Aula5 Jacobirichardson

M etodo Jacobi-Richardson
Marina Andretta/Franklina Toledo/Ana Paula Mazzini

ICMC-USP
20 de agosto de 2013 Baseado no livro C alculo Num erico, de Neide B. Franco.
Marina Andretta/Franklina Toledo/Ana Paula Mazzini sme0300 (ICMC-USP) - C alculo Num erico
20 de agosto de 2013
1 / 26
Introdu c ao
J a vimos que existem dois tipos de m etodos num ericos para a solu c ao de sistemas lineares: M etodos Exatos; M etodos Iterativos.
2 / 26
M etodos exatos
M etodos como Elimina c ao de Gauss, Decomposi c ao LU s ao ditos exatos: obt em a solu c ao nal ap os um n umero k de passos. Em alguns casos/aspectos, m etodos iterativos t em algumas vantagens: s ao melhores em matrizes esparsas; apresentam auto-corre c ao de erros (podem ser usados para melhorar a solu c ao obtida por m etodos exatos).
3 / 26
M etodos Iterativos
Um m etodo e iterativo quando fornece uma sequ encia de aproximantes da solu c ao; No caso de m etodos iterativos, precisamos saber se a sequ encia que estamos calculando est a convergindo ou n ao para a solu c ao.
4 / 26
O M etodo de M etodos Iterativos - Ideia geral
Queremos resolver o sistema linear Ax = b . Para tanto, vamos reescrever o sistema como
x = Bx + g , onde B = I A, g = b , por exemplo.
5 / 26
O M etodo de M etodos Iterativos
Chutamos um valor inicial para x , que chamamos de x (0) . Obtemos x (1) = Bx (0) + g ; x (2) = Bx (1) + g ; x (3) = Bx (2) + g ; . . . x (k +1) = Bx (k ) + g .
6 / 26
Converg encia
A sequ encia gerada pelo algoritmo converge?
Crit erio: A sequ encia ser a convergente se, para alguma norma de matrizes, B < 1.
7 / 26
O M etodo Jacobi-Richardson
Considere o sistema linear Ax = b , de ordem n, onde det (A) = 0. Isto e, a11 x1 + a12 x2 + ... + a1n xn = b1 , a21 x1 + a22 x2 + ... + a2n xn = b2 , ... an1 x1 + an2 x2 + ... + ann xn = bn . A matriz A pode ser escrita como a soma de tr es matrizes: A = L + D + R, onde L e uma matriz triangular inferior formada pela parte inferior de A, D e uma matriz diagonal formada pela diagonal de A e R e uma matriz triangular superior formada pela parte superior de A.
Marina Andretta/Franklina Toledo/Ana Paula Mazzini sme0300 (ICMC-USP) - C alculo Num erico 20 de agosto de 2013 8 / 26
Ent ao, L = (lij ), D = (dij ) e R = (rij ), onde
lij =
aij , i > j , 0, i j ,
dij =
aij , i = j , 0, i = j ,
rij =
aij , i < j , 0, i j .
9 / 26
Exemplo: a11 a12 a13 a21 a22 a23 = a31 a32 a33 0 0 0 a11 0 0 0 a12 a13 a21 0 0 + 0 a22 0 + 0 0 a23 . a31 a32 0 0 0 a33 0 0 0
10 / 26
Supondo que det(D ) = 0, podemos transformar o sistema linear original em Ax (L + D + R )x Dx x = = = = b b (L + R )x + b D 1 (L + R )x + D 1 b ,
onde D 1 (L + R ) = B e D 1 b = g .
11 / 26
O processo iterativo denido por
x (k +1) = D 1 (L + R )x (k ) + D 1 b e chamado de M etodo Jacobi-Richardson.
12 / 26
Supondo que det (D ) = 0 (ou seja, aii = 0, i = 1, ..., n) e linha de A pelo elemento da diagonal, temos 1 a12 /a11 a13 /a11 1 a12 a21 /a22 1 a23 /a22 = a21 1 a31 /a33 a32 /a33 1 a31 a32 0 0 0 1 0 0 0 a12 a21 0 0 0 1 0 0 0 + + 0 0 a31 a32 0 0 0 1 Assim temos: A = L + I + R . dividindo cada a13 = a23 1 a13 . a23 0
13 / 26
No caso geral,
lij = = aij aij aii ,
i > j, 0, i j ,
rij =
= aij
aij aii ,
i < j, 0, i j ,
bi =
bi . aii
14 / 26
Reescrevendo novamente o sistema, temos Ax A x (L + I + R )x x = = = = b b b (L + R )x + b ,
onde (L + R ) = B e b = g . O processo iterativo ca x (k +1) = (L + R )x (k ) + b .
15 / 26
Converg encia do M etodo Jacobi-Richardson
Vimos que o processo iterativo x (k ) = Bx (k 1) + g converge se B < 1, para ao menos uma norma de matriz. Assim, o M etodo Jacobi-Richardson converge se, para alguma norma, L + R < 1.
16 / 26

