M62 Étude de schémas numériques pour l’approximation de problèmes de Cauchy - 2022 CT
Auteur·rice

Gloria FACCANONI

Date de publication

23 mars 2024

  • ⏱ 2H30
  • ✍ Deposer votre notebook .ipynb sur Moodle (dépôt de devoir)

Dans le sujet il y a plusieurs paramètres. Pour les fixer, remplacez mon nom et prénom par les votres dans les cellules indiquées et vous obtiendrez un choix pour chaque paramètre.

1 Exercice 1 : Méthode d’Euler exponentielle

La donnée initiale \(y_0\), la constante \(a\), la fonction \(t\mapsto b(t)\) et le nombre de points \(N\) sont donnés dans la cellule ci-dessous (modifiér nom et prénom).

Code 
%reset -f
%matplotlib inline

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams.update({<span class="st">'font.size'</span>: <span class="dv">12</span>})
from scipy.optimize import fsolve

import sympy 
sympy.init_printing()

from IPython.display import display, Math
prlat = lambda *args: display(Math(''.join( sympy.latex(arg) for arg in args )))


nom = "Faccanoni"
prenom = "Gloria"

print("Paramètres de l'exercice 1")
S = sum([ord(c) for c in nom+prenom])
L = list(range(1,5))
idx = S%len(L)
y0 = L[idx]
prlat("y_0 = ",y0)

L = [ (-10,1), (-10,3), (-10,5), (-5,1), (-5,3) ]
idx = S%len(L)
a,d = L[idx]
c,N = -a, 1-a
prlat("a = ",a)
prlat("b(t) = ",c,"t+",d)
prlat("N = ",N)
Paramètres de l'exercice 1

\(\displaystyle \mathtt{\text{y\_0 = }}1\)

\(\displaystyle \mathtt{\text{a = }}-5\)

\(\displaystyle \mathtt{\text{b(t) = }}5\mathtt{\text{t+}}3\)

\(\displaystyle \mathtt{\text{N = }}6\)

Q1 [3 points] Comparer la solution exacte, la solution approchée obtenue par la méthode d’Euler explicite (EE) et la solution obtenue avec la méthode d’Euler exponentielle (EEx) avec \(N+1\) points.

Code 
# ======================================================
# variables globales
# ======================================================
t0     = 0
tfinal = 2

# ======================================================
# solution exacte symbolique
# ======================================================
t = sympy.Symbol('t')
y = sympy.Function('y')

b = lambda t :  c*t+d
phi = lambda t,y :  a*y+b(t)

edo = sympy.Eq( sympy.diff(y(t),t) , phi(t,y(t)) )
display(edo)
solpar = sympy.dsolve(edo, y(t), ics={y(t0):y0})
display(solpar.simplify())

# ======================================================
# solution exacte numérique
# ======================================================
print(f'Choix: {</span>a<span class="op">=</span><span class="sc">}, b(t)={</span>c<span class="sc">}t+{</span>d<span class="sc">} donc la solution exacte est')

sol_exacte = sympy.lambdify(t,solpar.rhs,'numpy')

# ======================================================
# SCHÉMAS
# ======================================================
schemas = ['EEx','EE']
Nb_schemas = len(schemas)

def EEx(phi,tt,y0):
    h = tt[1]-tt[0]
    uu = np.zeros_like(tt)
    uu[0] = y0
    for n in range(len(tt)-1):
        K1 = (np.exp(a*h)-1)/(a*h)
        uu[n+1] = np.exp(a*h)*uu[n]+h*K1*b(tt[n]+h/2)
    return uu

def EE(phi,tt,y0):
    h = tt[1]-tt[0]
    uu = np.zeros_like(tt)
    uu[0] = y0
    for n in range(len(tt)-1):
        uu[n+1] = uu[n]+h*phi(tt[n],uu[n])
    return uu

# ======================================================
# CALCUL SOLUTION APPROCHEE
# ======================================================
tt = np.linspace(t0,tfinal,N+1)
yy = sol_exacte(tt)

uu  = { schemas[s] : <span class="bu">eval</span>(schemas[s])(phi,tt,y0) <span class="cf">for</span> s <span class="kw">in</span> <span class="bu">range</span>(Nb_schemas) }
err = { schemas[s] : np.linalg.norm(uu[schemas[s]]<span class="op">-</span>yy,np.inf) <span class="cf">for</span> s <span class="kw">in</span> <span class="bu">range</span>(Nb_schemas) }

plt.figure(figsize=(28,6))
idx = 0
for key in uu:
    plt.subplot(1,Nb_schemas,idx+1)
    plt.plot(tt,yy,'b-',tt,uu[key],'r-D')    
    plt.legend(['Exacte', f'{</span>key<span class="sc">}, {</span>N<span class="op">=</span><span class="sc">}'])
    plt.title( f'{</span>key<span class="sc">} - max(|err|)= {</span>err[key]<span class="sc">:g}' )
    idx += 1

\(\displaystyle \frac{d}{d t} y{\left(t \right)} = 5 t - 5 y{\left(t \right)} + 3\)

\(\displaystyle y{\left(t \right)} = t + \frac{2}{5} + \frac{3 e^{- 5 t}}{5}\)

Choix: a=-5, b(t)=5t+3 donc la solution exacte est

Q2 [2 points] Comparer ensuite empiriquement les ordres de convergence.

