Pada Bagian stabilitas masalah nilai awal dari teori persamaan difernsial, kita membahas

bagian stabilitas dari masalah nilai awal yakni

() = (, ()) (0 ) = 0 (1)

Secara kasar, stabilitas berarti bahwa perturbasi (gangguan) kecil pada masalah nilai awal
mengarah pada perubahan kecil pada solusi yang diperoleh. Saat kita mempelajari mengenai
stabilitas numerik pada bahasan tentang metode euler, diperoleh bahwa hasil stabilitas yang
sama juga berlaku untuk metode Euler. Secara umum, kita bekerja dalam metode numerik
untuk memecahkan masalah nilai awal yang stabil secara numerik. Ini berarti bahwa untuk
ukuran kecil yang cukup kecil, perubahan kecil pada nilai awal akan menghasilkan sedikit
perubahan pada solusi numerik. Memang, stabilitas semacam itu terkait erat dengan
konvergensi metode numerik, saat kita membahas mengenai analisis eror secara general
untuk metode multistep.

Metode numerik yang stabil adalah solusi numerik yang berperilaku baik saat
mempertimbangkan perturbasi (gangguan) kecil, asalkan ukuran langkah h cukup kecil.
Namun, dalam perhitungan yang sebenarnya, langkah h tidak boleh terlalu kecil karena
langkah h yang sangat kecil menurunkan efisiensi metode numerik. Seperti yang dapat
[(+){}]
ditunjukkan, keakuratan lebih lanjut dari perbedaan aproksimasi: ke derivatif

(), diperkirakan memburuk bila h adalah urutan dari akar kuadrat dari epsilon. Oleh
karena itu, untuk perhitungan aktual, yang penting adalah kinerja metode numerik bila h tidak
diasumsikan sangat kecil. Kita perlu menganalisis lebih jauh kestabilan metode numerik saat
h tidak diasumsikan kecil.

Pemeriksaan terhadap problem stabilitas untuk masalah umum

Y'(t) = f(t,Y(t)), Y(t0) = Y0 (4.1)

terlalu rumit Sebagai gantinya, kami memeriksa kestabilan metode numerik untuk masalah
model

Y'(t) = Y(t) + g(t), Y(0) = Y0 (4.2)

solusi yang tepat dapat ditemukan dari (1.5). Pertanyaan mengenai stabilitas dan konvergensi
lebih mudah dijawab untuk masalah ini, dan jawaban atas pertanyaan-pertanyaan ini dapat
ditunjukkan sebagai jawaban atas pertanyaan yang sama untuk masalah yang lebih umum
(4.1).

Misalkan Y (t) menjadi solusi dari (4.2), dan misalkan Yt (t) menjadi solusi dengan data awal
yang terganggu Yo + e:

Yl{t) = XYe(t) + g(t), y(0) = Y0 + e.

Biarkan Zt {t) menunjukkan perubahan dalam larutan

 Z&) = Ye(t) - Y(t).

Kemudian, kurangi (4.2) dari persamaan untuk Y (t), kita dapatkan

Z'e(t) = XZe(t), Ze(0) = e.

Solusinya adalah:

Ze(t) = eext.

Biasanya dalam aplikasi, kita tertarik pada kasus bahwa baik A itu nyata dan negatif
atau X rumit dengan bagian nyata yang negatif. Dalam kasus seperti ini, Z (t) akan pergi ke
nol sebagai t - oo dan, oleh karena itu, efek dari gangguan e mati karena nilai t yang besar.
(Lihat pembahasan terkait di Bagian 1.2 dari Bab 1.) Kami ingin perilaku yang sama berlaku
untuk metode numerik yang diterapkan pada (4.2).

Dengan mempertimbangkan fungsi Ze (t) / e dan bukan Ze (t), kita memperoleh

masalah model berikut yang umumnya digunakan untuk menguji kinerja berbagai metode
numerik:Y' = XY, t>0,

r ( 0 ) = 1. (}

Berikut ini, ketika kita mengacu pada masalah model (4.3), kita selalu berasumsi bahwa
konstanta A <0 atau A rumit dan dengan Real (A) <0. Solusi sebenarnya dari masalah (4.3)
adalah

Y(t) = ext, (4.4)

yang meluruh secara eksponensial dalam t karena parameter A memiliki bilangan real
negatif. Jenis properti stabilitas yang kita inginkan dengan metode numerik adalah ketika
diterapkan pada (4.3), solusi numerik memenuhi Vh (tn) ^ 0 sebagai tn -> 00 (4.5) untuk
pilihan stepsize h. Himpunan nilai hX, yang dianggap sebagai subset dari bidang kompleks,
dimana yn -> 0 sebagai n -> oo, disebut daerah stabilitas absolut dari metode numerik.
Penggunaan h \ timbul secara alami dari metode numerik, seperti yang akan kita lihat.

