Chapitre 2 : Systèmes dynamiques dans R²
Transcription
Chapitre 2 : Systèmes dynamiques dans R²
Biologie Mathématique et Modélisation (L3 – MIV) Chapitre 2 : Systèmes dynamiques dans R² Sandrine CHARLES et Christelle LOPES (16/05/2008) [email protected]; [email protected] 1. Introduction .......................................................................................................................3 2. Étude des systèmes dynamiques linéaires .........................................................................3 2.1. Formes de Jordan réelles dans IR2..............................................................................4 • Deux valeurs propres réelles distinctes ( ∆ > 0 )..........................................................5 • Deux valeurs propres réelles identiques ( ∆ = 0 ) ........................................................6 • Deux valeurs propres complexes conjuguées ( ∆ < 0 ) ................................................7 2.2. Typologie des solutions des systèmes linéaires planaires ..........................................8 • Deux valeurs propres réelles distinctes : λ1 et λ2 .......................................................8 • Une valeur propre double : λ0 ..................................................................................10 • Deux valeurs complexes conjuguées : λ1,2 = α ± i β .................................................12 2.3. Classes d’équivalence topologique (à voir si le temps)............................................14 2.4. Notion de stabilité structurelle..................................................................................17 2.5. Typologie des solutions des systèmes linéaires dans le plan ( tr,det ) ...................18 • Cas ∆ = 0 ..................................................................................................................19 • Cas ∆ > 0 ..................................................................................................................19 • Cas ∆ < 0 ..................................................................................................................19 2.6. Résolution des systèmes linéaires d'EDO.................................................................20 2.6.1. Les exponentielles de matrices ..........................................................................20 2.6.2. Résolution pratique des systèmes d’EDO linéaires...........................................22 3. Étude des systèmes dynamiques non linéaires ................................................................23 3.1. Linéarisation au voisinage d’un point d’équilibre................................................24 3.2. Théorème de linéarisation ....................................................................................26 3.3. Portrait de phase ...................................................................................................29 Chapitre 1 : Équations Différentielles Ordinaires dans IR ___________________________________________________________________________________________________________ 4. Application en dynamique des populations.....................................................................33 4.1. Le modèle proie-prédateur de Lotka-Volterra......................................................34 • Recherche des points d’équilibre ..........................................................................35 • Étude de stabilité locale (linéarisation) .................................................................35 • Portrait de phase....................................................................................................38 • Allure des chroniques............................................................................................39 4.2. Critique et modifications du modèle de Lotka-Volterra.......................................40 • Recherche des points d’équilibre ..........................................................................41 • Étude de stabilité locale (linéarisation) .................................................................41 • Portraits de phase ..................................................................................................42 • Allure des chroniques............................................................................................43 -2- S. Charles, C. Lopes Le 16/05/2008 1. Introduction On considère le système d’équations différentielles ordinaires autonomes suivant : xɺ = f ( x, y ) yɺ = g ( x, y ) (S) où f et g sont des fonctions des variables x et y . On parle encore de système différentiel, ou de système dynamique. En utilisant la notation matricielle, on peut aussi écrire : ɺ = Φ ( X) X X = ( x, y ) est un vecteur de IR2 et Φ ( X ) = ( f ( x, y ) , g ( x, y ) ) une fonction de IR2 dans IR2. Une solution de ce système consiste en un couple de fonctions ( x ( t ) , y ( t ) ) , t ∈ I ⊆ ℝ , qui satisfait le système (S). Définitions : Par analogie avec les EDO dans IR, on appelle point d’équilibre de (S) une solution constante c = ( x∗ , y ∗ ) qui vérifie : xɺ = f ( x∗ , y ∗ ) = 0 ∗ ∗ yɺ = g ( x , y ) = 0 On appelle plan de phase le plan ( x, y ) La représentation des trajectoires dans le plan de phase s’appelle le portrait de phase. 2. Étude des systèmes dynamiques linéaires On considère ici le cas où f et g sont des fonctions linéaires de x et de y . Le système (S) se réécrit alors : xɺ = a11 x + a12 y ɺ = AX avec A = a11 a12 ⇔ X a21 a22 yɺ = a21 x + a22 y Mise à jour du 16/05/08 S. Charles, C. Lopes Le 16/05/2008 2.1. Formes de Jordan réelles dans IR2 Proposition : Soit A une matrice réelle carrée de dimension 2. Alors il existe une matrice réelle inversible P telle que J = P −1 AP est de l’une des formes suivantes : λ0 (b) 0 λ 0 (a) 1 λ1 ≠ λ2 0 λ2 λ0 (c) 0 α (d) β 1 λ0 0 λ0 −β β >0 α où λ0 , λ1 , λ2 , α , β sont des réels, en relation directe avec les valeurs propres de la matrices A. On dit que J est semblable à A. λ Remarque : Dans le cas (a) on pourra également trouver 2 0 α (d) −β 0 λ ≠ λ2 et dans le cas λ1 1 β β > 0. α Les matrices J sont les formes de Jordan associées à A . Les valeurs propres de la matrice A (et de la matrice J ) sont les valeurs λ solutions de l’équation caractéristique : det ( A − λ I ) = 0 I : matrice identité ⇔ λ 2 − tr ( A ) λ + det ( A ) = 0 équation caractéristique où tr ( A ) = a11 + a22 est la trace de A , et det ( A ) = a11a22 − a12 a21 son déterminant. Démonstration (à voir si le temps) : det ( A − λ I ) = 0 ⇔ a11 − λ a12 a21 a22 − λ =0 ⇔ ( a11 − λ )( a22 − λ ) − a12 a21 = 0 ⇔ a11a22 − λ ( a11 + a22 ) + λ 2 − a12 a21 = 0 ⇔ λ 2 − ( a11 + a22 ) λ + ( a11a22 − a12 a21 ) = 0 - BMM 1 – Cours 2 (L3 – MIV), p4/44 - S. Charles, C. Lopes Le 16/05/2008 ⇔ λ 2 − tr ( A ) λ + det ( A ) = 0 Le discriminant de l’équation caractéristique est ∆ = ( tr ( A ) ) − 4det ( A ) . 