Política de uso de dados

Ao navegar por este site, você concorda com a política de uso de dados.

Política de uso de dados

Ao navegar por este site, você concorda com a política de uso de dados.

| | | |

Matemática Numérica III

1 Sistemas Lineares 1.4 Método do gradiente conjugado 1.6 Método GMRES

Ajude a manter o site livre, gratuito e sem propagandas. Colabore!

1.5 Métodos de projeção

A maior parte dos métodos iterativos para a resolução de sistemas lineares podem ser vistos como métodos de projeção. A ideia básica é resolver o sistema linear

A\boldsymbol{x}=\boldsymbol{b}

(1.150)

buscando uma solução aproximada $\tilde{\boldsymbol{x}}\in\mathcal{K}\subseteq\mathbb{R}^{n}$ de dimensão $m\leq n$ . $\mathcal{K}$ é chamado de subespaço de busca. Uma forma de garantir que a aproximação $\tilde{\boldsymbol{x}}$ seja boa é impor as chamadas condições de Petrov²³²³endnote: ²³Georgi Iwanowitsch Petrov, 1912 - 1987, engenheiro soviético. Fonte: Wikipedia.-Galerkin²⁴²⁴endnote: ²⁴Boris Galerkin, 1871 - 1945, engenheiro e matemático soviético. Fonte: Wikipédia., em que o resíduo

\tilde{\boldsymbol{r}}=\boldsymbol{b}-A\tilde{\boldsymbol{x}}

(1.151)

é ortogonal a um dado subespaço $\mathcal{L}\subseteq\mathbb{R}^{n}$ de dimensão $m$ . Os métodos de projeção são classificados em métodos ortogonais, quando $\mathcal{L}=\mathcal{K}$ , e métodos oblíquos, quando $\mathcal{L}\neq\mathcal{K}$ .

Sejam $A$ uma matriz $n\times n$ não singular, $\mathcal{K}$ e $\mathcal{L}$ dois subespaços de $\mathbb{R}^{n}$ de dimensão $m\leq n$ e $\boldsymbol{x}^{(0)}$ uma aproximação inicial da solução do sistema linear $A\boldsymbol{x}=\boldsymbol{b}$ . O método de projeção consiste em encontrar uma aproximação $\tilde{\boldsymbol{x}}\in\mathcal{K}$ da solução do sistema, tal que

\tilde{\boldsymbol{x}}=\boldsymbol{x}^{(0)}+\boldsymbol{\delta},

(1.152)

com $\boldsymbol{\delta}\in\mathcal{K}$ , satisfazendo a condição de Petrov-Galerkin

\tilde{\boldsymbol{r}}=\boldsymbol{b}-A\tilde{\boldsymbol{x}}\perp\mathcal{L}.

(1.153)

ou, equivalentemente,

\left(\boldsymbol{r}^{(0)}-A\boldsymbol{\delta},\boldsymbol{w}\right)=0,% \forall\boldsymbol{w}\in\mathcal{L},

(1.154)

Em resumo, o método de projeção determina a solução aproximada $\boldsymbol{x}^{(m)}$ pelas iterações

	$\displaystyle\tilde{\boldsymbol{x}}=\boldsymbol{x}^{(0)}+\boldsymbol{\delta},% \mbox{com }\boldsymbol{\delta}\in\mathcal{K},$		(1.155)
	$\displaystyle\text{}\quad\left(\boldsymbol{r}^{(0)}-A\boldsymbol{\delta},% \boldsymbol{w}\right)=0,\forall\boldsymbol{w}\in\mathcal{L}.$		(1.156)

A seguir, vamos apresentar três métodos de projeção unidimensionais. Embora estes métodos não sejam geralmente usados na prática (por não serem eficientes), eles foram a base metodológica para o desenvolvimento de métodos mais eficientes, como o método GMRES.

