Initiation aux méthodes numériques

1- INTRODUCTION :

L’analyse numérique est une discipline des mathématiques qui s’intéresse aux

fondements théoriques ainsi qu’à la mise en pratique des méthodes permettant de résoudre

des problèmes d’analyse mathématique. Plus formellement, l’analyse numérique est l’étude

des algorithmes permettant de résoudre numériquement les problèmes mathématiques en

recherchant des solutions numériques survenant dans les sciences physiques et d’ingénierie.

L’accroissement de la disponibilité et de la puissance des ordinateurs a permis l’application

de l’analyse numérique dans de nombreux domaines scientifiques, techniques et

économiques, avec souvent des effets évolutionnaires.

Le champ de l’analyse numérique est divisé en différentes disciplines suivant le type

de problème à résoudre, et chaque discipline étudie diverses méthodes de résolution des

problèmes correspondants. Ce manuscrit est un support au cours d’analyse numérique en

troisième année Licence en Mécanique, il traite les domaines suivants :

Approximation et Interpolation : L’interpolation tente de résoudre ou d’approcher la solution

au problème suivant : étant donné la valeur connue d'une certaine fonction en un certain

nombre de points, quelle valeur prend cette fonction en un autre point quelconque situé

entre deux points donnés ? Une méthode très simple est d’utiliser l’interpolation linéaire,

qui suppose que la fonction inconnue évolue linéairement entre chaque paire de points

successifs connus. Cette méthode peut être généralisée en interpolation polynomiale, qui

est parfois plus précise et nécessite de plus petites tables de valeurs connues.

Évaluation des intégrales et des dérivées : L’intégration numérique, également connue

comme quadrature numérique, recherche la valeur d’une intégrale définie. Les méthodes

populaires sont basées sur les formules de Newton-Cotes (avec par exemple la méthode du

point médian ou la méthode des trapèzes). Pour les dérivées, on a la méthode d’Euler.

2
Initiation à l’analyse numérique

Résolution d’équations et systèmes d'équations : Un autre problème fondamental est le

calcul des solutions d’une équation donnée. Deux cas sont communément distingués,

suivant que l’équation est linéaire ou non. De nombreux efforts ont été consacrés au

développement de méthodes de résolution de systèmes d’équations linéaires. Les méthodes

directes incluent l’élimination de Gauss-Jordan, et la décomposition LU. Les méthodes

itératives telles que la méthode du gradient conjugué sont généralement préférées sur les

larges systèmes d’équations. Les algorithmes de recherche de racines d’une fonction sont

utilisés pour résoudre les équations non linéaires. Si la fonction est différentiable et que sa

dérivée est connue, alors la méthode de Newton est un choix populaire. La linéarisation est

une autre technique pour la résolution d’équations non linéaires.

2- ANALYSE NUMERIQUE ET CALCUL SCIENTIFIQUE :

La solution des problèmes scientifique passe en premier lieu par une représentation

mathématique, ces problèmes sont en général multiples et compliqués. Pour les

représenter, on est amené à négliger certains phénomènes et à simplifier certains autres.

Même avec ces simplifications, les équations obtenues sont souvent insolubles par les

méthodes algébriques connues. Il est alors nécessaire d’avoir recours à l’analyse numérique.

On peut définir le calcul scientifique comme la discipline qui permet de reproduire sur un

ordinateur un phénomène ou un processus décrit par un modèle mathématique.

Pour aborder le calcul numérique d’un problème physique réel, à l’aide d’un outil

informatique, on passe par les étapes suivantes [1] :

Description qualitative des phénomènes physiques : Cette étape est effectuée par des

spécialistes des phénomènes que l’on veut quantifier (ingénieurs, chimistes, biologistes …).

3
Initiation à l’analyse numérique

Description du
Modélisation Calcul Programmation
phénomene
mathématique numérique et résultats
physique

Erreurs de Erreurs de Erreurs

Figure 1. Différentes étapes de résolution d’un problème physique.

Modélisation mathématique: Il s’agit, à partir de la description qualitative précédente,

d’écrire un modèle mathématique qui, dans la plupart des cas, n’a pas une solution

analytique. On fera donc appel à des techniques de résolution approchée. Il est bon de se

poser les questions suivantes :

 Le problème est-il bien posé? C’est-à-dire y–a–t’il existence, unicité et stabilité de la

solution ?

 Les propriétés physiques auxquelles on s’attend sont-elles satisfaites par les solutions

du modèle mathématique ?

Calcul numérique : Il est raisonnable de se demander si la solution numérique est proche du

problème réel. De même, si on doit mettre en œuvre une méthode itérative pour le

traitement des non-linéarités, il faut étudier la convergence de cette méthode itérative.

Mise en œuvre, programmation et analyse des résultats : La partie mise en œuvre est une

grosse consommatrice de temps. Actuellement, de nombreux codes commerciaux existent,

qui permettent en théorie de résoudre ”tous" les problèmes. Il faut cependant procéder à

une analyse critique des résultats obtenus par ces codes, qui ne sont pas toujours

compatibles avec les propriétés physiques attendues...

4
Initiation à l’analyse numérique

Exemple : Pour plus d’éclaircissement, prenons l’exemple d’une plaque plane rectangulaire

mince dans un milieu où règne une température Ta. La plaque est soumise à un flux de

chaleur constant en un seul côté (figure 2).

y y

Ta

 Ta

x x
Ta

Figure 2. Exemple de la plaque plane régie par l’équation de Laplace.

