SlideShare une entreprise Scribd logo
1  sur  41
Télécharger pour lire hors ligne
Version
3.0.0
Université de Béchar
Laboratoire des Études Énergétiques en Zones Arides
Équipe Modélisation & Simulation des Systèmes
Cours réalisé par : Pr. TAMALI Mohammed,
http://mtamali.wordpress.com/
Université de Béchar | FS&T
(ENERGARID Lab./SimulIA)
Presentation
The University of Bechar was born in 1986 as the National Institutes of Higher
Education (INES) in 1992 it becomes University Center and on January 07, 2007, it
was officially declared as a University. Since then, many Research Teams have seen
the day. In 2011, The Laboratory for Energy Systems Studies Applied to Arid Zones
was run by a group of young and well motivated researchers (7 Research teams) to
solve real problems affecting arid zones, SimulIA Team is one of them in the same
laboratory. The Workload of SimulIA concern studies and applications of modeling
and simulation of systems in Arid Areas.
Research areas:
 Energy & Environment (Modeling & Simulation)
 Application of heat in arid zones
 Energy economy.
 Mapping and development of resources in arid zones.
 SIMULIA for the task in the short term, to develop the computer code for
modeling and simulation which can be accessed online.
Website of the laboratory team: http://energarid.wordpress.com/
2
Généralités
Caractéristiques des systèmes & Modélisation (Définitions,
Typologie, Méthodologie)
Domaines d’application
Systèmes représentation des données
Systèmes linéaires (Méthode directe, itérative,)
Systèmes non-linéaires (Méthode variationnelle)
Interpolation & approximation (Statistique, Lissage, Extrapolation)
Intégration numérique
Equation différentielle (Méthode d’Euler, Runge-Kutta)
Conclusion
Plan
3
Généralités
Les mathématiques appliquées et le calcul scientifique jouent un rôle croissant
dans la conception de produits industriels; ce n’est cependant qu’un maillon
d’une longue chaîne qui mobilise des ressources intellectuelles nombreuses et
variées pour arriver à concevoir, au mieux et dans des délais impartis le produit
désiré. Le niveau de complexité des systèmes est très élevé à un niveau où toute
intégration sociale des produits résultants ne se ferait sans dégâts ni sans effets
secondaires. En contre partie, la majorité des produits technologiques sont
juste la solution immédiate de bon nombre de problèmes de la vie courante.
L'avènement de produits, de grande consommation, comme l'informatique,
l'Internet et les télécommunications, à chacun ses outils, a révolutionné les
méthodologies de travail des équipes et laboratoires de recherches. Les outils
et suites logiciels sont d’un grand secours aux travaux de modélisation et de
simulation des processus. L'informatique et les moyens de conception sont les
vecteurs qui ont provoqué une amélioration nette à la vitesse de mise en œuvre
de moyens exploitables. Les logiciels de CAO (Conception Assistée par
Ordinateur) ont joué un grand rôle dans le cours de développement de
beaucoup de procédés (Modélisation) et ont facilité la compréhension de
beaucoup phénomènes (Simulation).
4
Caractéristiques des systèmes & Modélisation
Modélisation
Pour la modélisation, le système étudié est appelé système primaire.
Son modèle (équivalent) est une représentation de la réalité et il est
dit système secondaire. Par définition un modèle est une
représentation simplifiée de la réalité. Le but majeur de cette
opération c’est DÉCRIRE, PRÉDIRE, EXPLIQUER & RÉAGIR.
Modélisation graphique
C’est une stratégie modélisatrice des
système utilisant le graphique comme
langage et outil de travail.
Finalité de la modélisation
• Technique : fournir des spécifications claires pour
produire, puis exploiter
• Intellectuelle : fournir au métier, une utilité dans les
structures sociétales.
Lessuites logiciels desimulation
Composition faites des deux entités, Les
SYSTÈMES d’INFORMATION (Collections
d’informations) et les MATHEMATIQUES
(Collections d’algorithmes de calcul). C’est le
moyen utilisé pour allié efficacité et
utilisabilité des études et des coûts
équivalents à une réelle expérimentation.
Les objectifs sont généralement pour des
stratégies d’aide à la décision.
Courbes d’évolution
d’un phénomène
physique
Modèle SIG d’une urbanisation
Sous QGIS (GPL)
Exemple Arduino ISP sous Fritzing (GPL)
5
L’objet de ce chapitre est de mettre en évidence les principales
difficultés liées à la pratique des calculs numériques sur
ordinateur. Dans beaucoup de situations, il existe des
méthodes spécifiques permettant d’accroître `a la fois
l’efficacité et la précision des calculs. Ces équations sont
souvent très complexes, et font intervenir énormément de
paramètres. Elles sont en général impossible à résoudre de
façon exacte (comme le serait une équation différentielle du
second degré par exemple, modélisant le mouvement d’un
pendule de longueur l : Le problème linéarisé pour de petits
mouvements du pendule s’écrit en terme de x. Cette dernière
équation peut, maintenant être résolue par (formule 2):
On peut alors calculer x(t) (formule 3) pour tout temps de
façon exacte (modulo les erreurs d’arrondi). Par contre on ne
connaît pas de solution exacte de l’équation plus haut.
L'analyse numérique est l'une des thématiques de la recherche
opérationnelle, des sciences de l'ingénieur et de l'informatique.
Logiciel de visualisation graphique
Paraview (GPL)
Canevas graphique
Panneau des
propriétés
Ligne du temps,
pour l’animation
Barre d’outils
Menu principal
Caractéristiques des systèmes
Formule 2 Formule 3
6
Besoin : insatisfaction, nécessité, exigence, manque, nécessaire, indispensable. Sentiment de privation qui porte à
désirer ce dont on croit manquer, nécessité impérieuse : exemple; Besoin de savoir, Chose considérée comme
nécessaire à l'existence.
Observation : apercevoir, percevoir, voir, considérer, surveiller, contempler
Formalisation : Action de réduire un système de connaissances à des structures formelles.
Modélisation : Établissement de modèles, notamment des modèles utilisés en automatique, en informatique, en
recherche opérationnelle et en économie.
Simulation : Représentation du comportement d'un processus physique, industriel, biologique, économique ou militaire
au moyen d'un modèle matériel dont les paramètres et les variables sont les images de ceux du processus étudié. (Les
modèles de simulation prennent le plus souvent la forme de programmes d'ordinateurs auxquels sont parfois associés
des éléments de calcul analogique.)
Optimisation : Action d'optimiser ou d'optimaliser ; fait d'être optimisé ou optimalisé. Démarche consistant à rendre
optimal le fonctionnement d'un système
Évaluation des performances : Évaluation des capacités d’interaction du système vis-à-vis d’un ensemble de données
selon dans hypothèses prédéfinies. Le système peut existé ou non. Dans le premier cas, nous demandons une
amélioration dans la première et une bonne conception pour le cas du deuxième type. Ils existent des techniques
spécifiques pour évaluer la performance des systèmes.
Prise de décision : Choisir, dans un état de compromis, quel choix à adopter. Il est judicieux de remarquer que cette
mesure est beaucoup délicate puisque le critère le plus dangereux de de telle situation, c’est de beaucoup perdre.
Fiabilité : Répondre à tous les critères de réponses à la requête émises derrière notre conception du système.
Probabilité pour qu'une pièce primaire, un dispositif ou un équipement complet soit utilisé sans défaillance pendant une
période de temps déterminée, dans des conditions opérationnelles spécifiées
Robustesse : Un système robuste doit résister bien aux causes d'agression ou d'altération, c’est encore la tolérance aux
fautes.
Compromis : Convention par laquelle les parties à un litige soumettent l'objet de celui-ci à un arbitrage, c’est aussi
l’Action qui implique des concessions réciproques.
Caractéristiques des systèmes 7
Domaines d’application
Les suites logiciels de modélisation et de simulation des systèmes et des
procédés sont de deux catégories vis-à-vis des droits et devoir d’utilisation.
Pour ces mêmes suites, il y a le développeur du produit, d’un côté, et
l’utilisateur final de l’autre. A chacun ses droits mais limitées selon des clauses
et les recommandations, sur base de quoi, le deux partenaires se sont mis
d’accord. Ces termes définissent ici ce qui est communément appelé
LICENCE.
Cette dernière décrit clairement les partenaires, le produits et limites de chacun
par rapport à la loi.
Il existe deux type de licence:
• Propriétaire,
• Libre d’utilisation dite encore GPL
Dans le premier type, le développeur se doit de porter assistance à ses clients
et de garantir la continuité du service. Au même moment que les clients ne
doivent, et aucun cas, porter préjudice à leur mode ou manière d’utilisation du
produit, ne pas l’utiliser qu’avec le consentement du développeur, ne pas
l’altérer par un quelconque moyen. La distribution du produit est, de ce fait
totalement interdite.
Le client est, par ailleurs, bien en état de connaissance de tout dommage qui
pourrait éventuelle lui être causé par sont utilisation du produit et pour lequel la
partie développeur, décline toute responsabilité.
Pour le deuxième type, le développeur se partage les droits/devoirs de
re/développer le produit avec son client.
Les suite GPL (General Public Licence) sont généralement des contributions
qui évoluent pour gagner du terrain. Le paquetage est distribuer avec le fichier
binaire, tous les fichiers bibliothèques et annexes en plus de la documentation.
