Metodos iterativos

Métodos iterativos para sistemas lineales Programación numérica

Normas de vectores y matrices Una norma vectorial en R n es una función || · ||, de R n en R con las siguientes propiedades: (i) || x ||  0 para todo x  R n . (ii) || x || = 0 si y solo si x = (0,0,...,0) t  0 . (iii) ||  x || = |  || x || para todo   R y x  R n . (iv) || x + y ||  || x || + || y || para todo x , y  R n .

Vector en R n El vector Se denotará por: x =( x 1 , x 2 , ..., x n ) t

Norma l 2 y l  La norma l 2 o norma euclidiana se define como La norma l  se define como x 1 x 2 (1,0) (0,-1) (0,1) (-1,0) Los vectores en R 2 con la norma l 2 menos 1 se encuentran dentro de esta figura. x 1 x 2 (1,0) (0,-1) (0,1) (-1,0) Los vectores en R 2 con la norme l  menos 1 se encuentran dentro de esta figura.

Distancias Si x =( x 1 , x 2 , ..., x n ) t y y =( y 1 , y 2 , ..., y n ) t son vectores en R n las distancias l 2 y l  éntre x y y están definidas por

Ejemplo 3.3330x 1 + 15920x 2 – 10.333x 3 = 15913 2.2220x 1 + 16.710x 2 + 9.6120x 3 = 28.544 1.5611x 1 + 5.1791x 2 + 1.6852x 3 = 8.4254 Solución: x = (1.0000,1.0000,1.0000) t Con Gauss: x’ = (1.2001,0.99991,0.92538) t || x – x’ ||  = 0.2001 || x – x’ || 2 = 0.21356

Convergencia Se dice que una sucesión de vectores en R n converge a x respecto a la norma || . || si dado cualquier  > 0, existe un entero N (  ) tal que || x ( k ) – x || <  para todo k  N (  ) La sucesión { x ( k ) } converge a x respecto a || . ||  si y solo si Para cada k = 1, 2, ..., n . Para todo x  R n , ||x||   ||x|| 2   n ||x|| 

Norma matricial Una norma matricial sobre el conjunto de todas las matrices n x n es una función || · ||, definida en ese conjunto y que satisface para todas las matrices A , B de n x n y todos los números  : (i) || A ||  0 (ii) || A || = 0 si y solo si A es 0 . (iii) ||  A || = |  || A || (iv) || A + B ||  || A || + || B || (v) || AB ||  || A || || B || Una distancia entre A y B es || A  B ||

Norma matricial l 2 y l  Norma l  Norma l 2

Cálculo de la norma l  Norma l  se calcula con

Cálculo de la norma l 2 Norma l 2 se calcula con Donde  es el radio espectral de A t A . El radio espectral es el máximo de los valores de propios de la matriz, calculadas con la ecuación

Ejemplo O –  3 + 14  2 – 42  = 0 Resolviendo se encuentra || A || 2 = 3.16

Normas en Octave norm ( a, p ) Computa la norm p de la matriz a . Si no hay segundo argumento, se supone p = 2. Si a es una matriz: p = 1 norma 1, la suma de la columna mayor de los valores absolutos de a. p = 2 El mayor valor singular de a . p = Inf norma Infinita, la suma del renglón de los valores absolutos de a . p = "fro" la norm Frobenius de a , sqrt (sum (diag ( a ' * a ))).

Métodos iterativos Un método de solución de A x = b Comienza con una aproximación x (0) y genera la sucesión de vectores { x (k) } k = 0 ..  Los métodos iterativos se utilizan para sistemas de un gran número de ecuaciones con un alto porcentaje de elementos cero.

Método de solución El sistema A x = b se escribe de la forma x = T x + c Donde T es una matriz fija y un vector c . La sucesión de vectores se genera calculando x (k) = T x (k–1) + c

Ejemplo E1: 10x 1 - x 2 + 2x 3 = 6 E2: -x 1 + 11x 2 – x 3 + 3x 4 = 25 E3: 2x 1 - x 2 + 10x 3 - x 4 = -11 E4: 3x 2 - x 3 + 8x 4 = 15 Despejando x i de la ecuación i : x 1 = 1/10x 2 – 1/5x 3 + 3/5 x 2 = 1/11x 1 + 1/11x 3 – 3/11x 4 + 25/11 x 3 =-1/5x 1 + 1/10x 2 + 1/10x 4 –11/10 x 4 = - 3/8x 2 + 1/8x 3 +15/8

Tarea 32 Resuelva con Excel los siguientes sistemas usando el método iterativo de Jacobi. 3x 1 - x 2 + x 3 = 1 10 x 1 - x 2 = 0 3x 1 +6x 2 +2x 3 =0 -x 1 +10x 2 - 2x 3 = 7 3x 1 +3x 2 +7x 3 = 4 - 2x 2 +10x 3 = 6 10 x 1 + 5 x 2 = 6 4x 1 + x 2 - x 3 + x 4 = -2 5 x 1 + 10 x 2 - 4 x 3 = 25 x 1 + x 2 - x 3 x 4 = -1 - 4 x 2 + 8 x 3 - x 4 = -11 -x 1 - x 2 + 5x 3 + x 4 = 0 - x 3 + 5x 4 = -11 x 1 - x 2 + x 3 +3 x 4 = 1

Método iterativo de Jacobi Se resuelve la i-ésima ecuación para x i : Siempre que a ii  0