Code 
# ======================================================
# CALCUL ORDRE
# ======================================================
H = []
err= { schemas[s] : [] <span class="cf">for</span> s <span class="kw">in</span> <span class="bu">range</span>(Nb_schemas) }

plt.figure(figsize=(12,6))
ax = []
for i in range(Nb_schemas): 
    ax.append(plt.subplot(1,Nb_schemas,i+1))
    
for k in range(6):
    N += 20
    h = (tfinal-t0)/N
    H.append(h)
    tt = np.linspace(t0,tfinal,N+1)
    yy = sol_exacte(tt)
    uu = { schemas[s] : <span class="bu">eval</span>(schemas[s])(phi,tt,y0) <span class="cf">for</span> s <span class="kw">in</span> <span class="bu">range</span>(Nb_schemas) }
    idx = 0
    for key in uu:
        err[key].append( np.linalg.norm(uu[key]-yy,np.inf) )
        ax[idx].plot(tt,uu[key],label=f'{</span>key<span class="sc">}, {</span>N<span class="op">=</span><span class="sc">}')    
        idx += 1

for i in range(Nb_schemas): 
    ax[i].plot(tt,yy,'b-',label='Exacte')
    ax[i].legend()
    ax[i].set_title(schemas[i])

ordre = {  key : np.polyfit(np.log(H),np.log(err[key]),<span class="dv">1</span>)[<span class="dv">0</span>] <span class="cf">for</span> key <span class="kw">in</span> err  }
    
plt.figure(figsize=(7,7))
markers = ['^', 's', 'p', 'h', '8', 'D', '>', '<', '*','+','o']

for s in range(Nb_schemas):
    plt.loglog(H,err[schemas[s]], label=f'{</span>schemas[s]<span class="sc">}, ordre {</span>ordre[schemas[s]]<span class="sc">:1.2f}',marker=markers[s])
plt.xlabel('$h$')
plt.ylabel('$e$')
plt.legend(bbox_to_anchor=(1.1, 1.05))
plt.grid(True)

2 Exercice 2 : étude d’un schéma Runge-Kutta

Considérons le schéma dont la matrice de Butcher est donnée ci-dessous:

\( \begin{array}{c|ccc} 0 & 0 & 0 & 0 \\ \dfrac{1}{2} & \dfrac{5}{24} & \dfrac{1}{3}&\dfrac{-1}{24}\\ 1 & 0 &1&0\\ \hline & \dfrac{1}{6} & \dfrac{2}{3} & \dfrac{1}{6} \end{array} \)

  1. Écrire la suite définie par réccurence associée à ce schéma.
  2. Étudier théoriquement l’ordre du schéma.
  3. Étudier théoriquement la A-stabilité du schéma.
  4. Considérons le problème de Cauchy \(y'(t)=-50y(t)\) pour \(t\in]0,1]\) et \(y(0)=1\). Vérifier empiriquement qu’avec \(N=8\) (i.e. 9 points de discrétisation) le schéma est instable et avec \(N=21\) il est stable.

Cf. exercice 7.4 page 86 polycopié Christophe Besse
https://www.math.univ-toulouse.fr/~cbesse/mesassets/teaching/L3Mapi3/EDONum/Cours_EDO_C_Besse.pdf

Q1 [1 points] Écrire la suite définie par réccurence associée à ce schéma.

\(\begin{cases} u_0 = y_0 \\ K_1 = \varphi\left(t_n,u_n\right)\\ K_2 = \varphi\left(t_n+\frac{h}{2},u_n+h\left(\frac{5}{24}K_1+\frac{1}{3}K_2-\frac{1}{24}K_3\right)\right)\\ K_3 = \varphi\left(t_{n+1},u_n+hK_2\right)\\ u_{n+1} = u_n + \frac{h}{6}\left(K_1+4K_2+K_3\right) & n=0,1,\dots N-1 \end{cases} \)

Q2 [3 points] Étudier théoriquement l’ordre du schéma.

Soit \(\omega\) l’ordre de la méthode.

C’est un schéma implicite à \(3\) étages (\(s=3\)) donc \(\omega\le2s=6\)

Code 
%reset -f
%matplotlib inline

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams.update({<span class="st">'font.size'</span>: <span class="dv">12</span>})
from scipy.optimize import fsolve

import sympy 
sympy.init_printing()

from IPython.display import display, Math, Markdown
prlat= lambda *args: display(Math(''.join( sympy.latex(arg) for arg in args )))
Code 
def ordre_RK(s, A=None, b=None, c=None):

    j = sympy.symbols('j')
    
    if A is None:
        A = sympy.MatrixSymbol('a', s, s)
    else:
        A = sympy.Matrix(A)
    if c is None:
        c = sympy.symbols(f'c_0:{</span>s<span class="sc">}')    
    if b is None:
        b = sympy.symbols(f'b_0:{</span>s<span class="sc">}')
    
    
    display(Markdown("**Matrice de Butcher**"))
    But = matrice_Butcher(s, A, b, c)
    
    Eqs = []

