Université De Khemis Miliana
Faculté de Technologie
Département de Science et Technologie
2 émé année, LMD - ST
Spécialité: génie des procédés
Compte rendu
Résolution Numériques
des équation non linéaire
Dr. MEDDAHI Youssouf
Maître de conférences B
MAMMERI Samiha
Année Universitaire 2018 – 2019Année Universitaire 2024-2025
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
I.1. Introduction
L’objet essentiel de ce compte rendu est l’approximation des racines d’une fonction
réelle d’une variable réelle, c’est-à-dire la résolution approchée du problème suivant :
Étant donné une équation non linéaire, à une seul variable, est définie par :
(I-1)
La valeur de la variable qui vérifie cette égalité est appelée solution (ou racine) de
l'équation, elle est notée . Dans beaucoup de cas, on doit recourir aux méthodes
numériques car la solution ne peut pas être déterminée analytiquement. Ainsi, résoudre
cette équation revient à définir une succession d'éléments (solutions intermédiaires )
qui convergent vers la solution désirée lorsque tant vers l’infini. On ne parle pas de la
solution exacte, car souvent elle n'existe pas, cependant on cherche une solution qui soit
approchée de la solution exacte avec une certaine précision.
Il existe plusieurs techniques permettant de résoudre l'équation non linéaire, ces
méthodes se distinguent par leurs principes et leurs vitesses de convergence. Nous
introduisons dans cette section les méthodes de dichotomie (ou de bissection), point fixe
et de Newton. Nous les présentons dans l’ordre de complexité croissante des algorithmes.
Dans le cas de la méthode de dichotomie, la seule information utilisée est le signe de la
fonction f aux extrémités de sous-intervalles, tandis que pour les autres algorithmes on
prend aussi en compte les valeurs de la fonction et/ou de ses dérivées.
I.2. La méthode de Dichotomie
Cette méthode repose sur les hypothèses suivantes :
Il existe une solution sur un intervalle
La fonction est monotone (croissante ou décroissante) sur l'intervalle
Sous ces deux hypothèses, l'inégalité suivante est vérifiée :
(I-2)
Page : 1
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
I.2.1. Principe de la méthode de Dichotomie
La figure ci-dessous illustré le principe de la méthode de Dichotomie :
Figure I.1 : Principe de la méthode de Dichotomie
On calcule c par l’expression :
(I-3)
Si , la solution est égale à c, alors arrêter la recherche.
mettre à jours l'intervalle [a, b] telle que :
Si , la solution se trouve dans l'intervalle alors on prend
b=c
Si la solution se trouve dans l'intervalle [ alors on prend
a=c
On recommence le calcul de c itérativement jusqu'à ce que : | |
I.2.2. La condition d’arrêt
Le nombre d'itération dépend de la précision voulue ainsi que l'intervalle initial
soit :
(I-4)
Page : 2
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
I.3. La méthode de point fixe
Il faut réécrire l’équation sous la forme avec la condition de
convergence | |
I.3.1. Principe de la méthode de point fixe
La figure ci-dessous illustré le principe de la méthode de point fixe :
Figure I.2 : Principe de la méthode de point fixe (convergence en spirale et en escalier)
Le principe de la méthode du point fixe correspond à la recherche du point
d'intersection entre les deux fonctions :
la première fonction est la droite y = x
la deuxième fonction est y = g(x)
On choisit initialement un point , qui sera la première estimée de la solution
on calcul , cette dernière valeur sera considérée comme étant la deuxième
estimée de la solution soit a son tour, cette dernière valeur sera
injectée dans la fonction et ainsi de suite jusqu'à la satisfaction d'un critère
d'arrêt.
I.3.2. La condition d’arrêt
Le critère d'arrêt soit | |
Page : 3
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
I.4. La méthode de Newton-Raphson
I.4.1. Principe de la méthode de Newton
Le principe de cette méthode est illustré sur la figure I.3 où : On choisit une
première estimée , la second estimée est déterminée par l'intersection de la ligne
tangente de la fonction au point et la droite y = 0. La troisième estimée
est déterminée par l'intersection de la ligne tangente de la fonction au point
et la droite , et ainsi de suite.
Figure I.3 : Principe de la méthode de Newton
L’algorithme de Newton-Raphson est :
̀
(I-5)
I.4.2. La condition d’arrêt
Le critère d'arrêt soit | |
Page : 4
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
I.5. Mise en œuvre sous Matlab
Dans ce test, il est demandé de trouver les solutions de l'equation
sur l'intervalle [0, 1]en utilisant la méthode de dichotomie, la méthode de point fixe et la
méthode de Newton jusqu'à la convergence avec une précision de 10-3 (TOL=10-3).
