Professional Documents
Culture Documents
bio
MODLISATION
MATHMATIQUE
EN COLOGIE
Cours et exercices corrigs
Pierre Auger
Directeur de recherche l'Institut de Recherche
pour le Dveloppement (IRD)
Christophe Lett
Charg de recherche l'Institut de Recherche
pour le Dveloppement (IRD)
Jean-Christophe Poggiale
Professeur l'universit de la Mditrrane
https://www.facebook.com/agrono.bio
ISBN 978-2-10-054829-3
www.biblio-scientifique.com
https://www.facebook.com/agrono.bio
INTRODUCTION
CHAPITRE 1 SYSTMES DYNAMIQUES CONTINUS . ...........................
12
43
74
99
111
145
151
174
183
183
190
205
205
214
221
VI
227
227
237
ANNEXE A
ANNEXE B
ANNEXE C
265
ANNEXE D
283
BIBLIOGRAPHIE
https://www.facebook.com/agrono.bio
291
Introduction
Introduction
Chapitre 1
dx
= f (x, t) .
dt
(1.1)
dx
= ax.
dt
(1.3)
(1.4)
t
Figure 1.1 Solutions de lquation linaire ddtx = ax pour diffrentes conditions initiales, avec
a = 0.2 et t0 = 0.
dx
= sin (x) .
dt
dquilibres :
xk = kp,
o k est un entier naturel.
Ltape suivante consiste dterminer si un point dquilibre est localement stable.
Pour cela, on considre un point x (t) voisin dun quilibre x . Dfinissons une nouvelle variable locale, u (t) = x (t) x . La variable u (t) est gale zro lorsque
x (t) = x . Nous allons maintenant rechercher lquation diffrentielle qui gouverne
la variable u (t) quand la variable u (t) reste petite, cest--dire que x (t) reste au
voisinage de x . Nous avons :
dx
du
=
= f (x) ,
dt
dt
car x est une constante. Comme la variable x (t) reste dans le voisinage de lquilibre
x , nous dveloppons la fonction f (x) en srie de Taylor au premier ordre (voir le
rappel plus loin ce sujet) au voisinage de x :
d f
du
= f x +
x
x x + o x x .
dt
dx
En utilisant la dfinition de lquilibre, nous avons f (x ) = 0, ce qui finalement
nous donne :
du
= l u + o(u),
dt
www.biblio-scientifique.com
1.1 tude dune quation diffrentielle ordinaire
Remarque : Il faut bien noter que la stabilit dont nous venons de parler est
locale, cest--dire que notre critre ne sapplique quau voisinage de lquilibre
x , puisque nous avons nglig des termes qui ne sont petits quau voisinage de
lquilibre.
Figure 1.2 (a) Portrait de phase dun quilibre stable. (b) Portrait de phase dun quilibre instable.
La figure 1.2 prsente les portraits de phase, cest--dire la reprsentation sur laxe
x du point dquilibre et de lvolution des trajectoires dans son voisinage. Les flches
indiquent le signe de la drive ddtx = f (x), tournes vers les x positifs si x (t)
augmente avec le temps et vers les x ngatifs si x (t) diminue avec le temps. Par
consquent, les flches sont diriges vers lquilibre de part et dautre lorsque celui-ci
est stable, figure 1.2 (a), ce qui signifie que toute trajectoire avec une condition initiale
prise dans le voisinage de lquilibre y retourne. Au contraire, elles sont diriges vers
lextrieur de lquilibre sil est instable, figure 1.2 (b).
www.biblio-scientifique.com
1 Systmes dynamiques continus
Figure 1.3 (a) Portrait de phase dun shunt positif. (b) Portrait de phase dun shunt ngatif.
1 d2 f
df
x ) (x x)2 + ...
x ) (x x) +
(
(
dx
2! d x 2
1 dn f
x ) (x x)n + o (x x)n ,
+
(
n
n! d x
f (
x) +
o o (x x)n est appel petit o de (x x)n , et est une fonction qui tend
vers 0 plus vite que (x x)n lorsque x x. On peut aussi crire :
o (x x)n = (x x)n (x) ,
o (x) est une fonction qui tend vers 0 lorsque x x. Lapproximation du
premier ordre consiste tronquer la srie partir du terme de second degr.
Le cas l = 0 mrite dtre trait part. En effet, dans ce cas, le point dquilibre
peut tre stable, instable ou encore conduire deux nouveaux portraits de phase
reprsents sur la figure 1.3 et appels respectivement shunt positif (resp. ngatif), si
la vitesse est positive (resp. ngative) de part et dautre du point dquilibre. Ces deux
types dquilibres sont galement appels quilibres semi-stables (terminologie qui
stendra dans le cas de plusieurs variables).
Exemples :
1) ddtx = f (x) = x 2 ,
qui admet un seul quilibre 0. La drive dd xf = 2x est nulle lquilibre. On a donc
bien l = 0. Cependant, pour tout x, ddtx > 0 et par consquent il sagit dun shunt
positif.
2) ddtx = f (x) = x 2 .
On a encore l = 0. Cependant, pour tout x, ddtx < 0 et par consquent il sagit
dun shunt ngatif.
3) ddtx = f (x) = x 3 .
On a encore l = 0. Le signe de ddtx sinverse lorque lon traverse le point fixe.
Cette fois, il sagit dun quilibre instable.
www.biblio-scientifique.com
1.1 tude dune quation diffrentielle ordinaire
4) ddtx = f (x) = x 3 .
On a toujours l = 0. Mais il sagit cette fois dun quilibre stable.
Les quatre exemples prcdents montrent bien que lorsque l = 0, il est ncessaire
de prendre en compte les termes dordre suprieur du dveloppement limit au voisinage du point dquilibre. Lorsque le premier terme sannule, le dveloppement
lordre deux est le suivant :
1 d 2 f
1 d 2 f 2
du
2
2
=
+
o
x
x
=
x
x
x
x u + o(u 2 ).
dt
2 dx2
2 dx2
2
si
df
d x (x )
Les quilibres hyperboliques ont cette particularit quon peut comprendre le comportement local de lquation diffrentielle seulement au moyen de la drive de f en
x .
Dun point de vue pratique, il peut aussi tre intressant de tracer le graphe de la
fonction f (x). En effet, lquation (1.2) montre que les points dquilibre de lquation
diffrentielle correspondent aux zros de la fonction f , et que le signe de la fonction
f (x) > 0 (resp. f (x) < 0) permet de savoir si la fonction x (t) solution de lquation
diffrentielle dcrot (resp. crot) avec le temps. De cette manire, on obtient des
informations globales et pas seulement locales sur la dynamique de cette fonction.
Exercice Dterminer les quilibres de lquation diffrentielle suivante ainsi que
leurs proprits de stabilit locale :
dx
= x 3 4x 2 11x + 30 = f (x) .
dt
www.biblio-scientifique.com
1 Systmes dynamiques continus
10
dx
= (x 2) (x + 3) (x 5) .
dt
Cette quation possde trois points dquilibre :
x1 = 3, x2 = 2, x3 = 5.
Calculons la drive de la fonction f (x) :
df
= 3x 2 8x 11.
dx
Pour dterminer la stabilit des points dquilibre, nous calculons cette drive
pour chacun des quilibres prcdents. Il vient :
l1 = 40, l2 = 15, l3 = 24.
En consquence, x1 et x3 sont instables alors que x2 est stable. Le portrait de
phase est montr sur la figure 1.4.
dx
dt
= x 3 4x 2 11x + 30.
dx
= sin (x) = f (x) .
dt
Solution Cette quation difrentielle admet une infinit de points dqui-
xk = kp,
o k est un entier naturel. Pour dterminer la stabilit des quilibres, calculons
les termes de premier ordre :
d f
lk =
xk = cos xk = 1, si k = 2 p
dx
lk = 1, si k = 2 p + 1
o p est un entier naturel. Lorigine est donc instable et entoure de deux points
stables en p. Une alternance de points stables et instables se succdant
intervalles gaux p constitue le portrait de phase qui est reprsent sur la
figure 1.5.
www.biblio-scientifique.com
1.1 tude dune quation diffrentielle ordinaire
11
dx
dt
dx
dt
= sin (x).
= sin (x).
www.biblio-scientifique.com
1 Systmes dynamiques continus
12
Parmi les quations difrentielles suivantes, dterminez celles qui sont qualitativement quivalentes :
(1) ddtx = x 2 , (2) ddtx = x 2 9, (3) ddtx = ch (x) 1, (4) ddtx = x (1 x), (5)
dx
dt = (x 1) (3 + x).
Solution En traant les portraits de phase, le lecteur vrifiera que les sys-
tmes (1) et (3), dune part, et les systmes (2) et (5), dautre part, sont qualitativement quivalents.
(1.5)
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
13
est dfini et sur lequel les fonctions f et g sont drivables et de drives continues.
On suppose que le point (x0 , y0 ) appartient louvert U . Il existe un nombre rel
T strictement positif tel que le systme (1.5) avec (x(0), y(0)) = (x0 , y0 ) admet une
solution (x(t), y(t)) unique pour tout t [T , T ].
En dautres termes, si un point de lespace de phase nest pas un quilibre, sa
trajectoire est une courbe unique localement (et donc globalement). Les trajectoires
ne peuvent donc pas se croiser dans lespace des phases.
f x , y = 0,
g x , y = 0.
(1.6)
u (t) = x (t) x ,
v (t) = y (t) y .
Si les variables locales u(t) et v(t) tendent vers 0, alors la trajectoire tend vers
lquilibre (x , y ). Pour linariser, comme dans le cas dune seule quation, on
recherche le systme dquations qui gouverne les variables (u, v) en faisant une
approximation du premier ordre au voisinage du point dquilibre :
www.biblio-scientifique.com
1 Systmes dynamiques continus
14
f
x ,y
x x
u = x = f (x, y) = f x , y +
x
f
x ,y
+
y y + ...,
y
g
v = y = g (x, y) = g x , y +
x ,y
x x
x
g
x ,y
+
y y + ....
y
(1.7)
u =
v =
(1.8)
u
v
=
f
x
g
x
(x , y )
(x , y )
f
y
g
y
(x , y )
(x , y )
u
v
.
(1.9)
La matrice prcdente des drives partielles que nous notons A sappelle la matrice
Jacobienne :
f f
a11 a12
x
y
=
,
(1.10)
A=
g
g
a21 a22
x
u
a11 a12
u
=
,
(1.11)
v
a21 a22
v
avec la notation aij = ai j (x , y ). Le modle linaire (1.11) est aussi appel la partie
linaire du systme (1.5) au voisinage dun quilibre. Ce modle est un modle plus
simple que le systme non linaire dont il est issu car il est linaire. Cependant, ce
nest quune approximation du systme (1.5) au premier ordre qui na de sens que
dans un voisinage immdiat dun point dquilibre de ce systme.
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
15
f (x, y) = f (
x , y) +
Dans la section prcdente, nous avons obtenu un modle linaire en faisant une
approximation au premier ordre dans un voisinage dun quilibre du systme non
linaire. Il est maintenant ncessaire de rechercher les solutions dun systme linaire
en dimension deux. La forme gnrale dun systme linaire de deux quations diffrentielles ordinaires est la suivante :
x = a11 x + a12 y,
y = a21 x + a22 y,
(1.12)
ou encore,
x
y
=
a11 a12
a21 a22
x
y
,
o A = ai j est une matrice coefficients constants. Dans le cas de la linarisation
au voisinage dun quilibre, la matrice A est la matrice Jacobienne calcule cet
quilibre.
Tout dabord, il est facile de voir quun systme de deux quations diffrentielles
ordinaires est quivalent une quation diffrentielle ordinaire du second ordre. En
effet, en drivant la premire quation par rapport au temps, on obtient :
x = a11 x + a12 y = a11 x + a12 (a21 x + a22 y) .
(1.13)
www.biblio-scientifique.com
1 Systmes dynamiques continus
16
1
(x a11 x) .
a12
Aprs substitution dans lquation (1.13), nous obtenons une quation linaire du
second ordre de la variable x :
x (a11 + a22 ) x + (a11 a22 a12 a21 ) x = 0,
que nous pouvons rcrire en fonction de la trace (tr A = a11 + a22 ) et du dterminant
(det A = a11 a22 a12 a21 ) de la matrice A :
x tr A x + det Ax = 0.
Le rsultat inverse est valable, cest--dire quune quation du second ordre peut
tre transforme en un systme de deux quations diffrentielles du premier ordre.
Soit une quation du second ordre :
x + b x + cx = 0.
Cette quation peut tre crite sous la forme dun systme de deux quations
diffrentielles du premier ordre en posant x = y :
x = y,
y = x = by cx.
Il est souvent utile de passer dune forme lautre. Nous allons maintenant utiliser
les formes de Jordan des matrices de dimension deux pour trouver les solutions du
systme linaire (1.12). Nous renvoyons le lecteur au rappel dalgbre linaire en
annexe pour les mthodes permettant de mettre une matrice de dimension deux sous
sa forme de Jordan relle.
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
17
x (0) = x0 ,
y (0) = y0 .
La mthode que nous allons utiliser comporte plusieurs tapes :
1) effectuer un changement de base afin de mettre la matrice sous sa forme de
Jordan ;
2) rsoudre le systme dans la nouvelle base ;
3) revenir dans la base de dpart.
Dans lannexe dalgbre linaire nous voyons quil existe plusieurs formes de Jordan
en fonction du signe du discriminant de lquation caractristique. Nous allons donc
distinguer ces diffrents cas.
Dans la base de dpart, le systme scrit sous la forme (1.14). Dans le cas de cette
section, le discriminant de lquation caractristique associe la matrice A est positif
et cette matrice admet donc deux valeurs propres relles l1 et l2 . Rappelons les
formules qui permettent deffectuer le changement de la base de dpart (x, y) vers la
base de Jordan (u, v) :
x
u
=P
,
y
v
u
x
et
= P 1
,
v
y
o P est la matrice utilise pour mettre la matrice A sous sa forme de Jordan. Rappelons que dans ce cas la matrice P comporte sur sa premire colonne le vecteur propre
m 1 associ la premire valeur propre l1 et sur sa seconde colonne le vecteur propre
m 2 associ la seconde valeur propre l2 , et quon a :
l1 0
J = P 1 A P =
.
0 l2
Dans la nouvelle base, le systme scrit sous la forme simple suivante :
u
u
l1 0
,
=
0 l2
v
v
o les deux quations sont dcouples :
u = l1 u,
v = l2 v.
www.biblio-scientifique.com
1 Systmes dynamiques continus
18
Avec le changement de base appropri, la matrice peut tre mise sous forme de Jordan.
Dans cette nouvelle base, le systme scrit :
u
u
l0 1
.
=
0 l0
v
v
Dans ce cas, rappelons que la matrice de passage comporte sur sa premire colonne
le vecteur propre m 0 associ la valeur propre double l0 et sur sa seconde colonne un
vecteur m linairement indpendant :
m 10 m 1
P=
.
m 20 m 2
La seconde quation du systme linaire est dcouple de la premire :
v = l0 v,
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
19
Avec le changement de base appropri, la matrice A peut tre mise sous forme de
Jordan. Dans cette nouvelle base, le systme scrit :
u
a b
u
=
.
v
b a
v
Rappelons que dans ce cas, la matrice A admet deux valeurs propres complexes
et conjugues (le lecteur peut se rfrer lannexe consacre au bref rappel sur
les nombres complexes si besoin) (l1 = a + ib, l2 = a ib) et que la matrice de
passage comporte sur sa premire colonne le vecteur b associ la partie imaginaire
www.biblio-scientifique.com
1 Systmes dynamiques continus
20
b 1 a1
b2 a2
.
u = au bv,
v = bu + av.
Afin de rsoudre ce systme, nous allons effectuer un changement de coordonnes.
Celui-ci peut se faire de deux manires, qui sont dun point de vue thorique quivalentes, mais dont la mise en uvre pratique diffre un peu. La premire approche
nutilise que des nombres rels mais ncessite un peu plus de calculs que la seconde
qui sappuie sur lutilisation des nombres complexes. La premire mthode consiste
passer des coordonnes rectangulaires (u, v) aux coordonnes polaires (r , u). On a :
r=
u2 + v2,
tan u =
(1.15)
v
,
u
et aussi :
u = r cos u,
v = r sin u.
Effectuons le passage en coordonnes polaires, en recherchant lquation gouvernant le rayon vecteur. En mettant lquation (1.15) au carr puis en la drivant il
vient :
r r = u u + v v = u (au bv) + v (bu + av) = a u 2 + v 2 = ar 2 .
De la mme manire, recherchons lquation gouvernant langle u :
b u 2 + v2
d (tan u)
u
u v v u
u (bu + av) v (au bv)
=
=
=
=
.
dt
cos2 u
u2
u2
u2
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
21
r = ar ,
u = b,
dont les solutions sont videntes :
On obtient finalement :
r (0) = g,
u (0) = d.
Dans le cas gnral, cela ncessite encore un peu de calcul pour relier les constantes
g et d aux conditions initiales x0 et y0 .
www.biblio-scientifique.com
1 Systmes dynamiques continus
22
x
5 1
x
1)
=
,
y
6 0
y
x
5 1
x
2)
= 12
,
y
1 3
y
x
3
4
x
3)
=
,
y
2 1
y
avec la condition initiale x (0) = 1 et y (0) = 0.
Solution Il sagit de systmes dont les matrices ont t mises sous forme
de Jordan dans les exercices de lannexe dalgbre linaire auxquels nous renvoyons le lecteur.
1) Nous montrons dans lannexe que les valeurs propres de la matrice associe ce systme sont relles distinctes : l1 = 3 et l2 = 2. La matrice est
diagonalisable en utilisant la matrice de passage suivante :
1 1
P=
.
2 3
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
23
ce qui donne :
g = 3,
d = 2.
2) Dans ce cas, la valeur propre de la matrice associe ce systme est relle et
double : l0 = 2. La matrice peut tre mise sous sa forme de Jordan en utilisant
la matrice de passage suivante :
1 2
P1 =
.
1 0
Dans la base de Jordan, le systme scrit :
u
2 1
u
=
,
v
0 2
v
www.biblio-scientifique.com
1 Systmes dynamiques continus
24
1 = g + 2d,
0 = g,
ce qui donne :
g = 0,
1
.
d =
2
3) La matrice admet deux valeurs propres complexes et distinctes : l1 = 1 + 2i
et l2 = 1 2i. Elle peut tre mise sous sa forme de Jordan en utilisant la
matrice de passage suivante :
0 2
P=
.
1 1
Dans la base de Jordan, le systme scrit :
u
1 2
u
=
.
v
2 1
v
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
25
r = r ,
u = 2,
dont les solutions (r (t) , u (t)) sont videntes :
2g sin d = 1,
tan d = 1,
ce qui nous donne :
g =
d =
2
,
2
p
.
4
www.biblio-scientifique.com
1 Systmes dynamiques continus
26
2 1
x
1)
=
,
12 5
y
x
4 5
x
2)
=
.
y
2 2
y
x
y
Solution 1) Posons :
A=
2 1
12 5
.
4 5
2 2
.
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
27
det A = l1 l2 .
Les trois cas prcdents dpendent du signe du discriminant :
D = (tr A)2 4 det A.
Tout dabord, le cas 2) correspond D = 0, ou encore det A = 14 (tr A)2 , ce qui
dtermine dans le plan (tr A, det A) une parabole passant par lorigine et dont les axes
sont tourns vers le haut.
Le cas 1) correspond D > 0, cest--dire aux points du plan (tr A, det A) situs
au-dessous de cette parabole.
Enfin, le cas 3) correspond D < 0, et donc aux points se trouvant au-dessus de la
parabole, voir figure 1.13.
Nous allons maintenant examiner ces trois cas plus en dtail.
www.biblio-scientifique.com
1 Systmes dynamiques continus
28
Rappelons que dans ce cas la matrice A peut se mettre sous la forme de Jordan :
J=
l1 0
0 l2
.
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
29
x
Figure 1.7 Portrait de phase dun nud instable.
x
Figure 1.8 Portrait de phase dun nud stable.
www.biblio-scientifique.com
1 Systmes dynamiques continus
30
x
Figure 1.9 Portrait de phase dun point selle.
l0 1
0 l0
.
Dans le plan (tr A, det A), il sagit de points se trouvant exactement sur la parabole
(figure 1.13). Deux cas sont distinguer :
l0 > 0 : il sagit dun nud instable dgnr, tr A > 0.
l0 < 0 : il sagit dun nud stable dgnr, tr A < 0.
Lallure gnrale des trajectoires est trs semblable celle dun nud instable ou
stable et nest pas prsente ici.
c) Cas de deux valeurs propres complexes conjugues
a b
b a
.
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
31
x
Figure 1.10 Portrait de phase dun foyer instable. partir dune condition initiale proche de
lquilibre les trajectoires spiralent en sloignant de celui-ci.
- a = 0. Les deux valeurs propres sont imaginaires pures, il sagit dun centre
( center en anglais). Lallure gnrale des trajectoires est reprsente sur la figure
1.11. Toutes les trajectoires sont des cercles entourant le point dquilibre (0, 0). Dans
le plan (tr A, det A), les centres se trouvent au dessus de la parabole sur le demi axe
positif tr A = 0 avec det A > 0 (figure 1.13).
www.biblio-scientifique.com
1 Systmes dynamiques continus
32
x
Figure 1.11 Portrait de phase dun centre. Les trajectoires sont des cercles qui se referment
autour de lquilibre.
- a < 0. Il sagit dun foyer stable ( stable focus en anglais). Lallure gnrale des
trajectoires est reprsente sur la figure 1.12. Les trajectoires spiralent en sapprochant
du point dquilibre (0, 0) qui est stable. Dans le plan (tr A, det A), les foyers stables
se trouvent au dessus de la parabole dans la partie tr A = 2a < 0 (figure 1.13).
x
Figure 1.12 Portrait de phase dun foyer stable. Les trajectoires spiralent en sapprochant de
lquilibre.
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
33
disc = 0
Foyer
instable
Foyer
stable
Nud
stable
disc < 0
Nud
instable
Centre
trA
disc > 0
Point selle
Point selle
Exercice Dterminer pour chacun des systmes suivants si lorigine, unique qui-
libre, est un nud stable ou instable, un foyer stable ou instable, un point selle ou
uncentre:
x
2 1
x
1)
=
.
y
1 2
y
x
2 3
x
2)
=
.
y
3 2
y
x
2 1
x
3)
=
.
y
4 3
y
x
2 1
x
4)
=
.
y
1
1
y
www.biblio-scientifique.com
1 Systmes dynamiques continus
34
5)
x
y
=
2 3
3 2
x
y
.
Solution 1) Posons :
A=
2 1
1 2
.
f (x, y) ,
(1.16)
y = g (x, y) .
Soit un point dquilibre (x , y ) de ce systme. La linarisation du systme au
voisinage de cet quilibre conduit au systme linaire suivant :
u =
f
f
x ,y u+
x , y v,
x
y
v =
g
g
x ,y u+
x , y v,
x
y
o (u (t) , v (t)) sont les coordonnes locales au voisinage du point dquilibre, u (t) =
x (t) x et v (t) = y (t) y .
Le systme scrit encore :
u
u
=A
,
v
v
avec
A=
f
x
g
x
f
y
g
y
,
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
35
Dans le cas o lquilibre est un centre, il est stable mais pas asymptotiquement
stable. Pour distinguer entre les diffrents types de stabilit, on dfinit la stabilit
asymptotique lorsque la limite de la trajectoire est le point dquilibre lorsque t
+. Lorsquun quilibre est stable mais pas asymptotiquement stable, on parle de
stabilit neutre, cest--dire lorsque la trajectoire reste dans le voisinage du point
dquilibre sans tendre vers cet quilibre lorsque t . Un point est dit instable
lorsquil nest pas stable. Par consquent, les foyers et les nuds instables ou encore
les points selle sont instables.
Une notion importante concerne la stabilit structurelle dun systme. Il faut noter
que les notions de stabilit prcdentes concernent des quilibres alors que la notion
de stabilit structurelle concerne un systme. Pour prciser les choses, considrons
une petite perturbation dun systme exhibant un centre lorigine. Rappelons que la
matrice correspondant un centre scrit sous la forme suivante :
0 b
A=
,
b 0
puisquil sagit du cas de deux valeurs propres complexes imaginaires pures l1,2 =
ib. Considrons une petite perturbation du centre par une matrice diagonale B :
0
B =
,
0
o << 1 est un paramtre aussi petit que lon veut. La perturbation du centre peut
se faire en additionnant la matrice B la matrice A :
b
.
A + B =
b
www.biblio-scientifique.com
36
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
37
des composantes du vecteur vitesse est nulle. Par consquent, en dimension deux, il
existe deux types disoclines zro :
- Les isoclines vrifiant x = f (x, y) = 0, qui sont appeles isoclines verticales. La
composante horizontale (cest--dire le long de laxe des abscisses) de la vitesse
y est nulle. Lorsquune trajectoire coupe une isocline x = 0, la direction du vecteur
vitesse, qui est tangente la trajectoire, est verticale.
- Les isoclines vrifiant y = g (x, y) = 0, qui sont appeles isoclines horizontales.
La composante verticale (cest--dire le long de laxe des ordonnes) de la vitesse
y est nulle. Lorsquune trajectoire coupe une isocline y = 0 la direction du vecteur
vitesse est horizontale.
Bien sr, les points dquilibre doivent annuler les deux composantes du vecteur
vitesse et se trouvent par consquent lintersection des isoclines horizontales et
verticales. En pratique, lorsque cela est possible, il est donc trs utile de tracer le
graphe des isoclines afin didentifier les points dquilibre leurs intersections. Nous
allons utiliser un exemple pour montrer comment il faut procder.
Exemple : Analyse dun systme dynamique planaire.
(1.17)
y = y yx 2 = g (x, y) .
www.biblio-scientifique.com
38
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
39
Figure 1.15 La figure prsente les soclines zro avec la direction et le sens du vecteur vitesse la
traverse de chacune delles pour le systme x = x x y 2 , y = y yx 2 .
de rechercher le sens du vecteur vitesse le long dune isocline. Par exemple, la droite
x = 0 est isocline x = 0 et le vecteur vitesse est donc de direction verticale le long
de cette droite. Pour connatre son sens, il suffit de faire la restriction du systme
dynamique cette droite en remplaant x par 0 dans lquation de la composante
verticale du vecteur vitesse. Il vient :
y = y.
Le signe de y est celui de y. Par consquent, sur laxe x = 0 le vecteur vitesse est
vertical dirig vers les y positifs pour y > 0 et dirig vers les y ngatifs pour y < 0.
De la mme faon, il est facile de dterminer le sens du vecteur vitesse sur la droite
y = 0 qui est isocline horizontale. En effet, la composante horizontale de la vitesse
vrifie sur cette droite :
x = x.
Le signe de x est celui de x. Par consquent, sur laxe y = 0, le vecteur vitesse est
horizontal dirig vers les x positifs pour x > 0 et dirig vers les x ngatifs pour x < 0.
Connaissant le sens du vecteur vitesse sur une isocline, deux rgles permettent ensuite
de dduire son sens sur nimporte quelle autre isocline de mme nature :
- Lorsque deux isoclines de mme nature se coupent en un point, le vecteur vitesse
est commun au point dintersection, et par continuit, le vecteur vitesse possde le
mme sens sur les deux isoclines.
www.biblio-scientifique.com
40
www.biblio-scientifique.com
1.2 Deux quations diffrentielles ordinaires
41
homocline.
Exercice Soit le systme dynamique suivant :
x = x + x 3 ,
y = y.
Recherchez les quilibres de ce systme et dterminez leurs proprits de stabilit
locale en linarisant au voisinage des quilibres. Tracez les isoclines zros et le
portrait de phase.
Solution Le portrait de phase est reprsent sur la figure 1.18.
www.biblio-scientifique.com
1 Systmes dynamiques continus
42
x
Figure 1.18 Portrait de phase du systme x = x + x 3 , y = y.
