A matriz de coeficientes n × n
x vetor de variáveis n ×1
b vetor independente (constantes) n ×1
Forma Geral
=ϕ( x
( k +1) (k )
x )
Observação
Se a sequência de aproximação x (o ) , x (1) , x ( 2 ) , ......, x ( k ) é tal que
(k )
lim x = α ⇒ α = Cα + g , então α é a solução do sistema A x =b .
k→∞
Teste de Parada
Como em todos os processos iterativos, necessita-se de um critério para a
parada do processo.
1
∆( k ) = max xi( k ) − xi( k −1)
i =1, n
Desta forma, dada uma precisão ε , o vetor x ( k ) será escolhido como solução aproximada
da solução exata, se ∆(k ) < ε , ou dependendo da escolha, ∆(kR ) < ε .
2
b1 / a11
b / a
g = 2 22
bn / a nn
10 x1 + 2 x 2 + x3 = 7
x1 + 5 x 2 + x3 = −8
2 x1 + 3 x 2 + 10 x3 = 6
Separando-se os elementos diagonais, tem-se:
1
x1( k +1) = (7 − 2 x 2( k ) − x3( k ) )
10
1
x 2( k +1) = ( −8 − x1( k ) − x3( k ) )
5
1
x3( k +1) = (6 − 2 x1( k ) − 3 x 2( k ) )
10
0 − 2 −1 7
1 0 1 0 1 0
C= −1 0 −1 g = − 8
5 −3 5 5
− 21 0 1 0 0 6 1 0
(1) (0)
Solução para k=0 x =C x + g ⇒x (1)
3
0 −2 −1 0,7 7 10
10 10
x = −1
1
0 − 1 − 1,6 + − 8
5 −3 5 5
−
102 0 0,6 6 10
10
0,96
x = − 1,86
1
0,94
Cálculo de ∆(R1) :
x1(1) − x1( 0 ) = 0,7 − 0,96 = 0,26
x 2(1) − x 2( 0 ) = −1,86 −1,6 = 0,26
x3(1) − x3( 0 ) = 0,6 − 0,94 = 0,34
0,34 0,34
∆(R1) = = = 0,1828
max x (1)
i
1,86
i =1, 3
Para k=1:
0,978
0,12
= −1,98 = 0,0606 > ε
(2)
x ⇒ ∆(R2 ) =
1,98
0,966
Para k=2:
0,9994
0,0324
= = 0,0163 < ε
( 2)
x −1,9888 ⇒ ∆(R3) =
1,9888
0,99984
0,9994
x =
−1,9888
é solução com erro menor que 0,05.
0,9984
Teorema
Se α = max α k < 1 , então o método G-J gera uma seqüência {x (k ) } convergente para a
k =1, n
4
Observe que esta é uma condição suficiente, se for satisfeita o método converge, entretanto
se não for satisfeita nada se pode afirmar.
Exemplo 1:
Seja a matriz do exemplo dado anteriormente:
(2 + 1)
α1 = = 0,3 < 1
10 2 1 10
(1 + 1)
A = 1 5 1 α2 = = 0,4 < 1
5
2 3 10 (2 + 3)
α3 = = 0,2 < 1
10
Tem-se a convergência garantida para qualquer vetor inicial.
Exemplo 2:
Seja o sistema de equações lineares:
x1 + x 2 = 3
x1 − 3 x 2 = −3
1
α1 = = 1
1
1
α2 =
3
As condições de convergência do teorema não são satisfeitas, entretanto o
Método de Gauss-Jacobi gera uma seqüência convergente para a solução exata
x= 3[ 2
3
2
] T
. Se as condições de suficiência não são satisfeitas, não significa que o
método não possa convergir.
Exemplo 3:
Considere o sistema linear:
x1 + 3 x 2 + x3 = −2
5 x1 + 2 x 2 + 2 x3 = 3
0 x1 + 6 x 2 + 8 x3 = −6
(3 + 1)
α1 == 4>1
1 3 1 1
(5 + 2)
A = 5 2 2 α2 = = 3,5 > 1
2
0 6 8 (0 + 6)
α3 = = 0,75 < 1
8
As condições do teorema não são satisfeitas. Uma solução possível é permutar
as equações. Seja no exemplo permutar a primeira equação com a segunda equação:
5
( 2 + 2)
α1 =
= 0,8 < 1
5 2 2 1
(1 + 1)
A = 1 3 1 α2 = = 0,66 < 1
3
0 6 8 ( 0 + 6)
α3 = = 0,75 < 1
8
As condições passam a ser satisfeitas e a convergência é garantida para
qualquer vetor inicial. Este tipo de procedimento nem sempre é possível.
