Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AAN
1
Método iterativo para sistemas lineales
2
(𝒌) (𝒌) (𝒌−𝟏)
𝒓𝒎𝒊 = 𝒃𝒎 − ∑𝒊−𝟏
𝒋=𝟏 𝒂𝒎𝒋 𝒙𝒋 − ∑𝒏𝒋=𝒊 𝒂𝒎𝒋 𝒙𝒋 (i)
(𝒌) (𝒌) (𝒌−𝟏) (𝒌−𝟏)
𝒓𝒎𝒊 = 𝒃𝒎 − ∑𝒊−𝟏
𝒋=𝟏 𝒂𝒎𝒋 𝒙𝒋 − ∑𝒏𝒋=𝒊+𝟏 𝒂𝒎𝒋 𝒙𝒋 − 𝒂𝒎𝒊 𝒙𝒊
(𝒌)
Para cada m = 1, 2,…., n. En particular, la i-esima componente de 𝒓𝒊 es
(𝒌) (𝒌) (𝒌−𝟏) (𝒌−𝟏)
𝒓𝒊𝒊 = 𝒃𝒊 − ∑𝒊−𝟏
𝒋=𝟏 𝒂𝒊𝒋 𝒙𝒋 − ∑𝒏𝒋=𝒊+𝟏 𝒂𝒊𝒋 𝒙𝒋 − 𝒂𝒊𝒊 𝒙𝒊 ;
Así que
(𝒌−𝟏) (𝒌) (𝒌) (𝒌−𝟏)
𝒂𝒊𝒊 𝒙𝒊 + 𝒓𝒊𝒊 = 𝒃𝒊 − ∑𝒊−𝟏
𝒋=𝟏 𝒂𝒊𝒋 𝒙𝒋 − ∑𝒏𝒋=𝒊+𝟏 𝒂𝒊𝒋 𝒙𝒋 (ii)
(𝒌)
Recuérdese, que en el método de Gauss-Seidel 𝒙𝒊 se escoge como
(𝒌) (𝒌−𝟏)
(𝒌) − ∑𝒊−𝟏 𝒏
𝒋=𝟏(𝒂𝒊𝒋 𝒙𝒋 )−∑𝒋=𝒊+𝟏(𝒂𝒊𝒋 𝒙𝒋 )+𝒃𝒊
𝒙𝒊 = (iii)
𝒂𝒊𝒊
3
relajación y se pueden emplear para obtener la convergencia de algunos
sistemas que no son convergentes por el método de Gauss-Seidel. Para
1<w<2, los procedimientos se llaman métodos de sobre-relajación y se
pueden usar para acelerar la convergencia de sistemas que son
convergentes por el método de Gauss-Seidel. Estos métodos se abrevian
como Sor.
Usando la ecuación (ii) y la ecuación (v) se pueden reformular para
propósitos de computo como
(𝒌) (𝒌−𝟏) 𝒘 (𝒌) (𝒌−𝟏) (𝒌−𝟏)
𝒙𝒊 = 𝒙𝒊 + [𝒃𝒊 − ∑𝒊−𝟏
𝒋=𝟏 𝒂𝒊𝒋 𝒙𝒋 − ∑𝒏𝒋=𝒊+𝟏 𝒂𝒊𝒋 𝒙𝒋 − 𝒂𝒊𝒊 𝒙𝒊 ]
𝒂𝒊𝒊
Así que
A=D–L-U
4
Ejemplo:
El sistema lineal A x = b dado por
𝑬𝟏 : 𝟒 𝒙𝟏 + 𝟑 𝒙𝟐 = 𝟐𝟒,
𝑬𝟐 : 𝟑 𝒙𝟏 + 𝟒 𝒙𝟐 − 𝒙𝟑 = 𝟑𝟎,
𝑬𝟑 : − 𝒙𝟐 +𝟒 𝒙𝟑 = −𝟐𝟒,
Tabla
K (𝒌) (𝒌) (𝒌)
𝒙𝟏 𝒙𝟐 𝒙𝟑
0 1.000000 1.000000 1.000000
1 6.312500 3.5195313 -6.6501465
2 2.6223144 3.9585266 -4.6004238
3 3.1333027 4.0102646 -5.0966864
4 2.9570513 4.0074838 -4.9734897
5 3.0037211 4.0029250 -5.0057135
6 2.9963275 4.0009263 -4.9982822
7 3.0000498 4.0002586 -5.0003486
LL
La razón de convergencia de un procedimiento depende del radio
espectral de la matriz asociada con el método, una manera de seleccionar
un procedimiento que nos lleva a una convergencia acelerada consiste en
escoger un método cuya matriz asociada tenga un radio espectral mínimo.
