Table des matières

Chapitre 4 : Méthodes de résolution des équations non linéaires........................................ 1

1. Introduction.............................................................................................................................. 1
2. Méthode de Dichotomie ........................................................................................................ 1
3. Méthode de Newton ............................................................................................................... 3
4. Méthode de Lagrange ............................................................................................................ 5
5. Etude des méthodes d’approximation successives ..................................................... 6
6. Méthodes pour les systèmes d’équations non linéaires ........................................... 10

Chapitre 4 : Méthodes de résolution des

équations non linéaires
1. Introduction
On considère une fonction continue f : R  R. On se propose de trouver une ou
plusieurs solutions à l’équation f(x) = 0.
Les méthodes analytiques de résolution de ce type d’équation sont limitées à
certaines formes algébriques ( anxn + an-1xn-1 + … + a0 = 0 pour n<5) ou formes
particulières. Par conséquent pour les autres formes d’équations il faut employer des
méthodes numériques pour trouver ou approcher les racines.
Dans toute la suite on va supposer qu’on dispose d’un intervalle [a,b] où la fonction f
admet une seule solution  à l’intérieur de l’intervalle. Cette localisation de la racine
peut être fournie par des considérations à priori sur le problème à l’origine de
l’équation (des considérations physique, d’ordre de grandeur ou de conditions
initiales). On suppose aussi que la fonction est dérivable autant de fois qu’il sera
nécessaire.

2. Méthode de Dichotomie
La dichotomie (du Grec diviser par deux). Prenons un exemple simple et ludique
pour illustrer le mécanisme de recherche par dichotomie:
On propose le jeu de devinette suivant entre deux joueurs: Le premier joueur choisis
en secret un nombre compris entre 0 et 100; le deuxième joueur va essayer de le
deviner le plus rapidement possible, en posant des questions auxquels le premier
joueur répond par oui ou par non. Si le premier joueur choisit par exemple 65 la
méthode de dichotomie consiste au jeu de question-réponse suivant :
 est-ce que le nombre est plus grand que 50? (100 divisé par 2)
 oui
 est-ce que le nombre est plus grand que 75? ((50 + 100) / 2)
 non
 est-ce que le nombre est plus grand que 63? ((50 + 75 + 1) / 2)
 Analyse Numérique

 oui
 est-ce que le nombre est plus grand que 66? ((63 + 75 ) / 2)
 non
 est-ce que le nombre est plus grand que 65? ((63 + 66+ 1) / 2)
 Le nombre est 65
La Dichotomie est aussi la plus simple méthode connue pour chercher une racine
d’une fonction f continue sur un intervalle fermé [a,b] :

Algorithme
 On commence par prendre x0=(a+b)/2 le milieu de l’intervalle
 On a alors trois cas possibles :
o Si f(x0)f(a) < 0 la racine se trouve dans l’intervalle [a, x0] et on pose
dans ce cas :[a1, b1] = [a, x0]
o Si f(x0)f(b) < 0 la racine se trouve dans l’intervalle [x0, b] et on pose
dans ce cas :[a1, b1] = [x0, b]
o Si f(x0)=0 alors x0 est la racine recherchée
 Si la racine n’est pas atteinte on recommence l’opération avec l’intervalle [a 1,
b1]
 On obtient ainsi une suite (xn)n avec xn=(an+bn)/2

On remarque qu’à l’itération n on a |xn-| < (b-a)/2n ceci permet de connaître à

l’avance le nombre d’itération nécessaires pour approcher la solution avec une
précision donnée.

H. Douzi Page 2
 Analyse Numérique

3. Méthode de Newton
On suppose ici que la fonction est dérivable sur l’intervalle [a, b]. Le principe de la
méthode de Newton, qu’on appelle aussi méthode de la tangente, consiste à choisir
un point x0 dans l’intervalle et à remplacer la fonction f par sa tangente en ce point,
puis on calcule la racine de cette approximation affine dans l’intervalle [a,b]. En
général la racine de cette tangente est plus proche que x0 de la racine de f. On peut
donc continuer itérativement (par la construction d’une suite (xn)n ) de la même façon
jusqu’ à ce qu’on s’approche suffisamment de la racine de f.

Algorithme :
 L’équation de la tangente est donnée par : (y-f(x0))/(x-x0)=f’(x0)
 La racine de la tangente est donné par : x1=x0 – f(x0)/f’(x0)
 La suite (xn)n est donc donnée par la formule itérative :

H. Douzi Page 3
 Analyse Numérique

Exemple
Considérons le problème de trouver le nombre positif x vérifiant cos(x) = x3.
Reformulons la question pour introduire une fonction devant s'annuler : on recherche
le zéro de f(x) = cos(x) - x3.La dérivation donne f '(x) = -sin(x) - 3x2.Comme cos(x) ≤ 1
pour tout x et x3 > 1 pour x>1, nous savons que notre zéro se situe entre 0 et 1. Nous
essayons une valeur de départ de x0 = 0.5.