    # display(Markdown(f"**On a {s+1} conditions pour avoir consistance = pour être d'ordre 1**"))
    # ordre_1(s, A, b, c, j)
    
    display(Markdown("**On doit ajouter 1 condition pour être d'ordre 2**"))
    Eq_2 = ordre_2(s, A, b, c, j)
    Eqs.append(Eq_2)

    display(Markdown("**On doit ajouter 2 conditions pour être d'ordre 3**"))
    Eq_3 = ordre_3(s, A, b, c, j)  
    Eqs.extend(Eq_3)  
    
    display(Markdown("**On doit ajouter 4 conditions pour être d'ordre 4**"))
    Eq_4 = ordre_4(s, A, b, c, j)
    Eqs.extend(Eq_4)

    return Eqs


def matrice_Butcher(s, A, b, c):
    But = sympy.Matrix(A)
    But = But.col_insert(0, sympy.Matrix(c))   
    last = [sympy.Symbol(" ")]
    last.extend(b)
    But = But.row_insert(s,sympy.Matrix(last).T)
    display(Math(sympy.latex(sympy.Matrix(But))))
    return But


def ordre_1(s, A, b, c, j):
    texte = "\sum_{j=1}^s b_j =" + f"{</span><span class="bu">sum</span>(b)<span class="sc">.</span>simplify()<span class="sc">}"
    texte += r"\text{ doit être égale à }1"
    display(Math(texte))
    for i in range(s):
        somma = sympy.summation(A[i,j],(j,0,s-1)).simplify()
        texte = r'\sum_{j=1}^s a_{'</span><span class="op">+</span><span class="bu">str</span>(i)<span class="op">+</span><span class="vs">r'j}=' + sympy.latex( somma )
        texte += r"\text{ doit être égale à }"+sympy.latex(c[i])
        display(Math( texte ))
    return None    


def ordre_2(s, A, b, c, j):
    texte = '\sum_{j=1}^s b_j c_j=' +sympy.latex(sum([b[i]*c[i] for i in range(s)]).simplify())
    texte += r"\text{ doit être égale à }\frac{1}{2}"
    display(Math(texte))
    Eq_2 = sympy.Eq( sum([b[i]*c[i] for i in range(s)]).simplify(), sympy.Rational(1,2) )
    return Eq_2


def ordre_3(s, A, b, c, j):
    texte = '\sum_{j=1}^s b_j c_j^2='
    texte += sympy.latex( sum([b[i]*c[i]**2 for i in range(s)]).simplify() )
    texte += r"\text{ doit être égale à }\frac{1}{3}"
    display(Math(texte))
    Eq_3_1 = sympy.Eq( sum([b[i]*c[i]**2 for i in range(s)]).simplify(), sympy.Rational(1,3) )
    texte = r'\sum_{i,j=1}^s b_i a_{ij} c_j='    
    somma = sum([b[i]*A[i,j]*c[j] for j in range(s) for i in range(s)]).simplify()
    texte = texte + sympy.latex(somma)
    texte += r"\text{ doit être égale à }\frac{1}{6}"
    display(Math(texte))
    Eq_3_2 = sympy.Eq( sum([b[i]*A[i,j]*c[j] for j in range(s) for i in range(s)]).simplify(), sympy.Rational(1,6) )
    return [Eq_3_1, Eq_3_2]


def ordre_4(s, A, b, c, j):
    texte = '\sum_{j=1}^s b_j c_j^3='
    texte += sympy.latex( sum([b[i]*c[i]**3 for i in range(s)]).simplify() )
    texte += r"\text{ doit être égale à }\frac{1}{4}"
    display(Math(texte))
    Eq_4_1 = sympy.Eq( sum([b[i]*c[i]**3 for i in range(s)]).simplify(), sympy.Rational(1,4) )
    texte = r'\sum_{i,j=1}^s b_i c_i a_{ij} c_j='
    somma = sum([b[i]*c[i]*A[i,j]*c[j] for j in range(s) for i in range(s)]).simplify()
    texte = texte + sympy.latex(somma)
    texte += r"\text{ doit être égale à }\frac{1}{8}"
    display(Math(texte))
    Eq_4_2 = sympy.Eq( sum([b[i]*c[i]*A[i,j]*c[j] for j in range(s) for i in range(s)]).simplify(), sympy.Rational(1,8) )
    texte = r'\sum_{i,j=1}^s b_i a_{ij} c_j^2='
    somma = sum([b[i]*A[i,j]*c[j]**2 for j in range(s) for i in range(s)]).simplify()
    texte = texte + sympy.latex(somma)
    texte += r"\text{ doit être égale à }\frac{1}{12}"
    display(Math(texte))
    Eq_4_3 = sympy.Eq( sum([b[i]*A[i,j]*c[j]**2 for j in range(s) for i in range(s)]).simplify(), sympy.Rational(1,12) )
    texte = r'\sum_{i,j,k=1}^s b_i a_{ij} a_{jk} c_k='
    somma = sum([b[i]*A[i,j]*A[j,k]*c[k] for k in range(s) for j in range(s) for i in range(s)]).simplify()
    texte = texte + sympy.latex(somma)
    texte += r"\text{ doit être égale à }\frac{1}{24}"
    display(Math(texte))
    Eq_4_4 = sympy.Eq( sum([b[i]*A[i,j]*A[j,k]*c[k] for k in range(s) for j in range(s) for i in range(s)]).simplify(), sympy.Rational(1,24) )
    return [Eq_4_1, Eq_4_2, Eq_4_3, Eq_4_4]



##################################################
# Conditions avec s étages
##################################################

c = [0,sympy.Rational(1,2),1]
b = [sympy.Rational(1,6),sympy.Rational(2,3),sympy.Rational(1,6)]
A = [ [0,0,0],
      [sympy.Rational(5,24),sympy.Rational(1,3),-sympy.Rational(1,24)],
      [0,1,0]]
s = len(c)