Crit erio das linhas: L + R Ou seja,
n 1i n
< 1.
max
|aij |. j =1,j =i
Crit erio das colunas L + R Ou seja,

n 1j n 1
< 1.
max
|aij | < 1. i =1,i =j

20 de agosto de 2013 17 / 26
Note que, se a matriz for estritamente diagonal dominante (isto e, em cada linha, o m odulo do elemento da diagonal e estritamente maior que a soma do m odulo de todos os outros elementos da linha), ent ao o crit erio de converg encia e automaticamente atendido para B = (L + R ).
18 / 26
Crit erios de Parada
Erro absoluto: Eabs = x (k ) x (k 1) . Erro relativo: x (k ) x (k 1) . x (k )
Erel =
Geralmente, e um valor sucientemente pequeno que nos indica a toler ancia que o erro poder a ter (por exemplo, = 102 , = 103 , = 104 ).
19 / 26
Exemplo
Resolva o sistema linear x3 = 7, 10x1 + 2x2 + x1 + 5x2 + x3 = 8, 2x1 + 3x2 + 10x3 = 6 pelo M etodo Jacobi-Richardson, usando o ponto inicial (0) x = (0.7, 1.6, 0.6)T , at e encontrar um erro de 102 .
20 / 26
Exemplo
Primeiramente, vamos vericar se e poss vel garantir a converg encia do M etodo Jacobi-Richardson na resolu c ao deste sistema linear. Note que a matriz e estritamente diagonal dominante |a12 | + |a13 | = |2| + |1| < |10| = |a11 |, |a21 | + |a23 | = |1| + |1| < |5| = |a22 |, |a31 | + |a32 | = |2| + |3| < |10| = |a33 |. Isso j a nos garante que o m etodo ir a convergir.
21 / 26
Exemplo
Crit erio das linhas:
| + |a | = |0.2| + |0.1| = 0.3, |a12 13 | + |a | = |0.2| + |0.2| = 0.4, |a21 23 | + |a | = |0.2| + |0.3| = 0.5, |a31 32 3 1i n
max
|aij | = 0.5 < 1. j =1,j =i
Crit erio das colunas:

| + |a | = |0.2| + |0.2| = 0.4, |a21 31 | + |a | = |0.2| + |0.3| = 0.5, |a12 32 | + |a | = |0.1| + |0.2| = 0.3, |a13 23 3 1j n
max
|aij | = 0.5 < 1. i =1,i =j

