=x;

J=jacobimatrice(f, xold);

x=xold-J\f(xold);

niter=niter+1;

if niter>maxiter, continuer=false; end

if norm(x-xold)<tolx, continuer=false; end

end

end

Suite du fichier

slide18

Equations Non Linéaires

Exercice: Recherche d’une valeur initiale

Objectif: résoudre le système ci-contre, avec la méthode de Newton.

On prendra tolx=10-12

Soit f1(x, y) = x2 – 2xy – 2 = 0

f2(x, y) = x + y2 + 1 = 0

Selon la valeur initiale donnée à l’algorithme itératif, la convergence vers la solution peut échouer. De même, on ne sait pas si il existe zéro, une ou plusieurs solutions. Une approche graphique est possible pour les systèmes à 2 variables.

Représenter la surface z(x,y)=f12(x,y) +f22(x,y) en utilisant les fonctions meshgrid et surf. Pourquoi est-il plus efficace de représenter z=log10(f12(x,y) +f22(x,y)) ? En déduire une estimation de la ou des solutions.

b) Appliquer la méthode de Newton avec cette ou ces estimations comme valeur(s) initiale(s).

{

slide19

Equations Non Linéaires

Exercice: applications pour la fonction newton.m

a) Résoudre le système ci-dessous, avec la méthode de Newton. On prendra tolx=10-6.

2x1 - x2 = exp(-x1)

-x1 + 2x2 = exp(-x2)

b) Trouver la matrice X telle que X * X * X =

Sol: X =