Eqs = ordre_RK(s, A, b, c)

# for eq in Eqs:
#     display(eq)
#

Matrice de Butcher

\(\displaystyle \left[\begin{matrix}0 & 0 & 0 & 0\\\frac{1}{2} & \frac{5}{24} & \frac{1}{3} & - \frac{1}{24}\\1 & 0 & 1 & 0\\ & \frac{1}{6} & \frac{2}{3} & \frac{1}{6}\end{matrix}\right]\)

On doit ajouter 1 condition pour être d’ordre 2

\(\displaystyle \sum_{j=1}^s b_j c_j=\frac{1}{2}\text{ doit être égale à }\frac{1}{2}\)

On doit ajouter 2 conditions pour être d’ordre 3

\(\displaystyle \sum_{j=1}^s b_j c_j^2=\frac{1}{3}\text{ doit être égale à }\frac{1}{3}\)

\(\displaystyle \sum_{i,j=1}^s b_i a_{ij} c_j=\frac{1}{6}\text{ doit être égale à }\frac{1}{6}\)

On doit ajouter 4 conditions pour être d’ordre 4

\(\displaystyle \sum_{j=1}^s b_j c_j^3=\frac{1}{4}\text{ doit être égale à }\frac{1}{4}\)

\(\displaystyle \sum_{i,j=1}^s b_i c_i a_{ij} c_j=\frac{1}{8}\text{ doit être égale à }\frac{1}{8}\)

\(\displaystyle \sum_{i,j=1}^s b_i a_{ij} c_j^2=\frac{5}{72}\text{ doit être égale à }\frac{1}{12}\)

\(\displaystyle \sum_{i,j,k=1}^s b_i a_{ij} a_{jk} c_k=\frac{5}{144}\text{ doit être égale à }\frac{1}{24}\)

D’après ces résultats, le schéma est d’ordre \(3\).

Q3 [4 points] Étudier théoriquement la A-stabilité du schéma.

La méthode appliquée à l’EDO \(y'(t)=-\beta y(t)\) avec \(\beta>0\) s’écrit: \(\begin{cases} u_0 = y_0 \\ K_1 = -\beta u_n\\ K_2 = -\beta\left(u_n+\frac{h}{24}\left(5K_1+8K_2-K_3\right)\right)\\ K_3 = -\beta\left(u_n+hK_2\right)\\ u_{n+1} = u_n + \frac{h}{6}\left(K_1+4K_2+K_3\right) & n=0,1,\dots N-1 \end{cases} \)

En effet, si on note \(x=\beta h\), par induction on obtient \( u_{n}=\left(-\frac{x^3-5x^2+16x-24}{x^2+8x+24}\right)^nu_0. \) Par conséquent, \(\lim\limits_{n\to+\infty}u_n=0\) si et seulement si \( \left|\frac{x^3-5x^2+16x-24}{x^2+8x+24}\right|<1. \)

L’étude de la fonction \(x\mapsto\frac{x^3-5x^2+16x-24}{x^2+8x+24}\) pour \(x>0\) montre que le schéma est A-stable ssi \(h<\frac{6}{\beta}\).

Code 
sympy.var('u_n, h, β, K1, K2, K3')  

g = lambda y : -β*y

eq1 = sympy.Eq( K1 , g(u_n))
eq2 = sympy.Eq( K2 , g(u_n+h*5/24*K1+h/3*K2-h/24*K3) )
eq3 = sympy.Eq( K3 , g(u_n+h*K2) )
sol = sympy.solve([eq1,eq2,eq3],[K1,K2,K3])
display(sol)

RHS = u_n+h/6*(K1+2*K2+K3)
RHS = RHS.subs(sol).simplify()
texte = 'u_{n+1}=' + sympy.latex(RHS)
display(Math(texte)) 

print(r"Notons x=hβ>0. On trouve donc")
x = sympy.Symbol('x',positive=True)
RHS = RHS.subs(h*β,x).simplify()
texte = 'u_{n+1}=' + sympy.latex(RHS)
display(Math(texte)) 
texte = r"\text{La méthode est A-stable ssi }|q(x)|<1\text{ avec }q(x)=\frac{u_{n+1</span><span class="sc">}}{u_n}="
texte += sympy.latex(RHS/u_n)
display(Math(texte)) 
sympy.solve([-1<RHS/u_n,RHS/u_n<1])

\(\displaystyle \left\{ K_{1} : - u_{n} β, \ K_{2} : \frac{4 h u_{n} β^{2} - 24 u_{n} β}{h^{2} β^{2} + 8 h β + 24}, \ K_{3} : \frac{- 5 h^{2} u_{n} β^{3} + 16 h u_{n} β^{2} - 24 u_{n} β}{h^{2} β^{2} + 8 h β + 24}\right\}\)

\(\displaystyle u_{n+1}=\frac{u_{n} \left(- 3 h^{3} β^{3} + 11 h^{2} β^{2} - 24 h β + 72\right)}{3 \left(h^{2} β^{2} + 8 h β + 24\right)}\)

Notons x=hβ>0. On trouve donc

\(\displaystyle u_{n+1}=\frac{u_{n} \left(- 3 x^{3} + 11 x^{2} - 24 x + 72\right)}{3 \left(x^{2} + 8 x + 24\right)}\)

\(\displaystyle \text{La méthode est A-stable ssi }|q(x)|<1\text{ avec }q(x)=\frac{u_{n+1}}{u_n}=\frac{- 3 x^{3} + 11 x^{2} - 24 x + 72}{3 \left(x^{2} + 8 x + 24\right)}\)