2 C’est la nature des valeurs propres qui détermine la forme de Jordan associée à A : – Réelles distinctes ( ∆ > 0 ) ; – Réelles égales ( ∆ = 0 ) ; une racine double – Complexes conjuguées ( ∆ < 0 ). Si λ1 et λ2 sont racines de l’équation caractéristique, alors : trA = λ1 + λ2 et detA = λ1λ2 • Deux valeurs propres réelles distinctes ( ∆ > 0 ) Les valeurs propres sont de la forme : λ1 = tr ( A ) + ∆ tr ( A ) − ∆ et λ2 = 2 2 Si on appelle u1 ,u 2 les vecteurs propres associés à λ1 , λ2 : Mettre des flèches sur les vecteurs à l’oral u1 ,u 2 Aui = λi ui i = 1, 2 λ 0 Alors P = ( u1 u 2 ) , et J est de la forme (a) : J = P −1 AP = 1 0 λ2 Démonstration : u21 u P = 11 u12 u22 a AP = 11 a21 a12 u11 a22 u12 u21 a11u11 + a12u12 = u22 a21u11 + a22u12 u u = A 11 A 21 = [ Au1 u22 u12 = PJ a11u21 + a12u22 a21u21 + a22u22 λ 0 Au 2 ] = [ λ1u1 λ2u 2 ] = [u1 u 2 ] 1 0 λ2 Exemple : - BMM 1 – Cours 2 (L3 – MIV), p5/44 - S. Charles, C. Lopes Le 16/05/2008 −2 7 Soit A = . 2 3 tr ( A ) = 1 et det ( A ) = −20 . L'équation caractéristique est donc λ 2 − λ − 20 = 0 avec ∆ = 81 = 92 . Les valeurs propres de A sont alors : λ1 = −4 et λ2 = 5 . 7 1 Le calcul des vecteurs propres associés à λ1 et λ2 conduit à u1 = et u 2 = . On a −2 1 7 1 −4 0 1 1 −1 −1 −1 alors : P = avec P = . On vérifie enfin que J = P AP = . 92 7 −2 1 0 5 • Deux valeurs propres réelles identiques ( ∆ = 0 ) On distingue deux cas. (i) A est déjà diagonale : λ A= 0 0 0 =λ I λ0 0 Le sous-espace propre associé à λ0 est de dimension 2. A est donc directement sous la forme de Jordan (b). En effet, quelle que soit la matrice de passage P , on a P −1 AP = A ( A est semblable à elle-même) : J = A . Car A = λ0 I et I commute avec n’importe quelle matrice : P −1 AP = P −1λ0 IP = λ0 P −1 P = λ0 I = A (ii) A n’est pas diagonale : Dans ce cas, λ1 = λ2 = λ0 = tr ( A ) 2 et il n’y a pas deux vecteurs propres linéairement indépendants. Soit u 0 un vecteur propre de A . En choisissant un vecteur m 2 linéairement indépendant de u 0 , i.e. tel que det ( u 0 , m 2 ) ≠ 0 , alors P = ( u 0 m 2 ) est une matrice inversible qui permet de triangulariser A : λ P −1 AP = 0 0 c λ0 où c est un réel non nul et en général différent de 1. Pour retrouver la forme de Jordan (c), on définit une nouvelle matrice de passage : - BMM 1 – Cours 2 (L3 – MIV), p6/44 - S. Charles, C. Lopes Le 16/05/2008 1 0 P1 = P avec c −1 = 1 c −1 0 c λ0 Alors J = P1−1 AP1 = 0 1 . λ0 Exemple : −4 1 Soit A = . −1 −2 λ 2 + 6λ + 9 = 0 tr ( A ) = −6 et det ( A ) = 9 . L'équation caractéristique est donc avec ∆ = 36 − 9 × 4 = 0 . Les valeurs propres de A sont alors : λ1 = λ2 = −3 = λ0 . 1 Un vecteur propre associé à λ0 est par exemple u 0 = . En choisissant le vecteur 1 1 m 2 = indépendant de u 0 , la matrice de passage s'écrit : 0 P = (u0 1 1 0 1 −1 m1 ) = avec P = 1 0 1 −1 −3 −1 Le calcul de P −1 AP conduit alors à la matrice qui n'est pas sous la forme de 0 −3 Jordan souhaitée, c'est-à-dire avec c = −1 . Il faut donc choisir une autre matrice de 1 0 1 −1 0 1 −1 changement de base P1 = P = avec P1 = . 0 −1 1 0 −1 1 −3 1 On vérifie alors que J = P1−1 AP1 = . 0 −3 • Deux valeurs propres complexes conjuguées ( ∆ < 0 ) On peut écrire λ1,2 = α ± i β avec α = tr ( A ) 2 et β = ∆ 2 . - BMM 1 – Cours 2 (L3 – MIV), p7/44 - S. Charles, C. Lopes Le 16/05/2008 Les vecteurs propres associés à λ1 et λ2 sont également complexes conjugués et s’écrivent u1,2 = a ± ib où a et b sont des vecteurs réels de IR2. Si on prend la matrice de passage P = ( b a ) , alors A se met sous la forme de Jordan (d) : α J = P −1AP = β −β α Exemple : 2 1 Soit A = . tr ( A ) = 6 et det ( A ) = 10 . −2 4 L'équation caractéristique est donc λ 2 − 6λ + 10 = 0 avec ∆ = −4 . Les valeurs propres de A sont alors : λ1,2 = 3 ± i . 1 0 Le calcul des vecteurs propres conjugués associés à λ1 et λ2 conduit à u1,2 = ± i , 1 1 d'où la matrice de passage 0 1 −1 1 −1 P= avec P = 1 1 1 0 3 −1 On vérifie enfin que J = P −1 AP = . 1 3 ɺ = AX , peut être Compte tenu de ce qui précède, tout système différentiel du type X ɺ = JY , où J = P −1 AP transformé en un système différentiel canonique équivalent, Y est la forme de Jordan associée à A et X = PY . 2.2. Typologie des solutions des systèmes linéaires planaires On se limite ici au cas où A est inversible ( det ( A ) ≠ 0 , pas de valeurs propres nulles puisque det ( A ) = λ1λ2 ). L'unique solution de AX = 0 est alors X = 0 et le système admet un seul point d’équilibre à l'origine du plan de phase. • Deux valeurs propres réelles distinctes : λ1 et λ2 - BMM 1 – Cours 2 (L3 – MIV), p8/44 - S. Charles, C. Lopes Le 16/05/2008 ɺ = AX se transforme alors en Dans ce cas, J est sous la forme de Jordan (a). Le système X ɺ = JY avec Y = ( w, z ) : son système canonique Y λt wɺ = λ1w w = C1e 1 avec C1 , C2 ∈ È ⇔ λt z = C2 e 2 zɺ = λ2 z λ 0 J = P AP = 1 0 λ2 −1 Si λ1 et λ2 sont strictement positives, alors lim w ( t ) = +∞ et lim z ( t ) = +∞ , et le t →∞ t →∞ portrait de phase dans le plan ( w, z ) est le suivant : z(t) w(t) ɺ = AX , lorsque A possède deux valeurs propres réelles Figure 1 : Allure des trajectoires du système linéaire X distinctes strictement positives. Le point d’équilibre à l'origine du portrait de phase est appelé un noeud ; Toutes les trajectoires partant du point d’équilibre s’en éloignent, on a un noeud instable (NI). ɺ = AX , on utilise la relation X = PY . RQ : pour obtenir la solution générale du système X Si λ1 et λ2 sont strictement négatives, alors lim w ( t ) = 0 et lim z ( t ) = 0 , et le portrait de t →∞ t →∞ phase dans le plan ( w, z ) est le suivant : z(t) w(t) ɺ = AX , lorsque A possède deux valeurs propres réelles Figure 2 : Allure des trajectoires du système linéaire X distinctes strictement négatives. - BMM 1 – Cours 2 (L3 – MIV), p9/44 - S. Charles, C. Lopes Le 16/05/2008 Quelle que soit la condition initiale, les trajectoires convergent vers le point d’équilibre, on a un nœud stable (NS). Si λ1 et λ2 sont de signe opposé, par exemple λ1 > 0 et λ2 < 0 , alors lim w ( t ) = +∞ t →∞ et lim z ( t ) = 0 , et le portrait de phase dans le plan ( w, z ) est le suivant : t →∞ z(t) w(t) ɺ = AX , lorsque A possède deux valeurs propres réelles Figure 3 : Allure des trajectoires du système linéaire X distinctes de signe opposé : λ1 > 0 et λ2 < 0 ; ou λ1 < 0 et λ2 > 0 . L'origine est ici un point selle (PS) ; les axes ( Ow ) et ( Oz ) sont appelés les séparatrices du point selle, car ces droites séparent le plan ( w, z ) en quatre « flots » de trajectoires différentes. CE sont les seules trajectoires qui passent par le point d’équilibre. • Une valeur propre double : λ0 (i) Dans le cas où A est diagonale, λ1 = λ2 = λ0 ≠ 0 , le système canonique s’écrit : λ J = 0 0 0 λ0 λ0t wɺ = λ0 w w ( t ) = C1e ⇔ λ0t zɺ = λ0 z z ( t ) = C2 e Si λ0 > 0 , alors lim w ( t ) = lim z ( t ) = +∞ et le portrait de phase dans le plan ( w, z ) est le t →∞ t →∞ suivant, et on a une étoile instable : - BMM 1 – Cours 2 (L3 – MIV), p10/44 - S. Charles, C. Lopes Le 16/05/2008 z(t) w(t) ɺ = AX , lorsque A diagonale possède une valeur propre Figure 4 : Allure des trajectoires du système linéaire X double strictement positive. RQ : la courbure dans les figures 1 et 2 est liée au fait que les valeurs sont différentes Si λ0 < 0 , alors lim w ( t ) = lim z ( t ) = 0 et le portrait de phase dans le plan ( w, z ) est le t →∞ t →∞ suivant, et on a une étoile stable. : z(t) w(t) ɺ = AX , lorsque A diagonale possède une valeur propre Figure 5 : Allure des trajectoires du système linéaire X double strictement négative. (ii) Si A n’est pas diagonale, le système canonique devient : λ J = 0 0 w ( t ) = ( C1 + tC2 ) eλ0t wɺ = λ0 w + z ⇔ λ0t zɺ = λ0 z z ( t ) = C2 e 1 λ0 Si λ0 > 0 , alors lim w ( t ) = lim z ( t ) = +∞ et le portrait de phase dans ( w, z ) est : t →∞ t →∞ z(t) w(t) ɺ = AX , lorsque A non diagonale possède une valeur Figure 6 : Allure des trajectoires du système linéaire X propre double strictement positive. La droite en pointillé a pour équation wɺ = 0 . - BMM 1 – Cours 2 (L3 – MIV), p11/44 - S. Charles, C. Lopes Le 16/05/2008 L’origine est dans ce cas un noeud dégénéré instable. La droite à partir de laquelle les trajectoires changent de direction est la droite le long de laquelle les vecteurs vitesse sont verticaux, i.e. que cette droite correspond à l’isocline nulle wɺ = 0 , soit z = −λ0 w ( λ0 > 0 ). Si λ0 < 0 , alors lim w ( t ) = lim z ( t ) = 0 et le portrait de phase dans ( w, z ) est le suivant, t →∞ t →∞ et l’origine est un noeud dégénéré asymptotiquement stable : z(t) w(t) ɺ = AX , lorsque A non diagonale possède une valeur Figure 7 : Allure des trajectoires du système linéaire X propre double strictement négative. La droite en pointillé a pour équation wɺ = 0 . • Deux valeurs complexes conjuguées : λ1,2 = α ± iβ D’après l’expression de la forme de Jordan dans le cas de valeurs propres complexes conjuguées, le système canonique est : α J = β −β α wɺ = α w − β z zɺ = β w + α z Ce type de système se résout en utilisant les coordonnées polaires : w = r cos θ z = r sin θ r 2 = w2 + z 2 ⇔ tan θ = z w rrɺ = wwɺ + zzɺ ⇒ ɺ 1 z 2 θ = cos θ − w2 wɺ + w zɺ Il vient finalement : rɺ = α r ɺ θ = β αt r ( t ) = r0 e ⇔ θ ( t ) = β t + θ 0 Dans le plan ( w, z ) , les solutions correspondent donc à des spirales (sauf pour α = 0 ), qui s’éloignent ou se rapprochent de ( 0, 0 ) en fonction du signe de α , et dont le sens de rotation est donné par le signe de β . - BMM 1 – Cours 2 (L3 – MIV), p12/44 - S. Charles, C. Lopes Le 16/05/2008 Les portraits de phase possibles sont les suivants : z(t) w (t) ɺ = AX , lorsque A possède des valeurs propres Figure 8 : Allure des trajectoires du système linéaire X complexes conjuguées. α > 0 et β > 0 . z(t) w(t) ɺ = AX , lorsque A possède des valeurs propres Figure 9 : Allure des trajectoires du système linéaire X complexes conjuguées. α = 0 et β > 0 . z(t) w(t) ɺ = AX , lorsque A possède des valeurs propres Figure 10 : (a) Allure des trajectoires du système linéaire X complexes conjuguées; (b) Chroniques associées. α < 0 et β > 0 . Dans le cas de la Figure 8, l’origine est un foyer instable (FI) ou encore spirale répulsive ; Dans le cas de la Figure 9, l’origine est un centre ; Dans le cas de la Figure 10, l’origine est un foyer stable (FS) ou encore spirale attractante. Dans le cas des centres, les trajectoires ne tendent jamais vers le point d’équilibre, mais restent dans son voisinage : on parle de stabilité neutre. Dans tous les autres cas de stabilité, il s’agit de stabilité asymptotique. - BMM 1 – Cours 2 (L3 – MIV), p13/44 - S. Charles, C. Lopes Le 16/05/2008 2.3. Classes d’équivalence topologique (à voir si le temps) Le but de ce paragraphe est de classer les portraits de phase des systèmes planaires linéaires en familles à l’intérieur desquelles les dynamiques sont qualitativement équivalentes. Définition 1 : ɺ = AX et X ɺ = BX sont dits topologiquement Deux systèmes planaires linéaires X (on dit aussi qualitativement) équivalents s’il existe une fonction h de IR2 dans IR2 continue et possédant une fonction réciproque continue (i.e., h homéomorphisme) ɺ = AX en celles du qui transforme de manière bijective les trajectoires du système X ɺ = BX , tout en préservant le sens de variation du temps. système X ɺ = AX et X ɺ = BX sont topologiquement équivalents, Autrement dit, si les deux systèmes X ɺ = AX correspond une trajectoire du système X ɺ = BX . à une trajectoire du système X Par exemple, tous les points selle sont topologiquement équivalents. −2 7 −4 0 Exemple : Soit A = avec J = . 2 3 0 5 v y u Représentation dans la base de Jordan x Représentation dans la base de départ ATTENTION, les droite ROUGE et VERTE représente ici les isoclines verticales et horizontales. Définition 2 : ɺ = AX est dit hyperbolique si les valeurs propres Le point d’équilibre du système X de A ont toutes une partie réelle non nulle. Dans le cas contraire, le point d’équilibre est dit non hyperbolique. - BMM 1 – Cours 2 (L3 – MIV), p14/44 - S. Charles, C. Lopes Le 16/05/2008 Théorème 1 : Supposons que les valeurs propres de A et B ont une partie réelle non nulle. Alors, ɺ = AX et X ɺ = BX sont topologiquement équivalents si les deux systèmes linéaires X et seulement si A et B ont le même nombre de valeurs propres avec des parties réelles de même signe. En conséquence, on distingue trois classes d’équivalence topologique pour les systèmes linéaires planaires hyperboliques dont les représentants canoniques sont : −1 0 (i) : deux valeurs propres négatives Noeuds, foyers et étoiles stables 0 −1 1 0 (ii) : 0 1 deux valeurs propres positives Noeuds, foyers et étoiles instables −1 0 (iii) : une valeur propre réelle positive et une négative Points selles 0 1 Théorème 2 : Si la matrice A possède des valeurs propres à partie réelle nulle, alors le système ɺ = AX est topologiquement équivalent à l’un des cinq systèmes linéaires linéaire X suivants dont les représentants sont par exemple: 0 0 (i) : la matrice nulle Infinité de points d’équilibre 0 0 1 0 (ii) : une valeur propre nulle et l’autre réelle positive Crêtes 0 0 −1 0 (iii) : une valeur propre nulle et l’autre réelle négative Vallées 0 0 0 1 (iv) : deux valeurs propres nulles avec un seul vecteur propre Flux 0 0 0 1 (v) : deux valeurs propres imaginaires pures Centres −1 0 - BMM 1 – Cours 2 (L3 – MIV), p15/44 - S. Charles, C. Lopes Le 16/05/2008 Figure 11 : Portraits de phase des représentants des différentes classes d’équivalence topologiques des systèmes linéaires planaires. - BMM 