Soit l’équation non linéaire:
Cela revient à résoudre l'équation : =2
Solution :
Pour trouver les solutions, on prend la racine carrée des deux côtés : ±√
Résultat :
Les solutions de l’équation sont : √ et √
en déclare la fonction sur l’intervalle = −10 : 0.001 : 10 , ce qui
ressemble à une syntaxe MATLAB.
Voici comment tu peux le faire en MATLAB :
x =-10:0.001:10; % Définir le vecteur x de -10 à 10 avec un pas de 0.001
f =x.^2 - 2; % Calculer la fonction f(x) = x^2 - 2 pour chaque valeur de x
plot(x, f)
xlabel('x')
ylabel('f(x)')
title('f(x) = x^2 - 2')
grid on
Voici le graphe de la fonction sur l'intervalle -10 10 On peut observer
que la courbe coupe l'axe des abscisses ( ligne y = 0) en deux points, ce qui correspond aux
solutions de l'équation = 2 , c'est-à-dire ±√ .
Les racines exactes sont : √ et √
Page : 5
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
. La méthode de Dichotomie
La méthode de dichotomie (ou méthode de bissection) réduit de moitié l’intervalle de recherche
à chaque itération. Le nombre d’itérations nécessaires pour atteindre une précision
ε à partir d’un intervalle [a,b] est donné par la formule :
b−a
n ≥ log2 ( )
ε
Données :
a=0
b=3
ε = 0.01
Calcul :
3−0
n ≥ log2 ( ) = log2 (300 )
0.01
log10 (300) 2.477
log2 (3000) ≈ ≈ ≈ 08.23
log10 (2) 0.3010
n ≈ ⌈ 8.55⌉ = 8
Mais attention : log₂(300) ≈ 8.23 est incorrect, car :
log2 (300 ) ≈ log2 (3 × 102 ) ≈ log2 (3) + log2 (100)
≈ 1.58496 + 6.64386 ≈ 8.22882
Donc :
n ≥ ⌈ 8.22882 ⌉ = 8
Résultat :
Il faut au moins 8 itérations de la méthode de dichotomie pour atteindre une précision de
ε=0.01 sur l'intervalle [0,3].
Page : 6
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
Voici une implémentation en MATLAB de la méthode de dichotomie (bissection) pour
résoudre l'équation avec une précision de ε=0.01
%==============================Programme Matlab============================
% Université Djilali Bounaama de Khemis Miliana
% **********************************
% Département De Science et Technologie
% 2ème Année LMD-ST / Géné De Procédés
% Matière: TP Méthodes Numériques
% ************************************************************************
%========= Résolution Numérique des Equations non linéaires F(X)=0 ========
clear all;close all;clc;
disp('*** Résolution des Equations non linéaires F(X)=0 ***')
% Fonction à résoudre : f(x) = x^2 - 2
f = @(x) x^2 - 2;
disp('*** Début de la Méthode de Dichotomie***')
disp('l`intervalle initial de la recherche [a b]')
a=input('a =');b=input('b =');
disp('Donnez Tol; " Tol petite valeur!"')
tol=input('Tol =');
fplot(f,[a,b]);
grid on
if f(a) * f(b) > 0
error('Les signes de f(a) et f(b) doivent être opposés');
end
% Initialisation de la variable
iteration = 0;
% Méthode de dichotomie
while (b - a) / 2 > tol
% Point médian de l'intervalle
c = (a + b) / 2;
% Calcul de f(c)
fa = f(a);
fb = f(b);
fc = f(c);
% Affichage des valeurs à chaque itération
fprintf('Itération %d: a = %.6f, b = %.6f, c = %.6f, f(a) = %.6f, f(b) = %.6f,
f(c) = %.6f\n', iteration, a, b, c, fa, fb, fc);
% Mise à jour des bornes de l'intervalle
if f(a) * fc < 0
b = c; % La racine est dans [a, c]
else
a = c; % La racine est dans [c, b]
end
% Incrémenter le compteur d'itérations
iteration = iteration + 1;
end
% La solution approchée
root = (a + b) / 2;
fprintf('La racine approximée est : %.6f\n', root);
Page : 7
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
Itérations (jusqu’à précision < 0.01) :
𝒊 𝒂 𝒃 𝒄 𝒇(𝒂) 𝒇(𝒃) 𝒇(𝒄) 𝜺
1 0 3 1.5 -2.0000 7.000000 0.250000 0.01
2 0 1.5 0.75 -2.0000 0.250000 -1.437500 0.01
3 0,75 1.5 1.125 -1.4375 0.250000 -0.734375 0.01
4 1.125 1.5 1.3125 -0.734375 0.250000 -0.277344 0.01
5 1.3125 1.5 1.406250 -0.277344 0.250000 -0.022461 0.01
6 1.40625 1.5 1.453125 -0.022461 0.250000 0.111572 0.01
7 1.40625 1.453125 1.429688 -0.022461 0.111572 0.044006 0.01
8 1.40625 1.429688 1.417969 -0.022461 0.044006 0.010635 0.01
La racine approximée est : 1.412109
La méthode de point fixe
Pour utiliser la méthode du point fixe pour résoudre une équation , on transforme
cette équation sous la forme :
Et on utilise la suite récurrente : x n + 1 = g ( x n )
L'équation de base : f(x) = x 2 − 2 = 0 ⇒ x 2 = 2
Donc, on cherche à transformer cette équation en une ou plusieurs formes possibles de
Exemples de formes possibles de g(x) :
1. g1 (x) = 2
➤ Trivial, mais inutilisable en itération car ce n’est pas une fonction de x.