( k +1) (k )
x = D −1 b −D −1 ( L +U ) x
6
x1( k +1) , x 2( k +1) , ... , x (jk−1+1) com as componentes ainda não atualizadas da iteração anterior
x (jk+1) , x (jk+)2 , ... , x n( k ) .
1
x1( k +1) = (b1 − a12 x 2( k ) − a13 x3( k ) − a14 x 4( k ) −.......... − a1n x n( k ) )
a11
1
x 2( k +1) = (b2 − a 21 x1( k +1) − a 23 x3( k ) − a 24 x 4( k ) .......... − a 2 n x n( k ) )
a 22
1
x3( k +1) = (b3 − a 31 x1( k +1) − a 32 x 2( k +1) − a 34 x 4( k ) −.......... − a 2 n x n( k ) )
a 22
1
x n( k +1) = (bn − a n1 x1( k +1) − a n 2 x 2( k +1) − a n 3 x3( k +1) .......... − a nn −1 x n( k−1+1) )
a nn
5 x1 + x 2 + x3 = 5
3 x1 + 4 x 2 + x3 = 6
3 x1 + 3 x 2 + 6 x3 = 0
O processo iterativo é dado por:
1
x1( k +1) = (5 − x 2( k ) − x 3( k ) )
5
1
x 2( k +1) = (6 − 3 x1( k +1) − x 3( k ) )
4
1
x3( k +1) = (0 − 3 x1( k +1) − 3 x 2( k +1) )
6
Cálculo de ∆(R1) :
x1(1) − x1( 0 ) = 1,0 − 0 = 1,0
x 2(1) − x 2( 0 ) = 0,75 − 0,0 = 0,75
x3(1) − x3( 0 ) = − 0,875 − 0 = 0,875
max ∆(i1) 1,0
i =1, 3
∆ (1)
R = = = 1,0 > ε
max x (1)
i
1,0
i =1, 3
7
1,025
=
( 2)
x 0,95
− 0,9875
x1( 2 ) − x1(1) = 1,025 −1,0 = 0,025
x 2( 2 ) − x 2(1) = 0,95 − 0,75 = 0,20
x3( 2 ) − x3(1) = − 0,9875 − ( −0,875 ) = 0,1125
max ∆(i2 ) 0,20
i =1, 3
∆ ( 2)
R = = = 0,1957 > ε
max x ( 2)
i
1,025
i =1, 3
1,0075
=
( 3)
x 0,9912
− 0,9993
x1( 3) − x1( 2 ) = 1,075 −1,025 = 0,0175
x 2( 3) − x 2( 2 ) = 0,9912 − 0,95 = 0,0412
x3( 3) − x3( 2 ) = − 0,9993 − ( −0,9875 ) = 0,0118
max ∆(i3) 0,0412
i =1, 3
∆ ( 3)
R = = = 0,0408 < ε
max x ( 3)
i
1,0075
i =1, 3
1,0075
x =
0,9912 é solução com erro menor que 0,05.
− 0,9993
8
( L +D +U ) x =b
L x +D x +U x =b
D x =b −( L +U ) x
x = D −1 b −D −1 L x −D −1U x
( k +1) ( k +1) (k )
x = D −1 b −D −1 L x −D −1U x
3
(1,2) (3,2)
2
(4/3,5/3)
1 (1,4/3)
x1-3x2=-3
0
(0,0) (0,3) x1
-1
9
-2
-5 -4 -3 -2 -1 0 1 2 3 4 5
Observação 1: Verifica-se pelo gráfico acima que a seqüência x (o ) , x (1) , x ( 2 ) , ......,
x
(k )
está convergindo para a solução exata x = [ 3 3 ]T .
2 2
Observação 2: A sequência gerado pelo Método de Gauss-Seidel depende fortemente da
posição das equações. Esta observação pode ser melhor entendida modificando a ordem
das equações do exemplo anterior.