1 – Cours 2 (L3 – MIV), p16/44 - S. Charles, C. Lopes Le 16/05/2008 2.4. Notion de stabilité structurelle Définition : ɺ = AX (1). Le système linéaire X ɺ = BX (2) est dit voisin Soit le système linéaire X du précédent si on peut écrire : ε ε2 B = A+ 1 avec ε i << 1 ε3 ε4 Théorème 1 : Si le point d’équilibre ( 0, 0 ) est hyperbolique pour (1), alors les systèmes linéaires (1) et (2) restent topologiquement équivalents, à condition que les ε i soient suffisamment petits. Dans ce cas, le point d’équilibre est aussi hyperbolique pour (2). Théorème 2 : Si le point d’équilibre ( 0, 0 ) n’est pas hyperbolique pour (1), alors les systèmes linéaires (1) et (2) ne sont pas topologiquement équivalents et le point d’équilibre est hyperbolique pour (2). L’hyperbolicité se conserve pour des petites perturbations. On dit que les points d’équilibre hyperboliques sont structurellement stables, à l’inverse des points d’équilibre non hyperboliques ; par exemple, les centres ne sont pas structurellement stables. Remarque : il ne faut pas confondre stabilité structurelle d’un système dynamique et stabilité neutre d’un point d’équilibre. Exemple : 0 −1 Soit la matrice A = correspondant à la classe d’équivalence topologique des 1 0 centres. Dans ce cas, le point d’équilibre ( 0, 0 ) n’est pas hyperbolique. - BMM 1 – Cours 2 (L3 – MIV), p17/44 - S. Charles, C. Lopes Le 16/05/2008 0 −1 ε 0 ε −1 Soit B = + = . 1 0 0 ε 1 ε Centres ε ≠0 Foyer Quel que soit ε , aussi petit soit-il, le point d’équilibre ( 0, 0 ) associé à la matrice B est hyperbolique et correspond à un foyer ( λ1,2 = ε ± i ), stable si ε < 0 , instable si ε > 0 . 2.5. Typologie des solutions des systèmes linéaires dans le plan ( tr,det ) La typologie des solutions des systèmes linéaires planaires que nous avons établie à partir de la nature des valeurs propres de la matrice du système peut également se résumer dans un plan (tr,det ). det(A) ∆=0 tr(A) ɺ = AX , en fonction du signe de Figure 12 : Résumé des différents portraits de phase possibles du système X la trace et du déterminant de la matrice A. - BMM 1 – Cours 2 (L3 – MIV), p18/44 - S. Charles, C. Lopes Le 16/05/2008 Les valeurs propres de A sont solutions de l’équation caractéristique : tr(A)= λ1 + λ2 det (A)= λ1λ 2 λ2 − tr (A)λ + det (A) = 0 avec ( ) La nature des valeurs propres dépend du signe du discriminant ∆ = tr (A ) − 4det (A ). 2 Dans le plan (tr,det ), l’équation ∆ = 0 est celle d’une parabole passant par l’origine : det (A)= ( ) 2 1 tr (A ) 4 Cette parabole divise le plan en deux grandes régions : au-dessus de la parabole ( ∆ < 0 ), on trouve les portraits de phase des foyers et des centres ; en-dessous ( ∆ > 0 ), on trouve les noeuds et les points selle. • Cas ∆ = 0 On a alors λ1 = λ2 = λ 0 , c’est-à-dire det (A)= λ 0 > 0 et tr(A)= 2λ 0 . Par conséquent, si la 2 trace est positive ( λ 0 > 0 ), on a une étoile ou un noeud dégénéré instable ; si la trace est négative ( λ 0 < 0 ), on a une étoile ou un noeud dégénéré stable. • Cas ∆ > 0 On a alors deux valeurs propres réelles distinctes. On est dans la région sous la parabole qui peut encore est partagée en trois zones : – det (A)< 0 : λ1 et λ 2 sont de signe opposé, l’origine est un point selle ; – det (A)> 0 et tr(A)> 0 : λ1 , λ 2 > 0 , l’origine est un noeud instable ; – det (A)> 0 et tr(A)< 0 : λ1 , λ 2 < 0 , l’origine est un noeud stable. • Cas ∆ < 0 On a alors deux valeurs propres complexes conjuguées, λ1,2 = α ± iβ , c’est-à-dire det (A)= α + β > 0 et tr(A)= 2α . On est dans la région au-dessus de la parabole, qui se 2 2 partage là encore en trois zones distinctes : - BMM 1 – Cours 2 (L3 – MIV), p19/44 - S. Charles, C. Lopes Le 16/05/2008 tr(A)< 0 : La partie réelle des valeurs propres est négative, l’origine est un foyer – stable ; tr(A)> 0 : La partie réelle des valeurs propres est positive, l’origine est un foyer – instable ; tr(A)= 0 : La partie réelle des valeurs propres est nulle, l’origine est un centre. – ⇒ En résumé, la zone où le point d’équilibre est asymptotiquement stable est celle correspondant à : det (A)> 0 tr(A)< 0 det (A)> 0 Dans le cas particulier où , l’origine est un centre. tr(A)= 0 Remarque : ɺ = AX n’est pas inversible, Nous n’avons pas traité le cas où la matrice A du système X i.e., det (A)= 0 . Dans ce cas particulier, il faut regarder directement le portrait de phase pour reconnaître la nature de l’origine. 2.6. Résolution des systèmes linéaires d'EDO 2.6.1. Les exponentielles de matrices Définition : Pour toute matrice A(n, n), l’exponentielle de matrice associée, notée e , est définie A par : ∞ Ak e = exp(A )= ∑ k =0 k! A avec A = In la matrice identité (n , n ). 0 - BMM 1 – Cours 2 (L3 – MIV), p20/44 - S. Charles, C. Lopes Le 16/05/2008 Quelques propriétés des exponentielles de matrices : A+B = e Ae B . (i) Si A et B commutent ( AB = BA ), alors e (ii) Si B = − A , alors, comme A et − A commutent, il vient e A −A Ainsi, e e A+B = e A− A = e 0 = I . ( ) = I d’où e − A = e A −1 −1 −1 A (iii) Si B est semblable à A ( B = P AP ), alors e = P e P (iv) Si B = tA , alors B d tA e ) = AetA = etA A ( dt Démonstration du (iv) : d tA e( e ) = lim ( h →0 dt t + h )A − etA = lim tA et hA commutent donc e( ∞ Or ehA = ∑ k =0 ( hA ) k! h +t ) A h →0 h (e d Donc ( etA ) = lim h →0 dt e( hA h k = I + hA + h t + h) A − I ) etA − etA = ehA etA = etA e hA = e( h +t ) A . ( hA ) 2! 2 + ... . (e e hA − I hA 2 D’où = A+ + ... d’où finalement lim h →0 h 2! hA − I ) etA h =A Calcul dans le cas des matrices de Jordan : (i) λ1 0 e λ1 t 0 Jt J= ⇒e = 0 λ2 0 e λ2 t (ii) λ0 0 e λ 0 t 0 Jt λ t J= ⇒ e = = e 0 I2 λ 0t 0 λ0 0 e (iii) λ0 1 e λ 0 t teλ 0 t 1 t Jt λ 0t J= ⇒ e = = e 0 1 0 λ0 0 e λ0 t (iv) α −β cos βt − sin β t Jt αt J= ⇒e = e β α sin β t cos βt On pourrait faire les démonstrations mais on n’a pas vraiment le temps… ! - BMM 1 – Cours 2 (L3 – MIV), p21/44 - S. Charles, C. Lopes Le 16/05/2008 2.6.2. Résolution pratique des systèmes d’EDO linéaires ɺ = AX Nous allons maintenant rechercher les solutions explicites du système linéaire X avec det (A)≠ 0 pour une condition initiale donnée x (0) x0 K= = y (0) y0 On peut démontrer que la forme générale de cette solution est : x ( t ) tA tA tJ −1 X= = e K avec e = Pe P y t ( ) où P est la matrice de passage permettant de transformer A en sa forme de Jordan J associée. Démonstration : On a vu plus haut que d tA e ) = AetA . Si X = etA K , alors : ( dt d d d X = ( etA K ) = ( etA ) K = AetA K = AX dt dt dt Exemple : 2 1 Soit la matrice A = . det (A)= 10 , tr(A)= 6 et ∆ = −4 . −2 4 0 1 − 1 1 −1 Les valeurs propres sont donc λ1,2 = 3 ± i . En prenant P = , avec P = , on 1 1 1 0 obtient : 3 − 1 −1 J = P AP = 1 3 cos t − sin t Jt 3t Par conséquent e = e . sin t cos t - BMM 1 – Cours 2 (L3 – MIV), p22/44 - S. Charles, C. Lopes