{"id":1288,"date":"2026-08-21T14:31:23","date_gmt":"2026-08-21T14:31:23","guid":{"rendered":"https:\/\/matforge.org\/?p=1288","raw":"https:\/\/matforge.org\/?p=1288"},"modified":"2026-08-21T14:31:23","modified_gmt":"2026-08-21T14:31:23","slug":"nonlinear-solver-methods-newton-broyden-quasi-newton-pdes","status":"publish","type":"post","link":"https:\/\/matforge.org\/fr\/nonlinear-solver-methods-newton-broyden-quasi-newton-pdes\/","title":{"rendered":"M\u00e9thodes de solveur non lin\u00e9aires : Newton, Broyden et Quasi-Newton pour les EDP","raw":"M\u00e9thodes de solveur non lin\u00e9aires : Newton, Broyden et Quasi-Newton pour les EDP"},"content":{"rendered":"Reading Time: <\/span> 12<\/span> minutes<\/span><\/span>

Lorsque vous discr\u00e9ditez une \u00e9quation aux d\u00e9riv\u00e9es partielles non lin\u00e9aires, vous obtenez un syst\u00e8me alg\u00e9brique non lin\u00e9aire. Pour le r\u00e9soudre, il faut choisir la bonne m\u00e9thode de solveur. La m\u00e9thode de Newton converge quadratiquement mais exige un plein Jacobien. La m\u00e9thode de Broyden construit le Jacobien moins cher mais peut d\u00e9stabiliser. L’approche de Newton-Krylov sans Jacobien (JFNK) \u00e9vite enti\u00e8rement le Jacobien, ne s’appuyant que sur des produits \u00e0 vecteur jacobien avec un pr\u00e9conditionnement bas\u00e9 sur la physique pour garder la convergence tractable.<\/p>\n

Le choix n’est pas th\u00e9orique. Il d\u00e9termine si votre simulation converge du tout, combien de m\u00e9moire elle consomme et si elle se termine en quelques minutes ou en jours.<\/p>\n

Lien vers l’article existant : M\u00e9thodes d’int\u00e9gration du temps pour les solveurs PDE<\/a><\/strong> Couvre le paysage plus large des sch\u00e9mas explicites par rapport aux sch\u00e9mas implicites et de la division des op\u00e9rateurs. Lien vers l’article existant : m\u00e9thodes implicites ou explicites<\/a><\/strong> Discute des r\u00e9gions de stabilit\u00e9, des crit\u00e8res de pr\u00e9cision et lorsque des sch\u00e9mas implicites deviennent n\u00e9cessaires. Cet article se concentre sp\u00e9cifiquement sur les solveurs non lin\u00e9aires qui se trouvent dans chaque sch\u00e9ma implicite.<\/p>\n

Lorsque les m\u00e9thodes implicites exigent un solveur non lin\u00e9aire<\/h2>\n

L’int\u00e9gration implicite du temps n\u00e9cessite la r\u00e9solution d’un syst\u00e8me non lin\u00e9aire \u00e0 chaque pas de temps. Consid\u00e9rez la discr\u00e9tisation d’Euler r\u00e9trograde d’un PDE g\u00e9n\u00e9rique :<\/p>\n

