Metodos de Solución Iterativos

 Empezar con una aproximación inicial para el

vector solución (x0)
 Actualizar en cada iteración el vector x usando
el sistema Ax=b
 Cada iteración involucra el producto matriz-
vector.
 Si A es esparcida este producto es realizado
eficientemente.

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
0  x2 
x 
  
 0
an1 x1  an 2 x2    ann xn  bn  xn 

1  
x11  (b1  a12 x20    a1n xn0 ) 1 i 1 n

 i  ij j  
k 1 k k
a11 x i  b  a x 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 xn01 )
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 

a31 a32 a33   0 0 a33   a31  a32 0 0 0 0 

Ax=b  (D-L-U)x=b Dxk+1 = (L+U)xk+b

1  i 1 n  xk+1=D-1(L+U)xk+D-1b
bi   aij x j   aij x j 
k 1 k k
xi 
aii   T=D-1(L+U)
j 1

j  i 1

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
0
x  
  
 0
an1 x1  an 2 x2    ann xn  bn  xn 

1  
x11  (b1  a12 x20    a1n xn0 ) 1 i 1 n

 i  ij j  
k 1 k 1 k
a11 x i  b  a x aij x 
j
aii  j 1 j i 1 
1 1 1 0 0
x2  (b2  a21 x1  a23 x3    a2 n xn )
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 k
x 
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 k 1 k
x i x 
i
aii  j 1 j i 
xik 1  xik   ik término Corrector

 i2
xi3 2  i1
 Converge más
xi2 i

 i1 rápido
xi1
Multiplicando por  i0
 i0  1
xi0
11
 SOR
xik 1  xik   ik
1  i 1 n 
bi   aij x j   aij x j 
k 1 k k 1 k
xi  x 
i
aii  j 1 j i 
1  i 1 n 
xik 1 bi   aij x j   aij x j 
k k 1 k
 (1   ) xi  
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 
bi   aij x j   aij x j 
k 1 k k 1 k
xi  (1   ) x  
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

Define el vector solución como x̂

k
Define el vector error como e
k k
x  e  xˆ
Substituye esto en x k 1  Tx k  c

e k 1  xˆ  T (e k  xˆ )  c  Txˆ  c  Te k

e k 1  Te k  TTe k 1  TTTe k  2  T ( k 1) e 0

14
 Convergencia de los Métodos Iterativos

iteración e k 1
T ( k 1) 0
e T ( k 1)
e 0 potencia

El método iterativo convergería para cualquier vector

inicial arbitrario si la siguiente condición es satisfecha

Condición de Convergencia

Lim e k 1  0 si Lim T ( k 1)  0

k  k 

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 2  x12  x22    xn2

norma Máxima o norma ℓ

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
T
A 2  maximo valor propio de A A
Norma Maxima suma_fila o norma ℓ
n
A   max  aij
1i  m
j 1
19
 Ejemplo
 Calcule las normas ℓ1 y ℓ de la matriz

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 

Expresar T en terminos de matriz modal P y 

: Matriz Diagonal con valores propios de T en la diagonal
T  P P 1 1k 1 
 k 1 

T ( k 1)  PP 1 PP 1  PP 1 k 1   2 
  
 
T ( k 1)  P( k 1) P 1  kn 1 

lim T ( k 1)  0  lim P( k 1) P 1  0  lim ( k 1)  0

k  k  k 

 lim ki 1  0   i  1 for i  1,2,...,n

k 
21
 Condición Suficiente para convergencia
Si la magnitud de todos los valores propios de la
Matriz de iteración T es menor que 1 entonces la
iteración es convergente
Los valores propios son mas fácil de calcular que la
norma de una matriz
Tx  x
Tx   x 
   x  T x    T   (T )  T
Tx  T x 
 (T )  1 condición suficiente para convergencia
22
Convergencia de la iteración de Jacobi
T=D-1(L+U)
 a12 a1n 
 0 
a11
  
a11 
 
 a21 a23 a2 n 
0   
 a22 a22 a22 
T       
 an 1n 
    
 an 1n 1 
 an1 ann 1 
 a   
ann
0 
 nn 
23
 Convergencia de la iteración de Jacobi
Evaluar la norma infinita (suma máxima fila) de T
n aij
T 1   1 Para i  1,2,..., n

j 1 aii
i j
n Matriz Diagonal
 aii   aij estrictamente
j 1
i j Dominante
Si A es una matriz con diagonal estrictamente
dominante, entonces la iteración de Jacobi
converge para cualquier valor inicial
24
 Criterios de Parada
 Ax=b
 En cualquier iteración k, el término residual es
rk=b-Axk
 Verificar la norma del término residual
||b-Axk||
 Si esto es menor que la cota del valor de
parada