Le 16/05/2008 On a également : 0 1 cos t − sin t −1 1 3t 0 1 − cos t − sin t cos t e At = e3t = e 1 1 − sin t + cos t sin t 1 1 sin t cos t 1 0 sin t cos t − sin t = e 3t cos t + sin t −2sin t La solution est donc : sin t x0 x cos t − sin t X = e t A 0 = e 3t cos t + sin t y0 −2sin t y0 x ( cos t − sin t ) + y0 sin t = e3 t 0 −2 x0 sin t + y0 ( cos t + sin t ) En résumé : A → valeurs propres → vecteurs propres ↓ ↓ J P ↓ ↓ etJ → P e t J P −1 = e t A ↓ X = etA K 3. Étude des systèmes dynamiques non linéaires Dans ce chapitre, on considère des systèmes d’EDO couplées non linéaires : ɺ = Φ ( X) , X ∈ S ⊆ ℝ2 X où Φ est une fonction non linéaire continûment différentiable de ℝ 2 dans ℝ 2 . - BMM 1 – Cours 2 (L3 – MIV), p23/44 - S. Charles, C. Lopes Le 16/05/2008 Par rapport à ce que nous avons vu pour les systèmes linéaires, il va falloir raisonner de manière locale au voisinage des points d’équilibre (méthode de linéarisation), et nous verrons que le portrait de phase global n’est pas toujours une réplique exacte du portrait de phase local au voisinage des points d’équilibre. Définition 1 : Un voisinage V d’un point X0 ∈ ℝ 2 est une partie de ℝ 2 contenant un disque défini { } par X / X − X < r pour r > 0 . 0 Définition 2 : Le portrait de phase local de X0 est la réduction du portrait de phase global au voisinage de X0 . 3.1. Linéarisation au voisinage d’un point d’équilibre Considérons un système dynamique général écrit sous la forme suivante : xɺ = f ( x, y ) yɺ = g ( x, y ) et admettant un point d’équilibre ( x∗ , y ∗ ) solution de : xɺ = f ( x∗ , y ∗ ) = 0 ∗ ∗ yɺ = g ( x , y ) = 0 On introduit, comme dans ℝ , les coordonnées locales (ou variables locales) : u ( t ) = x ( t ) − x∗ ∗ v ( t ) = y ( t ) − y On se place dans un voisinage de ( x∗ , y ∗ ) et on procède à un développement en série de Taylor au premier ordre des fonctions f et g : - BMM 1 – Cours 2 (L3 – MIV), p24/44 - S. Charles, C. Lopes Le 16/05/2008 ∂f ∂f ∗ ∗ x − x∗ ) + y − y∗ ) ( ( uɺ = xɺ = f ( x , y ) + ∂ x ( x∗ , y ∗ ) ∂ y ( x∗ , y ∗ ) vɺ = yɺ = g x∗ , y ∗ + ∂ g ( ) ∂ x ∗ ∗ ( x − x∗ ) + ∂∂ gy ∗ ∗ ( y − y∗ ) (x ,y ) (x ,y ) Chacune des fonctions f et g est cette fois approchée par l’équation d’un plan. Or f ( x∗ , y ∗ ) = g ( x∗ , y ∗ ) = 0 , d’où : uɺ = a11u + a12 v uɺ u ⇔ = A∗ vɺ v vɺ = a 21u + a 22 v où A∗ = a ij est la matrice Jacobienne calculée au point d’équilibre avec : ∂ f ∂x A= ∂g ∂x ∂ f ∂f ∂ x (x ,y ) ∂y et A∗ = ∂g ∂g ∂ x ∂y (x ,y ) ∗ ∗ ∗ ∗ ∂f ∂ y (x ,y ) ∗ ∗ ∂g ∂ y ( x , y ) ∗ ∗ ɺ = A∗ U est un système linéaire qui approxime le système de départ au Le systèmes U voisinage du point d’équilibre (x , y ). ∗ ∗ Ainsi, si un système possède plusieurs points d’équilibre, il y a aura autant de systèmes linaires que de points d’équilibre. Exemple 1 : Soit le système dynamique suivant : xɺ = x − y yɺ = cos x Ce système admet une π π + kπ , + kπ avec k ∈ 2 2 (S ) infinité de points d’équilibre . La matrice Jacobienne s’écrit : −1 1 A= − sin x 0 - BMM 1 – Cours 2 (L3 – MIV), p25/44 - sur la droite y = x : S. Charles, C. Lopes • Le 16/05/2008 1 −1 Si k est pair, A∗ = ⇒ det = −1 < 0 ⇒ −1 0 ( 0, 0 ) Point Selle pour le système linéaire qui approche le système (S) au voisinage des points d’équilibre pour k pair : uɺ = u − v vɺ = −u • tr = 1 > 0 1 −1 Si k est impair A = ⇒ ⇒ det = 1 > 0 1 0 disc = −3 < 0 ( 0, 0 ) Foyer Instable pour le système linéaire qui approche le système (S) au voisinage des points d’équilibre pour k impair. On peut s’attendre alors à ce que le portrait de phase local lorsque k est pair soit celui d’un point selle, lorsque k est impair celui d’un foyer instable. 3.2. Théorème de linéarisation Théorème : ɺ = Φ ( X ) admettant un point d’équilibre ( x∗ , y ∗ ) et tel Soit le système non-linéaire X que det A∗ ≠ 0 , où A* est la matrice Jacobienne associée au système au point ( x , y ) . Alors, dans un voisinage du point d’équilibre, les portraits de phase du ∗ ∗ ɺ = Φ ( X ) et de sa forme linéarisée U ɺ = AU sont qualitativement système X équivalents, sous réserve que le système linéarisé ne corresponde pas à des centres. Exemple 2 : Considérons les deux systèmes dynamiques suivants : xɺ = − y + x ( x 2 + y 2 ) (1) 2 2 yɺ = x + y ( x + y ) et xɺ = − y − x ( x 2 + y 2 ) (2) 2 2 yɺ = x − y ( x + y ) Les deux systèmes admettent l’origine comme point d’équilibre. Les matrices Jacobiennes s’écrivent : - BMM 1 – Cours 2 (L3 – MIV), p26/44 - S. Charles, C. Lopes Le 16/05/2008 3x 2 + y 2 A(1) = 1 + 2 xy −1 + 2 xy x2 + 3 y 2 −3x 2 − y 2 A ( 2) = 1 − 2 xy −1 − 2 xy −x2 − 3 y2 0 −1 Le calcul à l’origine donne A(1) = A ( 2) = . Par conséquent, les deux systèmes (1) et 1 0 (2) ont même partie linéaire au voisinage de ( 0, 0 ) . On obtient trA = 0 et det A = 1 , c’est-àdire que les systèmes linéarisés correspondent à des centres. Si on passe en coordonnées polaires, les systèmes (1) et (2) deviennent : rɺ = r 3 (1) θɺ = 1 et rɺ = − r 3 (2) θɺ = 1 On rappelle que r 2 = x 2 + y 2 et que tan θ = y x . Passer un système dynamique en ( ) coordonnées polaires, cela revient à passer d’un système en ( xɺ, yɺ ) à un système en rɺ, θɺ : r 2 = x 2 + y 2 ⇒ 2rrɺ = 2 xxɺ + 2 yyɺ rrɺ = x − y + x ( x 2 + y 2 ) + y x + y ( x 2 + y 2 ) Cas (1) rrɺ = − xy + x 2 ( x 2 + y 2 ) + yx + y 2 ( x 2 + y 2 ) rrɺ = ( x 2 + y 2 ) = r 4 ⇒ rɺ = r 3 2 tan θ = y x ⇒ ɺ − yxɺ 1 ɺ yx θ= 2 cos θ x2 2 2 2 2 1 ɺ x + y ( x + y ) x − y − y + x ( x + y ) θ= cos 2 θ x2 Cas (1) 1 ɺ x2 + y2 1 ɺ r2 θ = ⇒ θ = ⇒ θɺ = 1 cos 2 θ x2 cos 2 θ r 2 cos 2 θ rrɺ = xxɺ + yyɺ ⇒ rrɺ = x − y − x ( x 2 + y 2 ) + y x − y ( x 2 + y 2 ) Cas ( 2 ) rrɺ = − xy − x 2 ( x 2 + y 2 ) + xy − y 2 ( x 2 + y 2 ) rrɺ = − ( x 2 + y 2 ) = − r 4 ⇒ rɺ = − r 3 2 tan θ = y x ⇒ ɺ − yxɺ 1 ɺ yx θ= 2 cos θ x2 - BMM 1 – Cours 2 (L3 – MIV), p27/44 - S. Charles, C. Lopes Le 16/05/2008 2 2 2 2 1 ɺ x − y ( x + y ) x − y − y − x ( x + y ) θ= cos 2 θ x2 Cas ( 2 ) 1 ɺ x2 + y2 1 ɺ r2 θ = ⇒ θ = ⇒ θɺ = 1 2 2 2 2 2 cos θ x cos θ r cos θ Dans le cas (1), quelles que soient les conditions initiales, les trajectoires spiralent en s’éloignant de l’origine qui est instable : r* = 0 r Dans le cas (2), quelles que soient les conditions initiales, les trajectoires spiralent vers l’origine qui est asymptotiquement stable : r* = 0 r ⇒ Cet exemple met en évidence le fait que, dans le cas des centres, le portrait de phase local du système non linéaire ne correspond pas toujours à celui du système linéarisé. D’une manière générale, un système dynamique non linéaire peut s’écrire sous la forme : ɺ = partie linéaire + partie non linéaire X ( P.L.) ( P.N .L.) (S) Ainsi dans l’exemple 2, les systèmes (1) et (2) s’écrivent avec la même partie linéaire : 2 2 xɺ = − y x ( x + y ) (1) x + 2 2 ɺ y = y ( x + y ) P. L. et 2 2 xɺ = − y x ( x + y ) (2) x − 2 2 ɺ y = y ( x + y ) P . N . L. P. L. P. N . L. Dans un voisinage du point d’équilibre, on dit que la partie linéaire de (S) est perturbée par la partie non linéaire. Dans le cas des Nœuds, Foyers et Points selle, la partie linéaire est conservée par de petites perturbations, on dit que les Nœuds, Foyers et Points selle sont structurellement stables ; le point d’équilibre est hyperbolique. - BMM 1 – Cours 2 (L3 – MIV), p28/44 - S. Charles, C. Lopes Le 16/05/2008 Par contre, les centres peuvent être « détruits » par de petites perturbations et sont dits neutralement stables ; le point d’équilibre est non hyperbolique. Ainsi, dans l’exemple 1, les conditions d’application du théorème de linéarisation sont vérifiées parce que les systèmes linéarisés ne sont pas des centres. Donc pour k pair, le portrait de phase local correspond à celui du système linéarisé ; π π + kπ , + kπ est bien un point selle. 