Méthode du gradient biconjugué

Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?

Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur GraphSearch.

Découvrez-en plus sur les applications Graph.

En mathématiques, plus spécifiquement en analyse numérique, la méthode du gradient biconjugué est un algorithme permettant de résoudre un système d'équations linéaires Contrairement à la méthode du gradient conjugué, cet algorithme ne nécessite pas que la matrice soit auto-adjointe, en revanche, la méthode requiert des multiplications par la matrice adjointe . Choisir , , un préconditionneur régulier (on utilise fréquemment ) et ; for do ( et sont le résidus); . La méthode est numériquement instable, mais on y remédie par la , et elle reste très importante du point de vue théorique : on définit l'itération par et () en utilisant les projections suivantes : Avec et . On peut itérer les projections elles-mêmes, comme Les nouvelles directions de descente et sont alors orthogonales aux résidus : et , qui satisfont aux mêmes et (). La méthode du gradient biconjugué propose alors le choix suivant : et . Ce choix particulier permet alors d'éviter une évaluation directe de et , et donc augmenter la vitesse d'exécution de l'algorithme. Si est auto-adjointe, et , donc , , et la méthode du gradient conjugué produit la même suite . En dimensions finies , au plus tard quand : La méthode du gradient biconjugué rend la solution exacte après avoir parcouru tout l'espace et est donc une méthode directe. La suite produite par l'algorithme est : et pour . SI est un polynôme avec , alors . L'algorithme est donc composé de projections sur des sous-espaces de Krylov ; SI est un polynôme avec , alors .

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Concepts associés (2)

Cours associés (8)

Séances de cours associées (41)

Méthode du gradient biconjugué

Méthode itérative

En analyse numérique, une méthode itérative est un procédé algorithmique utilisé pour résoudre un problème, par exemple la recherche d’une solution d’un système d'équations ou d’un problème d’optimisation. En débutant par le choix d’un point initial considéré comme une première ébauche de solution, la méthode procède par itérations au cours desquelles elle détermine une succession de solutions approximatives raffinées qui se rapprochent graduellement de la solution cherchée. Les points générés sont appelés des itérés.

PHYS-332: Computational physics III

This course teaches the students practical skills needed for solving modern physics problems by means of computation. A number of examples illustrate the utility of numerical computations in various d

MATH-453: Computational linear algebra

This course provides an overview of advanced techniques for solving large-scale linear algebra problems, as they typically arise in applications. A central goal of this course is to give the ability t

CS-439: Optimization for machine learning

This course teaches an overview of modern optimization methods, for applications in machine learning and data science. In particular, scalability of algorithms to large datasets will be discussed in t

Méthode de graduation conjuguée : Optimisation itérative

Couvre la méthode du gradient conjugué, les critères d'arrêt et les propriétés de convergence dans l'optimisation itérative.

Lipschitz continu Hesse et méthode de Newton MATH-329: Continuous optimization

Explore la convergence de la méthode de Newton et de l'algorithme CG pour résoudre des équations linéaires.

Optimisation sans contraintes : méthode de graduation MATH-212: Analyse numérique et optimisation

Couvre l'optimisation sans contraintes en utilisant la méthode de gradient pour trouver le minimum de la fonction.