\(\displaystyle x < 6\)

Code 
q = -RHS/u_n
display( Math (r'-\frac{u_{n+1</span><span class="sc">}}{u_n}=' + sympy.latex(q) + "=:q(x)") )
display( Math (r'q(0)=' + sympy.latex(q.subs(x,0)) ) )
display( Math (r'\lim_{x\to+\infty}q(x)=' + sympy.latex(q.limit(x,sympy.oo)) ) )
dq = sympy.diff(q,x).simplify()
display( Math ( r"q'(x)=" + sympy.latex(dq) ) )
display( Math ( r"q'(x)>0 \text{ ? } " + sympy.latex(sympy.solve(dq>0)) ) )
display( Math ( r"q(x)=1 \iff x= " + sympy.latex(sympy.solve(q-1)) ) )
# prlat( r"q(x)=0 \iff x= " ,[ xi.evalf() for xi in sympy.solve(q)] )

xx = linspace(0,8,100)
yy=(xx**3-5*xx**2+16*xx-24)/(xx**2+8*xx+24)
plot(xx,yy)
plot([xx[0],xx[-1]],[-1,-1])
plot([xx[0],xx[-1]],[1,1])
grid();

\(\displaystyle -\frac{u_{n+1}}{u_n}=- \frac{- 3 x^{3} + 11 x^{2} - 24 x + 72}{3 \left(x^{2} + 8 x + 24\right)}=:q(x)\)

\(\displaystyle q(0)=-1\)

\(\displaystyle \lim_{x\to+\infty}q(x)=\infty\)

\(\displaystyle q'(x)=\frac{x^{4} + 16 x^{3} + \frac{104 x^{2}}{3} - 128 x + 384}{x^{4} + 16 x^{3} + 112 x^{2} + 384 x + 576}\)

\(\displaystyle q'(x)>0 \text{ ? } \text{True}\)

\(\displaystyle q(x)=1 \iff x= \left[ 6\right]\)

Elle est strictement croissante sur \([0,+\infty[\), \(q(0)=-1\) et \(\lim\limits_{x\to+\infty}q(x)=+\infty\). Il existe donc un et un seul \(x_0\) tel que \(q(x_0)=1\). En résolvant l’équation on trouve \(x_0=6\).

La condition de stabilité est donc satisfaite ssi \(0<x<6\), donc ssi \( h<\frac{6}{\beta}. \)

Q4 [3 points] Considérons le problème de Cauchy \(y'(t)=-50y(t)\) pour \(t\in]0,1]\) et \(y(0)=1\).
Vérifier empiriquement qu’avec \(N=8\) (i.e. 9 points de discrétisation) le schéma est instable et avec \(N=21\) il est stable.

Code 
# variables globales
t0     = 0
tfinal = 1
y0     = 1
β      = 50

phi = lambda t,y: -β*y

##############################################
# solution exacte
##############################################
sol_exacte = lambda t : y0*np.exp(-β*t)

##############################################
# solution approchée
##############################################
def RK(tt,phi,y0):
    h = tt[1]-tt[0]
    uu = np.zeros_like(tt)
    uu[0] = y0
    for n in range(len(tt)-1):
        K1 = phi(tt[n],uu[n])
        sys = lambda X : [-X[0]+phi(tt[n]+h/2,uu[n]+h*(5/24*K1+X[0]/3-X[1]/24)) , 
                          -X[1]+phi(tt[n+1],uu[n]+h*X[0])]
        K2, K3 = fsolve( sys , [K1,K1] )
        uu[n+1] = uu[n]+h/6*(K1+4*K2+K3) 
    return uu

##############################################
# ordre
##############################################
# 6/β>h=(tfinal-t0)/N
# N>(tfinal-t0)*β/6

plt.figure(figsize=(16,5))

plt.subplot(1,2,1)
N = int((tfinal-t0)*β/6)
tt = np.linspace(t0, tfinal, N + 1)
h  = tt[1] - tt[0]
yy = sol_exacte(tt)
uu = RK(tt, phi, y0)
err = np.linalg.norm(uu-yy,np.inf)
plt.plot(tt,uu,label=f'Approchée avec N={</span>N<span class="sc">}')
plt.plot(tt,yy,label='Exacte')
plt.xlabel('$t$')
plt.ylabel('$y$')
plt.grid(True)
plt.legend();

plt.subplot(1,2,2)
N = int(int((tfinal-t0)*β/6)*2.46115761806205+2)
tt = np.linspace(t0, tfinal, N + 1)
h  = tt[1] - tt[0]
yy = sol_exacte(tt)
uu = RK(tt, phi, y0)
err = np.linalg.norm(uu-yy,np.inf)
plt.plot(tt,uu,label=f'Approchée avec N={</span>N<span class="sc">}')
plt.plot(tt,yy,label='Exacte')
plt.xlabel('$t$')
plt.ylabel('$y$')
plt.grid(True)
plt.legend();

Annexe: calculons la suite géométrique pour étudier la A-stabilité dans le cas générale d’un schéma dont la matrice de Butcher est

\( \begin{array}{c|ccc} 0 & 0 & 0 & 0 \\ c_2 & a_{21} & a_{22}&a_{23}\\ 1 & 0 &1&0\\ \hline & b_1 & b_2 & b_3 \end{array} \)

