Made available in DSpace on 2016-12-23T14:33:47Z (GMT). No. of bitstreams: 1 Kamila Ribeiro Ghidetti parte 1 p 1-60.pdf: 1277319 bytes, checksum: 04f11c251510276dd05a0c29559e9cb9 (MD5) Previous issue date: 2011-07-13 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A análise da influência dos algoritmos de reordenamento de matrizes na resolução de sistemas lineares utilizando os m´métodos iterativos não estacionários GMRES e Gradiente Conjugado, ambos com e sem precondicionamento, é o objeto de estudo desse trabalho. Os algoritmos mais referenciados na literatura para reordenamento de matrizes são Reverse Cuthill-McKee (RCM), Gibbs-Poole-Stockmeyer (GPS), Nested Dissection (ND) e Espectral (ES). Neste trabalho esses algoritmos foram analisados e algumas modificações foram propostas. Todos os algoritmos e suas versões modificadas foram implementados e comparados quanto a qualidade de solução (minimização de largura de banda e minimização de envelope) e tempo de execução. Além disso, os sistemas lineares associados as matrizes esparsas são resolvidos via m´métodos iterativos tipo Krylov precondicionados. Os precondicionadores analisados nesse estudo são baseados na fatoração LU incompleta. Para os testes computacionais é considerado um conjunto de matrizes estruturalmente simétricas oriundas das mais diversas áreas do conhecimento. Nossos estudos concluem que o reordenamento das matrizes, na maioria dos casos, reduz o numero de iterações dos métodos iterativos, entretanto a redução do tempo de processamento é dependente da dimensão e do condicionamento da matriz / This work analyzes the influence of matrices reordering algorithms on solving linear systems using non-stationary iterative methods GMRES and Conjugate Gradient, both with and without preconditioning. The algorithms referenced most often in the literature for the reordering of matrices are Reverse Cuthill-McKee (RCM), Gibbs-Poole-Stockmeyer (GPS), Nested Dissection (ND) and Spectral (ES). We analyze these algorithms and propose some modifications comparing their solution qualities (minimizing bandwidth and minimizing envelope) and CPU times. Moreover, the linear systems associated with sparse matrices are solved via preconditioned Krylov-type iterative methods considering the incomplete LU factorization preconditioners. For the computational tests, we consider a set of structurally symmetric matrices that can come from various fields of knowledge. We conclude that the reordering of matrices, in most cases, reduces the number of iterations in the iterative methods, but the reducing of the CPU time depends on the size and conditioning of the matrix