Exercice Faire ltude de la nature des quilibres des systmes diffrentiels sui-
vants :
1)
x = sin x,
y = x y.
2)
x = x y,
y = y x y.
y = kp, o k est un entier naturel. Lorigine est point selle, puis on a une
alternance de nuds stables et de points selles.
2) Ce systme admet deux quilibres, (0, 0) qui est nud instable et (1, 1) qui
est point selle.
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
43
x = x 2 ,
y = y.
(1.18)
Ce systme admet un seul quilibre, lorigine (0, 0). Le systme est compos de
deux quations dcouples, un shunt positif sur laxe des x et un point instable sur
laxe des y, do le portrait de phase prsent sur la figure 1.19.
www.biblio-scientifique.com
1 Systmes dynamiques continus
44
u (t) = g,
v (t) = d exp t.
La figure 1.20 prsente le portrait de phase de ce systme linaire. La comparaison
des deux figures 1.19 et 1.20 montre que les deux portraits de phase sont diffrents. En
consquence, le systme linaris ne peut pas tre utilis pour prvoir la dynamique
du systme non linaire mme au voisinage de lquilibre. Dans cet exemple, la linarisation choue. Il est donc important de savoir dans quelles conditions la linarisation
est valable, ce qui constitue le thorme de linarisation.
Dfinition 1.12 Soient deux systmes diffrentiels S1 et S2 dfinis sur les ouverts
U R2 et V R2 respectivement. On dit quils (ou leurs portraits de phase) sont
topologiquement quivalents sil existe un homomorphisme H de U sur V tel que
limage du portrait de phase de S1 par H soit le portrait de phase de S2 .
Cette dfinition signifie que les trajectoires des deux champs de vecteurs se ressemblent au point quon peut passer des unes aux autres par une transformation
continue puis revenir en arrire.
Thorme 1.13 Thorme de linarisation Soit un systme dynamique non linaire
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
45
Une fonction de Liapunov est un outil permettant de dterminer par exemple la stabilit
dun point dquilibre dun point de vue global et non seulement local. Par ailleurs,
une fonction de Liapunov peut galement tre utilise pour dterminer la stabilit
dun quilibre non hyperbolique, cest--dire lorsque la linarisation ne permet pas de
conclure. Pour commencer, dfinissons ce quest une fonction dfinie positive.
Dfinition 1.14 Fonction dfinie positive On appelle fonction dfinie positive (resp.
ngative) une fonction V (x, y) dfinie, diffrentiable et de diffrentielle continue sur
un ouvert D contenant lorigine et vrifiant les proprits suivantes :
- V (0, 0) = 0 ;
- (x, y) D (0, 0) , V (x, y) > 0 (resp. V (x, y) < 0).
www.biblio-scientifique.com
1 Systmes dynamiques continus
46
courbes
de niveau
Figure 1.21 Direction et sens du vecteur gradient orthogonal aux courbes de niveau de la
fonction V (x, y) = x 2 + y 2 .
u = x x ,
v = y y.
En consquence, nous supposons dsormais pour simplifier que le systme dynamique admet un point dquilibre lorigine. Calculons la drive par rapport au
temps de la fonction V (x, y) :
V
V
V
V
x +
y =
f (x, y) +
g (x, y) .
V =
x
y
x
y
Cette drive peut tre rcrite
sous
T la forme dun produit scalaire de deux vecteurs,
V V
y)
T.
le vecteur gradient V =
,
par le vecteur vitesse v = (x,
x
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
(x*,y*)
(1)
(x*,y*)
(2)
47
(x*,y*)
(3)
Figure 1.22 (1) La trajectoire est sortante. (2) La trajectoire est entrante. (3) La trajectoire est
tangente la courbe de niveau de la fonction de Liapunov et orthogonale son gradient.
www.biblio-scientifique.com
1 Systmes dynamiques continus
48
x = x 3 ,
y = y 3 .
Dterminer la stabilit de lorigine.
Solution Lorigine est lunique point dquilibre. La matrice Jacobienne est
la suivante :
A=
3x 2 0
0
3y 2
A (0, 0) =
0 0
0 0
,
1 2
x + y2 ,
2
(1.19)
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
49
x = x 3 ;
y = 2y 3 .
1 0
0 6y 2
,
A (3, 0) =
1 0
0 0
.
Cette matrice admet une valeur propre nulle et par consquent lquilibre (3, 0)
nest pas hyperbolique. Soit la fonction de Liapunov suivante :
V (x, y) =
1
(x 3)2 + y 2 .
2
(1.20)
www.biblio-scientifique.com
1 Systmes dynamiques continus
50
x = y + ax x 2 + y 2 ,
y = x + ay x 2 + y 2 .
tudier la stabilit du point dquilibre en fonction du signe du paramtre rel a.
Solution Tout dabord, il est vident que le seul quilibre de ce systme est
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
51
x = y + x 1 x 2 + y 2 ,
y = x + y 1 x 2 + y 2 .
(1.21)
l2 2l + 2 = 0,
dont le discriminant est gal :
D = 4.
Les deux valeurs propres sont complexes et conjugues :
l1,2 = 1 i.
Par consquent, lorigine est un foyer instable car la partie relle des valeurs propres
est positive. Pour connatre la dynamique globale, effectuons un changement de
variables en crivant le systme en coordonnes polaires (r , u) :
r r = x x + y y,
u
x y y x
.
=
2
cos u
x2
www.biblio-scientifique.com
1 Systmes dynamiques continus
52
r = r (1 r ) (r 2) ,
u = 1.
La premire quation admet trois points dquilibres, r = 0, r = 1 et r = 2. Ltude
du signe de r montre que :
r < 1 r < 0,
r = 1 r = 0,
1 < r < 2 r > 0,
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
53
x
Figure 1.23 Portrait de phase du systme x = y + x(1 (x 2 + y 2 )), y = x + y(1 (x 2 + y 2 )),
admettant un cycle limite stable C.
r = 2 r = 0,
r > 2 r < 0.
En consquence, il y a deux cycles limites, le premier C1 qui est le cercle de rayon
unit, et le second C2 qui est le cercle de rayon 2. Le cycle limite C1 est instable et le
cycle limite C2 est stable.
La figure 1.24 prsente le portrait de phase de ce systme avec deux cycles limites,
le plus petit C1 est instable et le plus grand C2 est stable. En effet, deux trajectoires
issues respectivement des points A et de B situs de part et dautre du cycle C1 sen
loignent alors que deux trajectoires issues des points B et C situs de part et dautre
du cycle C2 sen approchent.
Soit le systme suivant :
r = r (1 r )2 ,
u = 1.
Le signe de r est toujours positif. Par consquent, dans ce cas, il existe un cycle
limite instable ( semi stable ) en tant attractif de lintrieur et rpulsif de lextrieur,
voir la figure 1.25. La trajectoire issue du point A est intrieure au cycle C et sen
www.biblio-scientifique.com
1 Systmes dynamiques continus
54
Figure 1.24 Portrait de phase du systme avec un cycle limite C 1 instable et un cycle limite C2
stable.
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
55
approche, alors que la trajectoire issue du point B est extrieure au cycle et sen
loigne.
Pour dmontrer lexistence dun cycle limite, il est possible dappliquer un thorme dexistence de cycle limite, dit thorme de Poincar-Bendixson. Attention, ce
thorme nest valable quen dimension 2. Pour cela, nous allons commencer par
dfinir un domaine positivement invariant.
Dfinition 1.17 Domaine positivement invariant Soit un systme dynamique donn
par :
x = f (x, y) ,
y = g (x, y) .
(1.22)
x = x (1 y) ,
y = y (1 x) .
Les axes x = 0 et y = 0 sont respectivement isoclines verticale et horizontale.
De ce fait, aucune trajectoire ne peut couper les axes. Le cadran positif dfini par le
domaine du plan D = {(x, y) |x > 0, y > 0} est donc positivement invariant car toute
trajectoire issue dune condition initiale prise dans D reste dans D.
Pour appliquer le thorme de Poincar-Bendixson, nous allons dfinir ce que lon
nommera un domaine attractant.
On appelle domaine attractant une
rgion D du plan borne et compacte telle que toute trajectoire partant du bord D
de D entre dans lintrieur de D.
Dfinition 1.18 Domaine attractant du plan
Un ensemble positivement invariant peut ne pas tre attractant. Par exemple, soit le
systme suivant :
x = y,
y = x.
Lorigine est le seul quilibre
et est un centre.
sont tous les cercles
Les trajectoires
centrs lorigine. Soit D = (x, y)|r = x 2 + y 2 1 le domaine dfini par le
www.biblio-scientifique.com
1 Systmes dynamiques continus
56
disque de rayon 1. Il sagit dun domaine born et compact qui est positivement
invariant car toute trajectoire prise dans D reste dans D, y compris pour une condition
initiale prise sur la frontire du domaine, soit sur le cercle de rayon unit qui est une
trajectoire. Par contre, le domaine nest pas attractant car la trajectoire dfinie par le
cercle de rayon 1 ne pntre pas dans le domaine D.
La dernire notion que nous allons introduire pour pouvoir noncer le thorme
est celle dv-limite dune trajectoire, qui permet de parler rigoureusement du devenir
dune trajectoire.
Dfinition 1.19 v-limite Soit p0 un point du domaine de dfinition du systme (1.22).
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
57
Figure 1.26 Domaine D attractant du plan. Toutes les trajectoires sont entrantes.
quilibre
instable
www.biblio-scientifique.com
1 Systmes dynamiques continus
58
= y+x
y = lx,
x3
,
3
avec l > 0.
Solution Lunique quilibre est lorigine. La partie linaire du systme est
la suivante :
A (0, 0) =
1
1
l 0
dont la trace est positive et le dterminant aussi, ce qui montre que lorigine est
instable.
Les isoclines zros sont les suivantes, voir figure 1.28 :
y = 0 x = 0,
x = 0 y =
x3
x.
3
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
59
x = y,
y = x,
www.biblio-scientifique.com
1 Systmes dynamiques continus
60
x
Figure 1.29 Direction des vecteurs vitesse dans le modle de Van der Pol. Une bote
de Poincar-Bendixon est prsente, cas o l = 1.
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
61
Figure 1.31 Mauvais choix dune bote de Poincar-Bendixson. Les trajectoires qui servent de
frontire ne pntrent pas dans le domaine D.
dont les trajectoires sont des centres. On ne peut pas utiliser comme bote de
Poincar-Bendixson le domaine D, figure 1.31. Il est autoris de prendre des trajectoires comme frontire du domaine attractant mais il est ncssaire que ces trajectoires
rentrent dans le domaine, ce qui nest pas le cas de la figure 1.31. Il serait erron
de conclure ici lexistence dun cycle limite lintrieur du domaine. Dailleurs, il
sagit dun systme linaire dont les trajectoires sont des cercles centrs sur lorigine
qui sont des centres et non pas des cycles limites. Dans le cas prcdent du modle de
Van der Pol, les trajectoires choisies comme frontires du domaine attractant finissent
par rentrer dans le domaine et dans ce cas, il est correct dappliquer le thorme de
Poincar-Bendixson.
Exercice Dmontrer que le systme suivant admet un cycle limite. Proposer un
x = 2y,
y = 2x + 3y(1 3x 2 2y 2 ).
www.biblio-scientifique.com
1 Systmes dynamiques continus
62
1 2
x + y2 ,
2
(1.23)
(1.24)
Par consquent V est du signe de 13x 2 2y 2 , donc V < 0 lorsque 3x 2 +2y 2 >
1. Choisissons comme domaine attractant un disque contenant entirement
lellipse dfinie par lquation 3x 2 + 2y 2 = 1. En tout point de la frontire de ce
domaine les trajectoires sont entrantes lexception des deux points o y = 0.
En ces points les trajectoires sont tangentes au domaine puis elles y pntrent.
Par ailleurs, la matrice Jacobienne en (0, 0) scrit :
A (0, 0) =
0
2
2 3
.
r = r (r 1) (2 r ) (r 3) ,
u = 1.
Lorigine est unique quilibre et est un foyer instable. Il est clair que pour tout
rayon strictement suprieur 3, nous avons r < 0. Choisissons comme domaine D
un disque centr sur lorigine et de rayon 4. Il sagit bien dun domaine attractant qui
contient un seul point dquilibre instable, nous pouvons donc appliquer le thorme
de Poincar-Bendixson qui nous permet daffirmer quil existe au moins un cycle
limite dans le domaine D. En fait, dans cet exemple, il existe trois cycles limites de
rayon, 1, 2 et 3, respectivement stable, instable et stable.
Dans le mme ordre dide, il existe galement des critres de non existence de
cycle limite. Ceux-ci sont fonds sur la notion de divergence dun champ de vecteurs.
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
63
teurs X dfini par le systme diffrentiel (1.22) sur un domaine D. On appelle divergence de X au point (x, y) lexpression suivante :
div(X )(x, y) =
g
f
(x, y) +
(x, y)
x
y
type (1.22). Soit D une rgion simplement connexe, cest--dire dun seul tenant ou
encore sans trou . Si la quantit xf + g
y est de signe constant sur D, alors il
nexiste pas de cycle limite entirement contenu dans D.
Proposition 1.23 Critre ngatif de Dulac Soit un systme dynamique donn de type
(1.22). Soit D une rgion simplement connexe. Soit B (x, y) une fonction strictement
Bf
positive, continue et diffrentiable quelconque sur D, si la quantit x
+ Bg
y est de
signe constant sur D, alors il nexiste pas de cycle limite entirement contenu dans D.
Pour mieux comprendre ce critre, il faut se rendre compte que le fait de multiplier
les coordonnes dun champ de vecteurs par une fonction strictement positive ne
modifie par les trajectoires, mais simplement la vitesse laquelle elles sont parcourues.
Exercice Dmontrer quun systme linaire de la forme suivante ne peut admettre
de cycle limite :
x = ax + by,
y = cx + dy.
(1.25)
o a + d = 0.
f
plan. Par application du critre ngatif de Bendixson il ne peut donc pas exister
de cycle limite pour un systme linaire.