Code 
sympy.var('u_n, h, β, K1, K2, K3')  
sympy.var('b_1, b_2, b_3, a_21, a_22, a_23, x')  
g = lambda y : -β*y
eq1 = sympy.Eq( K1 , g(u_n))
eq2 = sympy.Eq( K2 , g(u_n+h*a_21*K1+h*a_22*K2+h*a_23*K3) )
eq3 = sympy.Eq( K3 , g(u_n+h*K2) )
sol = sympy.solve([eq1,eq2,eq3],[K1,K2,K3])
display(sol)
RHS = u_n+h*(b_1*K1+b_2*K2+b_3*K3)
RHS = RHS.subs(sol).simplify()
display(Math( 'u_{n+1}=' + sympy.latex(RHS) ))
RHS = RHS.subs(h,x/β).simplify()
display(Math( 'u_{n+1}=' + sympy.latex(RHS) ))
print("Avec nos paramètres on obtient bien:")
RHS = RHS.subs({a_21:<span class="dv">5</span><span class="op">/</span>sympy.S(<span class="dv">24</span>),a_22:<span class="dv">1</span><span class="op">/</span>sympy.S(<span class="dv">3</span>),a_23:<span class="op">-</span><span class="dv">1</span><span class="op">/</span>sympy.S(<span class="dv">24</span>),b_1:<span class="dv">1</span><span class="op">/</span>sympy.S(<span class="dv">6</span>),b_2:<span class="dv">4</span><span class="op">/</span>sympy.S(<span class="dv">6</span>),b_3:<span class="dv">1</span><span class="op">/</span>sympy.S(<span class="dv">6</span>)}).simplify()
display(Math( 'u_{n+1}=' + sympy.latex(RHS) ))

\(\displaystyle \left\{ K_{1} : - u_{n} β, \ K_{2} : \frac{- a_{21} h u_{n} β^{2} - a_{23} h u_{n} β^{2} + u_{n} β}{- a_{22} h β + a_{23} h^{2} β^{2} - 1}, \ K_{3} : \frac{a_{21} h^{2} u_{n} β^{3} + a_{22} h u_{n} β^{2} - h u_{n} β^{2} + u_{n} β}{- a_{22} h β + a_{23} h^{2} β^{2} - 1}\right\}\)

\(\displaystyle u_{n+1}=\frac{u_{n} \left(a_{22} h β - a_{23} h^{2} β^{2} - h β \left(b_{1} \left(a_{22} h β - a_{23} h^{2} β^{2} + 1\right) - b_{2} \left(a_{21} h β + a_{23} h β - 1\right) + b_{3} \left(a_{21} h^{2} β^{2} + a_{22} h β - h β + 1\right)\right) + 1\right)}{a_{22} h β - a_{23} h^{2} β^{2} + 1}\)

\(\displaystyle u_{n+1}=\frac{u_{n} \left(a_{22} x - a_{23} x^{2} - x \left(b_{1} \left(a_{22} x - a_{23} x^{2} + 1\right) - b_{2} \left(a_{21} x + a_{23} x - 1\right) + b_{3} \left(a_{21} x^{2} + a_{22} x - x + 1\right)\right) + 1\right)}{a_{22} x - a_{23} x^{2} + 1}\)

Avec nos paramètres on obtient bien:

\(\displaystyle u_{n+1}=\frac{u_{n} \left(- x^{3} + 5 x^{2} - 16 x + 24\right)}{x^{2} + 8 x + 24}\)

3 Exercice 3 : étude d’un système Hamiltonien

On s’intèresse au problème de Cauchy

\( \begin{cases} y'(t)=\varphi_1(t,y(t),z(t)),\\ z'(t)=\varphi_2(t,y(t),z(t)),\\ y(0)=y_0,\\ z(0)=z_0 \end{cases} \)

Soit \(H\colon (y,z)\mapsto H(y,z)\) une fonction de deux variables régulière et posons \(\varphi_1(t,y,z)=\dfrac{\partial H}{\partial z}\) et \(\varphi_2(t,y,z)=-\dfrac{\partial H}{\partial y}\).

  1. Notons \(\mathcal{H}\colon t \mapsto H(y(t),z(t))\). Montrer que \(\mathcal{H}\) est constante.

  2. Posons \(H(y,z)=\dfrac{(ay)^2+(bz)^2}{2}\) où \(a\) et \(b\) sont des constantes fixées dans la cellule précédente.

    1. Calculer la solution exacte (les données initiales sont fixées dans la cellule précédente).

    2. Dans la suite on posera \(T=4\pi/(ab)\) et, pour les affichages, on chosira \(N+1\) points avec \(N=48\).
      Dans trois répères différents afficher

      • \(t\mapsto y(t)\) et \(t\mapsto z(t)\) dans le même répère,
      • \(y\mapsto z(y)\),
      • \(t\mapsto\mathcal{H}(t)\).

  3. Dans la suite on notera \(u_n\approx y(t_n)\), \(w_n\approx z(t_n)\) et \(J_n\approx\mathcal{H}(t_n)\). Calculer la solution approchée obtenue par la méthode suivante appelée méthode d’Euler symplectique.
    \( \text{(ES) }\begin{cases} u_0=y_0,\\ w_0=z_0,\\ u_{n+1}=u_n+h\varphi_1\left(t_n,u_n,w_n\right),\\ w_{n+1}=w_n+h\varphi_2\left(t_{n+1},u_{n+1},w_{n+1}\right). \end{cases} \)
    Nota bene: le choix particulier de \(\varphi_1\) et \(\varphi_2\) permet de réécrire le schéma sous forme explicite.
    Dans trois répère différents afficher, en comparant solution exacte et solution approchée,

    • \(\{(t_i,u_i)\}\) et \(\{(t_i,w_i)\}\) dans un même répère,
    • \(\{(u_i,w_i)\}\),
    • \(\{(t_i,J_i)\}\) où \(J_i=H(u_i,w_i)\).

