METODE GAUSS-SEIDEL

  𝑏𝑖 − ∑ 𝑎 𝑖𝑗 𝑥(𝑗𝑘 +1) − ∑ 𝑎𝑖𝑗 𝑥 𝑘𝑗

𝑥
( 𝑘 +1)
=
( 𝑗< 𝑖 𝑗> 𝑖
)
𝑖
𝑎 𝑖𝑖

  Dengan menggunakan notasi yang sama dengan yang digunakan pada metode Jcobi sebelumnya
dapat ditulis delam bentuk matriks sebgai berikut

 
 METODE GAUSS-SEIDEL
KELEBIHAN METODE GAUSS_SEIDEL

Tidak seperti metode Jacobi, metode gauss seidel menggunakan setiap komponen
baru segera setelah diitung, sehingga dapat mempercepat proses konvergensi.
Metode Gauss-Seidel tidak memerlukan penyimpanan untuk duplikasi x, karena nilai komponen yang baru
dapat langsung menggantikan yang lama.

KEKURANGAN METODE GAUSS_SEIDEL

Walau sudah lebih cepat dibandingkan metode Jacobi, metode gauss-seidel masih terlalu lambat
 SUCCESIVE OVER-RELAXATION
Tingkat konvergebsi Gauss-Seidel dapat dipercepat dengan SOR, dengan menggunakan parameter
yang dilambangkan dengan ω

 
SUCCESIVE OVER-RELAXATION
ω adalah parameter tetap relaxation untuk mempercepat konvergensi

• ω > 1 menyatakan over-relaxation

• ω <1, under-relaxation
• ω = 1, metode Gauss seidel
SUCCESIVE OVER-RELAXATION
  Dengan notasi yang sama, dan

Metode SOR dapat ditulis dalam bentuk matriks sebagai berikut

 𝑥(𝑘+1) =( 𝐷 +𝜔 𝐿 )− 1 ( ( 1 −𝜔 ) 𝐷 − 𝜔 𝑈 ) 𝑥 ( 𝑘 ) + 𝜔 ( 𝐷 +𝜔 𝐿 ) − 1 𝑏
CONJUGATE GRADIENT (CG)
 JikaA adalah matriks definit positif n x Metode graduen konjugasi CG untuk system linear
n , maka fungsi kuadratik

Akan mencapai minimum saat

Bentuk metode optimisasi dimana

adalah parameter pencarian ayng dipilih
untuk meminimalkan tujuan fungsi
sepanjang
 PRECONDITIONING
Konvergensi CG dapat dipercepat dengan Beberapa Pilihan Preconditioners
melakukan preconditioning
• Diagonal or block-diagonal
• SSOR
 
Gunakan algoritma CG untuk
• Incomplate factorization
dikondisikan lebih baik.
• Polynomial
• Approximate inverse
Dan dapat diselesaikan dengan lebih
mudah
 Contoh
  𝑥 0 =0
Metode Jacobi
Metode Gauss-Seidel
 Contoh
  𝑥 0 =0
 Metode SOR, 1.072
Metode CG
 RATE OF CONVERGENCE
Metode berikut akan dibandingkan dengan model grid k x k untuk persamaan laplace
Untuk nilai k yang spesifik, didapat hasil
 RATE OF CONVERGENCE
 Konvergen pada metode CG lebih rumit, tetapi error berkurang pada setiap iterasi,

Dimana,

Ketika materiks A well-conditioned, konvergensi cepat

Ketika matriks A ill-conditioned, konvergensi bisa menjadi lambat

Inilah kenapa preconditioner biasanya digunakan untuk metode CG.

 SMOOTHERS
Banyak metode iteratif cenderung mengurangi kesalahan frekuensi tinggi dengan cepat,
tapi mengurangi komponen kesalahan frekuensi rendah dengan lambat, yang akhirnya
menciptakan konvergensi yang buruk.

Untuk alasan seperti ini, ada beberapa metode yang disebut smoothers

Dalam hal ini akan dibahas metode multigrid

 MULTIGRID METHODS
Komponen yang muncul pada fine grid mungkin akan tampak berasosiasi saat diambil sample grid
kasar.
Jika digunakan smoother pada grid kasar, maka proses pengurangan komponen error dapat
dipercepat.

Setelah beberapa kali pengurangan dari smoother, hasil dapat ditambhakan kembali ke fine grid
untuk menghasilkan produksi yang memiliki pengurangan kesalahan pada frekuensi tinggi dan
rendah.

Transisi dari fine grid ke grid kasar melibatkan restriction atau injection
Transisi dari grid kasar ke grid yang lebih baik melibatkan interpolation atau prolongation.
 MULTIGRID METHODS
Jika x’ adalah perkiraan solusi untuk Ax = b, dengan residual r = b – Ax’, maka error e = x – x’
memenuhi persamaan Ae = r

Jadi dalam meningkatkan perkiraan solusi dapat dilakukan hanya dengan residual equation
melibatkan error dan residual.

Keuntungan residual equation

Nol adalah perkiraan solusi awal yang masuk akal dalam solusi ini
 MULTIGRID METHODS
Two-Grid Algorithm

1. Pada fime grid, gunakan beberapa iterasi 5. Tambahka koreksi grid kasar ke grid yng lebih
dalam smoother untuk menghitung baik untuk memperoleh perkiraan solusi pada fine
perkiraan solusi x’ dalam Ax = b grid
2. Hitung residual r = b – Ax’ Lakukan beberapa kali iterasi smoother untuk
3. Batasi residual pada grid kasar memperbaiki solusi dalam fine grid
4. Pada grid kasar, gunakan beberapa iterasi
dari smoother di residual equation untuk
untuk memperoleh perkiraan error grid
kasar
 CYCLING STRATEGIES
Ada banyak strategi untuk cycling dalam berbagai level grid, berikut gambaran umum yang
digambarkan secara skratik
MULTIGRID METHODS
Metode Multigrid adalah salah satu metode paling baik dalam penyelesaian system
persamaan linear di PDEs.
Sebeb dapat memotong error dari diskritasi jika dibandingkan dengan metode langsung.
 Direct vs. Iterative Methods
• Metode langsung tidak memerlukan estimasi
awal untuk solusi
• Metode langsung baik dalam menghasilkan
akurasi yang tinggi, tetapi tidak perlu jika
yang dibutuhkan hanya akurasi rendah
• Metode iterasi sering kali bergantung pada hal-hal
tertentu, seperti matriks definit positif. Metode
langsung lebih baik dalam hal ini
• Metode iterasi biasanya memerlukan pekerjaan
yang lebih sedikit
• Metode iterasi sulit dwujudkan dalam software
paket-paket standart.