2 2 Pour k impair le portrait de phase local correspond bien à celui d’un foyer instable. 3.3. Portrait de phase Considérons le système dynamique suivant : xɺ = f ( x, y ) yɺ = g ( x, y ) En tout point du portrait de phase ( x, y ) ≠ ( x∗ , y ∗ ) , il ne passe qu’une seule trajectoire. Lorsque t varie, x ( t ) et y ( t ) varient également, donc un point M ( x ( t ) , y ( t ) ) se déplace dans le plan ( x, y ) selon une certaine trajectoire définie à partir de M 0 ( x ( t = 0 ) , y ( t = 0 ) ) . y v 1 M M v 1 dx/dt dy/dt v0 M 0 M ° v ° x Figure 13 : Représentation fictive d’une trajectoire pour un système dynamique donné ; - BMM 1 – Cours 2 (L3 – MIV), p29/44 - S. Charles, C. Lopes Le 16/05/2008 M 0 a pour coordonnées ( x ( t = 0 ) , y ( t = 0 ) ) ; M a pour coordonnées ( x ( t ) , y ( t ) ) pour un t quelconque ; M ∞ a pour coordonnées ( x ( t → ∞ ) , y ( t → ∞ ) ) ; On peut définir en chaque point de la trajectoire un vecteur vitesse v de coordonnées ( xɺ, yɺ ) qui est tangent à la trajectoire et orienté dans le sens de parcours de celle-ci. Les points d’équilibre sont tels que v = 0 . • On définit les isoclines nulles verticales comme le lieu des points du portrait de phase tel que la direction de v soit strictement verticale, i.e., tel que la composante horizontale du vecteur vitesse soit nulle : v ( 0, yɺ ) . Ainsi, les isoclines nulles verticales sont les courbes solutions de l’équation xɺ = 0 . • On définit les isoclines nulles horizontales comme le lieu des points du portrait de phase tel que la direction de v soit strictement horizontale, i.e., tel que la composante verticale du vecteur vitesse soit nulle : v ( xɺ ,0 ) . Ainsi, les isoclines nulles horizontales sont les courbes solutions de l’équation yɺ = 0 . • Par définition, aux points d’équilibre, le vecteur vitesse est nul. Par conséquent, un point d’équilibre se trouve à l’intersection des isoclines nulles de nature différente (verticale et horizontale). Exemple 1 (suite) : Reprenons le système de l’exemple 1 : xɺ = x − y yɺ = cos x π π On rappelle que les points d’équilibre sont + kπ , + kπ avec k ∈ ℤ . Pour k pair, ce 2 2 sont des points selle et pour k impair des foyers instables. L’isocline nulle verticale ( xɺ = 0 ) est la droite y = x . - BMM 1 – Cours 2 (L3 – MIV), p30/44 - S. Charles, C. Lopes Le 16/05/2008 Les isoclines nulles horizontales ( yɺ = 0 ) sont les droites verticales d’équation x = π 2 + kπ . y −5π /2 −3π /2 −π/2 π/2 3π /2 5π/2 x Figure 14 : Isoclines nulles horizontales et verticales pour le système dynamique xɺ = x − y ; yɺ = cos x , dans le plan de phase (x, y). On représente la direction horizontale ou verticale du vecteur vitesse sur les isoclines par des segments ou _____. Pour construire le portrait de phase, il faut aussi déterminer le sens des vecteurs vitesse, en particulier sur les isoclines : – 0 Sur les isoclines verticales, v ; le sens de v est donc donné par le signe de yɺ . yɺ – xɺ Sur les isoclines horizontales, v ; le sens de v est donc donné par le signe de xɺ . 0 Pour étudier le signe de xɺ ou de yɺ , il est parfois commode de se placer sur les axes du portrait de phase, et d’utiliser la propriété selon laquelle le sens du vecteur vitesse change de sens à la traversée d’une isocline de nature différente. Dans le cadre de l’exemple 1 : – 5π 3π yɺ = cos x , donc yɺ > 0 dans les bandes du plan délimitée par x ∈ − ; - , 2 2 π π 3π 5π ,…Dans les bandes intermédiaires, yɺ < 0 . x ∈ − ; , x ∈ ; 2 2 2 2 – xɺ = x − y , donc xɺ > 0 pour y < x c’est-à-dire en dessous de la 1ère bissectrice. On peut désormais compléter la Figure 14 : - BMM 1 – Cours 2 (L3 – MIV), p31/44 - S. Charles, C. Lopes Le 16/05/2008 y −5π /2 −3π /2 −π/2 π/2 3π /2 5π/2 x Figure 15 : Sens des vecteurs vitesse pour le système dynamique xɺ = x − y ; yɺ = cos x , dans le plan de phase (x, y). Remarques : La composante horizontale du vecteur vitesse change de sens lorsque l’on traverse la droite y = x . De même, La composante verticale du vecteur vitesse change de sens lorsque l’on traverse les droites x = π 2 + kπ . On peut maintenant construire les trajectoires dans le portrait de phase, en respectant le sens des vecteurs vitesse : y x Figure 16 : Trajectoires associées au système dynamique xɺ = x − y ; yɺ = cos x . - BMM 1 – Cours 2 (L3 – MIV), p32/44 - S. Charles, C. Lopes Le 16/05/2008 4. Application en dynamique des populations Quand différentes espèces interagissent, la dynamique de la population de chaque espèce est affectée par les effectifs des autres populations. En général, il y a une chaîne d’espèces en interaction, appelée chaîne trophique, qui constitue une communauté pouvant être structurellement complexe. Par mesure de simplicité des modèles sous-jacents, nous ne considérerons ici que des systèmes impliquant deux espèces. L’exemple le plus classique en dynamique des populations est le modèle de LotkaVolterra. Il fut proposé par Vito VOLTERRA1 en 1926 pour des systèmes prédateursproies, et parallèlement par Alfred James LOTKA2, afin d’expliquer l’évolution par oscillations du niveau des pêches dans la mer Adriatique. Le modèle de Lotka-Volterra s’écrit, dans sa version la plus générale, comme suit : nɺ1 = a1n1 + c1n1n2 nɺ2 = a2 n2 + c2 n1n2 où n1 ( t ) et n2 ( t ) représentent les effectifs des populations 1 et 2 respectivement. Les différents paramètres ont une interprétation biologique : – En l’absence de la population 2, la population 1 se développe selon une croissance de type exponentielle avec un taux de croissance malthusien égal à a1 si a1 > 0 . Si a1 < 0 , alors la population 1, en l’absence de la population 2, décroît exponentiellement ; – La population 2, en l’absence de la population 1, réagit de la même façon que la population 1, avec un taux de croissance malthusien égal à a2 . En fonction du signe de a2 , la population 2 va croître ( a2 > 0 ) ou décroître ( a2 < 0 ) de manière exponentielle. – L’action d’une des deux populations sur l’autres est proportionnelle au produit n1n2 , i.e., à la probabilité de rencontre entre individus des deux populations. Le type d’interaction qui est modéliser est fonction des signes respectifs de c1 et de c2 . 