1.5.1 Métodos de projeção unidimensionais

Métodos de projeção unidimensionais são aqueles em que $\dim(\mathcal{K})=\dim(\mathcal{L})=1$ . Assim, temos $\mathcal{K}=\operatorname{span}\{\boldsymbol{v}\}$ e $\mathcal{L}=\operatorname{span}\{\boldsymbol{w}\}$ , para dados vetores $v,w\in\mathbb{R}^{n}$ . Com isso, a aproximação $\boldsymbol{x}^{(m)}$ é dada por

\tilde{\boldsymbol{x}}=\boldsymbol{x}^{(0)}+\alpha\boldsymbol{v},

(1.157)

onde $\alpha\in\mathbb{R}$ é tal que

\left(\boldsymbol{r}^{(0)}-\alpha A\boldsymbol{v},\boldsymbol{w}\right)=0,

(1.158)

ou seja,

\alpha=\frac{(\boldsymbol{r}^{(0)},\boldsymbol{w})}{(A\boldsymbol{v},% \boldsymbol{w})}.

(1.159)

1.5.2 Iteração da descida mais íngrime

A iteração da descida mais íngrime (ou método do gradiente) é um método de projeção ortogonal em que $\mathcal{K}=\mathcal{L}=\operatorname{span}\{\boldsymbol{r}\}$ . Assim, a aproximação $\boldsymbol{x}^{(m)}$ é dada por

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\boldsymbol{x% }^{(m)}=\boldsymbol{x}^{(m-1)}+\alpha_{m}\boldsymbol{r}^{(m-1)},

(1.160)

onde

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\alpha_{m}=% \frac{(\boldsymbol{r}^{(m-1)},\boldsymbol{r}^{(m-1)})}{(A\boldsymbol{r}^{(m-1)% },\boldsymbol{r}^{(m-1)})}.

(1.161)

Notemos que, para uma matriz $A$ simétrica positiva definida, o método da descida mais íngrime é equivalente ao método do gradiente discutido na Seção 1.4, observando que $\boldsymbol{r}=-\nabla f(\boldsymbol{x})$ , onde

	$\displaystyle f(\boldsymbol{x})$	$\displaystyle=\\|\boldsymbol{x}-\boldsymbol{x}^{*}\\|_{A}^{2}$		(1.162)
		$\displaystyle\text{}\quad=(\boldsymbol{x}-\boldsymbol{x}^{},A(\boldsymbol{x}-% \boldsymbol{x}^{})),$		(1.163)

onde $\boldsymbol{x}^{*}$ é a solução do sistema linear $A\boldsymbol{x}=\boldsymbol{b}$ .

Para detalhes sobre a implementação, consulte o Código 6.

1.5.3 Iteração do mínimo resíduo

Para uma matriz apenas positiva definida (i.e. $A+A^{T}$ simétrica positiva definida), a iteração do mínimo resíduo é um método de projeção oblíquo em que $\mathcal{K}=\operatorname{span}\{\boldsymbol{r}\}$ e $\mathcal{L}=\operatorname{span}\{A\boldsymbol{r}\}$ . Assim, a aproximação $\boldsymbol{x}^{(m)}$ é dada por

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\boldsymbol{x% }^{(m)}=\boldsymbol{x}^{(m-1)}+\alpha_{m}\boldsymbol{r}^{(m-1)},

(1.164)

onde

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\alpha_{m}=% \frac{(A\boldsymbol{r}^{(m-1)},\boldsymbol{r}^{(m-1)})}{(A\boldsymbol{r}^{(m-1% )},A\boldsymbol{r}^{(m-1)})}.

(1.165)

Aqui, cada iterada minimiza

f(\boldsymbol{x})=\|b-A\boldsymbol{x}\|^{2},

(1.166)

na direção do resíduo $\boldsymbol{r}$ .

