Analyse numérique

En raison de la crise du COVID-19, les informations ci-dessous sont susceptibles d’être modifiées, notamment celles qui concernent le mode d’enseignement (en présentiel, en distanciel ou sous un format comodal ou hybride).

5 crédits

30.0 h + 22.5 h

Enseignants

Henrotte François (supplée Remacle Jean-François); Remacle Jean-François;

Langue
d'enseignement

Français

Thèmes abordés

Résolution numérique des équations numériques non-linéaires
Résolution numérique des systèmes linéaires : méthodes itératives
Résolution numérique des problèmes matriciels aux valeurs et vecteurs propres
Résolution numérique des problèmes différentiels aux conditions initiales

Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

Eu égard au référentiel AA, ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants :

AA1.1, AA1.2, AA1.3
AA2.1, AA2.4
AA5.2, AA5.3, AA5.5

Plus précisément, au terme du cours, l'étudiant sera capable de :

Analyser en profondeur diverses méthodes et algorithmes représentatifs en matière de résolution numérique par ordinateur de classes significatives de problèmes scientifiques ou techniques, en relation avec les thèmes sous-jacents de mathématiques appliquées.
Comprendre le comportement numérique de méthodes de résolution de diverses équations mathématiques, linéaires ainsi que non-linéaires.
Implémenter des méthodes dans un logiciel de haut niveau et vérifier son comportement sur un problème pratique.

Acquis d'apprentissage transversaux :

Travailler en petite équipe pour résoudre un problème mathématique de façon numérique

Contenu

Rappel des notions de base de l’algèbre linéaire (espaces linéaires, normes vectorielles et matricielles, …)
Calcul en virgule flottante.
Stabilité, précision et conditionnement des algorithmes.
Décomposition QR et SVD.
Méthodes directes de résolution de système: LU, Choleski, pivotage, renumérotation (RCMK), stockage creux, remplissage.
Méthodes itératives de Krylov: itération d’Arnoldi, gradients conjugués, GMRES, Lanczos.
Préconditionnement des méthodes itératives, gradients conjugués préconditionnés
Calcul de valeurs propres, algorithme QR

Méthodes d'enseignement

En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.

Séances de cours selon les modalités fixées par l'EPL.
Devoirs à réaliser de façon individuelle.
Les détails d'organisation sont spécifiés chaque année dans le plan de cours sur moodle.

Modes d'évaluation
des acquis des étudiants

En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.

Les étudiants sont évalués sur base d’un examen écrit (50% de la cote finale) et des résultats obtenus pour les quatre devoirs individuels (50% de la cote finale).

Ressources
en ligne

https://moodleucl.uclouvain.be/course/view.php?id=10034

Bibliographie

http://bookstore.siam.org/ot50/

Nous suivons relativement scrupuleusement l'excellent ouvrage :
Trefethen, L. N., & Bau III, D. Numerical linear algebra (Vol. 50). Siam.

Support de cours

http://bookstore.siam.org/ot50/

Faculté ou entité
en charge

MAP

Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme

Sigle

Crédits

Prérequis

Acquis
d'apprentissage

Mineure en Mathématiques appliquées

LMINOMAP

Approfondissement en sciences mathématiques

APPMATH

Mineure en sciences de l'ingénieur : mathématiques appliquées (accessible uniquement pour réinscription)

MINMAP

Filière en Mathématiques Appliquées

FILMAP