bonjour,
Je cherche des algorithmes efficaces pour l'orthogonalisation, (pour le calcul des valeurs propores par exemple). Est il des algorithmes à part Gram Schmidt, qui permettent de faire l'orthogonalisation avec un minimum d'erreur?
Merci pour toutes remarque

Si c'est pour calculer les valeurs propres, je suggère d'utiliser plutôt Householder ou Givens qui sont plus stables.

oui au fait je cherche à calculer les valeurs propres dans un espace à noyau, la particularité de ces espaces c''est que je dois appliquer un algorithme (pour le calcul des valeures propres ) qui s'exprime en fonction d'un produit de vecteur , l'algo gram Scmidt verifie cette propriete je ne sais pas pour les autres algo est verifié ou pas?

En fait les deux méthodes que j'ai mentionnées ont pas directement de lien avec l'orthogonalisation, c'est pour obtenir une décomposition QR utilisée dans le calcul des valeurs propres: pour Householder c'est des réflexions et pour Givens c'est des rotations. Tu pars de quoi, d'une matrice?

L'algo de Graham est tres efficace. Une simple boucle for et le tour est joué...

de faire l'orthogonalisation avec un minimum d'erreur? >>où ça des erreurs ?

Sans doute des erreurs numériques; si c'est des calculs en virgule flottante, justement, l'algo de Graham est moyenement stable.

bonjour,
au fait, je parle des erreurs d'arondi, l'algo GRam calcul les nouvelles valeurs avec des erreurs d'arrondie il est numériquement instable.
normalement je pars d'une matrice juju12