Ces suites sont déployée et présentent
leur service selon deux mode, Localisé
(Stand Alone/Desktop) ou bien
réparties sur le Web (Web Based).
Elle peuvent avoir besoin de données
Localisé ou Distribué.
Architecture Intranet universitaire
8
Domaines d’application
La plupart des domaines de l’Ingénieur.
Informatique
Electronique
Thermique
Resistance des matériaux
Chimie
Avionique
Modélisation et Simulation des processus
Et même ceux dits Sciences Humaine
Statistiques
Biologie
Médecine
Chirurgie
Encore …
Sport
Art !
9
Domaines d’application (Evaluation des Performances.)
D’une manière générale, l’évaluation des
performances EP c’est l’ensemble de protocoles
et des procédures à envisager en vue d’une
expertise du système (S) en cours de conception
ou d’exploitation.
On cherche dans toutes les situations d’améliorer
les performance du système en question vis-à-vis
d’une exigence/demande en attente. Le système
(S) amélioré répond avec robustesse.
On distingue généralement beaucoup de secteurs
visés par cette EP, en l’occurrence la GRH,
Métiers, Entreprise, Impact associatif et bien
d’autre … 10
Systèmes représentation des données
La mémoire centrale est un ensemble de ’positions binaires’ nommées bits. Les bits sont
généralement regroupés en octets (8 bits) et chaque octet est repéré par son adresse. Chaque
information devra être codée sous cette forme binaire.
En informatique,
le kilo vaut 1K = 210 = 1024
le méga vaut 1M = 220 = 1048576
le giga vaut 1G = 230 = 1073741824
Les nombres entiers dont la représentation et la manipulation sont celles de l’arithmétique usuel. Il
existe un plus grand entier représenté en machine. Pour ceux à 32 bits (=4 octets) correspond à
des entiers en double précision ont pour valeur dans [−231,231−1] = [−2G, 2G−1].
Les nombres flottants qui représentent les nombres réels ou les nombres décimaux.
Les nombres réels sont représentés de façon approximative en mémoire (représentation en virgule
flottante), avec la convention standardisée de la forme m×2e, où m est la mantisse 1≤m≤2 et e
l’exposant.
Représentation en simple précision. Sur 32 bits (4 octets), on a p=23, q=8 (1 bit pour le signe) ce
qui permet de représenter des nombres compris, en valeur absolue, entre 2−128≈10−38 et 2128≈1038
car 128=2q=28. La précision machine est de 7 chiffres décimaux significatifs car 223=107.
11
Erreurs sur les calculs
On considère un nombre flottant de la forme ±a10q avec a est la mantisse de la forme 0.d1d2 · · · dt, d10, q
est l’exposant (entier relatif).
Bien sûr, l’entier q est soumis à la restriction : −M ≤ q ≤ M (où M dépend de la machine).
Cette représentation des nombres réels entraîne les conséquences suivantes :
 Il existe un plus petit nombre flottant ( zéro). Le zéro machine en valeur absolue vaut =
0.10···10−M.
 Il existe un plus grand nombre flottant, l’infinie machine et vaut = 0.99 · · ·910M.
 Tous les nombres réels n’admettent de représentation exacte :
√2 est représenté par 0.14142143×10+1
π est représenté par 0.314…×10+1
 Toute opération élémentaire (+,∗, /) est en général entachée d’une erreur.
 Une opération peut avoir un résultat non représentable :
 Si pour le résultat q > M (OVERFLOW ou dépassement de capacité.)
 Si pour le résultat q < −M (UNDERFLOW).
 La représentation flottante d’un nombre peut être obtenue à partir de sa représentation décimale par
 – la troncature (on garde les t premiers décimaux)
 – l’arrondi : le tième chiffre de la mantisse est choisi au plus près.
MANIPULATION
Supposons par exemple que les réels soient calculées avec 3 chiffres significatifs et arrondis à la décimale
la plus proche. Soit à calculer la somme x+y+z avec x = 8,22, y= 0,00317, z= 0,00432.
12
Systèmes linéaires
Soit à résoudre un système linéaire de n équations à m inconnues, ceci consiste à trouver m nombres,
réels ou complexes, x1, · · · , xm, tels que :
a11x1 + a12x2 + · · · + a1mxm = b1
a21x1 + a22x2 + · · · + a2mxm = b2
...
. . .
...
an1x1 + an2x2 + · · · + anmxm = bn
Ce système peut être réduit en une écriture matricielle AX = b. Les aij sont les coefficients, composantes de
la matrice A alors que les bj sont les composantes du vecteur second membre b. (les aij et les bj  à  ou
C. Les méthodes permettant de résoudre ce type de systèmes (m=n) sont de trois catégories :
Pour n3, par substitution ou la méthode de CRAMER.
Méthodes dites directes, comme de GAUSS ou GAUSS-JORDAN
Méthodes dites itératives, comme celle de GAUSS-SEIDEL, RELAXATION, LU, CHOLESKI.
Mathématicien
Gabriel CRAMER
1704-1752
Mathématicien
Carl Friedrich Gauss
1777–1855
Mathématicien
Philipp Ludwig von Seidel
1821–1896
Mathématicien
Camille Jordan
1838–1922
Mathématicien, Topographe
André Louis CHOLESKY
1875-1918
13
Systèmes linéaires (Méthode directe)
Soit à résoudre un système linéaire de n équations à n inconnues, ceci consiste à trouver n nombres, réels
ou complexes, x1, · · · , xn, tels que :
a11x1 + a12x2 + · · · + a1nxn = b1
a21x1 + a22x2 + · · · + a2nxn = b2
. . .
an1x1 + an2x2 + · · · + annxn = bn
La méthode de Gauss consiste à déterminer une matrice P telle que le système équivalent PAX = Pb soit
triangulaire supérieure et donc simple à résoudre. La résolution d’un système triangulaire supérieure est
aisée par la procédure de remontée.
Algorithme de l’élimination de GAUSS AX=b
Pour k=1 jusqu’à n-1
Pivot  akk
Si pivot0 Alors
Pour i=k+1 jusqu’à n faire
bibi – (aik/pivot)*bk
Pour j=k+1 jusqu’à n faire
aijaij – (aik/pivot)*akj
Fin j
Fin i
Sinon ‘Problème’
Fin k
Algorithme de la remontée UY=f
U Triangulaire supérieure
Pour i=n à 1 pas de -1 faire
s=fi
pour j=i+1 à n faire
s=s-uij*yj
fin j
yi=s/uii
fin i
14
Systèmes linéaires
Soit le programme équivalent en FORTRAN 95
PROGRAM Gauss
! Solution d’un system de N équations linéaires
! Forme matricielle A.X = B
! Déclaration des variables utilisées.
PARAMETER (IN=20)
REAL*8:: A(IN,IN), X(IN), B(IN), F, SUM1
INTEGER:: K, I, J, N, IN
! Lecture et saisie des coefficients de A et de C
PRINT *, "Introduire le nombre d‘équations (N):"
READ (5,*) N
PRINT *,"Introduire les coefficients de la matrice [A(I,J)]:"
READ (5,*) ((A(I,J),J=1,N),I=1,N)
PRINT *,"Introduire les composantes du vecteur [B(I)]:"
READ (5,*) (B(I),I=1,N)
! Décomposition (Elimination)
DO K = 1, N-1
DO I = K+1, N
F = A(I,K)/A(K,K)
15
Systèmes linéaires
DO J = K+1, N
A(I,J) = A(I,J) - F * A(K,J)
ENDDO
B(I) = B(I) - F * B(K)
ENDDO
ENDDO
! Remontée
X(N) = B(N) / A(N,N)
DO I = N-1, 1, -1
SUM1 = 0.0
DO J = I+1, N
SUM1 = SUM1 + A(I,J) * X(J)
ENDDO
X(I) = (B(I) - SUM1)/A(I,I)
ENDDO
! Impression des résultats
PRINT *,"Solution du problème AX=B"
WRITE (6,*) ("X(",I,")=",X(I),I=1,N)
STOP
END PROGRAM Gauss 16
Systèmes linéaires
La manipulation sous OCTAVE (mode commande en ligne)
octave:##> A=[1 1;2 -3]
octave:##> b=[3 5]‘ %l’apostrophe-transposé
octave:##> inv(A)*b
ans =
2.8000
0.2000
octave:##>> A*ans %Pour vérifier
ans =
3.0000
5.0000
octave:##> Ab %L’antislash
ans =
2.8000
0.2000
La condition nécessaire pour que le système ait une solution est que le déterminant soit différent de zéro.
Vérifier avec :
A=[1 1 1; 2 0 3; 3 1 4] et b = [ 2 5 6]T
A=[1 1; 1 1.01]; b=[2; 2.01]; (On changera A(1,2)=1.005;)
On utilisera les fonctions det, rank, pinv et cond, Discuter.
Exécution du
programme Gauss
17
Systèmes linéaires
La manipulation sous OCTAVE (mode commande en ligne)
>> A=[1 1 1; 2 0 3; 3 1 4]
A =
1 1 1
2 0 3
3 1 4
>> det(A)
ans = 5.5511e-016
>>rank(A)
ans = 2
>> A=[1 1; 1 1.01]
A =
1.0000 1.0000
1.0000 1.0100
>> b=[2; 2.01]
b =
2.0000
2.0100
>> cond(A)
ans = 402.01
La condition nécessaire pour que le système ait une solution est que le déterminant
soit différent de zéro. Vérifier avec :
A=[1 1 1; 2 0 3; 3 1 4] et b = [ 2 5 6]T
A=[1 1; 1 1.01]; b=[2; 2.01]; (On changera A(1,2)=1.005;)
On utilisera les fonctions det, rank, pinv et cond, Discuter.
18
Systèmes linéaires
La manipulation sous OCTAVE (mode commande en ligne)
>> A=[1 1 1; 2 0 3; 3 1 4]
A =
1 1 1
2 0 3
3 1 4
>> b = [2 5 6]'
b =
2
5
6
>> x=pinv(A)*b
x =
0.69048
-0.11905
1.09524
>> x=inv(A)*b
warning: matrix singular to machine precision, rcond = 1.15648e-017
x =
-5.4043e+015
1.8014e+015
3.6029e+015
>> rank(A)
ans = 2
La condition nécessaire pour que le système ait une solution est que le déterminant
soit différent de zéro, vérifier avec :
A=[1 1 1; 2 0 3; 3 1 4] et b = [ 2 5 6]T
A=[1 1; 1 1.01]; b=[2; 2.01]; (On changera A(1,2)=1.005;)
On utilisera les fonctions
det calcul du déterminant
rank Rang de la matrice
pinv Pseudo-Inversion de la matrice
cond conditionner une matrice.
19
Systèmes linéaires (Organigramme de Gauss)
La méthode de Gauss est généralement dite méthode d’élimination. Son organigramme est le suivant :
20
Systèmes linéaires (Méthode directe)
Soit à résoudre un système linéaire de n équations à n inconnues, ceci consiste à trouver n nombres, réels
ou complexes, x1, · · · , xn, tels que :
a11x1 + a12x2 + · · · + a1nxn = b1
a21x1 + a22x2 + · · · + a2nxn = b2
. . .
an1x1 + an2x2 + · · · + annxn = bn
La méthode de Gauss-Jordan se base sur deux transformations, une réduction suivie par une
normalisation. Ce qui consiste transformer le système AX = b en UY=F, F est triangulaire supérieure.
Pour k allant de 1 à n
Si existe une ligne ik telle que (aik)k-10 :
échanger cette ligne i et la ligne k (li  lk)
Pour i allant de 1 à n et ik
Sinon A n'est pas inversible, abandonner (on sait ici que le rang de
la matrice est k − 1).
Après l'étape k de l'algorithme, la colonne k a tous ces coefficients
nuls sauf un : celui de la diagonale, qui vaut 1.
1
1
1 