Código 8: imr.py

⬇

1from numpy import dot

2from numpy.linalg import norm

4def imr(A, b, x0, rtol=1e-5, atol=0.0, maxiter=100000):

5 x = x0.copy()

6 r = b - A @ x

7 norm_b = norm(b)

8 r2 = dot(r, r)

10 info = 0

11 for k in range(maxiter):

12 Ar = A @ r

13 alpha = dot(Ar, r) / dot(Ar, Ar)

14 x = x + alpha * r

15 r = r - alpha * Ar

16 r2 = dot(r, r)

18 if np.sqrt(r2) <= max(rtol*norm_b, atol):

19 info = 1

20 break

22 return x, info, k+1

Exemplo 1.5.1.(Problema de difusão-advecção 2D)

Consideremos o seguinte problema de difusão-advecção 2D

	$\displaystyle-\epsilon\Delta u+\boldsymbol{a}\cdot\nabla u=f,\quad\text{em }% \Omega=(0,1)\times(0,1),$		(1.167)
	$\displaystyle u=0,\quad\text{em }\partial\Omega,$		(1.168)

onde $\epsilon=1$ é o coeficiente de difusão, $\boldsymbol{a}=(20,1)$ é o campo de advecção e a fonte é dada por

f(x)=\begin{cases}100,&\text{se }0.4\leq x,y\leq 0.6,\\ 0,&\text{caso contrário}.\end{cases}

(1.169)

Assumimos uma malha espacial uniforme de $n\times n$ , com tamanho de malha $h=1/(n-1)$ . Denotamos $u_{i,j}\approx u(x_{i},y_{i})$ , onde $x_{i}=ih$ e $y_{j}=jh$ , para $i,j=1,2,\dotsc,n$ . Aplicando um espuema upwind para a advecção e diferenças finitas centrais para a difusão, obtemos o seguinte esquema de diferenças finitas

	$\displaystyle-\epsilon\left(\frac{u_{i+1,j}-2u_{i,j}+u_{i-1,j}}{h^{2}}+\frac{u% _{i,j+1}-2u_{i,j}+u_{i,j-1}}{h^{2}}\right)$		(1.170)
	$\displaystyle\text{}\quad+a_{1}\frac{u_{i,j}-u_{i-1,j}}{h}+a_{2}\frac{u_{i,j+1% }-u_{i,j}}{h}=f_{i,j},$		(1.171)

para $i,j=2,3,\dotsc,n-1$ , onde $f_{i,j}=f(x_{i},y_{j})$ . As condições de contorno são dadas por $u_{1,j}=u_{n,1}=u_{i,1}=u_{i,n}=0$ , para $i,j=1,2,\dotsc,n-1$ . Por fim, consideramos a enumeração dos nodos da malha $k=i-1+(j-2)(n-2)$ para obtermos o sistema linear

A\boldsymbol{u}=\boldsymbol{f},

(1.172)

onde $A$ é uma matriz esparsa de ordem $N=(n-2)^{2}$ , $\boldsymbol{u}\in\mathbb{R}^{N}$ é o vetor das incógnitas e $\boldsymbol{f}\in\mathbb{R}^{N}$ é o vetor da fonte.

Observando que $A$ é apenas positiva definida (i.e. $A+A^{T}$ é simétrica positiva definida), aplicamos a iteração do mínimo resíduo para resolver o sistema linear. A seguinte tabela mostra o número de iterações necessárias para a convergência do método, para diferentes tamanhos de malha. O critério de parada é dado por $\textrm{rtol}=10^{-5}$ e $\textrm{atol}=0$ . Verifique!