1 http://www-groups.dcs.st-and.ac.uk/~history/Mathematicians/Volterra.html 2 http://users.pandora.be/ronald.rousseau/html/lotka.html - BMM 1 – Cours 2 (L3 – MIV), p33/44 - S. Charles, C. Lopes Le 16/05/2008 c1 < 0 c2 < 0 Compétition Population 1 = Proies c2 > 0 Population 2 = Prédateurs c1 > 0 Population 1 = Prédateurs Population 2 = Proies Symbiose Ou Mutualisme 4.1. Le modèle proie-prédateur de Lotka-Volterra On se place ici dans le cas où c1 < 0 et c2 > 0 . On note plus classiquement N ( t ) l’effectif (ou la densité, ou la biomasse) de la population de proies et P ( t ) celui de la population de prédateurs au temps t . La formulation classique du modèle de Lotka-Volterra est alors : ɺ Nɺ = aN − bNP N = N ( a − bP ) ⇔ ɺ Pɺ = P ( cN − d ) P = − dP + cNP où a, b, c, d sont des constantes strictement positives. On travaille avec des densités ou des biomasses donc N , P > 0 . Les paramètres peuvent s’interpréter de la manière suivante : – a est le taux de croissance malthusien des proies en l’absence de prédateurs ; – b correspond à la quantité de proies qui disparaît par prédateur et par unité de temps ; le produit NP peut être interprété comme la probabilité de rencontre entre proies et prédateurs ; la fonction bN représente le nombre de proies mangées par un prédateur en une unité de temps, encore appelée réponse fonctionnelle de Holling Type I. – c correspond à la quantité de prédateur qui « apparaît » par proies ; en général, c = e × b , où e est le taux de conversion de la biomasse de proie en biomasse de prédateur. – d est le taux de décroissance malthusien des prédateurs en l’absence de proies. - BMM 1 – Cours 2 (L3 – MIV), p34/44 - S. Charles, C. Lopes Le 16/05/2008 • Recherche des points d’équilibre d a Les deux points d’équilibre sont ( 0, 0 ) et ( N ∗ , P ∗ ) = , . c b • Étude de stabilité locale (linéarisation) −bN a − bP La matrice Jacobienne est : A = − d + cN cP a 0 A( 0,0) = ⇒ det = −ad < 0 ⇒ Point selle 0 −d 0 A N ∗ , P∗ = ( ) ac b − bd tr = 0 c ⇒ ⇒ det = ac > 0 0 (N ∗ , P∗ ) est non hyperbolique La linéarisation prévoit des centres autour de ( N ∗ , P ∗ ) . Comme nous l’avons vu au § 3.2 du chapitre 3, le théorème de linéarisation ne nous assure pas de la conservation de ces centres. Pour confirmer l’existence de centres, on utilise des outils globaux, comme l’existence d’une intégrale première dont la définition est la suivante. Définition 1 : Une fonction g : D ( ⊆ ℝ 2 ) → ℝ continûment dérivable est dite intégrale première ɺ = Φ ( X ) , X ∈ S ⊆ ℝ 2 , dans la région D ⊆ S si g ( X ( t ) ) reste du système X constante pour toute solution X ( t ) du système. Autrement dit : ∀X ( t ) avec X ( t ) = X0 , alors g ( X ( t ) ) = g ( X0 ) ∀t . Quant une intégrale première existe, elle n’est pas unique. En effet, si g ( X ) est une intégrale première, alors g ( X ) + C ou Cg ( X ) , C ∈ ℝ , le sont aussi. La constante C est en général choisie pour obtenir une valeur simple de g en X = 0 . - BMM 1 – Cours 2 (L3 – MIV), p35/44 - S. Charles, C. Lopes Le 16/05/2008 ɺ = Φ ( X ) peut aussi Le fait que g ( X ) soit une intégrale première pour le système X s’exprimer à partir des dérivées partielles de g, ∂ g ∂ x et ∂ g ∂ y . Supposons que X = ( x, y ) , et que l’on considère le système : xɺ = f1 ( x, y ) ɺ = Φ ( X ) avec Φ ( X ) = f1 ( x, y ) ⇔X yɺ = f 2 ( x, y ) f 2 ( x, y ) Il vient alors : d ∂g ∂g g ( X (t )) = 0 = xɺ + yɺ dt ∂x ∂y gɺ = ∂g ∂g ∂g ∂g f1 ( x, y ) + f 2 ( x, y ) = 0 ⇒ f1 = − f ∂x ∂y ∂x ∂y 2 gɺ = ∇g • Φ ( X ) En pratique, une intégrale première sera solution de : dy f 2 ( x, y ) = dx f1 ( x, y ) ( x , y ) ∈ D′ ⊆ S RQ : le signe moins n’a pas d’importance du fait que si g est une I.P., alors Cg aussi ; il suffit donc de prendre C = - 1. En effet, si les solutions de cette équation satisfont : g ( x, y ) = K avec K ∈ ℝ et g : D′ → ℝ ɺ = Φ ( X ) sur D′ . alors g est intégrale première de X Si on différencie g, il vient : dg = En substituant ∂ g ∂ g dy ∂ g ∂ g dy + ⇔ + = 0 car g = cste ∂ x ∂ y dx ∂ x ∂ y dx f ( x, y ) dy par 2 et en multipliant par f1 ( x, y ) , on obtient à nouveau : dx f1 ( x, y ) ∂g ∂g f1 + f =0 ∂x ∂y 2 f1 ( x, y ) ne doit pas s’annuler sur D′ sinon dy dx n’est pas défini. - BMM 1 – Cours 2 (L3 – MIV), p36/44 - S. Charles, C. Lopes Le 16/05/2008 Pour conclure, on peut dire que si g ( X ) est continûment différentiable sur D ⊃ D′ , et si la relation ∂g ∂g f1 + f = 0 est satisfaite, alors g ( X ) est intégrale première sur D . ∂x ∂y 2 Définition 2 : Un système qui possède une intégrale première définie sur tout le plan (i.e., D = ℝ 2 ) est un système conservatif. Dans le cas du modèle de Lotka-Volterra, on calcule l’intégrale première de la manière suivante : N ( a − bP ) dN = dP P ( −d + cN ) ⇔ dN dP ( −d + cN ) = ( a − bP ) N P ⇔ −d dN dP + c dN = a − b dP N P ⇔ − d ln N + cN = a ln P − bP + K ⇔ a ln P + d ln N − bP − cN = K ′ ( K ′ = −K ) Posons g ( N , P ) = d ln N + a ln P − cN − bP . Alors gɺ = ∂g ɺ ∂g ɺ ∂g d ∂g a N+ P .avec = − c et = −b . ∂N ∂P ∂N N ∂P P Il vient que : d a gɺ = − c N ( a − bP ) + − b P ( cN − d ) N P = ( d − cN )( a − bP ) + ( a − bP )( cN − d ) = 0 Les trajectoires du système de Lotka-Volterra sont donc données par les courbes de niveaux g ( N , P ) = d ln N + a ln P − cN − bP . Pour montrer que les centres se conservent autour de ( N ∗ , P ∗ ) , il faut montrer que les trajectoires g ( N , P ) = K se referment autour du point d’équilibre, c’est-à-dire que la fonction g ( N , P ) présente un extremum en ( N ∗ , P ∗ ) . - BMM 1 – Cours 2 (L3 – MIV), p37/44 - S. Charles, C. Lopes Le 16/05/2008 Par un développement en série de Taylor au voisinage de ( N ∗ , P ∗ ) , on obtient : g ( N , P ) = g ( N ∗ , P∗ ) + + + ∂g ∂ N (N ( N − N ) + ∂∂ Pg ∗ ∗ ,P ∗ ) (P − P ) ∗ (N ∗ ,P ∗ ) 2 1 ∂ 2g 1 ∂ 2g ∗ 2 − + N N P − P∗ ) ( ) ( 2 2 2 ∂ N ( N ∗ , P∗ ) 2 ∂ P ( N ∗ , P∗ ) ∂ 2g ∂ N∂ P ( N ( N − N )( P − P ) ∗ ∗ , P∗ ) ∗ 2 d c2 ∂ g =− 2 =− ∂ N 2 ( N ∗ , P∗ ) N d ∂ g d d c c = − = − = 0 ∂ N ∗ ∗ ∗ d c ∂ 2 g ( N ,P ) N a b2 et 2 =− 2 =− . Or P P a ∂ ∂ g a a ∗ ∗ ( N ,P ) = −b = −b = 0 2 ∂ P N ∗ , P∗ P ∗ a b ( ) ∂ g ∂ N∂ P ∗ ∗ = 0 ( N ,P ) Donc finalement : 2 d2 b2 ∗ 2 g ( N , P ) − g ( N , P ) = − ( N − N ) − ( P − P∗ ) 2c 2a ∗ ∗ Nous concluons que dans un voisinage de (N ∗ , P ∗ ) , g ( N , P ) − g ( N ∗ , P ∗ ) est de signe constant et < 0 , c’est-à-dire que la fonction g ( N , P ) présente un maximum local en (N ∗ , P ∗ ) . Par conséquent, les courbes de niveaux de g ( N , P ) se referment, et les trajectoires du système de Lotka-Volterra autour