Método iterativo de Jacobi Escribimos la matriz del sistema como A = D - L - U

Método iterativo de Jacobi A x = b ( D – L – U ) x = b D x = ( L + U ) x + b x = D -1 ( L + U ) x + D -1 b x (k) = D -1 ( L + U ) x (k-1) + D -1 b k = 1, 2, ... x (k) = T j x (k-1) + c j

Código en matlab function [x,J,c] = jacobi(A,b,n,z) % n -- número de iteraciones % z -- vector inicial(default 0) % x -- solución final % J -- matriz de Jacobi % c -- vector de Jacobi if nargin <=3, z=0*b; end D = diag(diag(A)); J = D\(D - A); c = D\b; x=z; for k = 1:n x = J*x + c; fprintf(1,'%3d ',k) fprintf(1,'%5.4f ',x') fprintf(1,'\n') end

Método iterativo de Jacobi Entrada: número de ecuaciones, elementos a ij , los elementos b i , X0 los valores iniciales de x , Tol la tolerancia, el número de iteraciones N. Salida: la solución aproximada, o el mensaje de que no hay solución. 1. k = 1 2. Mientras k <= N hacer pasos 3-9 3. Para i = 1 hasta N 4. 5. Si || x – x0 || < TOL 6. Regresar (x1, x2, ..., xn) y parar 7. k = k +1 8. Para j = 1 hasta N 9. X0j = xj 10. Salida(“no se encontro solución”)

Método de Jacobi en Matlab function y = jacobi(a,b,x0,tol,maxi) [n muda] = size(a); k = 1; x = x0; while k<=maxi for i=1:n suma = 0; for j=1:n if i~=j suma = suma - a(i,j)*x(j); end end x(i) = (suma+b(i))/a(i,i); end if norm(x-x0)<tol y = x; return end k = k + 1; x0 = x; end fprintf('No se encontró solución')

Ejemplo de corrida >> a=[10,-1,2,0;-1,11,-1,3;2,-1,10,-1;0,3,-1,8]; >> b = [6,25,-11,15]‘; >> jacobi(a,b,[0,0,0,0],1e-3,20) ans = 1.0001 2.0000 -1.0000 1.0000 >> E1: 10x 1 - x 2 + 2x 3 = 6 E2: -x 1 + 11x 2 – x 3 + 3x 4 = 25 E3: 2x 1 - x 2 + 10x 3 - x 4 = -11 E4: 3x 2 - x 3 + 8x 4 = 15

Método iterativo de Gauss-Seidel En el paso k se utilizan las x i ya calculadas. Excepto por esta fórmula, el algoritmo es el mismo que el de Jacobi.

Gauss-Seidel en Matlav function [x,G,c] = gsmp(A,b,n,z) % n -- número de iteraciones % z -- vector inicial (default 0) % x -- iteración final % G -- matriz Gauss-Seidel % c -- vector Gauss-Seidel if nargin <=3, z=0*b; end LD = tril(A); G = -LD\triu(A,1); c = LD\b; x=z; for i = 1:n x = G*x + c; fprintf(1,'%3d ',i) fprintf(1,'%5.5f ',x') fprintf(1,'\n') end

Ejemplo a = 4 3 0 3 4 -1 0 -1 4 b = 24 30 -24 gsmp(a,b,7,[1 1 1]') 1 5.25000 3.81250 -5.04688 2 3.14062 3.88281 -5.02930 3 3.08789 3.92676 -5.01831 4 3.05493 3.95422 -5.01144 5 3.03433 3.97139 -5.00715 6 3.02146 3.98212 -5.00447 7 3.01341 3.98882 -5.00279

Métodos de relajación Los métodos de relajación tiene el siguiente esquema. Si 0 < w < 1 se llama subrelajación y se utiliza cuando el método de Gauss-Seidel no converge. Si 1 < w se llama sobrerrelajación y sirve para acelerar la convergencia. Valores típicos de 1.2 a 1.7.

Métodos de relajación En forma matricial ( D + wL ) x = [(1 – w ) D – wU ] x + w b x = ( D + wL ) –1 [(1 – w ) D – wU ] x + ( D + wL ) –1 w b

Relajación en Matlab function [x,G,c] = relaj(A,b,n,w,z) % n -- número de iteraciones % z -- vector inicial (default 0) % x -- iteración final % G -- matriz Gauss-Seidel % c -- vector Gauss-Seidel % w -- Coeficiente de relajación if nargin <=3, z=0*b; end D = diag(diag(A)); LD = inv(D+w*tril(A,-1)); G = LD*((1-w)*D-w*triu(A,1)); c = w*LD*b; x=z; for i = 1:n x = (G*x + c); fprintf(1,'%3d ',i) fprintf(1,'%5.5f ',x') fprintf(1,'\n') end

Ejemplo a = 4 3 0 3 4 -1 0 -1 4 b = 24 30 -24 relaj(a,b,7,1.25,[1 1 1]') 1 6.31250 3.51953 -6.65015 2 2.62231 3.95853 -4.60042 3 3.13330 4.01026 -5.09669 4 2.95705 4.00748 -4.97349 5 3.00372 4.00292 -5.00571 6 2.99633 4.00093 -4.99828 7 3.00005 4.00026 -5.00035

Tarea 33 Resuelva los problemas anteriores por Gauss Seidel y relajación en Excel.

Metodos iterativos

Más contenido relacionado

La actualidad más candente (20)

Similar a Metodos iterativos (20)

Más de fabianchopinto (20)

Metodos iterativos