Exercice Dmontrer que le systme dynamique suivant (dit de comptition) nad-
www.biblio-scientifique.com
1 Systmes dynamiques continus
64
x = x (1 x ay) ,
y = y (1 y bx) ,
o a et b sont deux paramtres strictement positifs.
Solution Prenons la fonction B (x, y) = x1y . Nous avons :
Bf
Bg =
et par consquent :
1 x ay
,
y
1 y bx
,
x
1
1
B f Bg
+
= .
x
y
x
y
Cette quantit est strictement ngative pour tout point strictement intrieur
au cadran positif. Par le critre de Dulac, nous pouvons donc affirmer quil
nexiste pas de cycle limite entirement contenu dans le cadran positif. De plus,
comme le cadran positif est galement positivement invariant, il ne peut y avoir
de trajectoire coupant les axes, ce qui exclut la possibilit dun cycle limite
partiellement inscrit dans le cadran positif.
dun systme dynamique de type (1.22) sur un domaine D du plan si H (x (t) , y (t))
est constante pour toute solution (x (t) , y (t)) du systme dynamique.
Lorsquune intgrale premire existe, elle nest pas unique. Si H (x (t) , y (t)) est
intgrale premire, alors H (x (t) , y (t)) + g ou bien gH (x (t) , y (t)) sont galement
intgrales premires, avec g rel. Le fait que la fonction H (x (t) , y (t)) soit intgrale
premire implique quelle vrifie la relation suivante :
H
H
H
H
d H (x (t) , y (t))
=
x +
y =
f (x, y) +
g (x, y) = 0.
dt
x
y
x
y
Dfinition 1.25 Systme conservatif Un systme dynamique qui admet une intgrale
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
65
Les systmes Hamiltoniens sont conservatifs. Ils sont dfinis par les quations
suivantes :
H (x, p)
,
p
H (x, p)
,
p =
x
= 0.
dt
x
p
x p
p x
Lexistence dune intgrale premire est trs utile car elle permet de trouver les
trajectoires qui sont les courbes de niveaux de la fonction H . En effet, afin dobtenir
les quations des trajectoires, il faut liminer le temps entre les deux quations du
systme dynamique, ce qui conduit lintgration de lquation suivante :
f (x, y)
dx
=
.
dy
g (x, y)
Si la solution de cette quation peut se mettre sous la forme :
H (x, y) = g,
o g est une constante, alors H (x, y) est intgrale premire du systme dynamique.
La constante g est dtermine par une condition initiale H (x0 , y0 ). La trajectoire issue
de cette condition initiale seffectue H constante.
Exercice Rechercher si le systme suivant admet une intgrale premire :
x = y,
y = x,
y
dx
= ,
dy
x
www.biblio-scientifique.com
1 Systmes dynamiques continus
66
x = x x y,
y = y + x y.
Solution En suivant la mme dmarche que dans lexercice prcdent on
obtient :
dx
x(1 y)
=
.
dy
y(x 1)
Aprs sparation des variables et intgration on peut choisir lintgrale premire
suivante :
H (x, y) = x + y lnx lny.
Nous laissons au lecteur le soin de vrifier que cette fonction H (x, y) est bien
constante le long des trajectoires cest--dire quelle vrifie :
H
H
H =
x +
y = 0.
x
y
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
67
j=1
www.biblio-scientifique.com
1 Systmes dynamiques continus
68
n
ai j x j ,
j=1
avec i [1, n], o A = ai j est une matrice carre de dimension n coefficients
constants. Les solutions de ce systme linaire dpendent des valeurs propres de cette
matrice A, solutions de lquation caractristique :
det (A lI ) = 0,
qui est un polynme de degr n. Rappelons quun polynme de degr n coefficients
rels admet au plus n racines relles et que si l est une racine complexe alors son
est galement une racine. Donc les valeurs propres complexes
complexe conjugu l
sont par paires. Les formes de Jordan que nous avons utilises pour ltude des systmes planaires se gnralisent en dimension quelconque. En dimension 3, avec un
changement de base appropri, la matrice peut se mettre sous lune des formes de
Jordan suivantes, selon les valeurs propres.
1) Si la matrice A est diagonalisable dans R3 , cest--dire quelle nadmet que des
valeurs propres relles et que les vecteurs propres forment une base de R3 , on note
l1 l2 l3 les valeurs propres et P la matrice de passage :
l1 0 0
J = P 1 A P = 0 l2 0 .
0 0 l3
La matrice de changement de base P est la matrice carre de dimension 3 comportant sur chacune de ses colonnes le vecteur propre m i associ la valeur propre li de
cette colonne.
La rsolution du systme linaire se fait, comme dans le cas planaire, en cherchant
la solution dans la nouvelle base o le systme scrit sous forme de trois quations
dcouples :
u 1 = l1 u 1 ,
u 2 = l2 u 2 ,
u 3 = l3 u 3 ,
dont les solutions sont videntes :
u i (t) = gi exp li t,
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
69
Figure 1.32 Portrait de phase du systme linaire de dimension trois (1.26), combinant un point
selle dans le plan (x, z) et une attraction le long de laxe y.
u1
x1
x2 = P u 2 .
x3
u3
Dunod La photocopie non autorise est un dlit.
x = 0.2x,
y = 0.1y,
z = 0.3z.
(1.26)
www.biblio-scientifique.com
1 Systmes dynamiques continus
70
r = ar ,
u = b,
z = l3 z,
dont les solutions sont videntes. La solution du systme sobtient par retour dans
lancienne base.
La figure 1.33 montre un exemple avec a < 0 et l3 < 0.
r = 0.1r ,
u = 2,
z = 0.2z.
(1.27)
Le portrait de phase est la composition dun foyer stable dans le plan (x, y) et dune
attraction le long de laxe z.
Soit maintenant le systme suivant :
r = 0,
u = 2,
z = 0.2z.
(1.28)
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
71
Figure 1.33 Portrait de phase du systme linaire de dimension trois (1.27), combinant un foyer
dans le plan (x, y) et une attraction le long de laxe z.
Figure 1.34 Portrait de phase du systme linaire de dimension trois (1.28), combinant un centre
dans le plan (x, y) et une attraction le long de laxe z.
www.biblio-scientifique.com
1 Systmes dynamiques continus
72
3) Si la matrice Jacobienne nadmet que des valeurs propres relles mais quelle
nest pas diagonalisable, cela signifie quelle admet au moins un valeur propre double
l0 et que le nombre de vecteurs propres libres associs cette valeur propre est
insuffisant pour construire une base de
vecteurs propres.
Dans ce cas, sa forme de
l0 1 0
Jordan scrit ainsi : J = P 1 A P = 0 l0 0 ,
0 0 l3
Dans ce cas, la matrice admet une valeur propre double l0 et une valeur propre
relle l3 distincte de l0 . La matrice de passage P comporte sur sa premire colonne
le vecteur propre associ l0 , sur sa troisime celui associ l3 et sur sa seconde
colonne un vecteur indpendant des deux autres devant tre bien choisi comme dans
le cas planaire.
Si la valeur propre multiple est triple et que
lespace propreassoci est de dimension
l0 1 0
1, la forme de Jordan est : J = P 1 A P = 0 l0 1 ,
0 0 l0
Ici, la matrice admet une valeur propre triple relle.
Lavantage de la mise sous forme de Jordan de la partie linaire est quelle se
gnralise pour les systmes linaires de dimension quelconque.
Nous laissons au lecteur le soin de trouver toutes les formes de Jordan relles en
dimension 4. Mentionnons seulement le cas o la matrice admet deux paires de valeurs
propres complexes et conjugues ak ibk , k [1, 2] :
a1 b1 0 0
b1 a1
0 0
,
J = P 1 A P =
0 0
a2 b2
0 0
b2 a2
pour lequel la matrice de passage est constitue par analogie avec les cas prcdents.
n
j=1
ai j x j ,
www.biblio-scientifique.com
1.3 tude des systmes dynamiques en temps continu
73
avec i [1, n], o A = ai j est une matrice carre de dimension n coefficients
constants. Nous faisons lhypothse que det A =
0, ce qui implique notamment
que lorigine est lunique quilibre. La matrice A admet n valeurs propres qui sont
solutions de lquation caractristique det (A lI ) = 0, qui est un polynme de degr
n que nous crivons sous la forme suivante :
ln + a1 ln1 + a2 ln2 + ... + an1 l + an = 0.
Considrons les n dterminants suivants :
H1 = a1 ,
a 1 a3
,
H2 =
1 a2
a 1 a3 a5
H3 = 1 a2 a4 ,
0 a 1 a3
a 1 a3 a5 . . .
1 a2 a 4 . . .
0 a1 a 3 . . .
Hk =
0 1 a2 . . .
.
.
.
. . .
0 0 .
. . ak
,
avec k [1, n]. Dans le cas de dimension n, tous les a j avec j > n sont pris gaux
zro. Nous avons le rsultat suivant :
www.biblio-scientifique.com
1 Systmes dynamiques continus
74
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
75
aucun quilibre, un seul ou plusieurs. De plus, la stabilit de ces quilibres peut galement dpendre de la valeur du paramtre g. Dune manire gnrale, le portrait
de phase et la nature qualitative des solutions de lquation dpendent des valeurs
que peut prendre le paramtre g. Pour certaines valeurs particulires du paramtre,
appelles valeurs critiques gc , il peut se produire un changement qualitatif du portrait
de phase. Par exemple, le nombre de points dquilibre peut brutalement changer
lorsque g traverse une valeur critique gc . Lorsquun changement de nature qualitative des solutions se produit, on parle de bifurcation. Faire une tude de bifurcation
consiste donc faire varier dans un certain domaine un (ou plusieurs) paramtre(s) et
rechercher comment le portrait de phase se transforme. Les valeurs pour lesquelles
on observe un changement qualitatif de la dynamique correspondent des bifurcations qui sobtiennent pour des valeurs critiques du paramtre. Il existe deux types
de bifurcations, les bifurcations locales et les bifurcations globales. Les bifurcations
locales correspondent celles pour lesquelles la matrice Jacobienne admet une valeur
propre dont la partie relle sannule pour une valeur critique de g. Par contre, si pour
une valeur critique de g on a par exemple une orbite htrocline qui disparat ds que
g change de valeur, on parle de bifurcation globale. Ltude des bifurcations dun
systme dynamique sappuie sur ce quon nomme la thorie des bifurcations, qui
permet de les classer et comprendre comment elles sorganisent. Cette thorie sort
cependant du cadre de ce cours et nous nous focaliserons sur quelques exemples de
bifurcations qui se rencontrent souvent dans les modles en biologie, en physique ou
en cologie par exemple.
Nous allons maintenant prsenter quelques bifurcations locales lmentaires en
dimension 1.
www.biblio-scientifique.com
76
Figure 1.35 Les trois portraits de phase possibles pour la bifurcation selle-nud.
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
77
o g est un paramtre rel. Trois cas peuvent tre distingus selon les valeurs du
paramtre g :
1) g > 0, lorigine est quilibre instable et il existe deux autres quilibres stables
g.
2) g = 0, lorigine est lunique quilibre et est stable, lquation devient x = x 3 .
3) g < 0, lorigine est lunique quilibre et est stable.
www.biblio-scientifique.com
1 Systmes dynamiques continus
78
c) Bifurcation transcritique
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
79
(1.30)
Les points dquilibre sont solutions du systme des deux quations suivantes :
f (x, y, g) = 0,
g (x, y, g) = 0.
Par consquent, sil existe des quilibres, ils dpendent en gnral de la valeur du
paramtre g, et nous les notons donc (x (g) , y (g)). Le nombre de points dquilibre
peut brutalement changer lorsque g traverse certaines valeurs critiques gc . Des solutions priodiques de type cycle limite stable ou instable peuvent exister pour certaines
valeurs de g. Une tude de bifurcation consiste donc rechercher comment le portrait
de phase de ce systme se modifie lorsque lon fait varier le paramtre g.
Nous allons maintenant prsenter quelques bifurcations lmentaires en dimension 2.
a) Bifurcation selle-nud (saddle-node)
www.biblio-scientifique.com
1 Systmes dynamiques continus
80
Figure 1.40 Bifurcation selle-nud, g = 0.1. Il y a deux quilibres, un nud stable et un point
selle.
Dans ce cas, le systme admet deux quilibres g, 0 et
g, 0 . Pour
dterminer leur stabilit, calculons la matrice Jacobienne :
2x 0
A=
,
0 1
ce qui nous donne pour le premier point dquilibre :
2 g 0
A g, 0 =
,
0
1
et nous pouvons conclure un nud stable car les deux valeurs propres sont relles et
ngatives. Pour le second quilibre, nous avons :
2 g 0
,
A g, 0 =
0
1
qui est point selle car la matrice admet deux valeurs propres relles de signe contraire.
La figure 1.40 prsente le portrait de phase obtenu pour une valeur ngative du
paramtre g.
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
81
2) g = 0 :
Lunique quilibre est lorigine (0, 0). Dans ce cas, la linarisation conduit la
matrice suivante :
0 0
A (0, 0) =
,
0 1
qui admet une valeur propre nulle. Pour dterminer la dynamique, revenons au systme
dquations qui, dans le cas g = 0, devient :
x = x 2 ,
y = y.
Les deux quations sont dcouples. La premire admet x = 0 comme quilibre
qui est un shunt positif. La seconde admet y = 0 pour quilibre qui est stable.
Lorigine est un quilibre non hyperbolique, cest--dire que le dterminant det A = 0.
En consquence, le portrait de phase est obtenu en combinant ces deux dynamiques
et est reprsent sur la figure 1.41.
3) g > 0
La vitesse horizontale est toujours strictement positive, x = g + x 2 > 0, x. Le
systme nadmet aucun quilibre. Le portrait de phase est reprsent sur la figure 1.42.
En rsum, lorsque le paramtre traverse la valeur critique 0, le nombre de points
dquilibre passe de 2 (un point selle et un nud stable) 0. On voit ici la justification
www.biblio-scientifique.com
82
Figure 1.43 (1) Les deux isoclines ne se coupent pas. (2) Les deux isoclines sont tangentes la
bifurcation. (3) Les deux isoclines se coupent en deux quilibres.