 k
kk
kk
k
k l
a
l
k
k
k
ik
k
i
k
i lall 11 

21
Systèmes linéaires (Programme Gauss-Jordan F95-F90)
program gauss_Jordan
integer::i,j,n,k
real::pivot,s
real,allocatable::a(:,:)
real,allocatable::b(:)
! Lecture et saisie des coefficients de A et de C
PRINT *, "Introduire le nombre d'equations (N):"
READ (5,*) N
allocate(A(N,N),B(N))
PRINT *,"Introduire les coefficients de la matrice
[A(I,J)]:"
READ (5,*) ((A(I,J),J=1,N),I=1,N)
PRINT *,"Introduire les composantes du vecteur
[B(I)]:"
READ (5,*) (B(I),I=1,N)
do k=1,N,1
do i=1,n,1
if (k==i) then
pivot=a(i,k)
do j=k,n,1
a(i,j)=(a(i,j))/(pivot)
end do
b(k)=(b(k))/(pivot)
else
pivot=a(i,k)
do j=k,n,1
a(i,j)=a(i,j)-pivot*a(k,j)
end do
b(i)=b(i)-pivot*b(k)
end if
end do
end do
!calcul de la solution
do i=n,1,-1
do j=i-1,1,-1
s=a(j,i)
do k=j,n,1
a(j,k)=a(j,k)-s*a(i,k)
end do
b(j)=b(j)-s*b(i)
end do
end do
do i=1,n,1
write(*,*) "x)",i,")=",b(i)
end do
write(*,*)« Matrice identité"
write(*,*) a
end program gauss_Jordan 22
Systèmes linéaires (Programme Gauss-Jordan F95-F90)
Pour le problème suivant :
x1 – x2 + 2x3 = 5
3x1 + 2x2 + x3 = 10
2x1 - 3x2 - 2x3 = -10
Et dont la solution est :
x1 = 1
x2 = 2
x3 = 3
Pour le problème suivant :
2x1 + x2 - x3 = 8
-3x1 - x2 + 2x3 = -11
-2x1 + x2 + 2x3 = -3
Et dont la solution est :
x1 = 2
x2 = 3
x3 = -1
23
Systèmes linéaires (Programme Gauss-Jordan F95-F90)
Pour le problème suivant :
x1 – x2 + 2x3 = 5
3x1 + 2x2 + x3 = 10
2x1 - 3x2 - 2x3 = -10
Et dont la solution est :
x1 = 1
x2 = 2
x3 = 3
Pour le problème suivant :
2x1 + x2 - x3 = 8
-3x1 - x2 + 2x3 = -11
-2x1 + x2 + 2x3 = -3
Et dont la solution est :
x1 = 2
x2 = 3
x3 = -1 Sous Octave
Sous CodeBlock
>> a=[2 1 -1; -3 -1 2; -2 1 2]
a =
2 1 -1
-3 -1 2
-2 1 2
>> x = mldivide(a,b)
x =
2.00000
3.00000
-1.00000 24
Systèmes linéaires (Organigramme Gauss-Jordan)
25
Systèmes linéaires (Méthodes itératives)
Soit à résoudre un système linéaire de n équations à n inconnues, ceci consiste à trouver n nombres, réels
ou complexes, x1, · · · , xn, tels que :
a11x1 + a12x2 + · · · + a1nxn = b1
a21x1 + a22x2 + · · · + a2nxn = b2
. . .
an1x1 + an2x2 + · · · + annxn = bn
Beaucoup de méthodes dont la stratégie est de commencer par un vecteur estimé initial et ainsi faire des
traitements du système à cette base (estimé initial X0) pour en déduire la solution rechechée.
(b1 - a12x2 + · · · + a1nxn)/a11 = x1
(b2 - a21x1 + · · · + a2nxn)/a22 = x2
. . .
(bn - an1x1 + an2x2 + · · · + ann-1xn-1)/ann = xn
Ou
(b1 - {j; j[1,n]/j1}a1jxj)/a11 = x1
(b2 - {j; j[1,n]/j2}a2jxj)/a22 = x2
. . .
(bn - {j; j[1,n]/jn}anjxj)/ann = xn
La formule résumée est donnée par
(bi - {j; j[1,n]/ji}aijxj)/ai,i = xi 26
Systèmes linéaires (Méthodes itératives- méthode Gauss-Seidel)
Donc pour un estimé initial à k=0 donc X0=(x0
1, · · · , x0
n)T, nous avons :
(bi - {j; j[1,n]/ji}aijx(k)
j)/ai,i = xi
(k+1)
Pour k, nous pouvons espérer satisfaire les transformations successives qui améliorerons la recherche
du vecteur solution X(k) en dépendance de valeurs précédentes du vecteur estimé X(k-1).
L’algorithme global de la méthode est donné dans l’encadré suivant.
La condition d’arrêt du phénomène de transformation est définie par :
|X(k) – X(k-1)|11 ou |(X(k) – X(k-1))/X(k)|21 avec 1 et 2 des valeurs réelles petites.
1: Début
2: Lecture de la matrice des coefficients A et du vecteur second membre b
3: Lecture de Eps1
4: Proposition de l’estimé initial X0
5: k=0
6: Sauvegarde de Xs=X(k)
7: Pour i=1 jusqu’à n
(bi - {j; j[1,n]/ji}aijx(k)
j)/ai,i = xi
(k+1)
8: Fin de pour
9: xmax=max{|X(k+1)-X(k)|}
10: Si xmax1 alors Impression de X(k+1); Arrêt
11: Sinon aller à (7) 27
Systèmes linéaires (Méthodes itératives- méthode Gauss-Seidel)
Donc pour un estimé initial à k=0 donc X0=(x0
1, · · · , x0
n)T, nous avons :
(bi - {j; j[1,n]/ji}aijx(k)
j)/ai,i = xi
(k+1)
Pour k, nous pouvons espérer satisfaire les transformations successives qui améliorerons la recherche
du vecteur solution X(k) en dépendance de valeurs précédentes du vecteur estimé X(k-1).
L’algorithme global de la méthode est l’encadré suivant.
La condition d’arrêt du phénomène de transformation est définie par :
|X(k) – X(k-1)|11 ou |(X(k) – X(k-1))/X(k)|21 avec 1 et 2 des valeurs réelles petites.
Program Gseidel
parameter(ITERMAX=500) ! Nombre maximal des itérations
Integer:: N, Iter, i, j, Sol
Real,allocatable:: A(:,:)
Real,allocatable:: X(:), B(:)
Real Xs, Dmax, Eps
! Lecture et saisie des coefficients de A et de C
PRINT *, "Introduire le nombre d‘équations (N):"
READ (*,*) N
allocate(A(N,N),B(N),X(N))
PRINT *,"Introduire les coefficients de la matrice [A(I,J)]:"
READ (*,*) ((A(I,J),J=1,N),I=1,N)
28
Systèmes linéaires (Méthodes itératives- méthode Gauss-Seidel)
PRINT *,"Introduire les composantes du vecteur [B(I)]:"
READ (*,*) (B(I),I=1,N)
! Saisie de l’estimé initial
PRINT *,"Introduire le vecteur estime initial [X(0)]:"
READ (*,*) (X(I),I=1,N)
PRINT *,"Introduire la valeur du Epsilon"
READ (*,*) Eps
! Initialisation des itérations
Iter=0
Dmax=0.
Sol=2
do while (Sol == 2)
Do i=1,N
Xs = X(i)
S=0
Do j=1,N
If (j /= i) then
S = S + A(i,j)*X(j)
End if
End do
X(i) = (B(i)-S)/A(i,i)
Xs = ABS(X(i) - Xs)
… Suite
29
Systèmes linéaires (Méthodes itératives- méthode Gauss-Seidel)
! Test sur la valeur de l’écart par rapport à Dmax
If (Xs > Dmax) then
Dmax = Xs
End if
End do
If (Dmax > Eps) then
Iter=Iter + 1
If (Iter>ITERMAX) Then
Sol=-1
End if
Else
! Le calcul converge, solution existe
PRINT *, "Vecteur solution X est donne par :"
Do i=1,N
Print *,"X(",i,") = ",X(i)
End do
Sol=0
End if
End do
End program GSeidel
Soit l’exemple suivant avec X(0)=0
4x1 + x2 - x3 = 3
2x1 + 7 x2 + x3 = 19
x1 - 3 x2 +12 x3 = 31
… Suite
30
Systèmes non-linéaires (Méthode variationnelle)
Un système d’équations non linéaires SENL (ζ) est la composition
faite de m équations non-linéaires :
f1(X) = 1(X)
f2(X) = 2(X)
….
fm(X) = m(X)
où X={x1, x2, … xp} sont les p inconnues du système alors que 1, 2, … ,n sont les m fonctions du second
membre, elles même dépendantes de X. Géométriquement, les m équations représentent les m courbes
(α, β, …) en intersection dans un référentiel R n.
Les systèmes non linéaires sont plus difficiles à étudier que les systèmes linéaires. Néanmoins, en
linéarisant (cas de systèmes linéarisable) un SNL, autour d'un point A de considération finie (situation ou
état du système), on obtient un système linéaire qui correspond à une approximation grossière du système
non linéaire d’origine. Cette approche a atteint sa maturité dans le livre de H.W.Bode (1905-1982) à la fin de
la IIème guerre mondiale. Les travaux de R.E.Bellman (1920-1984), L.S.Pontryagin et al (1908-1988) surtout
de R.Kalman (1930) ont conduit, nombre d'automaticiens à privilégier la représentation d‘espace d’état à
partir des années 1960. Un système est non linéaire s’il se comporte non linéairement par rapport à ses
composantes intrinsèques.
Bode
Bellman KalmanPontryagin
31
Systèmes non-linéaires (Méthode variationnelle)
PRINCIPE DE LA LINEARITE DES SYSTEMES
Principe de proportionnalité : si s(t) est la réponse à l'entrée e(t)
alors λ*s(t) est la réponse à l'entrée λ*e(t).
Principe de superposition : si s1(t) est la réponse à l'entrée e1(t)
et s2(t) est la réponse à l'entrée e2(t) alors [s1(t) + s2(t)] est la
réponse à l'entrée [e1(t) + e2(t)].
Allure de la courbe d’un SNL : pour un système NON linéaire,
en régime nominal (en fonctionnement normal et sans
excitation perturbatrice), la courbe s = f(e) n’est pas une
droite. Un système SNL est continu, par opposition à un SNL
dit discret, lorsque les variations de ses composantes sont
continûment observable dans le cadre de son domaine de
définition δ.
Un système est invariant (stationnaire) si ses caractéristiques
sont insensibles aux changements du temps.
selon ces faits, le système linéaire SL reflète les mêmes
réactions indépendamment du temps.
La forme d’équation donnée par :
f(X) = C
Est dite non linéaire si elle n’est pas une application linéaire
vérifiant les condition de superposition et de proportionnalité.
L'équation est dite homogène si C=0.
Le définition f(X)=C est très générale au même moment que X
peut être toute composante du système sensible
mathématiquement (nombre, vecteur, fonction, … etc.), et
l’expression de f(X) peut avoir littéralement beaucoup de
formes, une forme récurrente, l'intégrale ou différentielle avec
association de contraintes (telles que les valeurs
initiales/limites). Si f(x) contient une différenciation par rapport
à X, le résultat sera une équation différentielle.
Une équation algébrique (polynomiale) non linéaire
donnée par
a.x3+b.x-3=0
Une équation non linéaire itérative est toujours la
résultante d’une écriture de type :
u(k+1) = g(u(k))
Une équation différentielle, quant à elle est donnée
par :
du/dx=-A*u3.
32
Systèmes non-linéaires (Méthode variationnelle)
Modélisation d’un système d’équation non-linéaires
Soit F={fi; i[1, m]} un système de fonctions non linéaires des n variables xk (tel que k[1, n]) définit dans un
domaine D résultant de l’union de p sous-domaine dj, D={dj; j[1, p]}.
On définit par :
F(X)=K un problème non linéaire (SNL) à résoudre. Si K est équivalente au vecteur 0, F est dit homogène. Si C
est l’ensemble des ci contraintes définies, chacune sur un domaine dj. F(X) peut être régit par C, dans ce cas on
parle de problème non linéaire contraint.
Dans le cas où le paramètre K est égal 0 et C est vide (C=), F(X) admet des zéros A(a0, a1, …, an) dans D.
Par la méthode de Newton-Raphson (NR), nous admettons, qu’autour d’un point X0, F(X) peut être explicitée par
son développement limité au sens Taylor et dont la forme est :
F(X0+DX0)  F(X0)+(1/1!).[F(X)X=Xo].X0+…+(X0)
D’où X0 est la plus bonne estimation de X* (solution exacte du problème), F(X) est dite NABLA F, Gradient du
système de fonctions fi, X0 étant l’écart entre X* et X0 et finalement (X0) représente le reste de Taylor, 
regroupe les dérivées d’ordres supérieur à 1 jusqu’à  (l’infini).
Si l’estimation est justifiée, (X0) tendra vers 0, puisque les termes 1/n! tend vers 0 (pour n≥2) quant n.
De ce fait on garde seulement la partie;
F(X0+X0)  F(X0)+(1/1!).[F(X)X=Xo].X0, (X0)  0
Et puisque F(X) est supposée égale à 0, nous aurons
F(X0)+(1/1!).[F(X)X=Xo].X0  0  [F(X)X=Xo].X0  - F(X0)
Si on note (F(X)X=Xo)=J(X0) on a J(X0).X0  - F(X0) d’où X0  - [J(X0)]-1.F(X0) et X = X0+X0.
33
Systèmes non-linéaires (Méthode variationnelle)
Formalisation
Pour un système F(X)=f(x)=0 (Cas de système à une fonction à une variable), nous avons :
f(x) = 0  f(x) = f(x0 + h) ≈ f(x0) + (f(x))’
(x0) .h, avec h=(x-x0).
x ≈ x0 + h ≈ x0 + f(x0)/(f(x0))’
Graphiquement, L’estimé initial est pris comme première
approximation de la solution, alors, par récurrence h est
recalculer de manière à corriger (par une quantité h  f(x0)/(f(x0))’)
pour un sens de déplacement pour ainsi atteindre la solution.
De manière générale, nous calculerons J(X0) dite matrice
Jacobéenne du système.
X = X0 + X0 = X0 + (- [J(X0)]-1.F(X0)])
La formule de récurence donne les estimés successifs;
Xk+1 = Xk + Xk = Xk + (- [J(Xk)]-1.F(Xk)])
Le calcul est arrêté si et seulement si Xk tend vers zéro ou est
assimilable à une petite valeur 1 en valeur absolue (|Xk| 1).
ou encore (|Xk / Xk+1| 2). Ces deux conditions sont dites CONDITIONS D’ARRET, et le
déterminant de
de J est Jacobéen (|J(X)|). 34
Systèmes non-linéaires (Méthode variationnelle)
Problème type :
Un fournisseur de service GSM veut développer une nouvelle stratégie en faveur de ses
clients de marque. Pour cela, il pensa à vérifier si les emplacements de ses cellules
(antennes et équipements afférents) sont dans les recommandations optimales de
localisation. La répartition de ses clients dépend des localités où ceux-ci exercent leur
activités. La nouvelle stratégie consiste à favoriser le client selon un profil des activités
contractées et en cours avec le fournisseur. Pour cela, répartir les antennes d’une
manière optimale selon la distance la plus courte possible des clients en question.
Formalisation
D={dip} : Vecteurs des distances qui séparent les différents antennes ai de l’antenne
principale ap(au nombre de m composantes)
xi ,yi : étant les coordonnées du point ai d’une antenne. La distance est donnée par :
dij = ([(xj-xi)2+(yj-yi)2]^(1/2)) : distance d’un point i à un point j
S=dij
2 : Somme des distances à minimiser représente la fonction à optimiser.
Conditions de couverture, zone d’ombre (conditions techniques)
Représentation graphique du problème de la
localisation optimale des antennes.
Exemple d’antenne utilisées pour les GSM.
35
Processus de convergence des valeurs
de x vers la solution x*
Systèmes non-linéaires (Méthode variationnelle)
Problème type :
Un fournisseur de service GSM veut développer une nouvelle stratégie en faveur de ses
clients de marque. Pour cela, il pensa à vérifier si les emplacements de ses cellules
(antennes et équipements afférents) sont dans les recommandations optimales de
localisation. La répartition de ses clients dépend des localités où ceux-ci exercent leur
activités. La nouvelle stratégie consiste à favoriser le client selon un profil des activités
contractées et en cours avec le fournisseur. Pour cela, répartir les antennes d’une
manière optimale selon la distance la plus courte possible des clients en question.
36
L’algorithme NR est donné par :
1. Demander X0, 
2. Mettre k=0
3. Répéter
4. Evaluer Xk+1 (à la précision désirée)
5. Si (f ’(Xk) = 0) alors Terminer
a) Xk=Xk+1
b) Xk+1 = Xk +(- [J(Xk)]-1.F(Xk)])
6. Tant que Xk≥
7. Afficher Xk+1
La méthode NR est l’une des méthode les plus simple à implémenter, très simple
d’utilisation et efficace numériquement. Beaucoup de variantes existent
(Fletcher-Powell, Bellman, …)
Isaac NEWTON
(1642 −1727)
Joseph Raphson
(1648-1715)
Processus de convergence des valeurs
de x vers la solution x*
program NR
! Déclaration
real, parameter::error =1e-4
integer::k
real::xo,x1,f,fd
! Debut du traitement
read*,xo
k=1
10 x1=xo-(f(xo)/fd(xo))
if (abs((x1-xo)/x1)<error)then
print*,"racine est égale a ", x1 , " obtenue en iteration=", k
else
xo=x1
k=k+1
goto 10
endif
End program NR
real function f(x)
real::x
f = x**3-x-1
End
real function fd(x)
real::x
fd = 3*x**2-1
End
Systèmes non-linéaires (Méthode variationnelle)
Cas de fonction à une variable :
Soit la fonction :
f(x)= x3-x-1
Il est nécessaire de décider sur le sort de
la valeur initiale afin de déterminer la
racine. L’illustration graphique peut dans
ce cas simple aider. On note que
f(1)=−1<0 alors que f(2)=5>0. Cependant,
la racine pour f(x)=0 doit existée dans
l’intervalle [1, 2].
Si on prend x0=1 en tant que valeur initial.
Nous pouvant déterminer la solution en
utilisant la méthode NR.
Selon la méthode NR, nous détermineront
que la racine de f est 1.324718 à 6
décimales.
37
Valeur initiale x0
program NR
real, parameter::error =1e-4
integer::k
real::xo,x1,f,fd
read*,xo
k=1
10 x1=xo-(f(xo)/fd(xo))
if (abs((x1-xo)/x1)<error)then
print*,“La racine est égale a “
print*, x1
print*, " obtenue en iteration=", k
else
xo=x1
print*,“Estime suivant “, x1, “ iteration=", k
k=k+1
goto 10
endif
End program NR
real function f(x)
real::x
f = x**3-x-1
End
real function fd(x)
real::x
fd = 3*x**2-1
End
Systèmes non-linéaires (Méthode variationnelle)
Cas de fonction à une variable :
Soit la fonction :
f(x)= x3-x-1
Il est nécessaire de décider sur le sort de
la valeur initiale afin de déterminer la
racine. L’illustration graphique peut dans
ce cas simple aider. On note que
f(1)=−1<0 alors que f(2)=5>0. Cependant,
la racine pour f(x)=0 doit existée dans
l’intervalle [1, 2].
Si on prend, maintenant x0=4 en tant que
valeur initial. Nous pouvant déterminer la
solution en utilisant la méthode NR.
Nous aurons 1.324718 comme racine de f.
Valeur initiale x0
38
Interpolation & approximation (Statistique, Lissage, Extrapolation)
Interpolation des fonctions :
39
MERCI POUR VOTRE ATTENTION
Fin du douzième chapitre
A suivre …
40
Références
L.-V. Bertallanfy, ‘General System Theory’, Edition MASSON, 1972.
41

