Documentos de Académico
Documentos de Profesional
Documentos de Cultura
4 SEL Metodos - Iterativos
4 SEL Metodos - Iterativos
1
Procedimiento de solución Iterativa
Escribir el sistema Ax=b en una forma
equivalente x=Tx+c
Empezando con x0, genere una secuencia de
aproximaciones {xk} iterativamente por
xk+1=Txk+c
Representación de T y c dependen del tipo de
método usado.
Pero para cada método T y c son obtenidas a
partir de A y b.
2
Convergencia
Cuando k, la secuencia {xk} converge a un
vector solución bajo algunas condiciones en la
Matriz T.
Esto impone condiciones diferentes en la matriz
A para diferentes métodos.
Para la misma matriz A, un método puede
converger mientras que otro puede divergir.
Por lo tanto para cada método la relación entre
A y T deben ser encontradas para decidir la
convergencia.
3
Diferentes metodos Iterativos
Iteración de Jacobi
Iteración de Gauss-Seidel
Successive Over Relaxation (S.O.R)
SOR es un método usado para acelerar la
convergencia.
La iteración de Gauss-Seidel es un caso especial del
método SOR.
4
Iteración de Jacobi
a11 x1 a12 x2 a1n xn b1 x10
a21 x1 a22 x2 a2 n xn b2 0
x2
x
0
0
an1 x1 an 2 x2 ann xn bn xn
1 i 1 n
x11 (b1 a12 x20 a1n xn0 ) 1
i ij j
k 1
a11 x i b a x k k
aij x
j
aii j 1 j i 1
1
x12 (b2 a21 x10 a23 x30 a2 n xn0 )
a22
1
x1n (bn an1 x10 an 2 x20 ann 1 xn01 )
ann
5
Método de Jacobi. Forma Matricial
Descomponiendo A = D - L - U. -U=triu(A)-D
-U
D =
-L
-L=tril(A)-D D=diag(diag(A))
6
xk+1=Txk+c - iteración por el método de
Jacobi
Se puede escribir como A=D-L-U (No es una
factorización)
a11 a12 a13 a11 0 0 0 0 0 0 a12 a13
a a a 0 a 0 a 0 0 0 0 a
21 22 23 22 21 23
1 i 1 n xk+1=D-1(L+U)xk+D-1b
bi aij x j aij x j
k 1
xi k k
aii j 1 j i 1 T=D-1(L+U)
Dxk+1 Lx k Ux k c=D-1b
7
iteración Gauss-Seidel (GS)
a11 x1 a12 x2 a1n xn b1 x10
Use lo último a21 x1 a22 x2 a2 n xn b2 0
x2
al actualizar x
0
0
an1 x1 an 2 x2 ann xn bn xn
1 i 1 n
x11 (b1 a12 x20 a1n xn0 ) 1
i ij j
k 1 k 1
a11 x i b a x k
aij x
j
aii j 1 j i 1
1
x2
1
(b2 a21 x1 a23 x3 a2 n xn )
1 0 0
a22
1
x1n (bn an1 x11 an 2 x12 ann 1 x1n 1 )
ann
8
x(k+1)=Tx(k)+x iteración de Gauss-Seidel
Ax=b (D-L-U)x=b
1 i 1 n
bi aij x j aij x j
k 1 k 1
x k
i
aii j 1 j i 1 (D-L)xk+1 =Uxk+b
Dx k+1
Lx k 1 Ux k
xk+1=(D-L)-1Uxk+(D-L)-1b
Tgs=(D-L)-1U
cgs=(D-L)-1b
9
Comparación
İteración de Gauss-Seidel converge más
rápidamente que la iteración de Jacobi desde
que este usa la última actualización.
Pero existen algunos casos que la iteración de
Jacobi converge pero Gauss-Seidel no.
El método de sobre relajación sucesiva es
usada para acelerar la convergencia del
método de Gauss-Seidel.
10
Metodo Sobre Relajación Sucesiva
(SOR)
Puede ser escrita como sigue
1 i 1 n
bi aij x j aij x j
k 1 k 1
x i x
k
i
k
aii j 1 j i
xik 1 xik ik término Corrector
i2
xi3 i1
2
Converge más
xi2 i
i1 rápido
xi1
Multiplicando por i0
i0 1
xi0
11
SOR
xik 1 xik ik
1 i 1 n
x bi aij x j aij x j
k 1 k k 1 k
xi i
aii j 1 j i
1 i 1 n
xik 1 (1 ) xi bi aij x j aij x j
k k 1 k
aii j 1 j i 1
xik 1 (1 ) xik ~
xik 1
Donde el ultimo termino es la estimación de Gauss-
Seidel
1<<2 Sobre-relajación (convergencia rápida)
0<<1 Sub-relajación (convergencia más lenta)
Existe un valor óptimo para 12
x(k+1)=Tx(k)+c iteración para SOR
1 i 1 n
(1 ) x bi aij x j aij x j
k 1 k k 1 k
xi i
aii j 1 j i 1
Dxk+1=(1-)Dxk+b+Lxk+1+Uxk
(D- L)xk+1=[(1-)D+U]xk+b
T=(D- L)-1[(1-)D+U]
c= (D- L)-1b
13
Convergencia de los métodos iterativos
Substituye esto en x k 1 Tx k c
e k 1 xˆ T (e k xˆ ) c Txˆ c Te k
14
Convergencia de los Métodos Iterativos
iteración e k 1
T ( k 1) 0
e T ( k 1)
e 0 potencia
Condición de Convergencia
15
Norma de un vector
La norma de un vector debe satisfacer estas
condiciones:
x 0 Para cualquier vector no nulo x
x 0 si y solo si x es un vector nulo
αx x Para un escalar α
x y x y
Las normas Vectoriales pueden ser definidas de
diferentes formas en tanto que la definición de
norma sea satisfecha.