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
83
f f
santes x , y . De mme, un vecteur tangent la seconde isocline est proportionnel
g
au vecteur de composantes g
,
y x . La condition mathmatique pour quil y ait
tangence des deux isoclines est que le produit scalaire de ces deux vecteurs soit nul, ou
encore que le dterminant form par les deux vecteurs orthogonaux aux deux isoclines
zro soit nul :
f g
x x
f g = 0,
y
ce qui revient dire que les deux vecteurs ont des directions parallles. Cette condition
doit tre vrifie au point dquilibre que nous notons (x , y ), ce qui scrit encore :
f g f g
= 0.
x y
y x (x ,y )
Lorsque cette condition est vrifie, les deux isoclines sont tangentes. Leur intersection dfinit un unique quilibre. Une bifurcation selle-nud est caractrise par le
dterminant de la matrice Jacobienne gal zro la bifurcation.
b) Bifurcation fourche
www.biblio-scientifique.com
84
Figure 1.44 Bifurcation fourche, g = 1. Il y a trois quilibres, un point selle entour de deux
nuds stables.
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
85
c) Bifurcation verticale
x = gx + y = f (x, y, g) ,
y = x + gy = g (x, y, g) .
Ce systme admet un unique point dquilibre, lorigine (0, 0), pour toute valeur de
g. Il est trs utile de rcrire ce systme en coordonnes polaires. Il vient :
r = gr ,
u = 1.
Il existe toujours trois cas possibles selon le signe du paramtre g.
1) g < 0
La drive du rayon vecteur est strictement ngative sauf lorigine. Par consquent,
les trajectoires spiralent vers lorigine qui est un foyer stable (figure 1.47).
2) g = 0
La solution est r (t) = r (0).
Les trajectoires sont des cercles centrs sur lorigine. Il sagit de centres
(figure 1.48).
www.biblio-scientifique.com
1 Systmes dynamiques continus
86
x
Figure 1.47 Bifurcation verticale, g = 0.1. Lorigine est un foyer stable.
x
Figure 1.48 Bifurcation verticale, g = 0. Les trajectoires sont des centres.
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
87
3) g > 0 :
x = y,
y = x + gy x 2 .
Utiliser si ncessaire le livre de Hale et Koak (1991) rfrenc en fin douvrage
pour rsoudre lexercice.
www.biblio-scientifique.com
1 Systmes dynamiques continus
88
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
89
www.biblio-scientifique.com
1 Systmes dynamiques continus
90
Figure 1.53 Bifurcation de Hopf, g = 0.1. Lorigine est instable entoure par un cycle limite
stable C.
x = f (x, y, g) ,
y = g (x, y, g) ,
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
91
o g est un paramtre rel. Supposons que lorigine est un point dquilibre du systme
pour toute valeur du paramtre g. Soit la partie linaire du systme correspondant la
matrice Jacobienne A (0, 0) calcule lorigine :
A (0, 0) =
f
x
g
x
f
y
g
y
.
(0,0)
www.biblio-scientifique.com
92
da
(gc )
dg
> 0.
da
(gc )
dg
< 0.
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
93
Lunique quilibre est lorigine. La partie linaire du systme est donne par la
matrice Jacobienne calcule lorigine qui scrit :
g 1
A (0, 0) =
,
1 g
dont les valeurs propres sont l1,2 = g i. Le dterminant de la matrice est strictement positif pour toute valeur du paramtre g, det J (0, 0) = g2 + 1. La trace de la
matrice est T r J (0, 0) = 2g. La partie relle des valeurs propres est la suivante :
a (g) = g.
Elle sannule donc pour g = gc = 0. Le dterminant est positif et la trace change
de signe lorsque le paramtre g traverse la valeur 0. Nous sommes donc en prsence
dune bifurcation de Hopf. De plus nous sommes dans le cas o :
da
(gc ) = 1 < 0.
dg
Il est vident que pour les valeurs ngatives du paramtre g lorigine est un foyer
instable, et que pour les valeurs positives il sagit dun foyer stable.
En coordonnes polaires le systme se rcrit sous la forme suivante :
r = r g r 2 ,
u = 1.
Par consquent, pour g < 0 le foyer instable est entour dun cycle limite stable
www.biblio-scientifique.com
1 Systmes dynamiques continus
94
Lorsque le cycle limite est instable, lorigine est instable pour g = gc . On peut donc
encore utiliser une fonction de Liapunov qui permet de montrer linstabilit du point
dquilibre la bifurcation. Cependant, il existe une mthode qui permet de conclure
la nature du cycle, stable ou instable, en calculant un indice dit de Marsden et
MacCracken. Pour cela, on doit procder avec des tapes successives en partant du
systme dynamique la bifurcation :
x = f (x, y, gc ) ,
y = g (x, y, gc ) .
On recherche la partie linaire du systme correspondant la matrice Jacobienne
A (0, 0) calcule lorigine et pour la valeur du paramtre g = gc :
f f
A (0, 0) =
y
g
y
x
g
x
.
(0,0)
On doit ensuite rechercher une matrice de changement de base P qui met la partie
linaire sous la forme de Jordan lorsque g = gc , cest--dire sous la forme suivante :
0
m
1
.
P A (0, 0) P =
m 0
Rapellons que cette forme corespond des centres (trace nulle et dterminant positif)
avec des valeurs propres complexes et conjugues, l1,2 = im . Il est ncessaire
deffectuer le changement de base avant de procder au calcul de lindice. Le systme
dynamique scrit donc dans la nouvelle base de coordonnes (u, v) sous la forme
suivante :
u = h (u, v) ,
v = k (u, v) ,
o h et k sont des fonctions des variables u et v de la nouvelle base. Rappelons que
les relations entre les anciennes et nouvelles variables sont :
u
x
1
=P
,
v
y
et pour le retour :
x
y
=P
u
v
.
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
95
o les termes correspondent aux drives partielles des fonctions h et k par rapport
aux variables u et v, selon les notations suivantes :
h uuv =
3h
2k
=
0)
,
k
(0,
(0, 0) ,
uv
2 uv
uv
et ainsi de suite.
Si lindice est ngatif (I < 0) alors le cycle est stable et la bifurcation est supercritique (cas de la section prcdente). Si lindice est positif (I > 0) alors le cycle
est instable et la bifurcation est souscritique (cas de cette section). Si lindice est gal
zro il est impossible de conclure et dautres mthodes doivent tre utilises. En
particulier si I = 0 il est possible que la bifurcation soit dgnre. Dans ce cas il
ny a pas de cycle limite et il peut exister des centres la bifurcation. Il faut alors
rechercher une fonction de Liapunov qui prouve lexistence de ces centres.
Dans le cas o la bifurcation est souscritique, I > 0, les conclusions du thorme
sont modifies et deux cas peuvent se produire :
Premier cas : Supposons que da
dg (gc ) > 0, alors on peut conclure :
a) g = gc est une valeur de bifurcation du systme.
b) g1 < gc tel que dans le domaine [g1 , gc [ lorigine est un foyer stable entour
da
(gc )
dg
> 0.
www.biblio-scientifique.com
1 Systmes dynamiques continus
96
da
(gc )
dg
< 0.
Solution
www.biblio-scientifique.com
1.4 Introduction la notion de bifurcations
97
Il est vident que pour les valeurs ngatives du paramtre g lorigine est un
foyer stable, et que pour les valeurs positives il sagit dun foyer instable.
En coordonnes polaires le systme se rcrit sous la forme suivante :
r = r g + r 2 ,
u = 1.
Par consquent, il est clair que pour g < 0 le foyer stable est entour dun cycle
x = y + x g + x 2 + y 2 ,
y = x + y g + x 2 + y 2 ,
pond au dernier cas de la section : existence dun cycle limite instable pour les
valeurs positives du paramtre g.
Exercice Soit le systme dynamique suivant :
x = 2y,
y = x + gy x 2 y x 3 .
Dmontrer que ce systme admet un cycle limite stable.
www.biblio-scientifique.com
1 Systmes dynamiques continus
98
la suivante :
A=
0
2
1 g
0
2
.
P=
0
1
Avec ce changement de base, la matrice se met sous la forme voulue la
bifurcation :
2
0
1
P AP =
.
2 0
2v,
u =
v = 2u 2u 2 v 2 2u 3 ,
o (u, v) sont les coordonnes dans la nouvelle base telles que lon ait :
1
0
x
u
x
2
.
=P
=
y
y
v
0
1
Il est alors possible de calculer lindice de Marsden MacCracken avec ce nouveau systme. Aprs un calcul simple, il vient :
I = 4 2.
En effet, le seul terme qui ne sannule pas est kuuv = 4. Lindice tant ngatif,
on peut conclure quil sagit dune bifurcation de Hopf supercritique avec
apparition dun cycle limite stable.
www.biblio-scientifique.com
Chapitre 2
Applications en dynamique
des populations
www.biblio-scientifique.com
2 Applications en dynamique des populations
100
dx
dt,
dt
T =l
t exp (lt) dt,
0
qui, aprs un calcul simple en utilisant une intgration par parties, nous donne :
1
T = .
l
www.biblio-scientifique.com
2.1 Modle de dynamique dune seule population
101
dx
x
= rx 1
= f (x) ,
dt
K
avec r = a g, qui est le taux de croissance intrinsque de la population. Nous
supposons que a > g, cest--dire que le taux de croissance intrinsque r est positif.
K sappelle la capacit limite du milieu et est gal :
K =
ag
,
b+d
www.biblio-scientifique.com
2 Applications en dynamique des populations
102
www.biblio-scientifique.com
2.1 Modle de dynamique dune seule population
103
t-x
Gompertz
logistique
Figure 2.3 Comparaison des chroniques des solutions de lquation logistique et de lquation
de Gompertz avec les mmes valeurs de r = 0.1 et de K = 20.
www.biblio-scientifique.com
2 Applications en dynamique des populations
104
Afin dobtenir une loi de croissance avec un point dinflexion une position quelconque, lquation logistique gnralise (2.2) a t dfinie :
x q
dx
,
= rx 1
dt
K
(2.2)
o q est un rel strictement positif. Nous laissons titre dexercice le lecteur faire la
dmonstration que dans le cas de lquation logistique gnralise, le point dinflexion
se trouve en :
K
xi =
1 .
(1 + q) q
Pour q = 1, on retrouve bien la formule de la logistique xi = K /2.
(2.3)
Figure 2.4 Portrait de phase correspondant leffet Allee. Lorigine et K sont stables. Lquilibre
intermdiaire M est instable.
La figure 2.5 prsente les chroniques de lquation (2.3). On observe un effet seuil.
Pour une condition initiale 0 < x0 < M la population dcrot et va lextinction,
alors que pour une condition initiale au-dessus de ce seuil, x 0 > M, la population tend
vers la capacit limite K . Cet effet est connu en dynamique de population sous le nom
deffet Allee . Il correspond des populations qui ne sont viables qu partir dun
certain seuil limite en effectif.
www.biblio-scientifique.com
2.1 Modle de dynamique dune seule population
105
Figure 2.5 Chroniques de lquation de croissance dune population avec effet Allee
obtenues pour r = 0.1, M = 10 et K = 20.
dx
= ax 2 .
dt
Dans ce cas, on fait lhypothse que la loi de croissance est proportionnelle au taux
de rencontre entre les individus, ce qui correspond par exemple une reproduction
sexue. Dmontrer que la densit de la population tend vers linfini au bout dun
temps fini.
Solution Soit x(0) la condition initiale. Rcrivons lquation en sparant
dx
= adt.
x2
= at,
x(0) x(t)
et finalement :
x(t) =
x(0)
.
1 ax(0)t
www.biblio-scientifique.com
106
Figure 2.6 Croissance dune population avec reproduction sexue, a = 0.1, x(0) = 2. La
population tend vers linfini pour T = 1/ax(0) = 5.
On voit donc que la population tend vers linfini au bout dun temps fini T :
T =
1
.
ax(0)
La figure 2.6 prsente la solution pour une condition initiale x(0) = 2 et avec
a = 0.1. On constate que la population tend vers linfini pour t T = 5.
Exercice tudier la loi de croissance dune population dont le taux de croissance
est suppos tre proportionnel la densit de la population avec un taux de mortalit constant m selon lquation suivante :
dx
= ax 2 mx.
dt
Rechercher les quilibres et dterminez leur proprit de stabilit locale. Dessiner
lallure des solutions.
Solution Nous laissons le soin au lecteur de vrifier que lallure des solu-
www.biblio-scientifique.com
2.1 Modle de dynamique dune seule population
107
Figure 2.7 Croissance dune population avec reproduction sexue et mortalit naturelle.
ax
dx
=
mx.
dt
N +x
www.biblio-scientifique.com
2 Applications en dynamique des populations
108
x
dx
= rx 1
E x,
dt
K
o E > 0 est leffort dexploitation, par exemple leffort de pche. Un calcul simple
permet de rcrire lquation sous la forme suivante :
x
dx
= rx 1
,
dt
C
avec r = r E, et C = K 1 Er .
On retrouve donc un modle de type logistique et deux cas sont possibles :
r < 0, cest--dire E > r . Le seul quilibre non ngatif est lorigine, qui est
stable. Leffort est suprieur au taux de croissance intrinsque de la population.
Tous les termes de lquation sont ngatifs. La population est surexploite et
disparat.
r > 0, cest--dire E < r . Il y a deux quilibres, lorigine et C > 0. Lorigine
est instable mais C < K est stable. Dans ce cas, lquation est quivalente
une quation logistique dont lquilibre C est bien sr infrieur lquilibre K
obtenu en labsence dexploitation.
La figure 2.8 montre les solutions sans exploitation et avec un effort dexploitation
infrieur ou suprieur au taux de croissance de la population.
t
Figure 2.8 Chronique dune population exploite avec effort constant E. r = 1, K = 20.
www.biblio-scientifique.com
2.1 Modle de dynamique dune seule population
109
Une autre hypothse consiste effectuer un prlvement constant par unit de temps,
ce qui correspond la notion de quota :
dx
x
= rx 1
Q = f (x, Q) ,
dt
K
o Q > 0, est le quota par unit de temps.