Contenu connexe

Tendances

Guide technique-sst
Guide technique-sstGuide technique-sst
Guide technique-sstSUMPPS
 
AWSでGPUも安く大量に使い倒せ
AWSでGPUも安く大量に使い倒せ AWSでGPUも安く大量に使い倒せ
AWSでGPUも安く大量に使い倒せ Yasuhiro Matsuo
 
Data-Centric AI開発における データ生成の取り組み
Data-Centric AI開発における データ生成の取り組みData-Centric AI開発における データ生成の取り組み
Data-Centric AI開発における データ生成の取り組みTakeshi Suzuki
 
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation 「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation Takumi Ohkuma
 
Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情
Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情
Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情NVIDIA Japan
 
L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particuleschagra bassem
 
Guide De LéLingeur
Guide De LéLingeurGuide De LéLingeur
Guide De LéLingeuryouri59490
 
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編Daiyu Hatakeyama
 
Ingénierie de la sécurité incendie
Ingénierie de la sécurité incendieIngénierie de la sécurité incendie
Ingénierie de la sécurité incendieProfesseur Falloul
 
Etude d impact sur l environnement
Etude d impact sur l environnementEtude d impact sur l environnement
Etude d impact sur l environnementjabbouriyassir01
 
LES RISQUES DU BRUIT ET VIBRATION
LES RISQUES DU BRUIT ET VIBRATION LES RISQUES DU BRUIT ET VIBRATION
LES RISQUES DU BRUIT ET VIBRATION hammani bachir
 
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"Hajime Mihara
 
FORMATION SUR LES PICTOGRAMMES DE SECURITE KKW.pptx
FORMATION SUR LES PICTOGRAMMES DE SECURITE KKW.pptxFORMATION SUR LES PICTOGRAMMES DE SECURITE KKW.pptx
FORMATION SUR LES PICTOGRAMMES DE SECURITE KKW.pptxKOUADIO WILLIAMS KOUAME
 
Presentation PPT (1).pptx
Presentation PPT (1).pptxPresentation PPT (1).pptx
Presentation PPT (1).pptxMohamed854100
 
Conception d'un objet électronique - Présentation adulte
Conception d'un objet électronique - Présentation adulteConception d'un objet électronique - Présentation adulte
Conception d'un objet électronique - Présentation adultePeronnin Eric
 
Les Ontologies dans les Systèmes d’Information
Les Ontologies dans les Systèmes d’InformationLes Ontologies dans les Systèmes d’Information
Les Ontologies dans les Systèmes d’Informationcatherine roussey
 

Tendances (20)

Guide technique-sst
Guide technique-sstGuide technique-sst
Guide technique-sst
 
L'algorithme du Recuit simule
L'algorithme du Recuit simuleL'algorithme du Recuit simule
L'algorithme du Recuit simule
 
AWSでGPUも安く大量に使い倒せ
AWSでGPUも安く大量に使い倒せ AWSでGPUも安く大量に使い倒せ
AWSでGPUも安く大量に使い倒せ
 
Data-Centric AI開発における データ生成の取り組み
Data-Centric AI開発における データ生成の取り組みData-Centric AI開発における データ生成の取り組み
Data-Centric AI開発における データ生成の取り組み
 
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation 「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
 
Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情
Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情
Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情
 
L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particules
 
Guide De LéLingeur
Guide De LéLingeurGuide De LéLingeur
Guide De LéLingeur
 
Cours fondement du multimedia
Cours fondement du multimediaCours fondement du multimedia
Cours fondement du multimedia
 
Support de cours évacuation
Support de cours évacuationSupport de cours évacuation
Support de cours évacuation
 
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
 
Ingénierie de la sécurité incendie
Ingénierie de la sécurité incendieIngénierie de la sécurité incendie
Ingénierie de la sécurité incendie
 
cours securité.pptx
cours securité.pptxcours securité.pptx
cours securité.pptx
 
Etude d impact sur l environnement
Etude d impact sur l environnementEtude d impact sur l environnement
Etude d impact sur l environnement
 
LES RISQUES DU BRUIT ET VIBRATION
LES RISQUES DU BRUIT ET VIBRATION LES RISQUES DU BRUIT ET VIBRATION
LES RISQUES DU BRUIT ET VIBRATION
 
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
 
FORMATION SUR LES PICTOGRAMMES DE SECURITE KKW.pptx
FORMATION SUR LES PICTOGRAMMES DE SECURITE KKW.pptxFORMATION SUR LES PICTOGRAMMES DE SECURITE KKW.pptx
FORMATION SUR LES PICTOGRAMMES DE SECURITE KKW.pptx
 
Presentation PPT (1).pptx
Presentation PPT (1).pptxPresentation PPT (1).pptx
Presentation PPT (1).pptx
 
Conception d'un objet électronique - Présentation adulte
Conception d'un objet électronique - Présentation adulteConception d'un objet électronique - Présentation adulte
Conception d'un objet électronique - Présentation adulte
 
Les Ontologies dans les Systèmes d’Information
Les Ontologies dans les Systèmes d’InformationLes Ontologies dans les Systèmes d’Information
Les Ontologies dans les Systèmes d’Information
 

En vedette

Analyse Numérique – TP
Analyse Numérique – TP Analyse Numérique – TP
Analyse Numérique – TP Mohammed TAMALI
 
Universitaire, Intellectuel & Instruit
Universitaire, Intellectuel & InstruitUniversitaire, Intellectuel & Instruit
Universitaire, Intellectuel & InstruitMohammed TAMALI
 
Étudiant Algérien dans la théorie des systèmes. (Lancement d’entreprise)
Étudiant Algérien dans la théorie des systèmes. (Lancement d’entreprise)Étudiant Algérien dans la théorie des systèmes. (Lancement d’entreprise)
Étudiant Algérien dans la théorie des systèmes. (Lancement d’entreprise)Mohammed TAMALI
 
Chap XIV : Calcul parallèle (Fondements & Principe d'utilisation)
Chap XIV : Calcul parallèle (Fondements & Principe d'utilisation)Chap XIV : Calcul parallèle (Fondements & Principe d'utilisation)
Chap XIV : Calcul parallèle (Fondements & Principe d'utilisation)Mohammed TAMALI
 
ÉTUDE ET DIMENTIONNEMENT D’UN SUIVEUR SOLAIRE POUR LA GÉNÉRATION D’ÉNERGIE PV
ÉTUDE ET DIMENTIONNEMENT D’UN SUIVEUR SOLAIRE POUR LA GÉNÉRATION D’ÉNERGIE PVÉTUDE ET DIMENTIONNEMENT D’UN SUIVEUR SOLAIRE POUR LA GÉNÉRATION D’ÉNERGIE PV
ÉTUDE ET DIMENTIONNEMENT D’UN SUIVEUR SOLAIRE POUR LA GÉNÉRATION D’ÉNERGIE PVMohammed TAMALI
 
Chap IV : Théorie des graphes
Chap IV : Théorie des graphesChap IV : Théorie des graphes
Chap IV : Théorie des graphesMohammed TAMALI
 
Chap I : Cours de Modélisation & Simulation des processus
Chap I : Cours de Modélisation & Simulation des processusChap I : Cours de Modélisation & Simulation des processus
Chap I : Cours de Modélisation & Simulation des processusMohammed TAMALI
 
Chap II : Cours de Modélisation & Simulation des processus
Chap II : Cours de Modélisation & Simulation des processusChap II : Cours de Modélisation & Simulation des processus
Chap II : Cours de Modélisation & Simulation des processusMohammed TAMALI
 
Examen Master CCV : Méthode et Plan d'Expériences
Examen Master CCV : Méthode et Plan d'ExpériencesExamen Master CCV : Méthode et Plan d'Expériences
Examen Master CCV : Méthode et Plan d'ExpériencesMohammed TAMALI
 
Chap V : Modélisation & Optimisation Des réseaux electriques (Concepts de bas...
Chap V : Modélisation & Optimisation Des réseaux electriques (Concepts de bas...Chap V : Modélisation & Optimisation Des réseaux electriques (Concepts de bas...
Chap V : Modélisation & Optimisation Des réseaux electriques (Concepts de bas...Mohammed TAMALI
 
Chap VI : Les SIG, Système d'Information Géographique
Chap VI : Les SIG, Système d'Information GéographiqueChap VI : Les SIG, Système d'Information Géographique
Chap VI : Les SIG, Système d'Information GéographiqueMohammed TAMALI
 
Chap III : Cours de Modélisation & Simulation des systèmes
Chap III : Cours de Modélisation & Simulation des systèmesChap III : Cours de Modélisation & Simulation des systèmes
Chap III : Cours de Modélisation & Simulation des systèmesMohammed TAMALI
 
Chap XI : Outils de Simulation des modes opératoires (Plans d’expériences)
Chap XI : Outils de Simulation des modes opératoires (Plans d’expériences)Chap XI : Outils de Simulation des modes opératoires (Plans d’expériences)
Chap XI : Outils de Simulation des modes opératoires (Plans d’expériences)Mohammed TAMALI
 
Chap XIII : calcul scientifique avec python
Chap XIII : calcul scientifique avec pythonChap XIII : calcul scientifique avec python
Chap XIII : calcul scientifique avec pythonMohammed TAMALI
 
Magister kharroubi larbi
Magister kharroubi larbiMagister kharroubi larbi
Magister kharroubi larbilarbi Aziz
 

En vedette (16)

Analyse Numérique – TP
Analyse Numérique – TP Analyse Numérique – TP
Analyse Numérique – TP
 
Universitaire, Intellectuel & Instruit
Universitaire, Intellectuel & InstruitUniversitaire, Intellectuel & Instruit
Universitaire, Intellectuel & Instruit
 
Étudiant Algérien dans la théorie des systèmes. (Lancement d’entreprise)
Étudiant Algérien dans la théorie des systèmes. (Lancement d’entreprise)Étudiant Algérien dans la théorie des systèmes. (Lancement d’entreprise)
Étudiant Algérien dans la théorie des systèmes. (Lancement d’entreprise)
 
Chap XIV : Calcul parallèle (Fondements & Principe d'utilisation)
Chap XIV : Calcul parallèle (Fondements & Principe d'utilisation)Chap XIV : Calcul parallèle (Fondements & Principe d'utilisation)
Chap XIV : Calcul parallèle (Fondements & Principe d'utilisation)
 
CV Updated 2015
CV Updated 2015CV Updated 2015
CV Updated 2015
 
ÉTUDE ET DIMENTIONNEMENT D’UN SUIVEUR SOLAIRE POUR LA GÉNÉRATION D’ÉNERGIE PV
ÉTUDE ET DIMENTIONNEMENT D’UN SUIVEUR SOLAIRE POUR LA GÉNÉRATION D’ÉNERGIE PVÉTUDE ET DIMENTIONNEMENT D’UN SUIVEUR SOLAIRE POUR LA GÉNÉRATION D’ÉNERGIE PV
ÉTUDE ET DIMENTIONNEMENT D’UN SUIVEUR SOLAIRE POUR LA GÉNÉRATION D’ÉNERGIE PV
 
Chap IV : Théorie des graphes
Chap IV : Théorie des graphesChap IV : Théorie des graphes
Chap IV : Théorie des graphes
 
Chap I : Cours de Modélisation & Simulation des processus
Chap I : Cours de Modélisation & Simulation des processusChap I : Cours de Modélisation & Simulation des processus
Chap I : Cours de Modélisation & Simulation des processus
 
Chap II : Cours de Modélisation & Simulation des processus
Chap II : Cours de Modélisation & Simulation des processusChap II : Cours de Modélisation & Simulation des processus
Chap II : Cours de Modélisation & Simulation des processus
 
Examen Master CCV : Méthode et Plan d'Expériences
Examen Master CCV : Méthode et Plan d'ExpériencesExamen Master CCV : Méthode et Plan d'Expériences
Examen Master CCV : Méthode et Plan d'Expériences
 
Chap V : Modélisation & Optimisation Des réseaux electriques (Concepts de bas...
Chap V : Modélisation & Optimisation Des réseaux electriques (Concepts de bas...Chap V : Modélisation & Optimisation Des réseaux electriques (Concepts de bas...
Chap V : Modélisation & Optimisation Des réseaux electriques (Concepts de bas...
 