$n$	IMR
11	129
21	469
41	1761
81	6770

1.5.4 Iteração da descida mais íngrime do resíduo

A iteração da descida mais íngrime do resíduo é um método de projeção oblíquo em que $\mathcal{K}=\operatorname{span}\{A^{T}\boldsymbol{r}\}$ e $\mathcal{L}=\operatorname{span}\{AA^{T}\boldsymbol{r}\}$ . Assim, a aproximação $\boldsymbol{x}^{(m)}$ é dada por

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\boldsymbol{x% }^{(m)}=\boldsymbol{x}^{(m-1)}+\alpha_{m}A^{T}\boldsymbol{r}^{(m-1)},

(1.173)

onde

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\alpha_{m}=% \frac{(A^{T}\boldsymbol{r}^{(m-1)},A^{T}\boldsymbol{r}^{(m-1)})}{(AA^{T}% \boldsymbol{r}^{(m-1)},AA^{T}\boldsymbol{r}^{(m-1)})}.

(1.174)

Notemos que esta iteração é equivalente à do mínimo resíduo aplicada às equações normais

A^{T}A\boldsymbol{x}=A^{T}\boldsymbol{b}.

(1.175)

Logo, se $A$ é não-singular, o método converge para a solução do sistema linear $A\boldsymbol{x}=\boldsymbol{b}$ .

Código 9: idir.py

⬇

1def idir(A, b, x0, rtol=1e-5, atol=0.0, maxiter=100000):

2 x = x0.copy()

3 r = b - A @ x

4 norm_b = norm(b)

5 r2 = dot(r, r)

7 info = 0

8 for k in range(maxiter):

9 v = A.T @ r

10 Av = A @ v

11 alpha = dot(v, v) / dot(Av, Av)

12 x = x + alpha * r

13 r = r - alpha * Av

14 r2 = dot(r, r)

16 if np.sqrt(r2) <= max(rtol*norm_b, atol):

17 info = 1

18 break

20 return x, info, k+1

1.5.5 Exercícios

E. 1.5.1.

Aplique a iteração da descida mais íngrime para resolver o sistema linear $A\boldsymbol{x}=\boldsymbol{b}$ , com

A=\begin{bmatrix}2&1\\ 1&3\end{bmatrix}

(1.176)

e $\boldsymbol{b}=(3,4)$ . Usando uma aproximação inicial $\boldsymbol{x}^{(0)}=(0.5,0)$ , faça uma análise geométrica das iterações.

Dica: faça um gráfico de contorno da norma $\|\boldsymbol{r}(\boldsymbol{x})\|_{2}=\|\boldsymbol{b}-A\boldsymbol{x}\|_{2}$ e mostre as iterações do método sobre o gráfico.

E. 1.5.2.

Aplique a iteração do mínimo resíduo para resolver o sistema linear $A\boldsymbol{x}=\boldsymbol{b}$ , com

A=\begin{bmatrix}2&1\\ 0&3\end{bmatrix}

(1.177)

e $\boldsymbol{b}=(3,3)$ . Usando uma aproximação inicial $\boldsymbol{x}^{(0)}=(0,0.5)$ , faça uma análise geométrica das iterações do método.

Dica: faça um gráfico de contorno da norma $\|\boldsymbol{r}(\boldsymbol{x})\|_{2}=\|\boldsymbol{b}-A\boldsymbol{x}\|_{2}$ e mostre as iterações do método sobre o gráfico.

E. 1.5.3.

Aplique a iteração da descida mais íngrime resíduo para resolver o sistema linear $A\boldsymbol{x}=\boldsymbol{b}$ , com

A=\begin{bmatrix}2&1\\ 2.1&2\end{bmatrix}

(1.178)

e $\boldsymbol{b}=(3,4.1)$ . Usando uma aproximação inicial $\boldsymbol{x}^{(0)}=(0.5,0)$ , faça uma análise geométrica das iterações do método.

Dica: faça um gráfico de contorno da norma $\|\boldsymbol{r}(\boldsymbol{x})\|_{2}=\|\boldsymbol{b}-A\boldsymbol{x}\|_{2}$ e mostre as iterações do método sobre o gráfico.