de ( N ∗ , P ∗ ) sont bien des centres. • Portrait de phase Isoclines nulles : - Isocline verticale : Nɺ = N ( a − bP ) = 0 ⇔ - Isocline horizontale : Pɺ = P ( cN − d ) = 0 ⇔ N = 0 ou P = 0 ou Sens des flèches : - Si N = 0 , alors Nɺ = 0 et Pɺ = − dP < 0 - BMM 1 – Cours 2 (L3 – MIV), p38/44 - P= a b N= d c S. Charles, C. Lopes Le 16/05/2008 Sur l’autre isocline P = a b , on déduit le sens des flèches par continuité à partir du point d’intersection des deux isoclines verticales. - Si P = 0 , alors Pɺ = 0 et Nɺ = aN > 0 Comme précédemment, le sens des flèches sur l’isocline N = d c se déduit par continuité. • Portrait de phase P(t) P=a/b N(t) N=d/c Figure 19 : Portrait de phase du modèle de Lotka-Volterra. • Allure des chroniques N(t) P(t) t Figure 20 : Chronique du modèle de Lotka-Volterra pour N ( 0 ) = P ( 0 ) . On observe un pic de proies suivi d’un pic de prédateurs. Des données concernant les captures de lynx et de lièvres, collectées au Canada sur une période de 90 ans, mettent en évidence des variations cycliques de ces populations (Edelstein-Keshet, 1988). Ci-dessous, des données issues d’Internet : http://people.westminstercollege.edu/departments/science/The_Natural_World/Lesson_Sch edule/Assignments/Hare_Lynx.htm. - BMM 1 – Cours 2 (L3 – MIV), p39/44 - S. Charles, C. Lopes Le 16/05/2008 100 90 80 70 60 Snowshoe Hare Pelts (thousands) 50 Canada Lynx Pelts (hundreds) 40 30 20 10 0 0 5 10 15 20 25 30 Figure 20bis : Data from an interesting study from the 1930's. They represent the number of pelts brought into the Hudson Bay Trading Company over a 28 year period. 4.2. Critique et modifications du modèle de Lotka-Volterra Le modèle classique de Lotka-Volterra n’est pas satisfaisant du point de vue biologique car la croissance des proies est supposée exponentielle en l’absence de prédateurs. Un modèle plus réaliste doit au moins prendre en compte une auto-régulation de la croissance des proies par une fonction logistique par exemple. Une version modifiée du modèle de Lotka-Volterra est donc : ɺ N N = rN 1 − K − bNP Pɺ = P ( cN − d ) où K représente le nombre maximum d’individus que le milieu peut supporter, encore appelé capacité limite ou capacité de charge. Une telle croissance logistique limite la croissance des proies et reflète donc une compétition intra-spécifique (pour l’accès aux ressources par exemple). - BMM 1 – Cours 2 (L3 – MIV), p40/44 - S. Charles, C. Lopes Le 16/05/2008 • Recherche des points d’équilibre d r d Les trois points d’équilibre sont ( 0, 0 ) , ( K , 0 ) et ( N ∗ , P ∗ ) = , 1 − . c b K c d Le dernier point d’équilibre a un intérêt biologique si K > c • Étude de stabilité locale (linéarisation) 2N r 1 − −b P −b N La matrice Jacobienne est : A = K c P − d + c N r A*( 0 ,0) = 0 0 −d On a deux valeurs propres r et –d de signe contraire. Donc (0,0) est un Point Selle * A ( K ,0) −r = 0 ( ) det A*( K ,0) = − r ( − d + cK ) −b K − d + cK ( ) ( ) ( ) tr A*( K ,0) = − r − d + c K Si K > d , det A*( K ,0) < 0 donc ( K , 0 ) est un Point selle c Si K < d , det A*( K ,0) > 0 et tr A*( K ,0) < 0 donc ( K , 0 ) est stable (noeud stable) c 2 N* * r 1 − −b P * A * * = K ( N ,P ) c P* Or, ( N ∗ , P ∗ ) ( ) −b N * −d + c N * ɺ N* * = N r 1 − − bP = 0 K vérifie donc la jacobienne se simplifie : ɺ * P = cN − d = 0 r N* − * A * * = K ( N ,P ) * cP −b N 0 * det A* * * = b c P* N * > 0 N , P ) ( r N* tr A*N * , P* = − <0 ) ( K Donc quand il existe ( N * > 0 et P* > 0 ) , le point d’équilibre non trivial est stable (foyer stable). - BMM 1 – Cours 2 (L3 – MIV), p41/44 - S. Charles, C. Lopes Le 16/05/2008 • Portraits de phase Isoclines nulles dans le plan (N,P) : N - Isoclines verticales : Nɺ = N r 1 − − bP = 0 ⇔ K - Isoclines horizontales : Pɺ = P ( cN − d ) = 0 ⇔ N = 0 ou P = 0 ou N= P= r N 1 − b K d c Sens des flèches : N - Nɺ > 0 ⇔ r 1 − − bP > 0 ⇔ K P< r N 1 − b K Donc en dessous de la droite d’équation P = r N 1 − , la population de proies b K augmente ( ), et inversement, au-dessus de cette droite, elle diminue ( ). - Pɺ > 0 ⇔ N> d c Donc à droite de la droite d’équation N = d , la population de prédateurs augmente ( ), c et inversement, à gauche de cette droite, elle diminue ( ). Il y a donc deux portraits de phase possibles : (a) (b) Figure 21 : Portrait de phase du modèle de Lotka-Volterra modifié (a) pour K > d/c et (b) pour K < d/c. Si la capacité limite des proies est suffisamment forte (supérieure à d/c), les trajectoires convergent vers le point d’équilibre non trivial : on a coexistence des proies et des prédateurs (Fig. 21 (a)). Par contre, si la capacité limite K diminue, la population de prédateurs s’éteint et la population de proies se stabilise à sa capacité limite (Fig. 21 (b)). - BMM 1 – Cours 2 (L3 – MIV), p42/44 - S. Charles, C. Lopes Le 16/05/2008 • Allure des chroniques (a) (b) Figure 22 : Chronique du modèle de Lotka-Volterra modifié (a) pour K > d/c et (b) pour K < d/c. Le fait d’introduire de la compétition intra-spécifique chez les proies (croissance logistique) stabilise le modèle. Cependant, il faut que la capacité limite du milieu K soit suffisamment grande pour observer une coexistence de la proie et du prédateur. Par ailleurs, le terme de prédation −bNP est aussi irréaliste du point de vue biologique. En effet, le nombre de proies qui disparaissent par unité de temps et par prédateur (i.e. la réponse fonctionnelle, encore appelé fonction réponse Fr ) est égal à bN , c’est-à-dire proportionnelle à N (Holling type I). Ainsi, lorsque N augmente, un seul prédateur est en mesure de manger une quantité de proies quasi illimitée par unité de temps. Pour prendre en compte un effet de saturation dû à des contraintes physiologiques, empêchant le prédateur de manger de grandes quantités de proies, il est usuel d’utiliser une fonction réponse de Holling type II : Fr = αN α avec lim Fr = N →∞ 1+ β N β Un modèle encore plus réaliste pour les systèmes proie-prédateur est donc le modèle de Holling : ɺ N α NP N = rN 1 − K − 1 + β N Pɺ = − dP + e α NP 1+ β N - BMM 1 – Cours 2 (L3 – MIV), p43/44 - S. Charles, C. Lopes Le 16/05/2008 Une alternative à ce modèle a été proposée dans le modèle de Holling-Tanner qui suppose cette fois que la capacité limite des prédateurs est fonction du nombre de proies : ɺ N α NP N = r1 N 1 − K − 1 + β N Pɺ = r P 1 − P 2 γN Il existe bien d’autres types de réponses fonctionnelles. Celles présentées ici dépendent de la densité de proies et sont dites proies-dépendantes (fonctions de N). En fonction du comportement du prédateur envers sa proie, on peut également avoir des réponses fonctionnelles proies-dépendantes de Holling type III, type IV, des fonctions prédateurs-dépendantes (fonctions de P) ou encore ratio-dépendantes (fonctions du ratio N/P). - BMM 1 – Cours 2 (L3 – MIV), p44/44 -