Chap VI : Les SIG, Système d'Information Géographique
Chap VI : Les SIG, Système d'Information GéographiqueChap VI : Les SIG, Système d'Information Géographique
Chap VI : Les SIG, Système d'Information Géographique
 
Chap III : Cours de Modélisation & Simulation des systèmes
Chap III : Cours de Modélisation & Simulation des systèmesChap III : Cours de Modélisation & Simulation des systèmes
Chap III : Cours de Modélisation & Simulation des systèmes
 
Chap XI : Outils de Simulation des modes opératoires (Plans d’expériences)
Chap XI : Outils de Simulation des modes opératoires (Plans d’expériences)Chap XI : Outils de Simulation des modes opératoires (Plans d’expériences)
Chap XI : Outils de Simulation des modes opératoires (Plans d’expériences)
 
Chap XIII : calcul scientifique avec python
Chap XIII : calcul scientifique avec pythonChap XIII : calcul scientifique avec python
Chap XIII : calcul scientifique avec python
 
Magister kharroubi larbi
Magister kharroubi larbiMagister kharroubi larbi
Magister kharroubi larbi
 

Similaire à Chap XII Analyse Numerique

Chap10 : Outils de Simulation Cas des CAD 3D Concepts de base & fondements.
Chap10 : Outils de Simulation Cas des CAD 3D Concepts de base & fondements.Chap10 : Outils de Simulation Cas des CAD 3D Concepts de base & fondements.
Chap10 : Outils de Simulation Cas des CAD 3D Concepts de base & fondements.Mohammed TAMALI
 
cours logiciels de simulation.docx
cours logiciels de simulation.docxcours logiciels de simulation.docx
cours logiciels de simulation.docxssuser0dbd4e
 
Chapitre 1 - Introcution & cycles de développement - Etudiant.pptx
Chapitre 1 - Introcution & cycles de développement - Etudiant.pptxChapitre 1 - Introcution & cycles de développement - Etudiant.pptx
Chapitre 1 - Introcution & cycles de développement - Etudiant.pptxssuserec8501
 
Rapport Splunk.pdf
Rapport Splunk.pdfRapport Splunk.pdf
Rapport Splunk.pdfHichemKhalfi
 
Prototype rapport
Prototype rapportPrototype rapport
Prototype rapportInes Ouaz
 
Programmation linéniaire
Programmation linéniaire Programmation linéniaire
Programmation linéniaire Mohammed Zaoui
 
Article de référence de Winston Royce
Article de référence de Winston RoyceArticle de référence de Winston Royce
Article de référence de Winston RoyceFabrice Aimetti
 
dt_medecine_personalis.pptx
dt_medecine_personalis.pptxdt_medecine_personalis.pptx
dt_medecine_personalis.pptxnour91922
 
Gl slides-cours-1
Gl slides-cours-1Gl slides-cours-1
Gl slides-cours-1Sami Neili
 
Génie Logiciel.pptx
Génie Logiciel.pptxGénie Logiciel.pptx
Génie Logiciel.pptxLatifaBen6
 
Analyse des besoins et gestion des projets besoin.pdf
Analyse des besoins et gestion des projets besoin.pdfAnalyse des besoins et gestion des projets besoin.pdf
Analyse des besoins et gestion des projets besoin.pdfJordaniMike
 
coursABGP-miage-1112-4p1.pdf
coursABGP-miage-1112-4p1.pdfcoursABGP-miage-1112-4p1.pdf
coursABGP-miage-1112-4p1.pdfHervKoya
 
Le Contrôle Interne Assisté par Ordinateur
Le Contrôle Interne Assisté par OrdinateurLe Contrôle Interne Assisté par Ordinateur
Le Contrôle Interne Assisté par Ordinateurmohammed EZZOUAK
 
Logiciel libre de simulation a événement discret
Logiciel libre de simulation a événement discret Logiciel libre de simulation a événement discret
Logiciel libre de simulation a événement discret Anis Nouri
 
Soubki projet
Soubki projetSoubki projet
Soubki projets1kor
 
Initiation à UML: Partie 1
Initiation à UML: Partie 1Initiation à UML: Partie 1
Initiation à UML: Partie 1DIALLO Boubacar
 
Nos Systèmes by Fing : "Kit d'auto-évaluation des algorithmes"
Nos Systèmes by Fing : "Kit d'auto-évaluation des algorithmes"Nos Systèmes by Fing : "Kit d'auto-évaluation des algorithmes"
Nos Systèmes by Fing : "Kit d'auto-évaluation des algorithmes"Fing
 

Similaire à Chap XII Analyse Numerique (20)

Chap10 : Outils de Simulation Cas des CAD 3D Concepts de base & fondements.
Chap10 : Outils de Simulation Cas des CAD 3D Concepts de base & fondements.Chap10 : Outils de Simulation Cas des CAD 3D Concepts de base & fondements.
Chap10 : Outils de Simulation Cas des CAD 3D Concepts de base & fondements.
 
Tp1 6-141218060317-conversion-gate02
Tp1 6-141218060317-conversion-gate02Tp1 6-141218060317-conversion-gate02
Tp1 6-141218060317-conversion-gate02
 
cours logiciels de simulation.docx
cours logiciels de simulation.docxcours logiciels de simulation.docx
cours logiciels de simulation.docx
 
Chapitre 1 - Introcution & cycles de développement - Etudiant.pptx
Chapitre 1 - Introcution & cycles de développement - Etudiant.pptxChapitre 1 - Introcution & cycles de développement - Etudiant.pptx
Chapitre 1 - Introcution & cycles de développement - Etudiant.pptx
 
Conception d'un Extranet
Conception d'un ExtranetConception d'un Extranet
Conception d'un Extranet
 
Rapport Splunk.pdf
Rapport Splunk.pdfRapport Splunk.pdf
Rapport Splunk.pdf
 
Prototype rapport
Prototype rapportPrototype rapport
Prototype rapport
 
Programmation linéniaire
Programmation linéniaire Programmation linéniaire
Programmation linéniaire
 
Article de référence de Winston Royce
Article de référence de Winston RoyceArticle de référence de Winston Royce
Article de référence de Winston Royce
 
dt_medecine_personalis.pptx
dt_medecine_personalis.pptxdt_medecine_personalis.pptx
dt_medecine_personalis.pptx
 
Gl slides-cours-1
Gl slides-cours-1Gl slides-cours-1
Gl slides-cours-1
 
Debli technology 2
Debli technology 2Debli technology 2
Debli technology 2
 
Génie Logiciel.pptx
Génie Logiciel.pptxGénie Logiciel.pptx
Génie Logiciel.pptx
 
Analyse des besoins et gestion des projets besoin.pdf
Analyse des besoins et gestion des projets besoin.pdfAnalyse des besoins et gestion des projets besoin.pdf
Analyse des besoins et gestion des projets besoin.pdf
 
coursABGP-miage-1112-4p1.pdf
coursABGP-miage-1112-4p1.pdfcoursABGP-miage-1112-4p1.pdf
coursABGP-miage-1112-4p1.pdf
 
Le Contrôle Interne Assisté par Ordinateur
Le Contrôle Interne Assisté par OrdinateurLe Contrôle Interne Assisté par Ordinateur
Le Contrôle Interne Assisté par Ordinateur
 
Logiciel libre de simulation a événement discret
Logiciel libre de simulation a événement discret Logiciel libre de simulation a événement discret
Logiciel libre de simulation a événement discret
 
Soubki projet
Soubki projetSoubki projet
Soubki projet
 
Initiation à UML: Partie 1
Initiation à UML: Partie 1Initiation à UML: Partie 1
Initiation à UML: Partie 1
 
Nos Systèmes by Fing : "Kit d'auto-évaluation des algorithmes"
Nos Systèmes by Fing : "Kit d'auto-évaluation des algorithmes"Nos Systèmes by Fing : "Kit d'auto-évaluation des algorithmes"
Nos Systèmes by Fing : "Kit d'auto-évaluation des algorithmes"
 

Plus de Mohammed TAMALI

Chap XVI-RedactionMemoire.pdf
Chap XVI-RedactionMemoire.pdfChap XVI-RedactionMemoire.pdf
Chap XVI-RedactionMemoire.pdfMohammed TAMALI
 
Chap XI-Optimisation.pdf
Chap XI-Optimisation.pdfChap XI-Optimisation.pdf
Chap XI-Optimisation.pdfMohammed TAMALI
 
Outils GPL de Modélisation & Simulation
Outils GPL de Modélisation & SimulationOutils GPL de Modélisation & Simulation
Outils GPL de Modélisation & SimulationMohammed TAMALI
 
Chap XVI - redaction mémoire
Chap XVI - redaction mémoireChap XVI - redaction mémoire
Chap XVI - redaction mémoireMohammed TAMALI
 
Chap VI 1-Elements de Pratique des SIG sous QGIS
Chap VI 1-Elements de Pratique des SIG sous QGISChap VI 1-Elements de Pratique des SIG sous QGIS
Chap VI 1-Elements de Pratique des SIG sous QGISMohammed TAMALI
 
Chap VI SIG, Système d'Information Géographique, les bases
Chap VI SIG, Système d'Information Géographique, les basesChap VI SIG, Système d'Information Géographique, les bases
Chap VI SIG, Système d'Information Géographique, les basesMohammed TAMALI
 
Informatique pour école de Médecine Cours : TD & TP
Informatique pour école de Médecine Cours : TD & TPInformatique pour école de Médecine Cours : TD & TP
Informatique pour école de Médecine Cours : TD & TPMohammed TAMALI
 
Informatique pour école de Médecine Cours : Concepts de bases
Informatique pour école de Médecine Cours : Concepts de basesInformatique pour école de Médecine Cours : Concepts de bases
Informatique pour école de Médecine Cours : Concepts de basesMohammed TAMALI
 
Chap VI SIG-Travaux Pratiques
Chap VI SIG-Travaux PratiquesChap VI SIG-Travaux Pratiques
Chap VI SIG-Travaux PratiquesMohammed TAMALI
 
Sipe12 : Pour une didactique BIO (Pédagogie & Efficaité energetique)
Sipe12 : Pour une didactique BIO (Pédagogie & Efficaité energetique)Sipe12 : Pour une didactique BIO (Pédagogie & Efficaité energetique)
Sipe12 : Pour une didactique BIO (Pédagogie & Efficaité energetique)Mohammed TAMALI
 
Je TIC au passé, présent et au futur, Journée du 23/12/2014
Je TIC au passé,  présent et au futur, Journée du 23/12/2014Je TIC au passé,  présent et au futur, Journée du 23/12/2014
Je TIC au passé, présent et au futur, Journée du 23/12/2014Mohammed TAMALI
 
Chap9 : Systèmes non linéaires
Chap9 : Systèmes non linéairesChap9 : Systèmes non linéaires
Chap9 : Systèmes non linéairesMohammed TAMALI
 
CHAPITRE VIII : Systèmes linéaires Modélisation & Simulation
CHAPITRE VIII :  Systèmes linéaires Modélisation & SimulationCHAPITRE VIII :  Systèmes linéaires Modélisation & Simulation
CHAPITRE VIII : Systèmes linéaires Modélisation & SimulationMohammed TAMALI
 
Chap7 : Evaluation des performances, Concepts de base & fondements Modélisati...
Chap7 : Evaluation des performances, Concepts de base & fondements Modélisati...Chap7 : Evaluation des performances, Concepts de base & fondements Modélisati...
Chap7 : Evaluation des performances, Concepts de base & fondements Modélisati...Mohammed TAMALI
 
Recherche Opérationnelle - Optimisation (notions de base)
Recherche Opérationnelle - Optimisation (notions de base)Recherche Opérationnelle - Optimisation (notions de base)
Recherche Opérationnelle - Optimisation (notions de base)Mohammed TAMALI
 

Plus de Mohammed TAMALI (16)

Chap XVI-RedactionMemoire.pdf
Chap XVI-RedactionMemoire.pdfChap XVI-RedactionMemoire.pdf
Chap XVI-RedactionMemoire.pdf
 
Chap XI-Optimisation.pdf
Chap XI-Optimisation.pdfChap XI-Optimisation.pdf
Chap XI-Optimisation.pdf
 
Outils GPL de Modélisation & Simulation
Outils GPL de Modélisation & SimulationOutils GPL de Modélisation & Simulation
Outils GPL de Modélisation & Simulation
 
Chap XVI - redaction mémoire
Chap XVI - redaction mémoireChap XVI - redaction mémoire
Chap XVI - redaction mémoire
 
Chap VI 1-Elements de Pratique des SIG sous QGIS
Chap VI 1-Elements de Pratique des SIG sous QGISChap VI 1-Elements de Pratique des SIG sous QGIS
Chap VI 1-Elements de Pratique des SIG sous QGIS
 
Chap VI SIG, Système d'Information Géographique, les bases
Chap VI SIG, Système d'Information Géographique, les basesChap VI SIG, Système d'Information Géographique, les bases
Chap VI SIG, Système d'Information Géographique, les bases
 
Informatique pour école de Médecine Cours : TD & TP
Informatique pour école de Médecine Cours : TD & TPInformatique pour école de Médecine Cours : TD & TP
Informatique pour école de Médecine Cours : TD & TP
 
Informatique pour école de Médecine Cours : Concepts de bases
Informatique pour école de Médecine Cours : Concepts de basesInformatique pour école de Médecine Cours : Concepts de bases
Informatique pour école de Médecine Cours : Concepts de bases
 
Chap VI SIG-Travaux Pratiques
Chap VI SIG-Travaux PratiquesChap VI SIG-Travaux Pratiques
Chap VI SIG-Travaux Pratiques
 
Sipe12 : Pour une didactique BIO (Pédagogie & Efficaité energetique)
Sipe12 : Pour une didactique BIO (Pédagogie & Efficaité energetique)Sipe12 : Pour une didactique BIO (Pédagogie & Efficaité energetique)
Sipe12 : Pour une didactique BIO (Pédagogie & Efficaité energetique)
 
Je TIC au passé, présent et au futur, Journée du 23/12/2014
Je TIC au passé,  présent et au futur, Journée du 23/12/2014Je TIC au passé,  présent et au futur, Journée du 23/12/2014
Je TIC au passé, présent et au futur, Journée du 23/12/2014
 
Chap9 : Systèmes non linéaires
Chap9 : Systèmes non linéairesChap9 : Systèmes non linéaires
Chap9 : Systèmes non linéaires
 
CHAPITRE VIII : Systèmes linéaires Modélisation & Simulation
CHAPITRE VIII :  Systèmes linéaires Modélisation & SimulationCHAPITRE VIII :  Systèmes linéaires Modélisation & Simulation
CHAPITRE VIII : Systèmes linéaires Modélisation & Simulation
 
Exercices
ExercicesExercices
Exercices
 
Chap7 : Evaluation des performances, Concepts de base & fondements Modélisati...
Chap7 : Evaluation des performances, Concepts de base & fondements Modélisati...Chap7 : Evaluation des performances, Concepts de base & fondements Modélisati...
Chap7 : Evaluation des performances, Concepts de base & fondements Modélisati...
 