Les points dquilibre sont solutions de lquation du second degr suivante :
r x 2 r K x + K Q = 0.
www.biblio-scientifique.com
2 Applications en dynamique des populations
110
Figure 2.9 Portrait de phase correspondant une population obissant une logistique et
exploite par quota. Lorigine et K ne sont pas des quilibres. Les quilibres sont nots avec des
cercles pleins.
Q=4
Figure 2.10 Chroniques dune population exploite avec un quota constant. r = 1, K = 20.
Pour x(0) > x1 la population va tendre vers sa capacit limite K . La figure 2.10
prsente les chroniques obtenues avec une valeur du quota donne mais diffrentes
valeurs de leffectif inital de la population x(0). On voit quau-dessous dun certain
seuil la population tend vers 0 en un temps fini.
En conclusion, ces deux modles trs simples dexploitation dune population
suggrent quil serait prfrable de procder un prlvement par effort constant
plutt que par quota pour viter linduction dun effet de type Allee qui pourrait
provoquer lextinction de la population si celle-ci passe au-dessous dun certain seuil.
De nombreux modles plus ralistes prenant par exemple en compte la structure en
ge de la population ont t galement dvelopps mais que nous ne prsenterons pas
dans cette section.
www.biblio-scientifique.com
2.2 Deux populations en interaction
111
Ainsi, les fonctions f (x) et g (y) reprsentent les croissances des populations
isoles et ne dpendent que de leffectif de cette population alors que les termes
h (x, y) et k (x, y) correspondent aux interactions entre les populations et dpendent
des effectifs des deux populations. Si la population deffectif x vit dans un milieu avec
une ressource limite, on choisira par exemple une fonction de croissance de type
logistique :
x
,
f (x) = r x 1
K
o r et K sont respectivement le taux de croissance et la capacit limite du milieu.
Si la population deffectif y est caractrise par une mortalit naturelle avec un taux
constant m, on choisira :
g (y) = my.
Le choix des fonctions h (x, y) et k (x, y) dpend de la nature de linteraction entre
les deux populations. On distingue des interactions positives (resp. ngatives) qui
favorisent (resp. dfavorisent) la croissance dune population. Les signes des fonctions
h (x, y) et k (x, y) rendent compte de ce caractre favorable ou non la croissance.
Plusieurs cas sont possibles :
(-,-) : chaque population exerce un effet ngatif sur la croissance de lautre. Cest le
cas de la comptition interspcifique.
(+,-) ou (-,+) : une population a un effet positif sur la croissance de lautre mais on
a leffet inverse dans lautre sens. Il sagit par exemple des relations proie-prdateur
ou encore hte-parasite.
(+,+) : chaque population favorise la croissance de lautre population. Cest le cas
du mutualisme ou encore de la symbiose.
Il existe aussi des cas du type (0,+), (+,0) ou (0,-), (-,0) habituellement appels
commensalisme et amensalisme.
Dans le cas de la prdation, il est usuel de considrer que les proies et les prdateurs
se dplacent en explorant leur milieu au hasard. Cela conduit un modle de type
www.biblio-scientifique.com
2 Applications en dynamique des populations
112
action de masse o le nombre moyen de rencontres entre les deux populations est
proportionnel au produit des effectifs. De ce fait, on doit avoir un terme ngatif dans
lquation de la proie, puisquil y a disparition des proies manges par les prdateurs,
du type :
h (x, y) = ax y,
o a est un paramtre constant et positif qui rend compte de lefficacit des prdateurs
dans leurs attaques.
Une telle fonction de prdation est appele une fonction de Lotka-Volterra ou encore
de type I. Dans lquation du prdateur, on doit sattendre un terme positif de mme
forme car les proies tues sont assimils par les prdateurs et leur permettent de
maintenir la croissance de leur population. Cela conduit par exemple :
g (x, y) = eh (x, y) = eax y,
qui signifie que la biomasse (ici leffectif) des proies tues se trouve transforme
en biomasse (effectif) du prdateur avec une certaine efficacit dont rend compte le
paramtre constant e, appel couramment le rendement de conversion de la biomasse
proie en biomasse prdateur.
Avec les hypothses prcdentes, on obtiendrait finalement le modle suivant :
x
= rx 1
ax y,
K
y = my + eax y.
Ce modle est un modle classique proie-prdateur que nous allons tudier par la
suite. Pour commencer, nous allons tudier le modle proie-prdateur le plus simple :
le modle de Lotka-Volterra.
www.biblio-scientifique.com
2.2 Deux populations en interaction
113
va donc pouvoir tre rgul par les prdateurs. En absence de proies, les prdateurs
disparatraient. Le couplage des deux populations par les termes de prdation peut avoir
des effets stabilisateurs sur la dynamique globale du systme des deux populations en
interaction.
Dans ce modle, il est aussi suppos que le terme dinteraction est un terme classique de Lotka-Volterra ou de type I que nous avons dcrit prcdemment. Avec ces
hypothses, le modle de Lotka-Volterra scrit donc sous la forme suivante :
x = r x ax y,
y = my + eax y,
que nous pouvons rcrire, en factorisant, sous la forme :
x = x (r ay) ,
y = y (m + bx) ,
o nous posons b = ea. Le fait de pouvoir mettre x en facteur dans la premire
quation et y dans la seconde est important parce cela signifie que les axes sont
isoclines zros du systme. En consquence, aucune trajectoire ne peut couper ni laxe
des abscisses ni laxe des ordonnes. Ainsi, toute trajectoire issue dune condition
initiale prise dans le cadran positif reste, pour tout t > 0, lintrieur de ce cadran.
On dit que le cadran positif est positivement invariant. Ce rsultat est important car les
variables x (t) et y (t) sont des effectifs et doivent donc rester non ngatives pour tout
t > 0. Le modle garantit donc quen choisissant une condition initiale acceptable,
cest--dire avec des effectifs initiaux positifs (x (0) > 0, y (0) > 0), les effectifs
restent toujours par la suite positifs et ne puissent jamais devenir ngatifs, ce qui
naurait aucune signification du point de vue de la biologie.
Les isoclines zro sont les suivantes :
r
,
a
m
y = 0 y = 0 ou x = .
b
= 0 x = 0 ou y =
www.biblio-scientifique.com
2 Applications en dynamique des populations
114
r/a
(x*,y*)
m/b
r/a
(x*,y*)
m/b
www.biblio-scientifique.com
2.2 Deux populations en interaction
115
Le modle de Lotka-Volterra admet deux points dquilibre, lorigine (0, 0) correspondant labsence de proie et de prdateur, et un point (x , y ) non trivial et
appartenant au cadran positif tel que :
m
,
b
r
.
y =
a
Pour connatre les proprits de stabilit locale des quilibres, il faut calculer la
matrice Jacobienne :
r ay ax
A=
.
by
m + bx
x =
www.biblio-scientifique.com
2 Applications en dynamique des populations
116
dx
dy
+ bd x = r
ady,
x
y
m
+ b,
x
r
= + a.
y
=
=
=
m
,
x2
r
,
y2
= 0,
www.biblio-scientifique.com
2.2 Deux populations en interaction
117
2p
= mb.
T
Les donnes concernant les effectifs des lynx et des livres recenss par la Compagnie de la baie dHudson sur une priode assez longue confirment ce type de
comportement dynamique. Le lynx est le prdateur des livres et se nourrit presque
exclusivement de celui-ci. Des variations cycliques des effectifs de livres suivis dun
pic de leffectif des lynx sont observes. Le modle est donc capable de reproduire
une dynamique analogue aux variations observes des effectifs des livres et des lynx.
www.biblio-scientifique.com
2 Applications en dynamique des populations
118
Figure 2.14 Portrait de phase du modle de Lotka-Volterra prsentant des trajectoires fermes
(centres) autour de lquilibre (x , y ).
Figure 2.15 Chroniques du modle de Lotka-Volterra montrant un pic dans leffectif des proies
suivi dun pic dans leffectif des prdateurs.
www.biblio-scientifique.com
2.2 Deux populations en interaction
119
x
ax y,
= rx 1
K
y = my + bx y,
avec K > 0 la capacit limite du milieu. Nous constatons que le modle peut
nouveau scrire en factorisant les variables x et y dans chacune des quations :
x
ay ,
= x r 1
K
y = y (m + bx) ,
ce qui veut dite que comme dans le cas prcdent, le cadran positif est positivement
invariant. Les isoclines zros sont les suivantes :
x
r
1
ou x = 0,
x = 0 y =
a
K
y = 0 x =
m
ou y = 0.
b
Le sens des vecteurs vitesses sur les isoclines est trs facile obtenir puisquen
absence de prdateur (soit sur lisocline y = 0), leffectif des proies augmente jusqu
la capacit limite K et en absence de proie (soit sur lisocline x = 0), leffectif
des prdateurs diminue. En consquence, deux cas sont possibles et sont montrs
sur la figure 2.16, les quilibres possibles se trouvant lintersection des isoclines
horizontales et verticales :
m
1) mb < K , il y a trois points dquilibre (0, 0), (K , 0) et x = mb , y = ar 1 bK
ce dernier point se trouvant dans le cadran positif.
2) mb > K , il ny a que deux points dquilibre (0, 0), (K , 0). Il existe dans ce cas un
troisime quilibre mais avec une composante ngative nayant pas de sens biologique
que nous oublions.
Pour connatre la stabilit des quilibres calculons la matrice Jacobienne associe
au systme :
r 2rKx ay ax
A=
.
by
m + bx
valuons la partie linaire du modle lorigine. Il vient :
r 0
A (0, 0) =
,
0 m
qui est un point selle instable.
www.biblio-scientifique.com
2 Applications en dynamique des populations
120
r/a
r/a
(x*,y*)
m/b
(a)
m/b x
(b)
l1 = r < 0,
et l2 = m + bK ,
dont le signe dpend des valeurs des paramtres :
1) mb < K l2 > 0, les deux valeurs propres sont de signes contraires et
lquilibre (K , 0) est point selle instable.
2) mb > K l2 < 0, les deux valeurs propres sont ngatives et lquilibre (K , 0)
est un nud stable.
En ce qui concerne le point (x , y ), nous avons :
r 2rKx ay ax
A x ,y =
.
by
m + bx
Une premire solution consisterait remplacer les coordonnes de lquilibre dans
les quations. Cependant il est plus simple de revenir aux quations qui dfinissent cet
quilibre :
www.biblio-scientifique.com
2.2 Deux populations en interaction
121
r x
ay = 0,
K
m + bx = 0,
que nous pouvons injecter dans la matrice Jacobienne, ce qui conduit une simplification :
r x
K ax
.
A x ,y =
by
0
Il vient alors de manire vidente :
tr A =
r x
,
K
det A = abx y .
Par consquent, lorsque le point dquilibre (x , y ) se trouve dans le cadran positif,
x > 0 et y > 0, et nous avons le rsultat suivant :
tr A =
r x
< 0,
K
www.biblio-scientifique.com
122
Figure 2.17 Portrait de phase du modle de Lotka-Volterra avec croissance logistique des proies.
Cas o il y a coexistence des proies et des prdateurs, r = 0.1, K = 10, a = 0.1, m = 0.2, b = 0.05.
Figure 2.18 Portrait de phase du modle de Lotka-Volterra avec croissance logistique des proies.
Cas o il y a exclusion des prdateurs, r = 0.1, K = 10, a = 0.1, m = 0.2, b = 0.01.
www.biblio-scientifique.com
2.2 Deux populations en interaction
Fonction
rponse
123
Lotka-Volterra
Holling
Figure 2.19 Fonctions rponse de Lotka-Volterra et de Holling, cette dernire prsentant un effet
de saturation.
h (x, y)
.
y
www.biblio-scientifique.com
2 Applications en dynamique des populations
124
o D est une constante positive. Avec une telle fonction rponse, et en conservant
les hypothses du modle tudi dans la section prcdente, nous obtenons le modle
prdateur-proie de Holling suivant :
x
ax y
x = r x 1
,
K
x+D
ax y
.
y = my + e
x+D
Posons nouveau b = ea. Il vient :
ax y
x
,
= rx 1
K
x+D
bx y
y = my +
.
x+D
x
x = 0 y =
1
(x + D) ou x = 0,
a
K
y = 0 x =
mD
ou y = 0.
(b m)
On supposera que b > m. Les deux axes sont nouveau isoclines. Lisocline
verticale suivante :
r
x
y=
1
(x + D) ,
a
K
est une parabole dont les branches sont diriges vers le bas et coupant laxe des x en
deux points (K , 0) et (D, 0), le second nayant pas de signification biologique. Il est
bon de noter que le sommet de cette parabole qui annule la drive de lquation de la
parabole se trouve la position x :
x =
KD
.
2
www.biblio-scientifique.com
2.2 Deux populations en interaction
125
y
(x*,y*)
x
-D
mD/(b-m)
K mD/(b-m)
-D
(a)
(b)
mD
(bm)
mD
(bm)
> K.
Pour connatre la stabilit des quilibres, il faut calculer la partie linaire du systme :
a Dy
ax
x+D
r 2rKx (x+D)
2
.
A=
bDy
bx
m + x+D
(x+D)2
lorigine, nous avons :
A (0, 0) =
r 0
0 m
,
ax
r 2rKx (xaDy
2
x +D
+D)
.
A x ,y =
bDy
m
+ xbx
+D
2
(x +D)
www.biblio-scientifique.com
2 Applications en dynamique des populations
126
Pour simplifier cette matrice, il est utile de se rappeler des conditions qui dfinissent
cet quilibre :
r x
ay
K
x +D
bx
m +
x +D
= 0,
= 0.
r 2rKx (xaDy
+D)2
A x ,y =
bDy
(x +D)2
xax
+D
0
.
Sous cette forme, il est clair que le dterminant est toujours positif si le point
appartient au cadran positif, car nous avons :
det A =
abDx y
> 0,
(x + D)3
si x > 0 et y > 0.
La trace de la matrice scrit :
tr A = r
2r x
a Dy
.
K
(x + D)2
2r x
rD
r Dx
+
,
K
x + D K (x + D)
r x K D 2x
.