Q1 [1 point] Notons \(\mathcal{H}\colon t \mapsto H(y(t),z(t))\). Montrer que \(\mathcal{H}\) est constante.

On a \( \mathcal{H}'(t)= \frac{d }{dt}H(y(t),z(t))= \frac{\partial H}{\partial y}y'(t)+\frac{\partial H}{\partial z}z'(t)= -z'(t)y'(t)+y'(t)z'(t)=0. \)

Code 
%reset -f
%matplotlib inline

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams.update({<span class="st">'font.size'</span>: <span class="dv">12</span>})
from scipy.optimize import fsolve

import sympy 
sympy.init_printing()

from IPython.display import display, Math
prlat= lambda *args: display(Math(''.join( sympy.latex(arg) for arg in args )))


nom = "Faccanoni"
prenom = "Gloria"

print("Paramètres de l'exercice 3")
L = [ (-1,0),(1,0),(0,1),(0,-1) ]
idx = sum([ord(c) for c in nom+prenom])%len(L)
y0,z0 = L[idx]
prlat("y_0 = ",y0)
prlat("z_0 = ",z0)

L = [ (1,2),(2,1),(3,2),(2,3),(3,1),(1,3) ]
idx = sum([ord(c) for c in nom+prenom])%len(L)
(a,b) = L[idx]
prlat("a = ",a)
prlat("b = ",b)
Paramètres de l'exercice 3

\(\displaystyle \mathtt{\text{y\_0 = }}-1\)

\(\displaystyle \mathtt{\text{z\_0 = }}0\)

\(\displaystyle \mathtt{\text{a = }}3\)

\(\displaystyle \mathtt{\text{b = }}1\)

Q2 [2 point] Posons \(H(y,z)=\dfrac{(ay)^2+(bz)^2}{2}\) où \(a\) et \(b\) sont des constantes fixées dans la cellule précédente.

  1. Calculer la solution exacte (les données initiales sont fixées dans la cellule précédente).

  2. Dans la suite on posera \(T=4\pi/(ab)\) et, pour les affichages, on chosira \(N+1\) points avec \(N=48\).
    Dans trois répères différents afficher

    • \(t\mapsto y(t)\) et \(t\mapsto z(t)\) dans le même répère,
    • \(y\mapsto z(y)\),
    • \(t\mapsto\mathcal{H}(t)\).

Le problème de Cauchy devient

\( \begin{cases} y'(t)=b^2z(t),\\ z'(t)=-a^2y(t),\\ y(0)=y_0,\\ z(0)=z_0 \end{cases} \)

Code 
t0 = 0

tfinal = 4*np.pi/(a*b)
N = 48

phi1 = lambda t,y,z : b**2*z
phi2 = lambda t,y,z : -a**2*y
Ham = lambda y,z : ((a*y)**2+(b*z)**2)/2

La solution exacte est

Code 
_h = sympy.Symbol('h',positive=True)

_phi1 = lambda t,y,z :  sympy.diff(Ham(y,z),z)
_phi2 = lambda t,y,z : -sympy.diff(Ham(y,z),y)

t = sympy.Symbol('t')
y = sympy.Function('y')
z = sympy.Function('z')

edo1 = sympy.Eq( sympy.diff(y(t),t) , _phi1(t,y(t),z(t)) )
edo2 = sympy.Eq( sympy.diff(z(t),t) , _phi2(t,y(t),z(t)) )
display(edo1)
display(edo2)
solpar_1, solpar_2 = sympy.dsolve([edo1,edo2],[y(t),z(t)], ics={y(t0):y0, z(t0):z0})

display(solpar_1,solpar_2)

\(\displaystyle \frac{d}{d t} y{\left(t \right)} = z{\left(t \right)}\)

\(\displaystyle \frac{d}{d t} z{\left(t \right)} = - 9 y{\left(t \right)}\)

\(\displaystyle y{\left(t \right)} = - \cos{\left(3 t \right)}\)

\(\displaystyle z{\left(t \right)} = 3 \sin{\left(3 t \right)}\)

Les trois graphes sont

Code 
func_1 = sympy.lambdify(t,solpar_1.rhs,'numpy')
func_2 = sympy.lambdify(t,solpar_2.rhs,'numpy')

tt = np.linspace(t0,tfinal,N+1)
h  = tt[1]-tt[0]

plt.figure(figsize=(18,5))
yy = func_1(tt)
zz = func_2(tt)
HH = [ Ham(y,z) for (y,z) in zip(yy,zz) ]

plt.subplot(1,3,1)
plt.plot(tt,yy,'-*',tt,zz,'-*')
plt.legend([r'$t\mapsto y(t)$',r'$t\mapsto z(t)$'])
plt.xlabel(r'$t$')

plt.subplot(1,3,2)
plt.plot(yy,zz,'-*')
plt.xlabel(r'$y$')
plt.ylabel(r'$z$')
plt.axis('equal')

plt.subplot(1,3,3)
plt.plot(tt,HH,'-*')
plt.xlabel(r'$t$')
plt.ylabel(r'$\mathcal{H}$')
plt.axis('equal');

Q3 [4 points]
Dans la suite on notera \(u_n\approx y(t_n)\), \(w_n\approx z(t_n)\) et \(J_n\approx\mathcal{H}(t_n)\).