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

Matriz Diagonal estrictamente dominante

1 7  x20  x30 7
x 
1   1.75
4 4
0 0
21  4 x  x 21 b  Ax1  10.0452
x12  1 3
  2.625 2
8 8
0 0
1 15  2 x  x 15
x3  1 2
  3.0
5 5
26
 Ejemplo 1 continuación...
2 7  x12  x31 7  2.625  3
x 
1   1.65625
4 4
b  Ax 2  6.7413
2 21  4 x11  x31 21  4 1.75  3 2
x2    3.875
8 8
15  2 x11  x12 15  2 1.75  2.625
2
x3    4.225
5 5

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

Matriz es diagonal estrictamente dominante, las iteraciones de

Jacobi son convergentes. 27
Ejemplo 2
 2 1 5  x1   15  0
 4  8 1  x    21 x 0  0
  2    b  Ax 0  26.7395
2
 4  1 1  x3   7  0

La matriz no es diagonal estrictamente dominante

1  15  x20  5 x30  15
x 
1   7.5
2 2
b  Ax1  54.8546
1 21  4 x10  x30 21 2
x2    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

El término del residual aumenta en cada iteración,

de tal forma que las iteraciones divergen.
Note que la matriz no es diagonalmente
estrictamente dominante
Cuando la matriz no tiene diagonal estrictamente
dominante, puede converger como no. 29
 Convergencia de la iteración de
Gauss-Seidel
 Iteración GS converge para cualquier vector
inicial si A es una matriz diagonal
estrictamente dominante

 Iteración GS converge para cualquier vector

inicial si A es una matriz simétrica y definida
positiva – La matriz A es definida positiva si

xTAx>0 para cualquier vector x no nulo.

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

Matriz Diagonal estrictamente dominante

7  x20  x30 7
1
x 
1
  1.75 b  Ax1  3.0414
4 4 2

21  4 x11  x30 21  4 1.75

1
x2    3.5
8 8 b  Ax1  10.0452
2
15  2 x11  x12 15  2  1.75  3.5
1
x3    3.0
5 5
İteración de
Jacobi
31
 Ejemplo 1 continuación...
2 7  x12  x31 7  3.5  3 b  Ax 2  0.4765
x 
1   1.875 2
4 4
2 21  4 x12  x31 21  4 1.875  3
x2    3.9375 b  Ax 2  6.7413
8 8 2

2 15  2 x12  x22 15  2 1.875  3.9375

x3    2.9625
5 5 Iteración de Jacobi

Cuando ambos métodos de Jacobi y Gauss-

Seidel convergen, Gauss-Seidel converge más
rápido.

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

La solución del sistema A x = b se obtiene

mediante la siguiente expresión recursiva:

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

SOR (D-w L)-1 [(1-w) D + w U ] w(D-w 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

Aplicamos el metodo de SOR:

x k 1  (1   ) x k   ~
i i x k 1
i

36
 Problema 1
0
~ 1 2  x2 20
x1    0.5
4 4
x1   ~
x11  1    x1  1.25 x0.5  1  1.25x0  0.625
1 0

1 0
~ 1 6  x1  x3 6  0.625  0
x2    1.65625
4 4
x2   ~
x21  1    x2  1.25 x1.65625  1  1.25x0 
1 0

 2.0703125
1
~1 2  x2 2  2.0703125
x 
3   1.017578125
4 4
x3   ~x31  1    x3 
1 0

 1.25 x1.017578125  1  1.25x0  1.24197265625

37
Problema 1

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?

 Para que valores de k el sistema converge, al usar el método de Gauss-Seidel?

 Hacer 03 iteraciones de Gauss-Seidel para k=-3

 2 k   x1  6
 1 3   x   9
  2   

39
 Problema 2
A es definida positiva si:

x T Ax  0, para todo vector columna x no nulo

 2  1  x1 
x1 x2      2 x1
2
 ( x1  x 2 ) 2
 2 x 2
2 0 para todo x no nulo.
  1 3   x2 

Observese que también satisface el criterio de

Silvester

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