K
x + D
Pour avoir stabilit de lquilibre (x , y ) il faut que cette trace soit ngative, ce qui
scrit :
KD
.
tr A < 0 x >
2
Rappelons que x = K D
est le sommet de la parabole qui est isocline verticale. En
2
consquence, si x > x, cest--dire le point dquilibre se trouve aprs le sommet
de la parabole, alors le point (x , y ) est stable. Dans le cas contraire, il est instable
(figure 2.21).
www.biblio-scientifique.com
2.2 Deux populations en interaction
127
y
M* instable
M* stable
x
-D
mD/(b-m)
(a)
x
-D
mD/(b-m)
(b)
Figure 2.21 Isoclines zros du modle de Holling. (a) Le point M = (x , y ) est instable. (b) Le
point M est stable.
Lorsque le point (x , y ) est instable, il est possible de choisir une bote de PoincarBendixson (figure 2.22) permettant de conclure lexistence dun cycle limite stable.
partir dune condition initiale A, avec une abscisse suprieure K , on suit une
trajectoire qui va ncessairement venir intercepter la parabole en un point B en la
coupant la verticale vers le haut. On ferme la bote en joignant B A. Il est clair
que la trajectoire pntre dans la bote au point B. De plus, sur le segment B A, il est
vident que les deux composantes de la vitesse sont entrantes. En consquence, nous
avons fabriqu une bote telle que toutes les trajectoires sont entrantes sa frontire.
Le point M tant le seul quilibre intrieur la bote et tant de plus instable, nous
pouvons conclure par le thorme de Poincar-Bendixson quil existe au moins un
cycle limite totalement lintrieur de la bote.
Il est galement clair que ce systme prsente une bifurcation de Hopf puisque
pourle point dquilibre (x , y ) nous avons le dterminant qui est positif, det A =
abDx y
mD
> 0, alors que la trace change de signe lorsque la droite verticale x = (bm)
(x +D)3
qui est isocline horizontale traverse le sommet de la parabole y = ar 1 Kx (x + D)
qui est isocline verticale.
Lorsque le point (x , y ) devient instable, il sentoure donc dun cycle limite stable.
Finalement, trois portraits de phase sont possibles :
1) La figure 2.23 prsente le cas o x < x, il existe alors un cycle limite C stable.
Aprs un temps permettant la trajectoire de tendre vers le cycle limite, les effectifs
des proies et des prdateurs varient priodiquement. Contrairement aux centres de
Lotka-Volterra, lamplitude du cycle limite est indpendante de la condition initiale.
De plus, le cycle limite est structurellement stable.
www.biblio-scientifique.com
2 Applications en dynamique des populations
128
A
M*
B
x
-D
mD/(b-m)
2) Dans le cas o K > x > x, les effectifs des prdateurs et des proies tendent
vers des effectifs constants car le point (x , y ) est asymptotiquement stable.
3) Enfin, dans le dernier cas o x > K , il y a extinction des prdateurs et leffectif
des proies tend vers sa capacit limite K .
www.biblio-scientifique.com
2.2 Deux populations en interaction
129
ax y
x
,
x = r x 1
K x+D
by
.
y = sy 1
x
o s est une constante positive.
Ce modle fait lhypothse que leffectif des prdateurs obit une quation de type
logistique dont la capacit limite serait en quelque sorte proportionnelle leffectif de
la proie. Ltude de ce modle met en vidence un rsultat trs similaire au modle de
Holling tudi dans cette section.
ax
.
1 + bx + cy
o a, b et c sont des constantes positives. Cette fonction rponse suppose une influence
de la densit du prdateur sur le nombre de proies captures par prdateur et par
unit de temps. Il sagit dun effet ngatif car la fonction rponse est une fonction
dcroissante de la densit de prdateurs. En utilisant cette fonction rponse et en
supposant une croissance linaire des proies en absence de prdateur et une mortalit
naturelle des prdateurs en absence de proie, le modle proie-prdateur de Beddington
scrit :
ax y
,
1 + bx + cy
ax y
.
y = my + e
1 + bx + cy
= rx
r
(1 + bx) ou x = 0.
a rc
(2.4)
quation correspond une droite coupant les axes en b1 , 0 et en
La premire
r
0, arc
.
Les isoclines zros horizontales sont donnes par les quations :
y = 0 y =
1
((ea mb) x m) ou y = 0,
mc
(2.5)
www.biblio-scientifique.com
2 Applications en dynamique des populations
130
(x*,y*)
-1/b
0
-1/c
Figure 2.24 Isoclines zro du modle de Beddington dans le cas o il existe un quilibre non
trivial positif.
m
dont la premire quation est encore une droite coupant les axes en eamb
, 0 et en
0, 1c .
Le cas que nous allons tudier correspond lexistence dun quilibre non trivial
(x , y ) dans le cadran positif. Les conditions sur les paramtres sont les suivantes :
a > r c et
ea
rb
b
>
+ .
mc
a rc c
La seconde des deux ingalits prcdentes revient imposer une pente plus grande
lisocline horizontale (2.5) que celle de lisocline verticale (2.4). La figure 2.24
prsente le schma des isoclines du modle de Beddington dans ces conditions.
Il est trivial de vrifier que lorigine est point selle car la matrice Jacobienne
lorigine scrit :
r 0
A (0, 0) =
.
0 m
En ce qui concerne le point (x , y ), il vient aprs quelques calculs :
A x , y =
1
(1 + bx + cy )2
ax (1 + bx )
aby x
eay (1 + cy ) eacy x
,
www.biblio-scientifique.com
2.2 Deux populations en interaction
131
y
(x*,y*)
x
Figure 2.25 Portrait de phase du modle de Beddington lorsquil existe un quilibre non trivial
positif, la bifurcation. Les trajectoires sont des centres. e = 1, r = a = b = c = 0.1 et m = 0.2.
www.biblio-scientifique.com
132
x
,
K1
y
.
K2
Avec ces nouvelles variables, la capacit limite de chaque population est normalise
lunit. Aprs quelques manipulations, le systme dquations devient alors :
u = r1 u (1 u av) ,
v = r2 v (1 v bu) ,
o a et b sont des nouveaux paramtres qui sexpriment en fonction des anciens
comme suit :
K1
K2
et b = b .
a=a
K1
K2
Il est aussi utile de changer dchelle de temps en posant :
t = r1 t.
www.biblio-scientifique.com
2.2 Deux populations en interaction
133
Nous avons les relations suivantes entre les drives par rapport aux deux chelles
de temps :
du
dt
dv
dt
=
=
du dt
1 du
=
,
dt dt
r1 dt
dv dt
1 dv
=
.
dt dt
r1 dt
du
dt
dv
dt
= u (1 u av) ,
= r v (1 v bu) ,
www.biblio-scientifique.com
2 Applications en dynamique des populations
134
1/a
(a)
1
(b)
1/a
1/b
1/b
v
1/a
(c)
(d)
1
1/a
1/b
1/b
Figure 2.26 Les quatre cas possibles du modle de comptition. (a) a < 1 et b < 1. (b) a > 1 et
b > 1. (c) a < 1 et b > 1. (d) a > 1 et b < 1.
pour 0 < u < 1 et 0 < v < 1. La figure 2.26 prsente les diffrents cas avec les sens
des vecteurs vitesse sur les isoclines.
Les quilibres possibles se trouvent lintersection des isoclines de nature diffrente
et sont au nombre de quatre, (0, 0), (1, 0), (0, 1) et (u , v ). Ce dernier point vrifiant
le systme dquations suivant :
1 u av = 0,
1 v bu = 0,
dont les solutions sont les suivantes :
1a
1b
et v =
.
u =
1 ab
1 ab
Il est bon de noter que si lquilibre (u , v ) appartient au cadran positif, puisque
a > 0 et b > 0, nous avons :
u < 1 et v < 1,
ce qui scrit en revenant aux anciennes variables :
n 1 < K 1 et n 2 < K 2 ,
www.biblio-scientifique.com
2.2 Deux populations en interaction
135
cest--dire quen cas de comptition, lquilibre est moins bon pour chaque population
que si elle tait isole, ce qui est normal et attendu dun modle de comptition.
Lquilibre (u , v ) appartient au cadran positif dans deux cas :
Si les deux coefficients de comptition sont plus petits que lunit (a < 1 et b < 1).
Sils sont tous deux plus grands que lunit (a > 1 et b > 1).
Dterminons maintenant les proprits de stabilit des quilibres. La partie linaire du
modle scrit :
1 2u av au
A=
.
r bv
r (1 2v bu)
En ce qui concerne, lorigine, il vient :
A (0, 0) =
1 0
0 r
,
www.biblio-scientifique.com
136
www.biblio-scientifique.com
2.2 Deux populations en interaction
137
Figure 2.27 Coexistence des comptiteurs. Lquilibre (u , v ) est un nud stable. a = 0.1,
b = 0.2 et r = 1.
Figure 2.28 Exclusion des comptiteurs. Il existe une sparatrice. De part et dautre, les
trajectoires tendent soit vers le point (1, 0), soit vers le point (0, 1). a = 1.1, b = 1.2 et r = 1.
www.biblio-scientifique.com
2 Applications en dynamique des populations
138
www.biblio-scientifique.com
2.2 Deux populations en interaction
139
x = r x(x M)(K 1 x) ax y,
y = ry(K 2 y) bx y,
o la premire espce obit un effet Allee avec 0 < M < K 1 et la seconde
une logistique, en absence de comptition. Rechercher les quilibres et tudier
leur stabilit. Dessiner les portraits de phase possibles en fonction des valeurs des
paramtres.
x
y
x = r1 x 1
+a
,
K1
K1
y
x
+b
,
y = r2 y 1
K2
K2
avec un simple changement des signes devant les coefficients a et b qui deviennent
positifs par rapport au modle de comptition prcdent o ils taient ngatifs. Chaque
population a un effet positif sur la croissance de lautre, ce qui caractrise le mutualisme ou la symbiose. La symbiose est en gnral plus forte que le mutualisme, dans
le sens o les deux populations symbiotiques ne peuvent pas exister isolment, cest-dire lune sans lautre. Par contre dans le cas du mutualisme, chaque population
isole est viable. Le modle que nous prsentons est donc un modle de mutualisme
car en labsence de lune des deux populations, lautre obit une quation de type
logistique et tend vers sa capacit limite.
Comme pour le modle de comptition, il est usuel de procder au changement de
variables suivant :
y
x
,v=
et t = r1 t.
u=
K1
K2
Le systme devient alors :
du
dt
dv
dt
= u (1 u + av) ,
= r v (1 v + bu) ,
www.biblio-scientifique.com
2 Applications en dynamique des populations
140
(a)
(b)
(u*,v*)
1
1
-1/b
-1/b
1
-1/a
-1/a
Figure 2.31 Isoclines zros du modle de mutualisme. (a) ab > 1. (b) ab < 1.
cette dernire quation tant celle dune droite coupant les axes en (1, 0) et 0, a1 .
Les isoclines zros horizontales sont galement deux droites :
dv
= 0 v = 0 ou v = (1 + bu) ,
dt
cette dernire droite coupant les axes en b1 , 0 et (0, 1).
En consquence, en fonction des valeurs des paramtres, deux cas de figures sont
possibles (figure 2.31).
Comme dans le cas de la comptition, les quilibres sont au nombre de quatre,
(0, 0), (1, 0), (0, 1) et (u , v ), avec :
u =
1+a
1+b
et v =
.
1 ab
1 ab
www.biblio-scientifique.com
2.2 Deux populations en interaction
141
1 0
0 r
,
www.biblio-scientifique.com
2 Applications en dynamique des populations
142
(u*,v*)
v
Figure 2.32 Cas du faible mutualisme, ab < 1. Les deux populations coexistent. a = 0.1, b = 0.2
et r = 1.
www.biblio-scientifique.com
2.2 Deux populations en interaction
143
Figure 2.33 Cas du fort mutualisme, ab > 1. Les effectifs des populations tendent vers linfini.
xK
,
K +1x
www.biblio-scientifique.com
2 Applications en dynamique des populations
144
avec x = K2+1 = 12 et y = K = 2 1.
D > 0, alors il existe deux solutions x 1 , y1 et x2 , y2 ,
(K +1) (K +1)2 2
avec x1,2
=
> 0 et y1,2
= 2x1,2
1 > 0.
2
Nous sommes donc en prsence dune bifurcation selle-nud puisque le nombre de
points dquilibre passe de zro, un (lorsque les isoclines sont tangentes) et enfin
deux (lorsquelles se coupent en deux points). Il est bon de noter que les deux points
appartiennent au cadran positif.
Soit la matrice Jacobienne :
y
x
K 2x + 1+y
(1+y)2
.
A=
y
x
12 + (1+y)
2
1+y
lorigine, la matrice devient :
A (0, 0) =
K
0
0
12
,
K
0
K
12 + K
,
dont une des valeurs propres l1 = K est ngative. La seconde valeur propre est
l2 = 12 + K :
si K < 12 , alors l2 < 0 et lquilibre est un nud stable,
si K > 12 , alors l2 > 0 et lquilibre est un point selle.
Calcule en lun des deux points dquilibre non triviaux prcdents, que nous
notons pour simplifier (x , y ) en omettant lindice, la matrice Jacobienne devient
www.biblio-scientifique.com
2.3 Modles de communaut
145
1
.
det A x , y =
(1 + y )3
Il est clair que quand D = 0 alors x =
1
2
et il vient :
det A x , y = 0,
ce qui est prcisment la condition dune bifurcation selle-nud qui assure la tangence
de deux isoclines horizontale et verticale (voir la section thorique
sur
cesujet). Dans
le cas o D > 0, alors il existe deux quilibres non triviaux x1 , y1 et x2 , y2 qui
sont situs de part et dautre de x et qui vrifient donc :
1
1
x1 > x = et x2 < .