Mari kita periksa kinerja metode Euler pada masalah model (4.3). Kita punya

/n+i = 2/n + hX yn = (1 + hX) yn, n > 0, y0 = 1.

Dengan argumen induktif, tidak sulit ditemukan

y = (1 + hX)n, n > 0. (4.6)

Perhatikan bahwa untuk titik simpul tetap tn = nh = t, sebagai n - oo, kita dapatkan
Perilaku pembatasan diperoleh dengan menggunakan peraturan L'Hospital dari kalkulus. Ini
menegaskan konvergensi metode Euler. Kami menekankan bahwa ini adalah properti
asimtotik dalam arti bahwa ini benar dalam batas sebagai h -> 0

Dari rumus (4.6), kita melihat bahwa yn - 0 sebagai n - * oo jika dan hanya jika

\l + h,X\ < 1 .

Untuk kondisi yang nyata dan negatif, kondisinya menjadi

- 2 < hX < 0. (4.7)

Ini menetapkan batasan pada kisaran h yang dapat kita ambil untuk menerapkan metode
Euler, yaitu 0 <h <-2 / X.

Contoh 4.1 Pertimbangkan masalah model dengan A = -100. Kemudian metode Euler akan
berkinerja baik hanya jika h <2x100 "'= 0,02 Solusi sebenarnya Y (t) = e-100 *
pada t = 0,2 adalah 2,061 x 10- 9 Tabel 4.1 mencantumkan solusi Euler pada * =
0,2 untuk beberapa nilai h.

METODE BACKWARD EULER

Sekarang kita mempertimbangkan metode numerik yang memiliki properti (4.5) untuk hasan
ukuran saat diterapkan pada masalah model (4.3). Metode seperti ini dikatakan benar-benar
stabil.

Dalam derivasi metode Euler, kami menggunakan pendekatan perbedaan ke depan

Mari kita gunakan, sebaliknya, pendekatan perbedaan terbelakang

Y'(t) i [Y(t) - Y(t - h)}.

(4.8)

Maka persamaan diferensial Y '(t) = f (t, Y (t)) pada t = tn diskretisasi sebagai

Vn =Vn-i + hf(tn,yn).

Pergeseran indeks sebesar 1, kita kemudian mendapatkan metode Euler ke belakang

Seperti metode Euler, metode Euler ke belakang adalah akurasi orde pertama, dan hasil
konvergensi serupa dengan Theorem 2.4. Juga, perluasan kesalahan asimtotik dari bentuk
(2,36) valid. Metode pembuktian adalah variasi yang digunakan untuk metode Euler di
Bagian 2.3 dari Bab 2.

Mari kita tunjukkan bahwa metode Euler ke belakang memiliki properti yang diinginkan
(4.5) pada masalah model (4.3). Kita punya

Menggunakan ini bersama dengan t / o = 1. w e dapatkan

yn = {l-h\)-n. (4.10)

Untuk ukuran langkah h> 0, kita memiliki | 1 - h \\> 1 dan seterusnya yn -> 0 sebagai n -> oo.
Melanjutkan dengan Contoh 4.1, pada Tabel 4.2, kita memberikan hasil numerik untuk
metode Euler ke belakang. Perbandingan antara Tabel 4.1 dan 4.2 menunjukkan bahwa
metode Euler ke belakang jauh lebih baik daripada metode Euler pada masalah model (4.3).

Perbedaan utama antara kedua metode ini adalah bahwa untuk metode Euler ke belakang,
pada setiap timestep, kita perlu menyelesaikan persamaan aljabar nonlinier

Vn+i =yn + hf(tn+1,yn+i) (4.11)

untuk 2 / n + i. Metode dimana yn + i harus ditemukan dengan memecahkan masalah

rootfinding disebut metode implisit, karena yn + i didefinisikan secara implisit. Sebaliknya,
metode yang memberi y "+ i secara langsung disebut metode eksplisit. Metode Euler adalah
metode eksplisit, dimana metode Euler ke belakang adalah metode implisit. Berdasarkan
asumsi kontinuitas Lipschitz (2,19) pada fungsi f (t, z), dapat ditunjukkan bahwa jika h cukup
kecil, persamaan (4.11) memiliki solusi unik.