Recherche Opérationnelle - Optimisation (notions de base)
Recherche Opérationnelle - Optimisation (notions de base)Recherche Opérationnelle - Optimisation (notions de base)
Recherche Opérationnelle - Optimisation (notions de base)
 

Chap XII Analyse Numerique

  • 1. Version 3.0.0 Université de Béchar Laboratoire des Études Énergétiques en Zones Arides Équipe Modélisation & Simulation des Systèmes Cours réalisé par : Pr. TAMALI Mohammed, http://mtamali.wordpress.com/ Université de Béchar | FS&T (ENERGARID Lab./SimulIA)
  • 2. Presentation The University of Bechar was born in 1986 as the National Institutes of Higher Education (INES) in 1992 it becomes University Center and on January 07, 2007, it was officially declared as a University. Since then, many Research Teams have seen the day. In 2011, The Laboratory for Energy Systems Studies Applied to Arid Zones was run by a group of young and well motivated researchers (7 Research teams) to solve real problems affecting arid zones, SimulIA Team is one of them in the same laboratory. The Workload of SimulIA concern studies and applications of modeling and simulation of systems in Arid Areas. Research areas:  Energy & Environment (Modeling & Simulation)  Application of heat in arid zones  Energy economy.  Mapping and development of resources in arid zones.  SIMULIA for the task in the short term, to develop the computer code for modeling and simulation which can be accessed online. Website of the laboratory team: http://energarid.wordpress.com/ 2
  • 3. Généralités Caractéristiques des systèmes & Modélisation (Définitions, Typologie, Méthodologie) Domaines d’application Systèmes représentation des données Systèmes linéaires (Méthode directe, itérative,) Systèmes non-linéaires (Méthode variationnelle) Interpolation & approximation (Statistique, Lissage, Extrapolation) Intégration numérique Equation différentielle (Méthode d’Euler, Runge-Kutta) Conclusion Plan 3
  • 4. Généralités Les mathématiques appliquées et le calcul scientifique jouent un rôle croissant dans la conception de produits industriels; ce n’est cependant qu’un maillon d’une longue chaîne qui mobilise des ressources intellectuelles nombreuses et variées pour arriver à concevoir, au mieux et dans des délais impartis le produit désiré. Le niveau de complexité des systèmes est très élevé à un niveau où toute intégration sociale des produits résultants ne se ferait sans dégâts ni sans effets secondaires. En contre partie, la majorité des produits technologiques sont juste la solution immédiate de bon nombre de problèmes de la vie courante. L'avènement de produits, de grande consommation, comme l'informatique, l'Internet et les télécommunications, à chacun ses outils, a révolutionné les méthodologies de travail des équipes et laboratoires de recherches. Les outils et suites logiciels sont d’un grand secours aux travaux de modélisation et de simulation des processus. L'informatique et les moyens de conception sont les vecteurs qui ont provoqué une amélioration nette à la vitesse de mise en œuvre de moyens exploitables. Les logiciels de CAO (Conception Assistée par Ordinateur) ont joué un grand rôle dans le cours de développement de beaucoup de procédés (Modélisation) et ont facilité la compréhension de beaucoup phénomènes (Simulation). 4
  • 5. Caractéristiques des systèmes & Modélisation Modélisation Pour la modélisation, le système étudié est appelé système primaire. Son modèle (équivalent) est une représentation de la réalité et il est dit système secondaire. Par définition un modèle est une représentation simplifiée de la réalité. Le but majeur de cette opération c’est DÉCRIRE, PRÉDIRE, EXPLIQUER & RÉAGIR. Modélisation graphique C’est une stratégie modélisatrice des système utilisant le graphique comme langage et outil de travail. Finalité de la modélisation • Technique : fournir des spécifications claires pour produire, puis exploiter • Intellectuelle : fournir au métier, une utilité dans les structures sociétales. Lessuites logiciels desimulation Composition faites des deux entités, Les SYSTÈMES d’INFORMATION (Collections d’informations) et les MATHEMATIQUES (Collections d’algorithmes de calcul). C’est le moyen utilisé pour allié efficacité et utilisabilité des études et des coûts équivalents à une réelle expérimentation. Les objectifs sont généralement pour des stratégies d’aide à la décision. Courbes d’évolution d’un phénomène physique Modèle SIG d’une urbanisation Sous QGIS (GPL) Exemple Arduino ISP sous Fritzing (GPL) 5
  • 6. L’objet de ce chapitre est de mettre en évidence les principales difficultés liées à la pratique des calculs numériques sur ordinateur. Dans beaucoup de situations, il existe des méthodes spécifiques permettant d’accroître `a la fois l’efficacité et la précision des calculs. Ces équations sont souvent très complexes, et font intervenir énormément de paramètres. Elles sont en général impossible à résoudre de façon exacte (comme le serait une équation différentielle du second degré par exemple, modélisant le mouvement d’un pendule de longueur l : Le problème linéarisé pour de petits mouvements du pendule s’écrit en terme de x. Cette dernière équation peut, maintenant être résolue par (formule 2): On peut alors calculer x(t) (formule 3) pour tout temps de façon exacte (modulo les erreurs d’arrondi). Par contre on ne connaît pas de solution exacte de l’équation plus haut. L'analyse numérique est l'une des thématiques de la recherche opérationnelle, des sciences de l'ingénieur et de l'informatique. Logiciel de visualisation graphique Paraview (GPL) Canevas graphique Panneau des propriétés Ligne du temps, pour l’animation Barre d’outils Menu principal Caractéristiques des systèmes Formule 2 Formule 3 6
  • 7. Besoin : insatisfaction, nécessité, exigence, manque, nécessaire, indispensable. Sentiment de privation qui porte à désirer ce dont on croit manquer, nécessité impérieuse : exemple; Besoin de savoir, Chose considérée comme nécessaire à l'existence. Observation : apercevoir, percevoir, voir, considérer, surveiller, contempler Formalisation : Action de réduire un système de connaissances à des structures formelles. Modélisation : Établissement de modèles, notamment des modèles utilisés en automatique, en informatique, en recherche opérationnelle et en économie. Simulation : Représentation du comportement d'un processus physique, industriel, biologique, économique ou militaire au moyen d'un modèle matériel dont les paramètres et les variables sont les images de ceux du processus étudié. (Les modèles de simulation prennent le plus souvent la forme de programmes d'ordinateurs auxquels sont parfois associés des éléments de calcul analogique.) Optimisation : Action d'optimiser ou d'optimaliser ; fait d'être optimisé ou optimalisé. Démarche consistant à rendre optimal le fonctionnement d'un système Évaluation des performances : Évaluation des capacités d’interaction du système vis-à-vis d’un ensemble de données selon dans hypothèses prédéfinies. Le système peut existé ou non. Dans le premier cas, nous demandons une amélioration dans la première et une bonne conception pour le cas du deuxième type. Ils existent des techniques spécifiques pour évaluer la performance des systèmes. Prise de décision : Choisir, dans un état de compromis, quel choix à adopter. Il est judicieux de remarquer que cette mesure est beaucoup délicate puisque le critère le plus dangereux de de telle situation, c’est de beaucoup perdre. Fiabilité : Répondre à tous les critères de réponses à la requête émises derrière notre conception du système. Probabilité pour qu'une pièce primaire, un dispositif ou un équipement complet soit utilisé sans défaillance pendant une période de temps déterminée, dans des conditions opérationnelles spécifiées Robustesse : Un système robuste doit résister bien aux causes d'agression ou d'altération, c’est encore la tolérance aux fautes. Compromis : Convention par laquelle les parties à un litige soumettent l'objet de celui-ci à un arbitrage, c’est aussi l’Action qui implique des concessions réciproques. Caractéristiques des systèmes 7
  • 8. Domaines d’application Les suites logiciels de modélisation et de simulation des systèmes et des procédés sont de deux catégories vis-à-vis des droits et devoir d’utilisation. Pour ces mêmes suites, il y a le développeur du produit, d’un côté, et l’utilisateur final de l’autre. A chacun ses droits mais limitées selon des clauses et les recommandations, sur base de quoi, le deux partenaires se sont mis d’accord. Ces termes définissent ici ce qui est communément appelé LICENCE. Cette dernière décrit clairement les partenaires, le produits et limites de chacun par rapport à la loi. Il existe deux type de licence: • Propriétaire, • Libre d’utilisation dite encore GPL Dans le premier type, le développeur se doit de porter assistance à ses clients et de garantir la continuité du service. Au même moment que les clients ne doivent, et aucun cas, porter préjudice à leur mode ou manière d’utilisation du produit, ne pas l’utiliser qu’avec le consentement du développeur, ne pas l’altérer par un quelconque moyen. La distribution du produit est, de ce fait totalement interdite. Le client est, par ailleurs, bien en état de connaissance de tout dommage qui pourrait éventuelle lui être causé par sont utilisation du produit et pour lequel la partie développeur, décline toute responsabilité. Pour le deuxième type, le développeur se partage les droits/devoirs de re/développer le produit avec son client. Les suite GPL (General Public Licence) sont généralement des contributions qui évoluent pour gagner du terrain. Le paquetage est distribuer avec le fichier binaire, tous les fichiers bibliothèques et annexes en plus de la documentation. Ces suites sont déployée et présentent leur service selon deux mode, Localisé (Stand Alone/Desktop) ou bien réparties sur le Web (Web Based). Elle peuvent avoir besoin de données Localisé ou Distribué. Architecture Intranet universitaire 8
  • 9. Domaines d’application La plupart des domaines de l’Ingénieur. Informatique Electronique Thermique Resistance des matériaux Chimie Avionique Modélisation et Simulation des processus Et même ceux dits Sciences Humaine Statistiques Biologie Médecine Chirurgie Encore … Sport Art ! 9
  • 10. Domaines d’application (Evaluation des Performances.) D’une manière générale, l’évaluation des performances EP c’est l’ensemble de protocoles et des procédures à envisager en vue d’une expertise du système (S) en cours de conception ou d’exploitation. On cherche dans toutes les situations d’améliorer les performance du système en question vis-à-vis d’une exigence/demande en attente. Le système (S) amélioré répond avec robustesse. On distingue généralement beaucoup de secteurs visés par cette EP, en l’occurrence la GRH, Métiers, Entreprise, Impact associatif et bien d’autre … 10
  • 11. Systèmes représentation des données La mémoire centrale est un ensemble de ’positions binaires’ nommées bits. Les bits sont généralement regroupés en octets (8 bits) et chaque octet est repéré par son adresse. Chaque information devra être codée sous cette forme binaire. En informatique, le kilo vaut 1K = 210 = 1024 le méga vaut 1M = 220 = 1048576 le giga vaut 1G = 230 = 1073741824 Les nombres entiers dont la représentation et la manipulation sont celles de l’arithmétique usuel. Il existe un plus grand entier représenté en machine. Pour ceux à 32 bits (=4 octets) correspond à des entiers en double précision ont pour valeur dans [−231,231−1] = [−2G, 2G−1]. Les nombres flottants qui représentent les nombres réels ou les nombres décimaux. Les nombres réels sont représentés de façon approximative en mémoire (représentation en virgule flottante), avec la convention standardisée de la forme m×2e, où m est la mantisse 1≤m≤2 et e l’exposant. Représentation en simple précision. Sur 32 bits (4 octets), on a p=23, q=8 (1 bit pour le signe) ce qui permet de représenter des nombres compris, en valeur absolue, entre 2−128≈10−38 et 2128≈1038 car 128=2q=28. La précision machine est de 7 chiffres décimaux significatifs car 223=107. 11