2
2. g2 (x) = x
➤ Bonne candidate si x 0, mais attention à la convergence.
=
3. g3 (x) = 12 (x + x2 )
➤ Forme issue de la méthode de Newton-Raphson pour f (x) = x2 − 2 .
➤ Cette version converge très rapidement et est souvent utilisée en pratique (appelée méthode de
Héron pour la racine carrée).
4. g4 (x) = x − α(x2 − 2)
➤ Forme générale d’itération de type relaxation où α est un petit paramètre (ex : 0.1).
➤ Ce type est utilisé pour ajuster la convergence.
5. g5 (x) = 2 + (x − x)
➤ Pas utile ici, mais l’idée est de créer un g(x) tel que sa dérivée soit < 1 en valeur absolue autour de la
solution.
Page : 8
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
Attention :
La convergence de la méthode du point fixe dépend de la dérivée de g(x):
• Pour garantir la convergence, il faut que ∣g ′ (x)∣ < 1 près de la racine.
• Sinon, l'itération risque de diverger.
En résumé :
Voici quelques formes possibles de g(x) que tu peux tester pour x2 − 2 =0:
Forme g(x) Convergence probable ?
2 ❌ (constante)
2
x ⚠ (instable si mal démarré)
1 2
2 (x + x ) ✅ (rapide, sûre)
x − 0.1(x2 − 2) ✅ si α bien choisi
On va chercher quelle fonction g(x) parmi les candidates satisfait les conditions du théorème
de point fixe sur l’intervalle [0,3].
Théorème du point fixe (rappel)
Soit g : [a, b] → [a, b]. Si :
1. g(x) est continue sur [a, b],
2. Il existe un point fixe x∗ ∈ [a, b] tel que x∗ = g(x∗ ),
3. Et ∣g ′ (x)∣ ≤ k < 1 sur [a, b],
alors la suite xn+1 = g(xn ) converge vers x∗ .
Vérifions pour quelques g(x) sur [0, 3]:
Candidat 1 : g1 (x) = 12 (x + x2 )
(Formule de Héron / Newton pour 2)
Définie sur (0, 3] → Pas sur tout [0, 3] car division par 0.
Continue sur [a, b] si a >0
Calcul de la dérivée :
Page : 9
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
1 2
g1′ (x) = (1 − 2 )
2 x
Étudions ∣g1′ (x)∣ sur [1, 3] (on exclut 0 pour éviter les problèmes) :
1 2
Minimum : x = 3 ⇒ g1′ (3) = (1 − ) = 0.3888
2 9
1 2
Maximum : x = 2 ⇒ g1′ ( 2) = (1 − ) = 0
2 2
Donc ∣g1′ (x)∣ < 1 sur [1, 3]
Conclusion : ✔ g1 (x) = 12 (x + x2 ) satisfait bien le théorème sur un intervalle comme [1, 3].
2
Candidat 2 : g2 (x) = x
Pas définie en 0, et son image n’est pas contenue dans [0, 3]
g2 ([0.1, 3]) ⊂ [0.66, 20], donc g(x) ∈
/ [0, 3]
Ne satisfait pas la condition : g([a, b]) ⊂ [a, b]
Conclusion : ❌ Pas admissible.
Candidat 3 : g3 (x) = x − α(x2 − 2)
Prenons α = 0.1, donc : g3 (x) = x − 0.1(x2 − 2)
Dérivée :
g3′ (x) = 1 − 0.2x
Sur [0, 3], on a :
g3′ (0) = 1, g3′ (3) = 1 − 0.6 = 0.4 ⇒ max ∣g3′ (x)∣ = 1
Pas strictement < 1, donc le théorème ne garantit pas la convergence ici.
Conclusion : ❌ Ne vérifie pas les hypothèses du théorème sur [0, 3]
Conclusion finale :
La fonction g(x) = 12 (x + x2 ) est la seule forme naturelle qui satisfait bien le théorème du point fixe
sur l’intervalle [1, 3].