Metode pemalsuan akar tradisional (misalnya, metode Newton, metode secant, metode
terbelah) dapat diterapkan pada (4.11) untuk menemukan akarnya yn + \\ tapi seringkali itu
adalah proses yang sangat menyita waktu. Sebagai gantinya, (4.11) biasanya dipecahkan
dengan teknik iterasi sederhana. Dengan perkiraan awal y + i ~ 2 / n + i, tentukan y ^ l \, Vn
+ i> e t c> oleh
Dapat ditunjukkan bahwa jika h cukup kecil, maka iterasi y "+ x akan bertemu ke yn + \
sebagai j -> oo. Mengurangkan (4.12) dari (4.11) memberi kita

Rumus terakhir diperoleh dengan menerapkan teorema nilai rata-rata untuk f (tn + \, z), yang
dianggap sebagai fungsi z. Rumus ini memberikan hubungan antara kesalahan pada iterasi
berurutan. Karena itu, jika

maka kesalahan akan konvergen ke nol, selama perkiraan awal y ^, adalah perkiraan yang
cukup akurat untuk yn + i.

Metode iterasi sebelumnya (4.12) dan analisisnya adalah kasus khusus teori iterasi fixed-
point untuk memecahkan persamaan nonlinear z = g (z). Skema iterasi adalah

zJ+i=g(zJ), j = 0,1,2,... (4.14)

dengan perkiraan awal dari solusi yang dicari. Menunjukkan dengan solusi yang kita cari
untuk persamaan z = g (z). Dengan asumsi bahwa g (z) terdiferensialkan secara terus menerus
di lingkungan a, kita akan iterasi (4.14) akan bertemu jika

\g'(a)\ < 1 (4.15)

dan jika perkiraan awal ZQ dipilih cukup dekat dengan a; lihat [11, 2.5], [12, 3.4], [68,
6.3]. Menerapkan notasi ini ke iterasi kami (4.12), a = yn + i adalah titik tetap, dan

g{z) = yn + hf(tn+1,z).

Kondisi konvergensi (4.13) hanyalah kondisinya (4.15).

Dalam prakteknya, seseorang menggunakan tebakan awal yang baik, dan yang satu memilih
yang begitu (i) kecil sehingga kuantitasnya (4.13) jauh lebih kecil dari 1. Maka kesalahan yn
+ i - Vn + i menurun dengan cepat. ke jumlah kecil saat j meningkat, dan seringkali hanya
satu iterate yang perlu dihitung! Metode Euler dihitung. Pilihan biasa dari perkiraan awal j /
"^ x for (4.12) didasarkan pada metode euler
yn+i=yn + hf(tn,yn). (4.16)

Ini disebut formula prediktor, karena memprediksi akar metode implisit.

Untuk banyak persamaan, biasanya cukup untuk melakukan iterasi (4.12) sekali. Dengan
demikian, cara praktis untuk menerapkan metode Euler ke belakang adalah dengan
melakukan iterasi onepoint berikut untuk memecahkan (4.11) kira-kira

Metode numerik yang dihasilkan kemudian diberikan dengan rumus

Vn+i = Vn + h f{tn+1,yn + h f(tn+1,yn)). (4.17)

Dapat ditunjukkan bahwa metode ini masih dengan akurasi orde pertama. Namun, tidak lagi
benar-benar stabil (lihat Soal 1).

Program MATLAB. Sekarang kita beralih ke penerapan metode Euler ke belakang. Pada
setiap langkah, dengan yn tersedia dari langkah sebelumnya, kami menggunakan metode
Euler untuk menghitung perkiraan yn + i '

2/i+i =yn + hf(tn,yn).

Lalu kita melakukan iterasi

sampai perbedaan antara nilai berurutan dari iterate cukup kecil, menunjukkan perkiraan
solusi yn + \ cukup akurat. Untuk mencegah loop iterasi yang tak terbatas, kita memerlukan
iterasi untuk berhenti jika 10 langkah iterasi dilakukan tanpa mencapai solusi yang
memuaskan; Dalam kasus terakhir ini, pesan kesalahan akan ditampilkan.

METODE TRAPEZOIDAL

Salah satu kelemahan utama dari kedua metode Euler dan metode Euler ke belakang adalah
urutan konvergensi yang rendah. Selanjutnya, kita menyajikan sebuah metode yang memiliki
orde konvergensi yang lebih tinggi dan pada saat bersamaan, properti stabilitas (4,5) berlaku
untuk himpunan langkah tertentu dalam memecahkan masalah model (4.3).