20 de agosto de 2013 22 / 26
Exemplo
(k +1) (k ) (k ) = 0.2x2 0.1x3 + 0.7, x1 (k +1) (k ) (k ) x2 = 0.2x1 0.2x3 1.6, (k +1) (k ) (k ) x3 = 0.2x1 0.3x2 + 0.6. Itera c ao 1:
(1) (0) (0) x1 = 0.2x2 0.1x3 + 0.7 = 0.2(1.6) 0.1(0.6) + 0.7 = 0.96, (1) (0) (0) x2 = 0.2x1 0.2x3 1.6 = 0.2(0.7) 0.2(0.6) 1.6 = 1.86, (1) (0) (0) x3 = 0.2x1 0.3x2 + 0.6 = 0.2(0.7) 0.3(1.6) + 0.6 = 0.94.
23 / 26
Exemplo (solu c ao)
Calculando o erro: Eabs = x (1) x (0) 0.26 = 0.26 0.34
= 0.34,
Erel =
x (1) x (0) x (1)
0.34 1.86
0.1828 > 102 .
24 / 26
Exemplo
Como o erro n ao foi satisfeito, continuamos o processo iterativo: k

(k ) x1 (k ) x2 (k ) x3
0 0.7000 -1.6000 0.6000 -
1 0.9600 -1.8600 0.9400 0.3400 0.2125
2 0.9780 -1.9800 0.9660 0.1200 0.0645
3 0.9994 -1.9888 0.9984 0.0324 0.0163
4 0.9979 -1.9996 0.9968 0.0108 0.0054
Eabs Erel
25 / 26
Exemplo
Como Erel = x (4) x (3) x (4)
0.0108 1.9996
0.0054 < 102 ,
paramos o processo iterativo e devolvemos x (4) como solu c ao aproximada do sistema.
26 / 26

Aula5 Jacobirichardson

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Aula5 Jacobirichardson

Diunggah oleh

Hak Cipta:

Format Tersedia

M etodo Jacobi-Richardson

Marina Andretta/Franklina Toledo/Ana Paula Mazzini

20 de agosto de 2013 Baseado no livro C alculo Num erico, de Neide B. Franco.

O M etodo de M etodos Iterativos - Ideia geral

x = Bx + g , onde B = I A, g = b , por exemplo.

O M etodo de M etodos Iterativos

A sequ encia gerada pelo algoritmo converge?

Supondo que det(D ) = 0, podemos transformar o sistema linear original em Ax (L + D + R )x Dx x = = = = b b (L + R )x + b D 1 (L + R )x + D 1 b ,

O processo iterativo denido por

x (k +1) = D 1 (L + R )x (k ) + D 1 b e chamado de M etodo Jacobi-Richardson.

Reescrevendo novamente o sistema, temos Ax A x (L + I + R )x x = = = = b b b (L + R )x + b ,

onde (L + R ) = B e b = g . O processo iterativo ca x (k +1) = (L + R )x (k ) + b .

Converg encia do M etodo Jacobi-Richardson

Converg encia do M etodo Jacobi-Richardson

Crit erio das colunas L + R Ou seja,

|aij | < 1. i =1,i =j

Converg encia do M etodo Jacobi-Richardson

Crit erios de Parada

Erro absoluto: Eabs = x (k ) x (k 1) . Erro relativo: x (k ) x (k 1) . x (k )

|aij | = 0.5 < 1. j =1,j =i

Crit erio das colunas:

|aij | = 0.5 < 1. i =1,i =j

Exemplo (solu c ao)

Calculando o erro: Eabs = x (1) x (0) 0.26 = 0.26 0.34

x (1) x (0) x (1)

0.1828 > 102 .

Como o erro n ao foi satisfeito, continuamos o processo iterativo: k

0 0.7000 -1.6000 0.6000 -

1 0.9600 -1.8600 0.9400 0.3400 0.2125

2 0.9780 -1.9800 0.9660 0.1200 0.0645

3 0.9994 -1.9888 0.9984 0.0324 0.0163

4 0.9979 -1.9996 0.9968 0.0108 0.0054

Como Erel = x (4) x (3) x (4)

0.0054 < 102 ,

paramos o processo iterativo e devolvemos x (4) como solu c ao aproximada do sistema.

Anda mungkin juga menyukai