  • 12. Erreurs sur les calculs On considère un nombre flottant de la forme ±a10q avec a est la mantisse de la forme 0.d1d2 · · · dt, d10, q est l’exposant (entier relatif). Bien sûr, l’entier q est soumis à la restriction : −M ≤ q ≤ M (où M dépend de la machine). Cette représentation des nombres réels entraîne les conséquences suivantes :  Il existe un plus petit nombre flottant ( zéro). Le zéro machine en valeur absolue vaut = 0.10···10−M.  Il existe un plus grand nombre flottant, l’infinie machine et vaut = 0.99 · · ·910M.  Tous les nombres réels n’admettent de représentation exacte : √2 est représenté par 0.14142143×10+1 π est représenté par 0.314…×10+1  Toute opération élémentaire (+,∗, /) est en général entachée d’une erreur.  Une opération peut avoir un résultat non représentable :  Si pour le résultat q > M (OVERFLOW ou dépassement de capacité.)  Si pour le résultat q < −M (UNDERFLOW).  La représentation flottante d’un nombre peut être obtenue à partir de sa représentation décimale par  – la troncature (on garde les t premiers décimaux)  – l’arrondi : le tième chiffre de la mantisse est choisi au plus près. MANIPULATION Supposons par exemple que les réels soient calculées avec 3 chiffres significatifs et arrondis à la décimale la plus proche. Soit à calculer la somme x+y+z avec x = 8,22, y= 0,00317, z= 0,00432. 12
  • 13. Systèmes linéaires Soit à résoudre un système linéaire de n équations à m inconnues, ceci consiste à trouver m nombres, réels ou complexes, x1, · · · , xm, tels que : a11x1 + a12x2 + · · · + a1mxm = b1 a21x1 + a22x2 + · · · + a2mxm = b2 ... . . . ... an1x1 + an2x2 + · · · + anmxm = bn Ce système peut être réduit en une écriture matricielle AX = b. Les aij sont les coefficients, composantes de la matrice A alors que les bj sont les composantes du vecteur second membre b. (les aij et les bj  à  ou C. Les méthodes permettant de résoudre ce type de systèmes (m=n) sont de trois catégories : Pour n3, par substitution ou la méthode de CRAMER. Méthodes dites directes, comme de GAUSS ou GAUSS-JORDAN Méthodes dites itératives, comme celle de GAUSS-SEIDEL, RELAXATION, LU, CHOLESKI. Mathématicien Gabriel CRAMER 1704-1752 Mathématicien Carl Friedrich Gauss 1777–1855 Mathématicien Philipp Ludwig von Seidel 1821–1896 Mathématicien Camille Jordan 1838–1922 Mathématicien, Topographe André Louis CHOLESKY 1875-1918 13
  • 14. Systèmes linéaires (Méthode directe) Soit à résoudre un système linéaire de n équations à n inconnues, ceci consiste à trouver n nombres, réels ou complexes, x1, · · · , xn, tels que : a11x1 + a12x2 + · · · + a1nxn = b1 a21x1 + a22x2 + · · · + a2nxn = b2 . . . an1x1 + an2x2 + · · · + annxn = bn La méthode de Gauss consiste à déterminer une matrice P telle que le système équivalent PAX = Pb soit triangulaire supérieure et donc simple à résoudre. La résolution d’un système triangulaire supérieure est aisée par la procédure de remontée. Algorithme de l’élimination de GAUSS AX=b Pour k=1 jusqu’à n-1 Pivot  akk Si pivot0 Alors Pour i=k+1 jusqu’à n faire bibi – (aik/pivot)*bk Pour j=k+1 jusqu’à n faire aijaij – (aik/pivot)*akj Fin j Fin i Sinon ‘Problème’ Fin k Algorithme de la remontée UY=f U Triangulaire supérieure Pour i=n à 1 pas de -1 faire s=fi pour j=i+1 à n faire s=s-uij*yj fin j yi=s/uii fin i 14
  • 15. Systèmes linéaires Soit le programme équivalent en FORTRAN 95 PROGRAM Gauss ! Solution d’un system de N équations linéaires ! Forme matricielle A.X = B ! Déclaration des variables utilisées. PARAMETER (IN=20) REAL*8:: A(IN,IN), X(IN), B(IN), F, SUM1 INTEGER:: K, I, J, N, IN ! Lecture et saisie des coefficients de A et de C PRINT *, "Introduire le nombre d‘équations (N):" READ (5,*) N PRINT *,"Introduire les coefficients de la matrice [A(I,J)]:" READ (5,*) ((A(I,J),J=1,N),I=1,N) PRINT *,"Introduire les composantes du vecteur [B(I)]:" READ (5,*) (B(I),I=1,N) ! Décomposition (Elimination) DO K = 1, N-1 DO I = K+1, N F = A(I,K)/A(K,K) 15
  • 16. Systèmes linéaires DO J = K+1, N A(I,J) = A(I,J) - F * A(K,J) ENDDO B(I) = B(I) - F * B(K) ENDDO ENDDO ! Remontée X(N) = B(N) / A(N,N) DO I = N-1, 1, -1 SUM1 = 0.0 DO J = I+1, N SUM1 = SUM1 + A(I,J) * X(J) ENDDO X(I) = (B(I) - SUM1)/A(I,I) ENDDO ! Impression des résultats PRINT *,"Solution du problème AX=B" WRITE (6,*) ("X(",I,")=",X(I),I=1,N) STOP END PROGRAM Gauss 16
  • 17. Systèmes linéaires La manipulation sous OCTAVE (mode commande en ligne) octave:##> A=[1 1;2 -3] octave:##> b=[3 5]‘ %l’apostrophe-transposé octave:##> inv(A)*b ans = 2.8000 0.2000 octave:##>> A*ans %Pour vérifier ans = 3.0000 5.0000 octave:##> Ab %L’antislash ans = 2.8000 0.2000 La condition nécessaire pour que le système ait une solution est que le déterminant soit différent de zéro. Vérifier avec : A=[1 1 1; 2 0 3; 3 1 4] et b = [ 2 5 6]T A=[1 1; 1 1.01]; b=[2; 2.01]; (On changera A(1,2)=1.005;) On utilisera les fonctions det, rank, pinv et cond, Discuter. Exécution du programme Gauss 17
  • 18. Systèmes linéaires La manipulation sous OCTAVE (mode commande en ligne) >> A=[1 1 1; 2 0 3; 3 1 4] A = 1 1 1 2 0 3 3 1 4 >> det(A) ans = 5.5511e-016 >>rank(A) ans = 2 >> A=[1 1; 1 1.01] A = 1.0000 1.0000 1.0000 1.0100 >> b=[2; 2.01] b = 2.0000 2.0100 >> cond(A) ans = 402.01 La condition nécessaire pour que le système ait une solution est que le déterminant soit différent de zéro. Vérifier avec : A=[1 1 1; 2 0 3; 3 1 4] et b = [ 2 5 6]T A=[1 1; 1 1.01]; b=[2; 2.01]; (On changera A(1,2)=1.005;) On utilisera les fonctions det, rank, pinv et cond, Discuter. 18
  • 19. Systèmes linéaires La manipulation sous OCTAVE (mode commande en ligne) >> A=[1 1 1; 2 0 3; 3 1 4] A = 1 1 1 2 0 3 3 1 4 >> b = [2 5 6]' b = 2 5 6 >> x=pinv(A)*b x = 0.69048 -0.11905 1.09524 >> x=inv(A)*b warning: matrix singular to machine precision, rcond = 1.15648e-017 x = -5.4043e+015 1.8014e+015 3.6029e+015 >> rank(A) ans = 2 La condition nécessaire pour que le système ait une solution est que le déterminant soit différent de zéro, vérifier avec : A=[1 1 1; 2 0 3; 3 1 4] et b = [ 2 5 6]T A=[1 1; 1 1.01]; b=[2; 2.01]; (On changera A(1,2)=1.005;) On utilisera les fonctions det calcul du déterminant rank Rang de la matrice pinv Pseudo-Inversion de la matrice cond conditionner une matrice. 19
  • 20. Systèmes linéaires (Organigramme de Gauss) La méthode de Gauss est généralement dite méthode d’élimination. Son organigramme est le suivant : 20
  • 21. Systèmes linéaires (Méthode directe) Soit à résoudre un système linéaire de n équations à n inconnues, ceci consiste à trouver n nombres, réels ou complexes, x1, · · · , xn, tels que : a11x1 + a12x2 + · · · + a1nxn = b1 a21x1 + a22x2 + · · · + a2nxn = b2 . . . an1x1 + an2x2 + · · · + annxn = bn La méthode de Gauss-Jordan se base sur deux transformations, une réduction suivie par une normalisation. Ce qui consiste transformer le système AX = b en UY=F, F est triangulaire supérieure. Pour k allant de 1 à n Si existe une ligne ik telle que (aik)k-10 : échanger cette ligne i et la ligne k (li  lk) Pour i allant de 1 à n et ik Sinon A n'est pas inversible, abandonner (on sait ici que le rang de la matrice est k − 1). Après l'étape k de l'algorithme, la colonne k a tous ces coefficients nuls sauf un : celui de la diagonale, qui vaut 1. 1 1 1    k kk kk k k l a l k k k ik k i k i lall 11   21
  • 22. Systèmes linéaires (Programme Gauss-Jordan F95-F90) program gauss_Jordan integer::i,j,n,k real::pivot,s real,allocatable::a(:,:) real,allocatable::b(:) ! Lecture et saisie des coefficients de A et de C PRINT *, "Introduire le nombre d'equations (N):" READ (5,*) N allocate(A(N,N),B(N)) PRINT *,"Introduire les coefficients de la matrice [A(I,J)]:" READ (5,*) ((A(I,J),J=1,N),I=1,N) PRINT *,"Introduire les composantes du vecteur [B(I)]:" READ (5,*) (B(I),I=1,N) do k=1,N,1 do i=1,n,1 if (k==i) then pivot=a(i,k) do j=k,n,1 a(i,j)=(a(i,j))/(pivot) end do b(k)=(b(k))/(pivot) else pivot=a(i,k) do j=k,n,1 a(i,j)=a(i,j)-pivot*a(k,j) end do b(i)=b(i)-pivot*b(k) end if end do end do !calcul de la solution do i=n,1,-1 do j=i-1,1,-1 s=a(j,i) do k=j,n,1 a(j,k)=a(j,k)-s*a(i,k) end do b(j)=b(j)-s*b(i) end do end do do i=1,n,1 write(*,*) "x)",i,")=",b(i) end do write(*,*)« Matrice identité" write(*,*) a end program gauss_Jordan 22
  • 23. Systèmes linéaires (Programme Gauss-Jordan F95-F90) Pour le problème suivant : x1 – x2 + 2x3 = 5 3x1 + 2x2 + x3 = 10 2x1 - 3x2 - 2x3 = -10 Et dont la solution est : x1 = 1 x2 = 2 x3 = 3 Pour le problème suivant : 2x1 + x2 - x3 = 8 -3x1 - x2 + 2x3 = -11 -2x1 + x2 + 2x3 = -3 Et dont la solution est : x1 = 2 x2 = 3 x3 = -1 23
  • 24. Systèmes linéaires (Programme Gauss-Jordan F95-F90) Pour le problème suivant : x1 – x2 + 2x3 = 5 3x1 + 2x2 + x3 = 10 2x1 - 3x2 - 2x3 = -10 Et dont la solution est : x1 = 1 x2 = 2 x3 = 3 Pour le problème suivant : 2x1 + x2 - x3 = 8 -3x1 - x2 + 2x3 = -11 -2x1 + x2 + 2x3 = -3 Et dont la solution est : x1 = 2 x2 = 3 x3 = -1 Sous Octave Sous CodeBlock >> a=[2 1 -1; -3 -1 2; -2 1 2] a = 2 1 -1 -3 -1 2 -2 1 2 >> x = mldivide(a,b) x = 2.00000 3.00000 -1.00000 24
  • 26. Systèmes linéaires (Méthodes itératives) Soit à résoudre un système linéaire de n équations à n inconnues, ceci consiste à trouver n nombres, réels ou complexes, x1, · · · , xn, tels que : a11x1 + a12x2 + · · · + a1nxn = b1 a21x1 + a22x2 + · · · + a2nxn = b2 . . . an1x1 + an2x2 + · · · + annxn = bn Beaucoup de méthodes dont la stratégie est de commencer par un vecteur estimé initial et ainsi faire des traitements du système à cette base (estimé initial X0) pour en déduire la solution rechechée. (b1 - a12x2 + · · · + a1nxn)/a11 = x1 (b2 - a21x1 + · · · + a2nxn)/a22 = x2 . . . (bn - an1x1 + an2x2 + · · · + ann-1xn-1)/ann = xn Ou (b1 - {j; j[1,n]/j1}a1jxj)/a11 = x1 (b2 - {j; j[1,n]/j2}a2jxj)/a22 = x2 . . . (bn - {j; j[1,n]/jn}anjxj)/ann = xn La formule résumée est donnée par (bi - {j; j[1,n]/ji}aijxj)/ai,i = xi 26
  • 27. Systèmes linéaires (Méthodes itératives- méthode Gauss-Seidel) Donc pour un estimé initial à k=0 donc X0=(x0 1, · · · , x0 n)T, nous avons : (bi - {j; j[1,n]/ji}aijx(k) j)/ai,i = xi (k+1) Pour k, nous pouvons espérer satisfaire les transformations successives qui améliorerons la recherche du vecteur solution X(k) en dépendance de valeurs précédentes du vecteur estimé X(k-1). L’algorithme global de la méthode est donné dans l’encadré suivant. La condition d’arrêt du phénomène de transformation est définie par : |X(k) – X(k-1)|11 ou |(X(k) – X(k-1))/X(k)|21 avec 1 et 2 des valeurs réelles petites. 1: Début 2: Lecture de la matrice des coefficients A et du vecteur second membre b 3: Lecture de Eps1 4: Proposition de l’estimé initial X0 5: k=0 6: Sauvegarde de Xs=X(k) 7: Pour i=1 jusqu’à n (bi - {j; j[1,n]/ji}aijx(k) j)/ai,i = xi (k+1) 8: Fin de pour 9: xmax=max{|X(k+1)-X(k)|} 10: Si xmax1 alors Impression de X(k+1); Arrêt 11: Sinon aller à (7) 27
  • 28. Systèmes linéaires (Méthodes itératives- méthode Gauss-Seidel) Donc pour un estimé initial à k=0 donc X0=(x0 1, · · · , x0 n)T, nous avons : (bi - {j; j[1,n]/ji}aijx(k) j)/ai,i = xi (k+1) Pour k, nous pouvons espérer satisfaire les transformations successives qui améliorerons la recherche du vecteur solution X(k) en dépendance de valeurs précédentes du vecteur estimé X(k-1). L’algorithme global de la méthode est l’encadré suivant. La condition d’arrêt du phénomène de transformation est définie par : |X(k) – X(k-1)|11 ou |(X(k) – X(k-1))/X(k)|21 avec 1 et 2 des valeurs réelles petites. Program Gseidel parameter(ITERMAX=500) ! Nombre maximal des itérations Integer:: N, Iter, i, j, Sol Real,allocatable:: A(:,:) Real,allocatable:: X(:), B(:) Real Xs, Dmax, Eps ! Lecture et saisie des coefficients de A et de C PRINT *, "Introduire le nombre d‘équations (N):" READ (*,*) N allocate(A(N,N),B(N),X(N)) PRINT *,"Introduire les coefficients de la matrice [A(I,J)]:" READ (*,*) ((A(I,J),J=1,N),I=1,N) 28