Dans cet exemple le modèle mathématique choisi est l’équation de Laplace

bidimensionnelle, dans ce modèle les effets tridimensionnel et temporel sont négligés, d’où

les erreurs de modélisation. La méthode de résolution est celle des différences finies qui

transforme le domaine réel en un domaine de calcul discret, d’où l’erreur de calcul due à la

méthode. Enfin lors de la résolution sur ordinateur, il se génère des erreurs numériques

telles que celles d’arrondies ou de troncatures.

3- NOTIONS D’ERREURS [2], [3]:

L’étude des erreurs forme une partie importante de l’analyse numérique. La

différence entre la solution strictement mathématique (exacte) et la solution approchée

(numérique) fournit un terme d’erreur. Au niveau le plus élevé, on trouve l’erreur qui

provient du fait qu’on a réduit la réalité physique à un modèle mathématique. De telles

erreurs limitent l’application du modèle mathématique à certaines situations. On ne peut

généralement pas donner la solution explicite d’un modèle mathématique (qu’il soit exprimé

5
Initiation à l’analyse numérique

par une intégrale, une équation algébrique ou différentielle, un système linéaire ou non

linéaire). La résolution par des algorithmes numériques entraîne l’introduction et la

propagation d’erreurs d’arrondi. De plus, il est souvent nécessaire d’introduire d’autres

erreurs liées au fait qu’un ordinateur ne peut effectuer que de manière approximative des

calculs impliquant un nombre infini d’opérations arithmétiques. Par exemple, le calcul de la

somme d’une série ne pourra être accompli qu’en procédant à une troncature convenable.

On doit donc définir un problème numérique, dont la solution diffère de la solution

mathématique exacte d’une erreur, appelée erreur de troncature. La somme des erreurs

d’arrondis et de troncature constitue l’erreur de calcul.

Si on suppose que x est la solution exacte du modèle mathématique et que x* est la

solution approximative (obtenue à la fin de la résolution numérique), on définit l’erreur

absolue par:

| |

En pratique il est impossible d’évaluer l’erreur absolue car x est souvent inconnu par

conséquent, on introduit la notion de la borne supérieure de cette erreur notée  et on a :

| |

Ce qui permet d’écrire : x = x* ±

Une valeur donnée de l’erreur peut entrainer de graves conséquences lorsque l'amplitude

de la valeur réelle est petite. Par exemple, 1036.52  0.010 peut-être d’une précision

suffisante, alors que 0.005  0,010 est catastrophique. Cependant, l’utilisation de l’erreur

relative peut éviter ce type de problèmes. On définit également l’erreur relative par:

| |

6
Initiation à l’analyse numérique

L’erreur relative est souvent exprimée en pourcentage (cela veut dire que l’erreur commise

représente une proportion de (er) % de la valeur estimée).

Dans les calculs scientifiques où les résultats varient considérablement en module,

c’est l’erreur relative qui est la plus utile, parce qu’elle est indépendante de l’échelle. Par

exemple, si au lieu de x on avait x et au lieu de x* on avait x* alors :

| | | |

3.1- Génération et propagation des erreurs :

Les erreurs introduites dans la solution d’un problème ont plusieurs origines. Les

erreurs d’arrondis surviennent car il est impossible de représenter en pratique tous les

nombres réels exactement sur une machine à états finis. Les erreurs de troncature sont

commises par exemple quand une méthode itérative est terminée et que la solution

approchée obtenue diffère de la solution exacte. De façon similaire, la discrétisation d’un

problème (aussi appelée quantification dans les applications pratiques de calcul numérique)

induit une erreur de discrétisation (erreur de quantification dans les applications pratiques)

car la solution du problème discret ne coïncide pas exactement avec la solution du problème

continu.

Une fois que l’erreur est générée, elle se propagera généralement tout au long du

calcul. Cela conduit à la notion de stabilité numérique : un algorithme est numériquement

stable si une erreur, une fois générée, ne croît pas trop durant le calcul (dans une méthode

de calcul itératif, une erreur trop grande peut dans certains cas faire diverger l’algorithme

qui ne parviendra pas à approcher la solution). Cela n’est possible que si le problème est

bien conditionné, ce qui signifie que la solution ne change que d'une faible quantité si les

données du problème sont changées d'un montant faible. Ainsi, si un problème est mal

7
Initiation à l’analyse numérique

conditionné, alors la moindre erreur dans les données provoquera une erreur très

importante dans la solution trouvée. Cependant, un algorithme qui résout un problème bien

conditionné peut être ou ne pas être numériquement stable. Tout l’art de l’analyse

numérique consiste à trouver un algorithme stable pour résoudre un problème

mathématique bien posé.

Les erreurs sont d’origines multiples, il y a principalement :

a. Erreurs de modèles : erreurs dues au choix du modèle mathématique, par exemple:

1. Ignorer la viscosité dans un modèle en mécanique des fluides.

2. Utiliser la mécanique classique plutôt que quantique en physique atomique.

3. Loi de Hooke (modèle linéaire) pour un ressort F = k x alors que F = k(x) x (modèle

non linéaire.

b- Erreurs numériques :

Erreurs de troncature : un processus infini est tronqué afin d’obtenir une procédure finie, ce

qui provoque des erreurs, par exemple :

∑ ∑

Erreurs d’arrondis (d’affectation) : Les réels ne peuvent pas être représentés dans

l’ordinateur, ils sont alors arrondis d’où les erreurs (1/3=0.333 or 0.333*3=0.999≠1).

Que vaut 0.1 en base 2 ? (0.1)2 = (0.0001100110011....)10

Cela ne peut pas être conservé exactement dans l’ordinateur!