Calculer la solution approchée obtenue par la méthode suivante appelée méthode d’Euler symplectique.

\(\text{(ES) }\begin{cases} u_0=y_0,\\ w_0=z_0,\\ u_{n+1}=u_n+h\varphi_1\left(t_n,u_n,w_n\right),\\ w_{n+1}=w_n+h\varphi_2\left(t_{n+1},u_{n+1},w_{n+1}\right). \end{cases}\)

Nota bene: le choix particulier de \(\varphi_1\) et \(\varphi_2\) permet de réécrire le schéma sous forme explicite.

Dans trois répère différents afficher, en comparant solution exacte et solution approchée,

  • \(\{(t_i,u_i)\}\) et \(\{(t_i,w_i)\}\) dans un même répère,
  • \(\{(u_i,w_i)\}\),
  • \(\{(t_i,J_i)\}\) où \(J_i=H(u_i,w_i)\).

Pour l’affichage des solutions exactes VS approchées, on peut écrire une fonction qui prend en paramètres la discrétisation tt, les deux listes solution exacte yy et zz, les deux listes solution approchée uu et ww, puis une chaîne de caractères s qui contient le nom du schéma, et pour finir HH la liste qui contient le calcul de l’Hamiltonien exact et HH_num celui approché.

Code 
def affichage(tt,yy,zz,uu,ww,s,HH,HH_num):

    plt.subplot(1,3,1)
    plt.plot(tt,uu,'o--',tt,ww,'d--')
    plt.plot(tt,yy,tt,zz)
    plt.xlabel('t')
    plt.legend([r'$u(t)$ approchée',r'$w(t)$ approchée','$y(t)$ exacte','$z(t)$ exacte'])
    plt.title(f'{</span>s<span class="sc">} - y(t) et z(t)') 
    plt.grid()

    plt.subplot(1,3,2)
    plt.plot(uu,ww,'o--')
    plt.plot(yy,zz)
    plt.xlabel('y')
    plt.ylabel('z')
    plt.legend(['Approchée','Exacte'])
    plt.title(f'{</span>s<span class="sc">} - z(y)')
    plt.grid()
    plt.axis('equal')

    plt.subplot(1,3,3)
    plt.plot(tt,HH_num,'o--')
    plt.plot(tt,HH)
    plt.xlabel('t')
    plt.ylabel(r'$\mathcal{H}$')
    plt.legend(['Approchée','Exacte'])
    plt.title(f'{</span>s<span class="sc">} - '+r'$\mathcal{H}(t)$')
    plt.grid()
    plt.axis('equal');

Le schéma se réécrit

\(\text{(ES) }\begin{cases} u_0=y_0,\\ w_0=z_0,\\ u_{n+1}=u_n+h b^2 w_n,\\ w_{n+1}=-a^2h u_n + (1-(abh)^2)w_n. \end{cases}\)

et

\( J_{n+1}= \frac{(au_{n+1})^2+(bw_{n+1})^2}{2} \)

Vérifions nos calculs:

Code 
_h = sympy.Symbol('h')
t_n = sympy.Symbol('t_n')
u_n = sympy.Symbol('u_n')
w_n = sympy.Symbol('w_n')
t_np1 = t_n+h
u_np1 = sympy.Symbol('u_{n+1}')
w_np1 = sympy.Symbol('w_{n+1}')
eq1 = sympy.Eq( u_np1 , u_n+_h*_phi1(t_n,u_n,w_n))
eq2 = sympy.Eq( w_np1 , w_n+_h*_phi2(t_np1,u_np1,w_np1))
sol = sympy.solve([eq1,eq2],[u_np1,w_np1])
prlat( 'u_{n+1}=' , sol[u_np1] )
prlat( 'w_{n+1}=' , sol[w_np1].factor(w_n) )
# prlat( 'H_{n+1}=' , _Ham(sol[u_np1],sol[w_np1]).expand().simplify() )

\(\displaystyle \mathtt{\text{u\_\{n+1\}=}}h w_{n} + u_{n}\)

\(\displaystyle \mathtt{\text{w\_\{n+1\}=}}- 9 h u_{n} - w_{n} \left(9 h^{2} - 1\right)\)

Code 
# x0, y0, h variables globales
def ES(phi1,phi2,tt):
    h = tt[1]-tt[0]
    uu = np.zeros_like(tt)
    ww = np.zeros_like(tt)
    uu[0] = y0
    ww[0] = z0
    for n in range(len(tt)-1):
        # uu[n+1] = uu[n]+h*phi1(tt[n],uu[n],ww[n])
        # ww[n+1] = ww[n]+h*phi2(tt[n+1],uu[n+1],None)
        # idem que
        uu[n+1] = uu[n]+h*b**2*ww[n] 
        ww[n+1] = -a**2*h*uu[n]+(1-(a*b*h)**2)*ww[n]
    return [uu,ww]

[uu, ww] = ES(phi1,phi2,tt)
HH_num = Ham(uu,ww)

plt.figure(figsize=(18,5))
affichage(tt,yy,zz,uu,ww,"Euler symplectique",HH,HH_num)

Retour au sommet