Kita mulai dengan memperkenalkan aturan trapesium untuk integrasi numerik:

Aturan ini diilustrasikan pada Gambar 4.1. Grafik y = g (t) didekati pada [a, b] oleh fungsi
linier y = p \ (t) yang menginterpolasi g (i) pada titik akhir [a, b]. Bagian integral dari g (t) di
atas [a, b] kemudian didekati oleh integral Pi (t) di atas [a, b}. Dengan menggunakan
berbagai pendekatan, kita bisa mendapatkan hasil yang lebih lengkap

untuk sebarang a b.

Kami mengintegrasikan persamaan diferensial

Y'(t) = f(t,Y(t))

Dari tn sampai tn+1

Gunakan aturan trapesium (4.18) untuk mendekati integral. Penerapan (4.19) untuk integral
ini, kita dapatkan

untuk beberapa tn tn+1.Dengan menjatuhkan kesalahan akhir dan kemudian

menyamakan kedua sisi, kita memperoleh metode trapesium untuk memecahkan masalah
nilai awal (1.7):

dengan y0 = Y0.

Kesalahan pemotongan untuk metode trapesium adalah

Dapat ditunjukkan bahwa metode trapesium adalah akurasi orde kedua. Dengan asumsi y0 =
Y0. kita bisa tunjukkan

untuk semua h cukup kecil, dengan c independen dari h. Metode pembuktian adalah variasi
yang digunakan untuk metode Euler di Bab 2. Sebagai tambahan, metode trapesium adalah
benar-benar stabil. Urutan yang lebih tinggi dan stabilitas absolutnya telah membuat metode
trapesium sebagai alat penting saat memecahkan persamaan diferensial parsial jenis parabola;
lihat Bagian 8.1 di Bab 8.

Perhatikan bahwa metode trapesium adalah metode implisit. Pada langkah umum, yn + i
ditemukan dari persamaan

Meskipun persamaan ini dapat dipecahkan secara eksplisit hanya dalam jumlah kasus yang
relatif kecil. Pembahasan untuk solusi persamaan Euler ke belakang (4.11) berlaku untuk
solusi persamaan (4.24), dengan sedikit variasi. Rumus iterasi (4.12) sekarang digantikan
oleh
Jika y "+ i adalah perkiraan yn + i yang cukup bagus dan jika h cukup kecil, maka iterasi y ^
+ saya akan bertemu lagi dengan yn + i sebagai j -> oo. Kondisi konvergensi (4.13)
digantikan oleh

Perhatikan bahwa kondisi (4.26) agak mudah untuk dipuaskan daripada (4.13), yang
menunjukkan bahwa metode trapesium sedikit lebih mudah digunakan daripada metode Euler
ke belakang. Pilihan biasa dari perkiraan awal yn + x untuk (4.25) didasarkan pada metode
Euler

atau metode urutan Adams-Bashforth 2 (lihat Bab 6)

Ini disebut formula prediktor. Dalam salah satu dari kedua kasus ini untuk menghasilkan yn
x, hitung ynlx dari (4.25) dan terima sebagai akar yn + i- Pada langkah pertama (n = 0), kita
menggunakan rumus prediktor Euler dan bukan prediktor (4.28 ). Dengan kedua metode
memilih y ^ j, dapat ditunjukkan bahwa kesalahan global pada solusi yang dihasilkan {yh
{tn)} masih (h2). Jika prediktor Euler (4,27) digunakan untuk mendefinisikan j / n + j, dan
jika kita menerima y nil sebagai nilai yn + i, maka skema baru yang dihasilkan adalah

dikenal sebagai metode Heun. Metode Heun masih dengan akurasi orde dua. Namun, tidak
lagi benar-benar stabil.

Program MATLAB:

Dalam penerapan metode trapesium, pada setiap langkah, dengan y "tersedia dari langkah
sebelumnya, kami menggunakan metode Euler untuk menghitung perkiraan yn + i'-

Kemudian kita menggunakan rumus trapesium untuk melakukan iterasi

sampai perbedaan antara nilai yang berurutan dari iterate cukup kecil, menunjukkan perkiraan
solusi yn + i yang cukup akurat. Untuk mencegah loop iterasi yang tak terbatas, kita
memerlukan iterasi untuk berhenti jika 10 langkah iterasi dilakukan tanpa mencapai solusi
yang memuaskan; dan dalam kasus terakhir ini, pesan kesalahan akan ditampilkan.