🔢 mathematics

A new iterative three-point method for solving systems of nonlinear equations

Cet article présente une nouvelle méthode itérative à trois points d'ordre six pour la résolution de systèmes d'équations non linéaires, dérivée de l'adaptation d'une méthode scalaire et validée par une analyse théorique, des expériences numériques et des comparaisons d'efficacité avec les techniques existantes.

Auteurs originaux : Carlos E. Cadenas R., Yorman J. Mendoza N

Publié 2026-01-23

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Carlos E. Cadenas R., Yorman J. Mendoza N

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de trouver le centre exact d'un labyrinthe massif et sinueux. Vous ne pouvez pas voir l'ensemble du labyrinthe d'un seul coup d'œil ; vous devez donc faire des pas, observer votre environnement et ajuster votre trajectoire jusqu'à ce que vous atteigniez enfin la cible. Dans le monde des mathématiques, ce « labyrinthe » est un système d'équations non linéaires, et la « cible » est la solution où tout s'équilibre parfaitement.

Ce document présente une nouvelle méthode ultra-rapide pour naviguer dans ce labyrinthe. Voici la décomposition de ce que les auteurs ont accompli, en utilisant des analogies simples.

1. Le problème : Le marcheur lent

Habituellement, les mathématiciens utilisent une méthode standard appelée méthode de Newton pour résoudre ces énigmes. Considérez la méthode de Newton comme un randonneur très intelligent. Chaque fois qu'il fait un pas, il observe le sol, calcule la pente et fait un grand pas assuré vers le centre. Cela fonctionne bien, mais cela peut être lent si le labyrinthe est immense ou très sinueux.

2. La solution : Le sprinteur à « trois étapes »

Les auteurs ont créé une nouvelle méthode qui agit comme un sprinteur à trois étapes. Au lieu de simplement regarder une fois et de faire un pas, cette nouvelle méthode jette trois « regards » distincts sur le problème avant de faire son mouvement final.

Étape 1 (L'éclaireur) : Il jette un coup d'œil rapide pour voir où il se trouve et fait une estimation approximative.
Étape 2 (Le perfectionneur) : Il confronte cette estimation à un second point pour obtenir une meilleure idée du terrain.
Étape 3 (Le sprint) : En utilisant toutes ces informations recueillies, il effectue un bond massif et extrêmement précis vers la solution.

Les auteurs ont pris une méthode déjà célèbre pour résoudre des énigmes simples à une seule variable (comme trouver la racine d'une seule équation) et l'ont « traduite » pour qu'elle puisse gérer des systèmes complexes à plusieurs variables (comme la résolution d'un réseau entier d'équations simultanément).

3. La magie : Vitesse et précision

La partie la plus excitante de ce document est la vitesse.

En mathématiques, l'« ordre de convergence » est comme une note de vitesse. Une méthode standard pourrait être un coureur « quadratique » (note de vitesse de 2).
Ce nouveau procédé est un coureur d'ordre six.

L'analogie : Imaginez que vous essayiez de deviner un nombre entre 1 et 100.

Une méthode quadratique pourrait diviser les possibilités restantes par deux, puis encore par deux, puis encore par deux. Elle arrive au bout, mais cela prend plusieurs tours.
Cette méthode d'ordre six est comme avoir une boussole magique qui ne se contente pas de diviser la distance par deux ; elle réduit la distance restante à presque rien en une seule étape. Si vous êtes légèrement décalé, l'étape suivante fera de vous un écart microscopique. Elle converge vers la réponse incroyablement vite.

4. Prouver que cela fonctionne (Le test de conduite)

Les auteurs ne se sont pas contentés de prétendre que c'était rapide ; ils ont soumis la méthode à un crash-test.

Test 1 : Ils ont résolu une énigme simple à deux équations. La nouvelle méthode a trouvé la réponse en seulement 4 étapes.
Test 2 : Ils ont résolu un problème beaucoup plus difficile impliquant une « valeur de bord » (considérez cela comme un problème complexe de conception de pont). Là encore, elle a trouvé la réponse en 4 étapes.

Dans les deux cas, les mathématiques ont prouvé que la méthode se déplaçait effectivement à une vitesse d'« ordre six », exactement comme la théorie le prédisait.

5. Le revers de la médaille : Le coût de la vitesse

Voici le compromis. Pour obtenir cette vitesse incroyable, la méthode doit fournir plus de travail par étape.

La méthode de Newton est comme une voiture qui consomme peu de carburant mais qui est lente.
Cette nouvelle méthode est comme une Formule 1 : elle va incroyablement vite, mais elle brûle beaucoup de carburant (puissance de calcul).

Les auteurs ont calculé le « coût de carburant » (efficacité computationnelle). Ils ont comparé leur nouvelle voiture à deux autres voitures de haute performance (une de 5e ordre et une de 6e ordre).

Le résultat : Leur nouvelle voiture est la plus efficace en termes de carburant uniquement si la course est très longue (plus précisément, si le système comporte 21 équations ou plus). Pour des énigmes plus petites (moins de 21 équations), l'excès de carburant qu'elle brûle par étape la rend légèrement moins efficace que la concurrence. Mais pour des systèmes massifs et complexes, elle est la grande gagnante.

Résumé

Le document présente un nouvel outil mathématique qui résout des systèmes d'équations complexes en jetant trois « regards » intelligents avant de se déplacer. Il est incroyablement rapide (convergence d'ordre six), mais il nécessite un effort plus important par étape. Les auteurs ont prouvé mathématiquement et par des tests informatiques que, pour les problèmes vastes et complexes, cet effort supplémentaire est rentable, faisant de cette méthode la plus efficace pour trouver la solution.