E. 1.5.4.

Considere o problema de difusão-advecção 2D do Exemplo 1.5.1, discretizado com o esquema upwind. Aplique a iteração da descida mais íngrime do resíduo para resolver o sistema linear resultante para os seguintes coeficientes de advecção:

a)

$\boldsymbol{a}=(-1,1)$ ;
b)

$\boldsymbol{a}=(1,-1)$ ;
c)

$\boldsymbol{a}=(-1,-1)$ .

Analise a convergência do método para diferentes tamanho de malha.

Dica: lembre-se que o esquema upwind deve ser adaptado para cada caso.

Envie seu comentário

Aproveito para agradecer a todas/os que de forma assídua ou esporádica contribuem enviando correções, sugestões e críticas!

Este texto é disponibilizado nos termos da Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional. Ícones e elementos gráficos podem estar sujeitos a condições adicionais.

Matemática Numérica III

1 Sistemas Lineares 1.4 Método do gradiente conjugado 1.6 Método GMRES

Ajude a manter o site livre, gratuito e sem propagandas. Colabore!

1.5 Métodos de projeção

A maior parte dos métodos iterativos para a resolução de sistemas lineares podem ser vistos como métodos de projeção. A ideia básica é resolver o sistema linear

A\boldsymbol{x}=\boldsymbol{b}

(1.150)

\tilde{\boldsymbol{r}}=\boldsymbol{b}-A\tilde{\boldsymbol{x}}

(1.151)

\tilde{\boldsymbol{x}}=\boldsymbol{x}^{(0)}+\boldsymbol{\delta},

(1.152)

com $\boldsymbol{\delta}\in\mathcal{K}$ , satisfazendo a condição de Petrov-Galerkin

\tilde{\boldsymbol{r}}=\boldsymbol{b}-A\tilde{\boldsymbol{x}}\perp\mathcal{L}.

(1.153)

ou, equivalentemente,

\left(\boldsymbol{r}^{(0)}-A\boldsymbol{\delta},\boldsymbol{w}\right)=0,% \forall\boldsymbol{w}\in\mathcal{L},

(1.154)

Em resumo, o método de projeção determina a solução aproximada $\boldsymbol{x}^{(m)}$ pelas iterações

	$\displaystyle\tilde{\boldsymbol{x}}=\boldsymbol{x}^{(0)}+\boldsymbol{\delta},% \mbox{com }\boldsymbol{\delta}\in\mathcal{K},$		(1.155)
	$\displaystyle\text{}\quad\left(\boldsymbol{r}^{(0)}-A\boldsymbol{\delta},% \boldsymbol{w}\right)=0,\forall\boldsymbol{w}\in\mathcal{L}.$		(1.156)

1.5.1 Métodos de projeção unidimensionais

\tilde{\boldsymbol{x}}=\boldsymbol{x}^{(0)}+\alpha\boldsymbol{v},

(1.157)

onde $\alpha\in\mathbb{R}$ é tal que

\left(\boldsymbol{r}^{(0)}-\alpha A\boldsymbol{v},\boldsymbol{w}\right)=0,

(1.158)

ou seja,

\alpha=\frac{(\boldsymbol{r}^{(0)},\boldsymbol{w})}{(A\boldsymbol{v},% \boldsymbol{w})}.

(1.159)

1.5.2 Iteração da descida mais íngrime

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\boldsymbol{x% }^{(m)}=\boldsymbol{x}^{(m-1)}+\alpha_{m}\boldsymbol{r}^{(m-1)},

(1.160)

onde

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\alpha_{m}=% \frac{(\boldsymbol{r}^{(m-1)},\boldsymbol{r}^{(m-1)})}{(A\boldsymbol{r}^{(m-1)% },\boldsymbol{r}^{(m-1)})}.

(1.161)

	$\displaystyle f(\boldsymbol{x})$	$\displaystyle=\\|\boldsymbol{x}-\boldsymbol{x}^{*}\\|_{A}^{2}$		(1.162)
		$\displaystyle\text{}\quad=(\boldsymbol{x}-\boldsymbol{x}^{},A(\boldsymbol{x}-% \boldsymbol{x}^{})),$		(1.163)

onde $\boldsymbol{x}^{*}$ é a solução do sistema linear $A\boldsymbol{x}=\boldsymbol{b}$ .