  • 29. Systèmes linéaires (Méthodes itératives- méthode Gauss-Seidel) PRINT *,"Introduire les composantes du vecteur [B(I)]:" READ (*,*) (B(I),I=1,N) ! Saisie de l’estimé initial PRINT *,"Introduire le vecteur estime initial [X(0)]:" READ (*,*) (X(I),I=1,N) PRINT *,"Introduire la valeur du Epsilon" READ (*,*) Eps ! Initialisation des itérations Iter=0 Dmax=0. Sol=2 do while (Sol == 2) Do i=1,N Xs = X(i) S=0 Do j=1,N If (j /= i) then S = S + A(i,j)*X(j) End if End do X(i) = (B(i)-S)/A(i,i) Xs = ABS(X(i) - Xs) … Suite 29
  • 30. Systèmes linéaires (Méthodes itératives- méthode Gauss-Seidel) ! Test sur la valeur de l’écart par rapport à Dmax If (Xs > Dmax) then Dmax = Xs End if End do If (Dmax > Eps) then Iter=Iter + 1 If (Iter>ITERMAX) Then Sol=-1 End if Else ! Le calcul converge, solution existe PRINT *, "Vecteur solution X est donne par :" Do i=1,N Print *,"X(",i,") = ",X(i) End do Sol=0 End if End do End program GSeidel Soit l’exemple suivant avec X(0)=0 4x1 + x2 - x3 = 3 2x1 + 7 x2 + x3 = 19 x1 - 3 x2 +12 x3 = 31 … Suite 30
  • 31. Systèmes non-linéaires (Méthode variationnelle) Un système d’équations non linéaires SENL (ζ) est la composition faite de m équations non-linéaires : f1(X) = 1(X) f2(X) = 2(X) …. fm(X) = m(X) où X={x1, x2, … xp} sont les p inconnues du système alors que 1, 2, … ,n sont les m fonctions du second membre, elles même dépendantes de X. Géométriquement, les m équations représentent les m courbes (α, β, …) en intersection dans un référentiel R n. Les systèmes non linéaires sont plus difficiles à étudier que les systèmes linéaires. Néanmoins, en linéarisant (cas de systèmes linéarisable) un SNL, autour d'un point A de considération finie (situation ou état du système), on obtient un système linéaire qui correspond à une approximation grossière du système non linéaire d’origine. Cette approche a atteint sa maturité dans le livre de H.W.Bode (1905-1982) à la fin de la IIème guerre mondiale. Les travaux de R.E.Bellman (1920-1984), L.S.Pontryagin et al (1908-1988) surtout de R.Kalman (1930) ont conduit, nombre d'automaticiens à privilégier la représentation d‘espace d’état à partir des années 1960. Un système est non linéaire s’il se comporte non linéairement par rapport à ses composantes intrinsèques. Bode Bellman KalmanPontryagin 31
  • 32. Systèmes non-linéaires (Méthode variationnelle) PRINCIPE DE LA LINEARITE DES SYSTEMES Principe de proportionnalité : si s(t) est la réponse à l'entrée e(t) alors λ*s(t) est la réponse à l'entrée λ*e(t). Principe de superposition : si s1(t) est la réponse à l'entrée e1(t) et s2(t) est la réponse à l'entrée e2(t) alors [s1(t) + s2(t)] est la réponse à l'entrée [e1(t) + e2(t)]. Allure de la courbe d’un SNL : pour un système NON linéaire, en régime nominal (en fonctionnement normal et sans excitation perturbatrice), la courbe s = f(e) n’est pas une droite. Un système SNL est continu, par opposition à un SNL dit discret, lorsque les variations de ses composantes sont continûment observable dans le cadre de son domaine de définition δ. Un système est invariant (stationnaire) si ses caractéristiques sont insensibles aux changements du temps. selon ces faits, le système linéaire SL reflète les mêmes réactions indépendamment du temps. La forme d’équation donnée par : f(X) = C Est dite non linéaire si elle n’est pas une application linéaire vérifiant les condition de superposition et de proportionnalité. L'équation est dite homogène si C=0. Le définition f(X)=C est très générale au même moment que X peut être toute composante du système sensible mathématiquement (nombre, vecteur, fonction, … etc.), et l’expression de f(X) peut avoir littéralement beaucoup de formes, une forme récurrente, l'intégrale ou différentielle avec association de contraintes (telles que les valeurs initiales/limites). Si f(x) contient une différenciation par rapport à X, le résultat sera une équation différentielle. Une équation algébrique (polynomiale) non linéaire donnée par a.x3+b.x-3=0 Une équation non linéaire itérative est toujours la résultante d’une écriture de type : u(k+1) = g(u(k)) Une équation différentielle, quant à elle est donnée par : du/dx=-A*u3. 32
  • 33. Systèmes non-linéaires (Méthode variationnelle) Modélisation d’un système d’équation non-linéaires Soit F={fi; i[1, m]} un système de fonctions non linéaires des n variables xk (tel que k[1, n]) définit dans un domaine D résultant de l’union de p sous-domaine dj, D={dj; j[1, p]}. On définit par : F(X)=K un problème non linéaire (SNL) à résoudre. Si K est équivalente au vecteur 0, F est dit homogène. Si C est l’ensemble des ci contraintes définies, chacune sur un domaine dj. F(X) peut être régit par C, dans ce cas on parle de problème non linéaire contraint. Dans le cas où le paramètre K est égal 0 et C est vide (C=), F(X) admet des zéros A(a0, a1, …, an) dans D. Par la méthode de Newton-Raphson (NR), nous admettons, qu’autour d’un point X0, F(X) peut être explicitée par son développement limité au sens Taylor et dont la forme est : F(X0+DX0)  F(X0)+(1/1!).[F(X)X=Xo].X0+…+(X0) D’où X0 est la plus bonne estimation de X* (solution exacte du problème), F(X) est dite NABLA F, Gradient du système de fonctions fi, X0 étant l’écart entre X* et X0 et finalement (X0) représente le reste de Taylor,  regroupe les dérivées d’ordres supérieur à 1 jusqu’à  (l’infini). Si l’estimation est justifiée, (X0) tendra vers 0, puisque les termes 1/n! tend vers 0 (pour n≥2) quant n. De ce fait on garde seulement la partie; F(X0+X0)  F(X0)+(1/1!).[F(X)X=Xo].X0, (X0)  0 Et puisque F(X) est supposée égale à 0, nous aurons F(X0)+(1/1!).[F(X)X=Xo].X0  0  [F(X)X=Xo].X0  - F(X0) Si on note (F(X)X=Xo)=J(X0) on a J(X0).X0  - F(X0) d’où X0  - [J(X0)]-1.F(X0) et X = X0+X0. 33
  • 34. Systèmes non-linéaires (Méthode variationnelle) Formalisation Pour un système F(X)=f(x)=0 (Cas de système à une fonction à une variable), nous avons : f(x) = 0  f(x) = f(x0 + h) ≈ f(x0) + (f(x))’ (x0) .h, avec h=(x-x0). x ≈ x0 + h ≈ x0 + f(x0)/(f(x0))’ Graphiquement, L’estimé initial est pris comme première approximation de la solution, alors, par récurrence h est recalculer de manière à corriger (par une quantité h  f(x0)/(f(x0))’) pour un sens de déplacement pour ainsi atteindre la solution. De manière générale, nous calculerons J(X0) dite matrice Jacobéenne du système. X = X0 + X0 = X0 + (- [J(X0)]-1.F(X0)]) La formule de récurence donne les estimés successifs; Xk+1 = Xk + Xk = Xk + (- [J(Xk)]-1.F(Xk)]) Le calcul est arrêté si et seulement si Xk tend vers zéro ou est assimilable à une petite valeur 1 en valeur absolue (|Xk| 1). ou encore (|Xk / Xk+1| 2). Ces deux conditions sont dites CONDITIONS D’ARRET, et le déterminant de de J est Jacobéen (|J(X)|). 34
  • 35. Systèmes non-linéaires (Méthode variationnelle) Problème type : Un fournisseur de service GSM veut développer une nouvelle stratégie en faveur de ses clients de marque. Pour cela, il pensa à vérifier si les emplacements de ses cellules (antennes et équipements afférents) sont dans les recommandations optimales de localisation. La répartition de ses clients dépend des localités où ceux-ci exercent leur activités. La nouvelle stratégie consiste à favoriser le client selon un profil des activités contractées et en cours avec le fournisseur. Pour cela, répartir les antennes d’une manière optimale selon la distance la plus courte possible des clients en question. Formalisation D={dip} : Vecteurs des distances qui séparent les différents antennes ai de l’antenne principale ap(au nombre de m composantes) xi ,yi : étant les coordonnées du point ai d’une antenne. La distance est donnée par : dij = ([(xj-xi)2+(yj-yi)2]^(1/2)) : distance d’un point i à un point j S=dij 2 : Somme des distances à minimiser représente la fonction à optimiser. Conditions de couverture, zone d’ombre (conditions techniques) Représentation graphique du problème de la localisation optimale des antennes. Exemple d’antenne utilisées pour les GSM. 35 Processus de convergence des valeurs de x vers la solution x*
  • 36. Systèmes non-linéaires (Méthode variationnelle) Problème type : Un fournisseur de service GSM veut développer une nouvelle stratégie en faveur de ses clients de marque. Pour cela, il pensa à vérifier si les emplacements de ses cellules (antennes et équipements afférents) sont dans les recommandations optimales de localisation. La répartition de ses clients dépend des localités où ceux-ci exercent leur activités. La nouvelle stratégie consiste à favoriser le client selon un profil des activités contractées et en cours avec le fournisseur. Pour cela, répartir les antennes d’une manière optimale selon la distance la plus courte possible des clients en question. 36 L’algorithme NR est donné par : 1. Demander X0,  2. Mettre k=0 3. Répéter 4. Evaluer Xk+1 (à la précision désirée) 5. Si (f ’(Xk) = 0) alors Terminer a) Xk=Xk+1 b) Xk+1 = Xk +(- [J(Xk)]-1.F(Xk)]) 6. Tant que Xk≥ 7. Afficher Xk+1 La méthode NR est l’une des méthode les plus simple à implémenter, très simple d’utilisation et efficace numériquement. Beaucoup de variantes existent (Fletcher-Powell, Bellman, …) Isaac NEWTON (1642 −1727) Joseph Raphson (1648-1715) Processus de convergence des valeurs de x vers la solution x*
  • 37. program NR ! Déclaration real, parameter::error =1e-4 integer::k real::xo,x1,f,fd ! Debut du traitement read*,xo k=1 10 x1=xo-(f(xo)/fd(xo)) if (abs((x1-xo)/x1)<error)then print*,"racine est égale a ", x1 , " obtenue en iteration=", k else xo=x1 k=k+1 goto 10 endif End program NR real function f(x) real::x f = x**3-x-1 End real function fd(x) real::x fd = 3*x**2-1 End Systèmes non-linéaires (Méthode variationnelle) Cas de fonction à une variable : Soit la fonction : f(x)= x3-x-1 Il est nécessaire de décider sur le sort de la valeur initiale afin de déterminer la racine. L’illustration graphique peut dans ce cas simple aider. On note que f(1)=−1<0 alors que f(2)=5>0. Cependant, la racine pour f(x)=0 doit existée dans l’intervalle [1, 2]. Si on prend x0=1 en tant que valeur initial. Nous pouvant déterminer la solution en utilisant la méthode NR. Selon la méthode NR, nous détermineront que la racine de f est 1.324718 à 6 décimales. 37 Valeur initiale x0
  • 38. program NR real, parameter::error =1e-4 integer::k real::xo,x1,f,fd read*,xo k=1 10 x1=xo-(f(xo)/fd(xo)) if (abs((x1-xo)/x1)<error)then print*,“La racine est égale a “ print*, x1 print*, " obtenue en iteration=", k else xo=x1 print*,“Estime suivant “, x1, “ iteration=", k k=k+1 goto 10 endif End program NR real function f(x) real::x f = x**3-x-1 End real function fd(x) real::x fd = 3*x**2-1 End Systèmes non-linéaires (Méthode variationnelle) Cas de fonction à une variable : Soit la fonction : f(x)= x3-x-1 Il est nécessaire de décider sur le sort de la valeur initiale afin de déterminer la racine. L’illustration graphique peut dans ce cas simple aider. On note que f(1)=−1<0 alors que f(2)=5>0. Cependant, la racine pour f(x)=0 doit existée dans l’intervalle [1, 2]. Si on prend, maintenant x0=4 en tant que valeur initial. Nous pouvant déterminer la solution en utilisant la méthode NR. Nous aurons 1.324718 comme racine de f. Valeur initiale x0 38
  • 39. Interpolation & approximation (Statistique, Lissage, Extrapolation) Interpolation des fonctions : 39
  • 40. MERCI POUR VOTRE ATTENTION Fin du douzième chapitre A suivre … 40
  • 41. Références L.-V. Bertallanfy, ‘General System Theory’, Edition MASSON, 1972. 41