H. Douzi Page 4
 Analyse Numérique

et les 12 premiers chiffres de cette valeur coïncident avec les 12 premiers chiffres du
vrai zéro.

4. Méthode de Lagrange
On l’appelle aussi la méthode de la sécante car elle consiste à remplacer la tangente
de la méthode de Newton par une sécante qui est plus facile à calculer. En effet un
défaut de la méthode de Newton est la nécessité de pouvoir calculer la dérivée ce
qui n’est toujours aisé dans les problèmes pratiques. On peut donc remplacer le
calcul exact de la dérivée par une approximation qui ne fait intervenir que les valeurs
de la fonction :

f ( xn )  f ( xn1 )
f ' ( xn ) 
xn  xn1

On obtient ainsi la méthode itérative suivante :

Remarque :
Dans d’autres variantes on utilise les approximation de la dérivée suivante
(Méthodes de la fausse position (régula falsi) ):

H. Douzi Page 5
 Analyse Numérique

f ( xn )  f (a) f ( xn )  f (b)
f ' ( xn )  ou
xn  a xn  b
Mé thode de la sé quente Mé thode de la fausse position

f(x 2) f(x 2)

f(x 5)

x1 x3 x4 x5 x2 x1 x3 x4 x5 x2
f(x 5)

f(x 1) f(x 1)

Exemple :
f(x) = cos(x) - x3 = 0

5. Etude des méthodes d’approximation successives

Convergence d’une méthode

Dans ces méthode on construit une suite (xn)n qui converge vers la solution de
l’équation
f(x) =0. Pour engendrer une telle suit on remplace cette équation par une équation
équivalente de la forme g(x)= x avec g aussi une fonction continue :
f(x) = 0  g(x) = x
On remplace ainsi le problème du calcul d’une racine de f par le calcul d’un point fixe
de g.

H. Douzi Page 6
 Analyse Numérique

La suite (xn)n est donnée par :

 x0  [a, b]

xn1  g ( xn )

Si la suite converge alors elle convergera vers la solution du problème. En effet si l

est la limite de la suite alors par continuité de g on a l=g(l), c'est-à-dire que l est un
point fixe de la fonction g et par équivalence c’est aussi une racine de la fonction f.
Il y a une infinité de façons pour choisir la fonction g. On peut par exemple utiliser
simplement g(x)= x-f(x). La méthode de Newton et celle de Lagrange sont aussi des
exemples d’approximations successives :
f ( x)
 Pour la méthode de Newton : g ( x)  x 
f ' ( x)
f ( x)(x  a) f ( x)(x  b)
 Pour la méthode de Lagrange : g ( x)  x  ou x 
f ( x)  f (a) f ( x)  f (b)

On peut étudier la convergence des méthodes des approximations successives

grâce au fameux théorème du point fixe.

Théorème 1
On suppose que la fonction g est continue sur l’intervalle [a,b] et qu’elle vérifie les
conditions suivantes :
1. Si x[a,b] alors g(x) [a,b]
2. La fonction g est contractante dans l’intervalle [a,b], c'est-à-dire que :
il existe un réel K : 0≤K<1 tel que pour tout x et y dans [a,b] on a :
g ( x)  g ( y)  K x  y
Alors pour tout x0 dans l’intervalle [a,b] la suite récurrente xn1  g ( xn ) converge vers
l’unique de l’équation g(x)=x dans l’intervalle [a,b].

Démonstration
D’abord si la suite (xn)n converge alors, d’après la condition 2, la limite est dans
l’intervalle [a,b].
Ensuite l’équation g(x) = x admet une solution unique dans [a,b] en effet si l 1 et l2
sont deux solutions alors g(l1)=l1 et g(l2)=l2 , or d’après la condition 2 on a :
g (l1 )  g (l 2 )  K l1  l2 c'est-à-dire que l1  l 2  K l1  l 2 donc forcément l1 = l2 car
0≤K<1.
Enfin montrons que la suite (xn)n converge :
On a : xn1  xn  g ( xn )  g ( xn1 )  K xn  xn1
D’où : xn1  xn  K n x1  x0
De même comme on a : xn p  xn  xn p  xn p1    xn1  xn
On peut dire que :
1 K p
K n
xn p  xn  x1  x0 K n (K p1  K p2    1)  x1  x0 K n  x1  x0 car K  1
1 K 1 K

H. Douzi Page 7
 Analyse Numérique

Ainsi pour p fixé lim xn p  xn  0 c'est-à-dire que la suite (xn)n est une suite de
n
Cauchy donc convergente■

On peut identifier les fonctions contractantes à partir de leurs dérivées

Théorème 2
Si la fonction g est dérivable sur [a,b] et si la dérivée g’ vérifie : max g ' ( x)  K  1
x[ a ,b ]
alors g est une fonction contractante sur l’intervalle [a,b].