5 x1+x2=3
3
x1-3x2= -3
2
0 x
(0,0) x1
(0,-3)
-1
10
-2
-5 -4 -3 -2 -1 0 1 2 3 4 5
Estudo da Convergência do Método de Gauss-Seidel
Critério de Linhas
Critério de Sassenfeld
Define-se β = max
j =1, n
βj .
11
Se β <1 , então o Método de Gauss-Seidel gera uma sequência convergente para a solução
do sistema, qualquer que seja o vetor inicial. Além disso, quanto menor for o valor de β
mais rápida é a convergência.
2 x1 + x 2 + 3 x3 = 3
− x 2 + x3 = 1
x1 + 3 x3 = 3
a) Critério de Linhas
1+3
α1 = = 2 > 1 não satisfaz.
2
b) Critério de Sassenfeld
1+3
β1 = = 2 > 1 não satisfaz.
2
b) Critério de Sassenfeld
1
β1 = = 0.33 < 1 satisfaz.
3
12
1
1⋅
satisfaz.
β 2 = 3 = 0.33 < 1
1
1 1
3 ⋅ +1⋅
β3 = 3 3 = 4 < 1 satisfaz.
2 6
2 x1 + x 2 = 3
x1 + x 2 = 4
Critério de Linhas
1
α1 =
2 Não satisfaz
α2 = 1
Critério de Sassenfeld
1
β1 =
2
1 Satisfaz
1×
β2 = 2 =1
1 2
13
xi( k +1) = xi( k ) + w( xˆ i( k +1) − xi( k ) )
1
xˆ i( k +1) = (bi − ∑a ij x (jk +1) − ∑a ij x (jk ) )
a ii j <i j >i
Teorema
M =D
N = −( L +U )
Métodos Diretos:
14
5. Redução de esforço computacional é conseguido em soluções para vetores
independentes adicionais com a matriz de coeficientes mantida constante, com a
utilização da fatoração LU;
6. Para matrizes cheias a solução requer n 3 operações sem considerar o pivoteamento.
Métodos Iterativos:
Norma de vetores
A norma de vetores em R n é uma função || . || := R n →R que satisfaz
1. x ≠0 → x >0
2. αx =α x
3. x +y ≤x +y
15
Norma 1: x 1 = ∑
i
xi
Norma 2: x 2 = ∑x i
2
i
Norma ∞: x ∞ = max i x i
Normas de matrizes
A norma de uma matriz é definida de forma análogo a norma de vetores. A norma de
uma matriz em R m×n é uma função || . || : R mxn →R que satisfaz:
1. Α≠0 ⇒ Α >0
2. αΑ =α Α
3. Α+B ≤ Α+ B
Propriedade Adicional
ΑB ≤Α B
Sempre que o produto A .B é definido.
OBS: Uma norma de vetor || . ||v é consistente com uma norma de matriz || . ||M se :
Αx ≤Α x
Α 2
[
= máx auto valor deΑT Α ] 1
2
= max valor singular de Α
n
Α ∞
= Max ∑ a ij (máxima soma absoluto de linhas de Α)
i
j =1
16
( Α + δΑ ) ( x + δx Α ) = b
por um processo similar, chega-se a expressão para o erro relativo:
δx Α δΑ
≤ Α−1 Α
x +δx Α Α
−
A quantidade Α Α reflete a máxima mudança relativa possível na
1
Estas relações mostram que, se a mudança relativa é muito grande para uma pequena
perturbação em A ou b , nós sabemos que A é mal condicionada.
Propriedades:
Observação 1: O cond ( A) pode ser uma medida mais eficaz para a verificação da
singularidade de uma matriz, que o determinante. Como exemplo, seja uma matriz diagonal
de ordem 100 ×100 , com todos elementos igual a 0,1. O determinante da matriz é 10 −100 ,
que é um número pequeno e pode ser arredondado para zero em computadores digitais. Já a
número de condição da matriz é igual a 1.
17
Observação 2: O pré-condicionamento de uma matriz está associado na redução do raio
espectral da mesma.. ς = {autovalor de maior valor absoluto }
Αx =b
ΡΑx =Ρb
Matriz não-singular
Matriz singular
Exemplo
Αx =b
A matriz A é armazenada em uma máquina com unidade de arrendondamento u.