Para detalhes sobre a implementação, consulte o Código 6.

1.5.3 Iteração do mínimo resíduo

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\boldsymbol{x% }^{(m)}=\boldsymbol{x}^{(m-1)}+\alpha_{m}\boldsymbol{r}^{(m-1)},

(1.164)

onde

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\alpha_{m}=% \frac{(A\boldsymbol{r}^{(m-1)},\boldsymbol{r}^{(m-1)})}{(A\boldsymbol{r}^{(m-1% )},A\boldsymbol{r}^{(m-1)})}.

(1.165)

Aqui, cada iterada minimiza

f(\boldsymbol{x})=\|b-A\boldsymbol{x}\|^{2},

(1.166)

na direção do resíduo $\boldsymbol{r}$ .

Código 8: imr.py

⬇

1from numpy import dot

2from numpy.linalg import norm

4def imr(A, b, x0, rtol=1e-5, atol=0.0, maxiter=100000):

5 x = x0.copy()

6 r = b - A @ x

7 norm_b = norm(b)

8 r2 = dot(r, r)

10 info = 0

11 for k in range(maxiter):

12 Ar = A @ r

13 alpha = dot(Ar, r) / dot(Ar, Ar)

14 x = x + alpha * r

15 r = r - alpha * Ar

16 r2 = dot(r, r)

18 if np.sqrt(r2) <= max(rtol*norm_b, atol):

19 info = 1

20 break

22 return x, info, k+1

Exemplo 1.5.1.(Problema de difusão-advecção 2D)

Consideremos o seguinte problema de difusão-advecção 2D

	$\displaystyle-\epsilon\Delta u+\boldsymbol{a}\cdot\nabla u=f,\quad\text{em }% \Omega=(0,1)\times(0,1),$		(1.167)
	$\displaystyle u=0,\quad\text{em }\partial\Omega,$		(1.168)

onde $\epsilon=1$ é o coeficiente de difusão, $\boldsymbol{a}=(20,1)$ é o campo de advecção e a fonte é dada por

f(x)=\begin{cases}100,&\text{se }0.4\leq x,y\leq 0.6,\\ 0,&\text{caso contrário}.\end{cases}

(1.169)

	$\displaystyle-\epsilon\left(\frac{u_{i+1,j}-2u_{i,j}+u_{i-1,j}}{h^{2}}+\frac{u% _{i,j+1}-2u_{i,j}+u_{i,j-1}}{h^{2}}\right)$		(1.170)
	$\displaystyle\text{}\quad+a_{1}\frac{u_{i,j}-u_{i-1,j}}{h}+a_{2}\frac{u_{i,j+1% }-u_{i,j}}{h}=f_{i,j},$		(1.171)

A\boldsymbol{u}=\boldsymbol{f},

(1.172)

onde $A$ é uma matriz esparsa de ordem $N=(n-2)^{2}$ , $\boldsymbol{u}\in\mathbb{R}^{N}$ é o vetor das incógnitas e $\boldsymbol{f}\in\mathbb{R}^{N}$ é o vetor da fonte.

$n$	IMR
11	129
21	469
41	1761
81	6770

1.5.4 Iteração da descida mais íngrime do resíduo

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\boldsymbol{x% }^{(m)}=\boldsymbol{x}^{(m-1)}+\alpha_{m}A^{T}\boldsymbol{r}^{(m-1)},

(1.173)

onde

\color[rgb]{0,0,1}\definecolor[named]{pgfstrokecolor}{rgb}{0,0,1}\alpha_{m}=% \frac{(A^{T}\boldsymbol{r}^{(m-1)},A^{T}\boldsymbol{r}^{(m-1)})}{(AA^{T}% \boldsymbol{r}^{(m-1)},AA^{T}\boldsymbol{r}^{(m-1)})}.