5
CONVERGENCIA DEL METODO SOR
Teorema Kahan
Sea 𝑨 = (𝒂𝒌𝒋) ∈ 𝑹𝒏𝒙𝒏 con 𝒂𝒌𝒌 ≠ 𝟎 para 𝟏 ≤ 𝒌 ≤ 𝒏 y 𝑯(𝒘) la matriz
de iteración del método de relajación. Entonces:
𝝆𝑯(𝒘) ≥ |𝒘 − 𝟏|, 𝒘 ∈ ℝ
Demostración:
Sean 𝝀𝟏 , 𝝀𝟐 , … , 𝝀𝒏 ∈ ℂ los autovalores de 𝑯(𝒘), contando con sus
multiplicidades, se sigue lo siguiente:
𝑯(𝒘) = (𝐃 − 𝐰 𝐋)−𝟏 [(𝟏 − 𝒘) 𝑫 + 𝒘 𝑼]
𝑯(𝒘) = (𝐈 − 𝐰 𝑫−𝟏 𝐋)−𝟏 [(𝟏 − 𝒘) 𝑰 + 𝒘 𝑫−𝟏𝑼]
𝒏
6
Teorema Householder- John
Sea A una matriz simétrica definida positiva y sea 𝑨 = 𝑴 − 𝑵 una
escisión de A, con M regular y cuyo método iterativo asociado
es:
𝑴𝒙(𝒏+𝟏) = 𝑵𝒙(𝒏) + 𝒃
Para un 𝒙(𝟎) fijo. Si la matriz simétrica 𝑴𝑻 + 𝑵 es definida
positiva, entonces
𝝆(𝑴−𝟏 𝑵) < 𝟏.
Demostración:
Como 𝑨 = 𝑴 − 𝑵, entonces 𝑴−𝟏 𝑨 = 𝑰 − 𝑴−𝟏 𝑵, luego podemos
escribir:
𝑴−𝟏 𝑵 = 𝑰 − 𝑴−𝟏 𝑨. Sea ahora λ un autovalor de 𝑰 − 𝑴−𝟏 𝑨 y sea
𝒙 ∈ ℂ𝒏 , 𝒙 ≠ 𝟎, un autovector asociado a λ, entonces:
𝝀𝒙 = (𝑰 − 𝑴−𝟏 𝑨 )𝒙 → 𝝀𝒙 = 𝑰𝒙 − 𝑴−𝟏 𝑨𝒙 → 𝑴−𝟏 𝑨𝒙 = 𝑰𝒙 − 𝝀𝒙
𝑨𝒙 = (𝟏 − 𝝀)𝑴𝒙
Luego 𝝀 ≠ 𝟏. Consideremos el producto escalar por el vector 𝒙 =
𝒖 + 𝒊𝒗, y tomemos el vector transpuesto conjugado. Entonces:
𝒙𝑯 𝑨𝒙 = (𝟏 − 𝝀)𝒙𝑯 𝑴𝒙 = (𝟏 − 𝝀̅)𝒙𝑯 𝑴𝑻 𝒙
Sean:
𝒙𝑯 𝑨𝒙 = (𝟏 − 𝝀)𝒙𝑯 𝑴𝒙
𝟏
( ) 𝒙𝑯 𝑨𝒙 = 𝒙𝑯 𝑴𝒙 … (𝟏)
𝟏−𝝀
𝒙𝑯 𝑨𝒙 = (𝟏 − 𝝀̅)𝒙𝑯 𝑴𝑻 𝒙
𝟏
( ) 𝒙𝑯 𝑨𝒙 = 𝒙𝑯 𝑴𝑻 𝒙 … (𝟐)
𝟏−𝝀̅
7
Sumando las ecuaciones (1), (2) y (3) se obtuvo:
𝟏 𝟏
( + − 𝟏) 𝒙𝑯 𝑨𝒙 = 𝒙𝑯 (𝑴𝑻 + 𝑴 − 𝑨)𝒙
𝟏−𝝀 𝟏−𝝀̅
𝟏 − |𝝀|𝟐
>𝟎
|𝟏 − 𝝀|𝟐
𝟏
𝒙′ 𝟏 = (𝟏 − 𝒘)𝒙𝟏 + 𝒘 ( 𝒙𝟐 + 𝟐)
𝟐
𝟏 𝟓 𝟐𝟗
𝒙′𝟐 = (𝟏 − 𝒘)𝒙𝟐 + 𝒘( 𝒙′ 𝟏 + 𝒙𝟑 − )
𝟑 𝟔 𝟔
𝟓 𝟒𝟑
𝒙′𝟑 = (𝟏 − 𝒘)𝒙𝟑 + 𝒘( 𝒙′ 𝟏 + )
𝟏𝟏 𝟏𝟏
Obtenemos lo siguiente
El número requerido de iteraciones para diferentes parámetros
de relajación son:
8
Algoritmo del método SOR
Para resolver el sistema lineal A x = b dados el parámetro ω y una
aproximación inicial 𝒙(𝟎)
Entrada: function x=sor_f(a, b,x0,w,tol,nmax)
Donde:
a=las componentes de la matriz A = (𝒂𝒊,𝒋) donde 1 ≤ i, j ≤ n.