16
Normas de vectores
Comunmente usadas
norma Suma o norma ℓ1
x 1 x1 x2 xn
norma Euclideana ó norma ℓ2
x
max i xi
17
Norma de una matriz
La norma de una matriz debe
satisfacer estas condiciones:
A 0
A 0 si y solo si A es una matriz nula
αA A para α escalar
A B A B
Importante identidad
Ax A x x es un vector
18
Normas de matrices mas usadas
Norma Máxima suma_columna o norma ℓ1
m
A 1 max aij
1 j n
i 1
Norma Espectral o norma ℓ2
3 9 5 17 A
7 2 4 13
6 8 1 15
16 19 10
A1
20
Condición de Convergencia
k 1 ( k 1)
lim e 0 si lim T 0
k k
25
Ejemplo 1 (Iteración de Jacobi)
4 1 1 x1 7 0
4 8 1 x 21 x 0 0
2 b Ax 0 26.7395
2
2 1 5 x3 15 0
7 3.875 4.225
x13 1.6625
4
21 4 1.65625 4.225 b Ax 3 1.9534
x23 3.98125 2
8
15 2 1.65625 3.875
x33 2.8875
5
15 x20 5 x30 15
x
1
1 7.5
2 2
b Ax1 54.8546
21 4 x10 x30 21 2
x2
1
2.625
8 8
x31 7 4 x10 x20 7.0
28
Ejemplo 2 continuación...
15 2.625 5 7
x11 11 .3125
2
21 4 7.5 7 b Ax 2 208.3761
x12 0.25 2
8
x31 7 4 7.5 2.625 39.625
30
Ejemplo1 (Iteración de Gauss-Seidel)
4 1 1 x1 7 0
4 8 1 x 21 x 0 0
2 b Ax 0 26.7395
2
2 1 5 x3 15 0
7 x20 x30 7
x
1
1
1.75 b Ax1 3.0414
4 4 2
32
Convergencia del método SOR
Si 0<<2, método SOR converge para
cualquier valor inicial si A es una matriz
simétrica y definida positiva.
Si >2, método SOR diverge
Si 0<<1, SOR método converge pera la
velocidad de convergencia es mas lenta que el
método de Gauss-Seidel.
33
Conteo de operaciones
El # de operaciones para la Eliminación gaussiana o la
descomposición LU es de 0 (n3), orden de n3
Para los métodos iterativos, el número de
multiplicaciones escalares es 0 (n2) en cada iteración.
Si el número total de las iteraciones requeridas para la
convergencia es mucho menos que n, entonces los
métodos iterativos son más eficiente que métodos
directos.
Los Métodos iterativos también se satisfacen bien para
las matrices esparcidas.
34
Formas Matriciales. Resumen
x ( k ) = Tx ( k-1 ) + c
A= D - L - U
Método T c
Jacobi D-1 (L+U) D-1 b
Gauss-Seidel ( D -L)-1 U ( D -L)-1 b
35
Problema 1
Resolver el siguiente sistema por el método SOR,
considere ω=1.25.
4 x1 x2 2
x1 4 x2 x3 6
x2 4 x3 2
0 0 0
x1 0 x2 0 x3 0
36
Problema 1
0
~ 2 x2 20
x1
1
0.5
4 4
x11 1 x1 1.25 x0.5 1 1.25 x0 0.625
x1 ~
1 0
1 0
~ 6 x1 x3 6 0.625 0
x2
1
1.65625
4 4
x21 1 x2 1.25 x1.65625 1 1.25 x0
x2 ~
1 0
2.0703125
1
~ 2 x2 2 2.0703125
x
1
3 1.017578125
4 4
x3 ~x31 1 x3
1 0
k x1 x2 x3
0 0 0 0
1 0.625 2.0703125 1.2719727
2 1.1157227 2.1035767 0.9643745
3 1.003437 1.9640469 0.997671
4 0.9879054 2.0044809 1.0019825
5 1.0044239 2.0008818 0.9997799
38
Problema 2
Sea el sistema A x = b :
Para k=-1, es la matriz A definida positiva?
2 k x1 6
1 3 x 9
2
39
Problema 2
A es definida positiva si:
40
Problema 2
TG ( D L) 1U
2 0
( D L)
1 3
1 / 2 0
( D L) 1
1 / 6 1 / 3
1/ 2 0 0 k 0 k / 2
TG
1 / 6 1 / 3 0 0 0 k / 6
k
Det TG I ( )( )
6
1 0 2 k / 6 (TG ) max k / 6
Existe convergencia cuando : (TG ) 1
Esto se cumple siempre que : - 6 k 6
41
Problema 2
Para Gauss - Seidel (k -3)
x1( n 1) 3 1.5 x2( n )
x2( n 1) 3 x1( n 1) / 3
n x1 x2
0 0 0
1 3 4
2 9 6
3 12 7
4 13.5 7.5
5 14.25 7.75
6 14.625 7.875
7 14.8125 7.9375
42