Résumé Technique : Une nouvelle méthode itérative à trois points pour les systèmes d'équations non linéaires

Énoncé du Problème
L'article traite de la construction et de l'analyse de méthodes de point fixe itératives pour résoudre des systèmes d'équations non linéaires de la forme $F(x) = 0$ , où $F: D \subseteq \mathbb{R}^n \to \mathbb{R}^n$ . Bien que la méthode de Newton soit une technique standard à un point avec une convergence quadratique, les auteurs notent que les applications en science, en ingénierie et en finance nécessitent souvent la résolution de grands systèmes où la vitesse de calcul est critique. Cette nécessité a favorisé le développement de méthodes multipoints afin d'améliorer l'ordre de convergence et l'efficacité computationnelle au-delà des limites des méthodes à un point.

Méthodologie
Les auteurs proposent une nouvelle méthode itérative à trois points pour les systèmes vectoriels en étendant un solveur spécifique d'équation scalaire non linéaire construit par Parhi et Gupta [10] au cas vectoriel ( $\mathbb{R}^n$ ).

Schéma Itératif : La méthode proposée, notée $\phi^{(6)}_1$ , suit un processus en trois étapes pour chaque itération $k$ :
- Étape 1 (Type Newton) : $y^{(k)} = x^{(k)} - F'(x^{(k)})^{-1}F(x^{(k)})$
- Étape 2 (Moyenne Pondérée) : $z^{(k)} = x^{(k)} - 2[F'(x^{(k)}) + F'(y^{(k)})]^{-1}F(x^{(k)})$
- Étape 3 (Correction Finale) : $x^{(k+1)} = z^{(k)} - [3F'(y^{(k)}) - F'(x^{(k)})]^{-1}[F'(x^{(k)}) + F'(y^{(k)})]F'(x^{(k)})^{-1}F(z^{(k)})$
Analyse de Convergence : L'ordre théorique de convergence est établi à l'aide de développements en série de Taylor pour les fonctions dans $\mathbb{R}^n$ . Les auteurs dérivent l'équation d'erreur $e_{k+1} = C e_k^6 + O(e_k^7)$ , prouvant que la méthode atteint un ordre de convergence six. Cette dérivation a été réalisée manuellement sans l'assistance de logiciels symboliques, car les auteurs notent que des outils comme Maple et Mathematica peinent avec les multiplications de matrices non commutatives inhérentes aux développements de Taylor pour les fonctions vectorielles.
Efficacité Computationnelle : L'efficacité est évaluée à l'aide de l'indice d'efficacité d'Ostrowski ( $E = p^{1/C}$ ), où $p$ est l'ordre de convergence et $C$ est le coût de calcul. Le modèle de coût prend en compte :
- Les évaluations de la fonction $F$ et de sa dérivée $F'$ .
- Les inversions de matrices (résolues via la décomposition LU et la résolution de systèmes triangulaires).
- Les multiplications matrice-vecteur et scalaire-vecteur.
- Le ratio des divisions par rapport aux multiplications ( $l$ ).

Résultats Clés

Vérification Numérique : La méthode a été testée sur deux problèmes à l'aide de MATLAB R2019a avec 20 chiffres significatifs :
1. Un système de deux équations algébriques non linéaires.
2. Un problème de valeur aux limites discrétisé en un système de six équations non linéaires.
  Dans les deux cas, l'ordre de convergence computationnel ( $p$ ) a été calculé en utilisant le ratio des erreurs successives. Les résultats ont confirmé la convergence de l'ordre six théorique (observée $p \approx 5.995$ et $5.75$).
Comparaison d'Efficacité : La méthode proposée ( $\phi^{(6)}_1$ ) a été comparée à deux autres méthodes à trois points :
- Une méthode d'ordre cinq ( $\phi^{(5)}_1$ ) de Cordero et al. [16].
- Une méthode d'ordre six ( $\phi^{(6)}_2$ ) de Cordero et al. [13].
Constats :
- Vs. Méthode d'Ordre Cinq : La méthode d'ordre six proposée est plus efficace computationnellement que la méthode d'ordre cinq lorsque la taille du système $n \geq 21$ . Cela s'explique par le fait que l'ordre de convergence plus élevé compense l'augmentation du coût de calcul pour les grands systèmes.
- Vs. Méthode d'Ordre Six : Comparée à l'autre méthode d'ordre six ( $\phi^{(6)}_2$ ), la méthode proposée est moins efficace pour tout $n \geq 2$ . L'analyse révèle que la méthode proposée nécessite trois inversions de matrices par itération, alors que la méthode d'ordre six concurrente nécessite moins d'opérations. Les auteurs déclarent explicitement que le nombre d'inversions de matrices impacte négativement l'efficacité.

Signification et Revendications
L'article affirme avoir réussi l'extension d'une méthode scalaire à trois points vers le cas vectoriel, atteignant un ordre de convergence de six, tant théorique que computationnel. La principale contribution est la preuve analytique rigoureuse de cet ordre de convergence et l'analyse d'efficacité qui en découle.

Les auteurs maintiennent un ton modeste concernant la supériorité de la méthode. Ils reconnaissent que, bien que la méthode soit très efficace pour les grands systèmes ( $n \geq 21$ ) par rapport aux méthodes d'ordre inférieur, elle n'est pas l'option la plus efficace parmi les méthodes d'ordre six en raison du coût élevé des multiples inversions de matrices. L'article conclut que la réduction du nombre d'inversions de matrices jacobiennes et d'évaluations fonctionnelles est une direction future nécessaire pour améliorer l'efficacité et simplifier l'analyse de convergence théorique pour les extensions vectorielles.