18
~ = a 1+ε
a ij ij ij ( )
ε ij ≤ u [ ]
~
Α = Α+Ε onde eij = a ij ε ij
Para qualquer norma:
Ε≤ ΑU
Se o algoritmo de solução for numericamente estável:
~
x −x
~ ≤cond ( Α)u
x
Análise Nodal
A equação matricial de desempenho de uma rede linear na formulação nodal é dada por:
I = YE
onde I – é o vetor das injeções nodais de corrente
E – vetor das tensões nodais em relação ao nó de referência.
Y – matriz de admitância nodal
Em sistemas de potência geralmente o nó de referência é o nó terra, sendo os demais nós as
barras do sistema:
IBarra = YBarra ZBarra
Na sua forma inversa tem-se:
EBarra = YBarra-1 IBarra
YBarra → esparsa
ZBarra → Cheia
YBarra-1 → ZBarra
Na ausência de acoplamento mútuo, a matriz YBarra é montada com grande facilidade.
Elementos diagonais Υii = ∑ y ik
K
Exemplo
1 2
E
I1 1 - j2 EQUIVALENTE NORTON
~
V
I= I = YV
19 R
-j4
1 2 – j4
4 3
-J4 E
I4
I3 -J4
1
-J 10
1/
J 2
Ι1 2 − j 2 −1 + j 2 0 −1 Ε1
− J E − 1 + j 2 3 − j10 − 2 + j 4 0 Ε
4 = 2
− I3 0 − 2 + j 4 3 − j 7,1 − 1 + j3 Ε 3
− I 4 −1 0 − 1 + j 3 2 − j 2,5 Ε 4
111
3
Ya Yc
20
3. Capacitância em série ou em derivação do sistema, enfrequecendo o elemento diagonal.
Com Ε1 de referência
Ι1 − Υ11 Ε1 = Υ12 Ε2 +........ + Υ1n Εn
Ι 2 − Υ21 Ε1 = Υ22 Ε2 +.......... + Υnn Εn
Ι n − Υn1Ε1 = Υn 2 Ε2 +.......... . + Υnn Εn
21
r (1) = b − Αx (1)
b = Αx
( )
Α⋅ x − x (1) = r (1)
y (1)
= x − x (1)
Chega-se a um novo sistema linear:
Αy (1) =r (1)
Resolvendo-se esse sistema, uma correção da variável é obtida:
x ( 2) = x (1) + y (1)
Esse processo pode ser repetido até que se chegue a convergência.
Observações:
Início
Entre com A e b
em dupla precisão
22
Solucione o Sistema A y ( k ) =r ( k ) (precisão simples)
Corrija a Solução:
x ( k +1) = x ( k ) + y ( k ) (precisão dupla)
k = k +1
Saída com
Solução
Insatisfatóri
a
Α 11 Α 12 .... Α 1m
Α = Α 21 Α 22 .... Α 2 m
Α m1 Α m 2 .... Α mm
23
Αii são blocos diagonais quadrados de ordem n i
n = n1 + n 2 +......... n m
A maneira mais simples é realizar através de computação recursiva:
Α11 Α1*
Α=
Α
*1 Α**
−1
multiplicadores: Α*1 . Α11
I 0 Α 1 1 Α 1*
Α = − 1 − 1 = L U
Α *1Α 1 1I 0 Α * − Α *1Α 1 Α 1*
Explicitando.
1. A primeira linha de blocos de U é a primeira linha de blocos de A.
−1
2. A primeira coluna de blocos de L excluindo o bloco identidade diagonal é Α*1 Α11 .
−1
3. Os blocos restantes da decomposição são obtidos por Α −Α Α Α
** *1 1 1 1*
Algoritmo
24
I U 11 U 12 U 1m
Α = L 21 I 0 U 22 U 2 m
L Lm 2 I U mm
m1 0
nn = n(1) +....... n(m) → n( i ) dim ensão de cada bloco .
ux = 0
Para K = 1 a m −1
lx = ux +1
ux = lx + n( K ) −1
if ( A[lx : ux , lx : ux ] é singular ) erro
A[ux +1 : nn , lx : ux ] = A[ux +1 : nn , lx : ux ] * A[lx : ux , lx : ux ] −1
A[ux +1 : nn , ux +1 : nn ] = A[ux +1 : nn , ux +1 : nn ] −
− A[ux +1 : nn , lx : ux ] * A[lx : ux , ux +1 : nn ]
Fim K
25