b=las componentes 𝒃𝒊 , donde 1 ≤ i ≤ n .
x0=los componentes 𝒙(𝟎) .
w=el parámetro de relajación.
tol= la tolerancia.
nmax=el número máximo de iteraciones.
9
Forma en algoritmo
10
En octave se escribe así:
x(j)=(1-w)*xold(j)+w*(-c(j,:)*x+r(j));
donde:
x(j)=los componentes de x
w=parámetro de relajación
xold(j)=las componentes de xold
r(j)=los componentes de r
c(j,:)=la matriz 1xn
x=la matriz nx1
11
Forma en algoritmo
12
Problema aplicativo con el método SOR
𝝏𝑻 ∆𝑻 𝑻𝒊+𝟏,𝒋 − 𝑻𝒊,𝒋
≈ =
𝝏𝒙 ∆𝒙 ∆𝒙
13
Y de manera similar lo hacemos para y:
14
−𝟒𝐓𝟏,𝟏 + 𝐓𝟏,𝟐 + 𝐓𝟐,𝟏 = −𝟏𝟎𝟎
𝐓𝟏,𝟏 − 𝟒𝐓𝟏,𝟐 + 𝐓𝟏,𝟑 + 𝐓𝟐,𝟐 = −𝟏𝟎𝟎
𝐓𝟏,𝟐 − 𝟒𝐓𝟏,𝟑 + 𝐓𝟐,𝟏 = −𝟐𝟎𝟎
𝐓𝟏,𝟏 − 𝟒𝐓𝟐,𝟏 + 𝐓𝟐,𝟐 + 𝐓𝟑,𝟏 = 𝟎
𝐓𝟏,𝟐 + 𝐓𝟐,𝟏 − 𝟒𝐓𝟐,𝟐 + 𝐓𝟐,𝟑 + 𝐓𝟑,𝟐 = 𝟎
𝐓𝟏,𝟑 + 𝐓𝟐,𝟐 − 𝟒𝐓𝟐,𝟑 + 𝐓𝟑,𝟑 = −𝟏𝟎𝟎
𝐓𝟐,𝟏 −𝟒𝐓𝟑,𝟏 + 𝐓𝟑,𝟐 = 𝟎
𝐓𝟐,𝟐 + 𝐓𝟑,𝟏 − 𝟒𝐓𝟑,𝟐 + 𝐓𝟑,𝟑 = 𝟎
𝐓𝟐,𝟑 +𝐓𝟑,𝟐 − 𝟒𝐓𝟑,𝟑 = −𝟏𝟎𝟎
En su forma matricial
-4 1 0 1 0 0 0 0 0 𝐓𝟏,𝟏 -100
1 -4 1 0 1 0 0 0 0 𝑻𝟏,𝟐 -100
0 1 -4 0 0 1 0 0 0 𝑻𝟏,𝟑 -200
1 0 0 -4 1 0 1 0 0 𝑻𝟐,𝟏 0
0 1 0 1 -4 1 0 1 0 𝑻𝟐,𝟐 = 0
0 0 1 0 1 -4 0 0 1 𝑻𝟐,𝟑 -100
0 0 0 1 0 0 -4 1 0 𝑻𝟑,𝟏 0
0 0 0 0 1 0 1 -4 1 𝑻𝟑,𝟐 0
0 0 0 0 0 1 0 1 -4 𝑻𝟑,𝟑 -100
15
Aplicando el algoritmo SOR se obtiene las temperaturas
16