(1.174)

Notemos que esta iteração é equivalente à do mínimo resíduo aplicada às equações normais

A^{T}A\boldsymbol{x}=A^{T}\boldsymbol{b}.

(1.175)

Logo, se $A$ é não-singular, o método converge para a solução do sistema linear $A\boldsymbol{x}=\boldsymbol{b}$ .

Código 9: idir.py

⬇

1def idir(A, b, x0, rtol=1e-5, atol=0.0, maxiter=100000):

2 x = x0.copy()

3 r = b - A @ x

4 norm_b = norm(b)

5 r2 = dot(r, r)

7 info = 0

8 for k in range(maxiter):

9 v = A.T @ r

10 Av = A @ v

11 alpha = dot(v, v) / dot(Av, Av)

12 x = x + alpha * r

13 r = r - alpha * Av

14 r2 = dot(r, r)

16 if np.sqrt(r2) <= max(rtol*norm_b, atol):

17 info = 1

18 break

20 return x, info, k+1

1.5.5 Exercícios

E. 1.5.1.

Aplique a iteração da descida mais íngrime para resolver o sistema linear $A\boldsymbol{x}=\boldsymbol{b}$ , com

A=\begin{bmatrix}2&1\\ 1&3\end{bmatrix}

(1.176)

e $\boldsymbol{b}=(3,4)$ . Usando uma aproximação inicial $\boldsymbol{x}^{(0)}=(0.5,0)$ , faça uma análise geométrica das iterações.

Dica: faça um gráfico de contorno da norma $\|\boldsymbol{r}(\boldsymbol{x})\|_{2}=\|\boldsymbol{b}-A\boldsymbol{x}\|_{2}$ e mostre as iterações do método sobre o gráfico.

E. 1.5.2.

Aplique a iteração do mínimo resíduo para resolver o sistema linear $A\boldsymbol{x}=\boldsymbol{b}$ , com

A=\begin{bmatrix}2&1\\ 0&3\end{bmatrix}

(1.177)

e $\boldsymbol{b}=(3,3)$ . Usando uma aproximação inicial $\boldsymbol{x}^{(0)}=(0,0.5)$ , faça uma análise geométrica das iterações do método.

Dica: faça um gráfico de contorno da norma $\|\boldsymbol{r}(\boldsymbol{x})\|_{2}=\|\boldsymbol{b}-A\boldsymbol{x}\|_{2}$ e mostre as iterações do método sobre o gráfico.

E. 1.5.3.

Aplique a iteração da descida mais íngrime resíduo para resolver o sistema linear $A\boldsymbol{x}=\boldsymbol{b}$ , com

A=\begin{bmatrix}2&1\\ 2.1&2\end{bmatrix}

(1.178)

e $\boldsymbol{b}=(3,4.1)$ . Usando uma aproximação inicial $\boldsymbol{x}^{(0)}=(0.5,0)$ , faça uma análise geométrica das iterações do método.

Dica: faça um gráfico de contorno da norma $\|\boldsymbol{r}(\boldsymbol{x})\|_{2}=\|\boldsymbol{b}-A\boldsymbol{x}\|_{2}$ e mostre as iterações do método sobre o gráfico.

E. 1.5.4.

a)

$\boldsymbol{a}=(-1,1)$ ;
b)

$\boldsymbol{a}=(1,-1)$ ;
c)

$\boldsymbol{a}=(-1,-1)$ .

Analise a convergência do método para diferentes tamanho de malha.

Dica: lembre-se que o esquema upwind deve ser adaptado para cada caso.

Envie seu comentário

Aproveito para agradecer a todas/os que de forma assídua ou esporádica contribuem enviando correções, sugestões e críticas!

Este texto é disponibilizado nos termos da Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional. Ícones e elementos gráficos podem estar sujeitos a condições adicionais.

Pedro H A Konzen

| | | |