Elle est continue, g([1, 3]) ⊂ [1, 3], et ∣g ′ (x)∣ < 1 dans l’intervalle.
On peut donc l’utiliser avec succès pour une méthode du point fixe.
Page : 10
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
Voici un petit programme MATLAB pour résoudre l'équation x2 − 2 = 0 par la méthode
du point fixe, en utilisant la fonction :
g (x) = 12 (x + x2 )
Remarque : cette fonction n’est pas définie en x=0 (car on divise par 𝑥). Tu verras ce que ça
implique dans les conclusions !
Code MATLAB :
% Point fixe pour résoudre x^2 - 2 = 0 avec g(x) = 0.5 * (x + 2/x)
% Paramètres
epsilon = 0.01;
max_iter = 100;
% Fonction g
g = @(x) 0.5 * (x + 2./x);
% Cas 1 : x0 = 0
x0 = 0;
fprintf('Cas 1 : x0 = 0\n');
try
x = x0;
for k = 1:max_iter
x_new = g(x);
if abs(x_new - x) < epsilon
fprintf('Convergence atteinte après %d itérations : x ≈ %.4f\n\n', k,
x_new);
break;
end
x = x_new;
end
if k == max_iter
fprintf('Pas de convergence après %d itérations.\n\n', max_iter);
end
catch
fprintf('Erreur : Division par zéro au point initial x0 = 0.\n\n');
end
% Cas 2 : x0 = 3
x0 = 3;
fprintf('Cas 2 : x0 = 3\n');
x = x0;
for k = 1:max_iter
x_new = g(x);
if abs(x_new - x) < epsilon
fprintf('Convergence atteinte après %d itérations : x ≈ %.4f\n', k, x_new);
break;
end
x = x_new;
end
if k == max_iter
fprintf('Pas de convergence après %d itérations.\n');
end
Page : 11
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
Méthode de Newton-Raphson
Voici un programme MATLAB qui applique la méthode de Newton-Raphson pour
résoudre l'équation non linéaire :
Code MATLAB :
% Résolution de f(x) = x^2 - 2 = 0 par Newton-Raphson
% Paramètres
epsilon = 0.01;
max_iter = 100;
% Fonction et dérivée
f = @(x) x.^2 - 2;
df = @(x) 2*x;
% Cas 1 : x0 = 2
x0 = 2;
fprintf('Cas 1 : x0 = 2\n');
x = x0;
for k = 1:max_iter
x_new = x - f(x)/df(x);
if abs(x_new - x) < epsilon
fprintf('Convergence atteinte après %d itérations : x ~= %.4f\n\n', k, x_new);
break;
end
x = x_new;
end
Page : 12
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
if k == max_iter
fprintf('Pas de convergence après %d itérations.\n\n', max_iter);
end
% Cas 2 : x0 = 3
x0 = 3;
fprintf('Cas 2 : x0 = 3\n');
x = x0;
for k = 1:max_iter
x_new = x - f(x)/df(x);
if abs(x_new - x) < epsilon
fprintf('Convergence atteinte après %d itérations : x ~= %.4f\n', k, x_new);
break;
end
x = x_new;
end
if k == max_iter
fprintf('Pas de convergence après %d itérations.\n');
end
Comparaison entre méthode du point fixe, Newton-Raphson et dichotomie.
Critères de comparaison :
1. Vitesse de convergence (nombre d'itérations nécessaires)
2. Précision obtenue (erreur résiduelle)
3. Stabilité/robustesse (sensibilité au point de départ)
Résultats expérimentaux (avec epsilon = 0.01) :
- Point Fixe :
x0 = 2 -> Convergence en 5 itérations
x0 = 3 -> Convergence en 6 itérations
Sensible au choix de g(x)
- Newton-Raphson :
x0 = 2 -> Convergence en 4 itérations
x0 = 3 -> Convergence en 5 itérations
Très rapide, mais divergence possible si x0 mal choisi
- Dichotomie :
Intervalle [0,3] -> Convergence en 8 itérations
Méthode la plus stable, mais lente
Page : 13
RESOLUTION NUMERIQUE DES EQUATIONS NON LINEAIRES
Analyse comparative :
- Convergence : Newton > Point Fixe > Dichotomie
- Robustesse : Dichotomie > Point Fixe > Newton
- Simplicité : Dichotomie ~ Point Fixe > Newton
Conclusion :
La méthode optimale dépend du contexte :
- Pour une solution rapide avec bonne estimation : Newton-Raphson
- Pour une solution garantie et fiable : Dichotomie
- Pour une implémentation simple : Point Fixe
Page : 14