F(u\u207f\u207a\u00b9) = 0<\/code><\/pre>\n
L’inconnu u\u207f\u207a\u00b9<\/code> appara\u00eet \u00e0 l’int\u00e9rieur de l’op\u00e9rateur F<\/code> par des termes de diffusion, une cin\u00e9tique de r\u00e9action ou des \u00e9quations multi-physiques coupl\u00e9es. Apr\u00e8s discr\u00e9tisation spatiale (volume fini, \u00e9l\u00e9ment fini ou diff\u00e9rence finie), le syst\u00e8me devient :<\/p>\n
F(x) = 0, where x \u2208 \u211d\u207f<\/code><\/pre>\n
La dimension n<\/code> est le nombre de degr\u00e9s de libert\u00e9 – g\u00e9n\u00e9ralement le produit des cellules de la grille, des champs physiques et des it\u00e9rations de pas de temps. Dans une simulation en champ de phase 3D avec 500 \u00b3 de cellules et deux champs coupl\u00e9s, n<\/code> peut facilement d\u00e9passer 10 \u2078.<\/p>\n
Le d\u00e9fi est que F<\/code> est non lin\u00e9aire. Vous ne pouvez pas \u00e9crire x = F\u207b\u00b9(0)<\/code>. Au lieu de cela, vous avez besoin d’un algorithme it\u00e9ratif qui construit une s\u00e9quence convergeant vers la racine.<\/p>\n
La m\u00e9thode de Newton : la ligne de base<\/h2>\n
La m\u00e9thode de Newton est la r\u00e9f\u00e9rence par rapport \u00e0 laquelle tous les autres solveurs non lin\u00e9aires sont mesur\u00e9s. Pour le syst\u00e8me F(x) = 0<\/code>, il construit la matrice jacobienne :<\/p>\n
J = \u2202F\/\u2202x<\/code><\/pre>\n
et it\u00e8re :<\/p>\n
x\u2096\u208a\u2081 = x\u2096 \u2212 J\u207b\u00b9\u00b7F(x\u2096)<\/code><\/pre>\n
La propri\u00e9t\u00e9 cl\u00e9 est convergence quadratique<\/strong>. Si le Jacobien est continu de Lipschitz et que la supposition initiale est dans le bassin de convergence, l’erreur satisfait :<\/p>\n
\u2016x\u2096\u208a\u2081 \u2212 x*\u2016 \u2264 C \u00b7 \u2016x\u2096 \u2212 x*\u2016\u00b2<\/code><\/pre>\n
Cela signifie que le nombre de chiffres corrects double \u00e0 chaque it\u00e9ration. Pour les syst\u00e8mes PDE bien \u00e9lev\u00e9s, la m\u00e9thode de Newton converge souvent en 3 \u00e0 5 it\u00e9rations.<\/p>\n
Jacobien complet : diff\u00e9rence analytique ou finie<\/h3>\n
La construction du Jacobien est la partie la plus ch\u00e8re de la m\u00e9thode de Newton. Les options sont :<\/p>\n
Jacobien analytique.<\/strong> Vous d\u00e9rivez \u2202F\/\u2202x<\/code> \u00e0 la main ou par la diff\u00e9renciation automatique. Dans des biblioth\u00e8ques comme Fenics, la formulation variationnelle g\u00e9n\u00e8re automatiquement le Jacobien par la diff\u00e9renciation symbolique. Le r\u00e9sultat est exact (jusqu’\u00e0 une pr\u00e9cision en virgule flottante).<\/p>\n
Diff\u00e9rence finie Jacobien.<\/strong> Vous perturbez chaque colonne de J<\/code> par \u03b5<\/code> et r\u00e9\u00e9valuez F<\/code> :<\/p>\n
J\u1d62 \u2248 (F(x + \u03b5\u00b7e\u1d62) \u2212 F(x)) \/ \u03b5<\/code><\/pre>\n
Cela n\u00e9cessite n<\/code> des \u00e9valuations de fonctions suppl\u00e9mentaires par it\u00e9ration newton. Pour les grands n<\/code>, cela domine le co\u00fbt.<\/p>\n
Bloquer Jacobian.<\/strong> Dans les syst\u00e8mes coupl\u00e9s avec k<\/code> champs, le Jacobien est structur\u00e9 en bloc :<\/p>\n
J = [ \u2202F\u2081\/\u2202x\u2081  \u2202F\u2081\/\u2202x\u2082  ... ]\n    [ \u2202F\u2082\/\u2202x\u2081  \u2202F\u2082\/\u2202x\u2082  ... ]\n    [          ...       ... ]<\/code><\/pre>\n
Si vous n’avez besoin que de blocs diagonaux \u2202F\u1d62\/\u2202x\u1d62<\/code>, vous pouvez les \u00e9valuer ind\u00e9pendamment – une technique appel\u00e9e gel diagonal<\/strong> ou solveurs enti\u00e8rement coupl\u00e9s ou s\u00e9par\u00e9s<\/strong>.<\/p>\n
Convergence mondiale : recherche de lignes et r\u00e9gions de confiance<\/h3>\n
La m\u00e9thode de Pure Newton est une m\u00e9thode locale. Si la supposition initiale est loin de la solution, les it\u00e9rations peuvent diverger m\u00eame si la convergence quadratique est proche de la racine.<\/p>\n
Recherche de ligne<\/strong> modifie l’\u00e9tape Newton en la mettant \u00e0 l’\u00e9chelle :<\/p>\n
x\u2096\u208a\u2081 = x\u2096 \u2212 \u03b1\u00b7J\u207b\u00b9\u00b7F(x\u2096)<\/code><\/pre>\n
o\u00f9 \u03b1 \u2208 (0, 1]<\/code> est choisi pour r\u00e9duire une fonction de m\u00e9rite. L’approche classique minimise \u2016F(x\u2096 \u2212 \u03b1\u00b7J\u207b\u00b9\u00b7F(x\u2096))\u2016<\/code>.<\/p>\n
Les r\u00e9gions de confiance<\/strong> d\u00e9finissent un rayon \u0394<\/code> dans lequel le mod\u00e8le quadratique est approuv\u00e9 :<\/p>\n
min q(s) = F(x\u2096) + J\u00b7s + \u00bd\u00b7s\u1d40\u00b7H\u00b7s\nsubject to \u2016s\u2016 \u2264 \u0394<\/code><\/pre>\n
Lorsque la r\u00e9duction de la fonction de m\u00e9rite est insuffisante, le rayon se r\u00e9tr\u00e9cit. Quand c’est suffisant, le rayon grandit.<\/p>\n
Le package SNES<\/code> de PETSC (solveur d’\u00e9quations non lin\u00e9aires SNU) fournit \u00e0 la fois la mondialisation de recherche en ligne et de r\u00e9gion de confiance. Le choix affecte le nombre total d’it\u00e9rations plus que le co\u00fbt par it\u00e9ration.<\/p>\n
Newton pratique : quand \u00e7a marche et quand \u00e7a ne marche pas<\/h3>\n
La m\u00e9thode de Newton excelle lorsque :<\/p>\n