à la recherche de la définition des matrices définies positives

5/code.py

@@ -2,7 +2,14 @@
 import numpy as np
 from copy import deepcopy as dp
 
-def gradient_conjugué(A, b, nb=50):
+"""
+    TP final MNI
+    auteurs: Cyril Colin
+             Dylan Voisin
+    date: 10/02/2020
+"""
+
+def gradient_conjugué(A: np.ndarray, b: np.ndarray, nb=50):
     p = dp(b)
     r = dp(b)
     x = np.zeroes(b.shape)
@@ -10,3 +17,13 @@ def gradient_conjugué(A, b, nb=50):
         α = (r.transpose() @ r) / (p.transpose() @ A @ p)
         x = x + α @ p
         r = r - α @ A @ p
+        β  = (r.transpose() @ r) / (r.transpose() @ r)
+        p = r + β @ p
+    return x
+
+if __name__ == '__main__':
+    A = np.array(
+        [
+            [2, 3, 4]
+        ]
+    )

5/tableau_prof.txt

@@ -3,4 +3,7 @@ Méthode du gradient conjugué
 On cherche x tq A.x=b
 A matrice p×p symétrique définie positive (donc inversible)
 
-On cherche à résoudre cette équation (les t dans la formule c'est la transposée)
+On cherche à résoudre cette équation (les t dans la formule c'est la transposée)
+
+jean.sequeira@univ-amu.fr
+TPfinal_<Nom>.py