Démonstration
On utilise la formule des accroissement finies : pour tout x, y  [a, b] on peut trouver
 ]x,y[ telle que g ( x)  g ( y)  g ' ( ) x  y  K x  y ■

Corollaire 1
Soit l une solution de l’équation g(l)=l et g’ continue au voisinage de l alors on a les 3
cas suivantes :
1. Point fixe attractif : si g ' (l )  1 alors il existe un intervalle [a,b] contenant l
pour lequel x0  [a, b] la suite (xn)n définie par xn+1 = g(xn) converge vers l
2. Point fixe répulsif : si g ' (l )  1 alors x0  l la suite (xn)n définie par
xn+1=g(xn) ne converge pas vers l
3. Point fixe douteux : si g ' (l )  1on ne peut pas conclure il peut y avoir
convergence ou divergence.

Exemple 1: sur l’intervalle [0,π/2] , f(x)=sin(x), le point 0 est attractif.

H. Douzi Page 8
 Analyse Numérique

Exemple 2: sur l’intervalle [0,+], f(x)=sinh(x), le point 0 est répulsif.

Exemple 3 : résolution de x2 - 2 = 0
3 choix différentes pour g :
o g1(x) = 2/x g'1(x) = -2/x2 g'1(û) = -1 ambigue
o g2(x) = 2x - 2/x g‘2(x) = 2+2/x2 g‘2(û) = 3 divergente
o g3(x) = x/2 + 1/x g‘3(x) = 1/2-1/x2 g‘3(û) = 0 convergente
Itération pour les 3 méthodes :
g1 : g2 : g3 :
u0 = 1 u0 = 1 u0 = 0.999
u1 = 2 u1 = 1.5000 u1 = -0.0402
u2 = 1 u2 = 1.4167 u2 = 49.668
u3 = 2 u3 = 1.4142 u3 = 99.296
u4 = 1 u4 = 1.4142 u4 = 198.57

Ordre d’une méthode

En plus de la convergence, on veut aussi savoir si la suite suite (xn)n ,définie par
xn+1 = g(xn) ,engendrée par une méthode donnée converge assez rapidement. Ceci
revient à étudier comment diminue la valeur xn  l au cours des itérations.
Définition 1

H. Douzi Page 9
 Analyse Numérique

Une méthode définie par une suite (xn)n est dite d’ordre p si et seulement si la valeur
xn1  l
de tends vers une limite finie non nulle
xn  l
p

Théorème 3
Si la suite (xn)n ,définie par xn+1 = g(xn) convege vers l et si g est suffisamment
dérivable au voisinage de l alors l’ordre de la méthode est donnée par :
g ' (l )  g ' ' (l )    g p1 (l )  0

 g ( p ) (l )  0

De plus on a : lim
xn1  l   g ( p) (l )
n ( xn  l ) p p!

Démonstration
On utilise le développement de Taylor :
xn1  l   g ( xn )  g (l )   g (k ) (l ) ( xn  l )
p k
  ((xn  l ) p1 )
k 1 k!
( xn  l ) p
donc : xn1  l   g ( p) (l )   ((xn  l ) p1 )
k!
d’où :
xn1  l   g ( p) (l )   ( x  l) ■
( xn  l ) p
n
p!

Exemples :
f ( x)
 Pour la méthode de Newton : on a g ( x)  x 
f ' ( x)
f ( x) f ' ' ( x)
donc g ' ( x)  ainsi si f’(l)0 on a g’(l)=0 car f(l)=0 donc la méthode
 f ' ( x)2
est au moins d’ordre 2 on dit que la méthode de Newton a une convergence
quadratique.
f ( x)(x  a)
 Pour la méthode de Lagrange : dans le cas où on a g ( x)  x 
f ( x)  f (a)
f (a)  f ' (l )(l  a)
On obtient g ' (l )  donc si g’(l)0 ( ce qui est possible) la
f (a)
méthode est d’ordre 1 on dit que la méthode de Lagrange a une convergence
linéaire.

6. Méthodes pour les systèmes d’équations non linéaires

Méthode de Newton en dimension >1 :

H. Douzi Page 10
 Analyse Numérique

Pour calculer d’une manière itérative la solution r de f(x)=0 :

 On considère le développement de Taylor d’ordre 2:

1
f ( x  h)  f ( x)  f ( x)h  h' H f ( x)h  h  (h2 )
2
 On choisit x0 suffisamment proche de la solution r.
 A chaque itération k :
o On considère l'approximation affine :
f ( xk  h)  f ( xk )  f ( xk )h

o Et on cherche h tel que f(xk+h)=0 :

 On construit le vecteur f(xk) = b.
 On construit la matrice Jacobienne A = f(xk)
 On résout le système Ay = b
 On pose xk+1 = xk − y

H. Douzi Page 11
 Analyse Numérique

Condition de convergence

Avantages de la méthode de Newton :

o Convergence très rapide.
Inconvénients :
o La convergence n’est pas assurée.
o Il faut choisir un point de départ « au voisinage de la solution ».
o En dimension n, il faut inverser f(xn)

H. Douzi Page 12
 Analyse Numérique

H. Douzi Page 13