2
2
Rappelons-nous que pour ces quilibres, la trace est toujours ngative. De plus,
nous avons le rsultat suivant :
det A x1 , y1 > 0,
et
nous voyons donc que le point x1 , y1 est stable. En ce qui concerne le point
x2 , y2 , le dterminant est ngatif :
det A x1 , y1 < 0,
et ainsi ce point est instable (point selle).
www.biblio-scientifique.com
146
super
prdateur
prdateur
proie
Figure 2.34 Schma dun systme de trois espces en interaction, une proie, un prdateur et un
super prdateur.
x = x (r ay) ,
y = y (m + bx cz) ,
z
+ dyz,
z = sz 1
K
o x (t), y (t) et z (t) sont les densits respectives de la proie, du prdateur et du super
prdateur au temps t. La figure 2.34 prsente un schma du systme proie-prdateursuper prdateur. Le modle est bas sur le modle de Lotka-Volterra avec une proie et
un seul prdateur trait plus haut avec les mmes notations. On fait lhypothse que le
super prdateur obit une loi de croissance logistique avec sa capacit limite K et
son taux de croissance intrinsque s. c et d sont des paramtres positifs.
On pose :
z
u = x, v = y et w = ,
K
et on procde au changement dchelle de temps suivant :
t = st.
Ces changements de variables permettent de mettre le modle sous la forme suivante :
www.biblio-scientifique.com
2.3 Modles de communaut
du
dt
dv
dt
dw
dt
147
= u (r av) ,
= v (m + bu gw) ,
= w (1 w) + dvw,
Lorigine est quilibre. De plus, il existe un unique quilibre non trivial dans le
cadran positif (u , v , w ) dont les coordonnes sont les suivantes :
dr
m g
r
dr
u = +
1+
, v = et w = 1 +
.
b b
a
a
a
Tous les paramtres tant positifs, ce point se trouve toujours dans le cadran positif.
Pour dterminer la stabilit de ce point, calculons la matrice Jacobienne au point
dquilibre :
0
r av au
.
m + bu gw gv
A = bv
0
dw
1 2w + dv
En tenant compte des quations qui dfinissent cet quilibre, la matrice se simplifie :
0
au 0
gv .
A = bv 0
0
dw
w
www.biblio-scientifique.com
148
www.biblio-scientifique.com
2.3 Modles de communaut
149
super
super
prdateur
super
prdateur
prdateur
proie
Figure 2.35 Schma dune communaut compose dune proie, dun prdateur, dun super
prdateur et dun super super prdateur.
x = x (r ay) ,
y = y (m + bx cz) ,
z = z (n + dy f k) ,
k
+ gzk.
k = sk 1
K
f f y . De la quatrime il vient z = g
K 1 . Finalement, de la deuxime
m
c
0
0
ax 0
by 0
cy 0
A =
.
0
0
fz
dz
0
0
gk
Ks k
www.biblio-scientifique.com
2 Applications en dynamique des populations
150
a1 =
a2
a3
a4
super
prdateur
proie 1
proie 2
www.biblio-scientifique.com
2.4 Thorie des jeux
151
x
ax z,
= rx 1
K
y = f y byz,
z = mz + cx z + dyz.
Solution
avec :
x
y
z
af
= K 1
,
rb
cK cK a f
m
+
,
=
d
d
dr b
f
=
.
b
Il est clair quon peut trouver des valeurs des paramtres pour lesquelles x , y
et z sont tous positifs.
On se place dsormais dans ces conditions.
La matrice Jacobienne lquilibre (x , y , z ) scrit :
r
ax
K x 0
0
by .
A = 0
cz
dz 0
Lquation caractristique scrit :
l3 + a1 l2 + a2 l + a3 = 0,
Dunod La photocopie non autorise est un dlit.
avec :
r
x ,
K
= ac x z + bd y z ,
r bd
x y z .
=
K
a1 =
a2
a3
www.biblio-scientifique.com
152
effets sur la dynamique de la population laquelle ils appartiennent. Par exemple, les
individus dune mme population peuvent entrer en comptition pour une ressource
commune. Ils sont alors conduits se partager une ressource en quantit limite. Certains individus peuvent adopter une attitude agressive en cherchant monopoliser
la ressource ou, au contraire, une attitude pacifique en partageant la ressource avec
leurs congnres. Dans ce cas, la population est sub-divise en deux sous-populations
qui adoptent des comportements diffrents. Dans certains cas, les individus peuvent
changer de comportement au cours de leur existence, en fonction du contexte dans
lequel ils se trouvent. On parle alors de plasticit comportementale. Un mme individu
peut, au cours de son existence, tre amen utiliser une tactique ou une autre, selon
les conditions dune rencontre.
Les modles de thorie des jeux sont en gnral des modles matriciels qui prennent
en compte les diverses tactiques pouvant tre utilises par les individus. Ces modles
ne sont pas bass sur une quation dvolution de la population. Ils ne dcrivent pas
lvolution de la densit totale de la population mais lvolution de sa structure interne
en sous-populations dont les individus utilisent diffrentes stratgies comportementales. Nous allons montrer que ces modles de thorie des jeux peuvent galement
scrire sous forme de systmes dquations diffrentielles ordinaires pour lesquels les
mthodes gnrales que nous avons prsentes prcdemment sont utilisables. Pour ce
faire, nous allons utiliser de nouvelles variables dtat, non plus les effectifs ou les densits des populations, mais les proportions dindividus dans la population utilisant telle
ou telle stratgie comportementale. Ces quations dvolution des proportions dindividus dans les diffrentes catgories sont connues sous le terme gnrique dquations
du rplicateur (Hofbauer and Sigmund, 1998).
www.biblio-scientifique.com
2.4 Thorie des jeux
153
GC
.
2
G=
GC
2
D
G
G
2
F
.
D
www.biblio-scientifique.com
2 Applications en dynamique des populations
154
Ce gain reprsente le gain dun individu jouant les stratgies faucon et colombe
prcisment dans les proportions de faucons et colombes de la population. Dans les
quations dites du rplicateur on fait lhypothse que la proportion dindividus
jouant une stratgie donne augmente (resp. diminue) lorsque le gain obtenu par
les individus jouant cette stratgie est suprieur (resp. infrieur) au gain moyen des
individus de la population. Dans le cas du jeu faucon-colombe, on a donc :
x = x (D F D) ,
y = y (D D D) .
Ce systme de deux quations se rduit une seule quation car les deux variables
sont lies par la relation :
x (t) + y (t) = 1.
Les quilibres du systme sobtiennent lorsque :
D F = D D = D,
cest--dire lorsque les gains de chaque stratgie sont gaux au gain moyen de la
population. Dans le cas du jeu faucon-colombe, choisissons la variable x (t) qui obit
lquation suivante :
x
x
1 0 G
x = x
x 1x G
.
1x
1x
Aprs un calcul simple que nous laissons faire au lecteur titre dexercice, lquation se rcrit sous la forme suivante :
x =
1
x (1 x) (G C x) = f (x) .
2
Cette quation admet trois quilibres : 0 (la population est entirement colombe), 1
(la population est entirement faucon) et un troisime quilibre polymorphe x = G
C
avec une proportion x de faucons et (1 x ) de colombes dans la population. Bien
sr, la variable est une proportion et par consquent les valeurs des quilibres doivent
tre comprises dans lintervalle [0, 1], ce qui impose pour lquilibre polymorphe que
G < C. Afin de dterminer la stabilit locale de chaque quilibre, calculons la drive
de la fonction f (x) :
df
1
=
G 2 (C + G) x + 3C x 2 .
dx
2
www.biblio-scientifique.com
2.4 Thorie des jeux
155
(a)
(b)
G/C
G/C
Figure 2.37 (a) La population est polymorphe lquilibre avec une proportion G/C de faucons.
(b) La population est totalement faucon lquilibre.
Cette drive est gale G2 pour x = 0, ce qui montre que lorigine est toujours
instable. Pour x = 1, la drive est gale :
df
1
(1) = (C G) .
dx
2
Pour x = x =
G
C,
www.biblio-scientifique.com
2 Applications en dynamique des populations
156
Il sagit dun jeu bien connu trois stratgies possibles appeles Roc (R), Ciseau (C)
et Papier (P). On suppose que les individus peuvent adopter une des trois stratgies au
cours de chaque recontre. Dans le jeu R C P les gains ou pertes sont les suivants :
0 en cas dgalit, -1 en cas de perte, 1 en cas de gain.
Le Roc gagne contre le Ciseau car les ciseaux se cassent contre la pierre, ce qui
donne :
g(R, C) = 1 et g(C, R) = 1,
o g(i, j) est le gain obtenu par un individu jouant la stratgie i contre un individu
jouant la stratgie j.
Le Ciseau lemporte sur le Papier car celui-ci coupe le papier :
g(C, P) = 1 et g(P, C) = 1.
Le Papier est vainqueur contre le Roc car il peut envelopper la pierre :
g(P, R) = 1 et g(R, P) = 1.
De plus, toute stratgie fait match nul contre elle-mme :
g(R, R) = g(P, P) = g(C, C) = 0.
En consquence, la matrice de gain scrit de la manire suivante :
R C
0
1
1
R
1 C .
G = 1 0
1
1 0
P
(2.6)
On constate que la matrice (2.6) est antisymtrique. Soient x (t) , y (t) et z (t) les
proportions respectives dans la population dindividus jouant les stratgies R, C et P.
tout instant, la somme des proportions doit rester gale lunit :
t, x (t) + y (t) + z (t) = 1.
(2.7)
(2.8)
www.biblio-scientifique.com
2.4 Thorie des jeux
157
1
0
0
0
1
0
y
y ,
G
, D2 =
G
D1 =
z
z
x
D3 = 0 0 1 G y .
z
D est le gain moyen de la population, cest--dire le gain dun individu jouant les
diffrentes stratgies prcisment dans les proportions de la population cet instant :
x
D = x y z G y .
z
Tout point dquilibre est obtenu en annulant les trois quations, ce qui conduit :
D1 = D2 = D3 = D,
ce qui signifie que toutes les stratgies rapportent des gains identiques face la
population. Aprs substitution des coefficients de la matrice de jeu (2.6) dans les
quations (2.8), il vient :
x = x (y z) ,
y = y (z x) ,
z = z (x y) .
(2.9)
Il est vident que la somme des trois quations est bien gale zro, ce qui est une
consquence de lquation de conservation (2.7) en la drivant par rapport au temps :
t, x (t) + y (t) + z (t) = 0.
Dans notre cas, la dynamique se trouve donc rduite lintrieur du triangle de
sommets (1, 0, 0), (0, 1, 0) et (0, 0, 1). La figure 2.38 montre le triangle unit dans
lequel les trajectoires du systme dynamique (2.9) sont restreintes.
Le systme peut donc se rcrire avec deux quations seulement partir du systme
(2.9) et en remplaant la variable z par 1 x y, ce qui donne le systme (2.10) :
x = x + x 2 + 2x y,
y = y y 2 2x y.
(2.10)
www.biblio-scientifique.com
2 Applications en dynamique des populations
158
Figure 2.38 Triangle unit dans lequel les trajectoires sont confines.
Le systme dquations (2.9) possde quatre quilibres, les trois sommets du triangle
et
point
1 un
non trivial se trouvant lintrieur et situ au centre du triangle unit
1 1
,
,
3 3 3 . Pour plus de simplicit dans les calculs, nous allons travailler avec le systme
(2.10). Calculons la partie linaire du modle reprsente par la matrice Jacobienne :
1 + 2x + 2y 2x
.
A=
2y
1 2x 2y
Commenons par tudier la stabilit des trois sommets du triangle, qui pour le
systme (2.10) correspondent aux points (1, 0), (0, 1) et (0, 0). Pour le premier sommet,
il vient :
1 2
A (1, 0) =
,
0 1
qui admet pour valeurs propres 1 et 1, ce qui nous donne un point selle. Pour le
second sommet, nous avons :
1
0
A (0, 1) =
,
2 1
admettant les mmes valeurs propres et qui est encore un point selle. Enfin, pour le
troisime sommet, il vient :
1 0
A (0, 0) =
,
0 1
www.biblio-scientifique.com
2.4 Thorie des jeux
159
et pour les mmes raisons, il sagit toujours dun point selle. Les trois sommets sont
donc des points selle. Il reste le point intrieur, pour lequel on a :
1 1
1 1
2
,
=
,
A
3 3
3 2 1
dont la trace est nulle et le dterminant positif, ce qui correspond un centre. Comme
nous lavons vu avec le thorme de linarisation, les centres ne sont pas structurellement stables. Il est donc ncessaire de rechercher une intgrale premire prsentant
un extremum au point dquilibre. Soit F(x, y, z) la fonction suivante :
F (x, y, z) = x yz,
dont la restriction au triangle unit sobtient en remplaant z par 1 x y, et scrit :
H (x, y) = x y x 2 y x y 2 .
Il est facile de vrifier que la fonction H (x, y) est intgrale premire du systme
(2.10). En effet, nous devons calculer :
H
H
x +
y.
H =
x
y
ce qui scrit :
H = y 2x y y 2 x + x 2x y x 2 y.
ou encore :
H = y 2x y y 2 x + 2x y + x 2 + x 2x y x 2 y 2x y y 2 = 0.
La fonction H (x, y) est donc constante le long des trajectoires du systme (2.10).
Nous allons maintenant vrifier que la fonction H (x, y) prsente un extremum au point
dquilibre ( 13 , 13 ). Pour cela, calculons les drives premires de lintgrale premire :
H
x
H
y
= y(1 2x y),
(2.11)
= x(1 2y x).
1 1
,
3 3
1 2 H
+
2 x 2
1
x
3
2
2
1
y
3
2
1 H
1
1
+
x
y
+ ...
2 x y
3
3
1 2 H
+
2 y2
www.biblio-scientifique.com
2 Applications en dynamique des populations
160
Il vient :
DH = H (x, y) H
1 1
,
3 3
1
=
3
1
x
3
y
x
1
x
3
2
2
1
y
3
1
1
1
x
y
+ ...
3
3
3
1
3
.
1
3
2
1 + u + u2 .
dont le signe est contraire celui du polynme de second degr 1 + u + u 2 . Or, ce
polynme ne sannule jamais car son discriminant est ngatif et il est strictement
positif pour toute valeur relle de la variable u. En consquence, DH est toujours de
signe ngatif, ce qui signifie que dans un voisinage de lquilibre, on vrifie :
1 1
,
,
H (x, y) < H
3 3
pour tout (x, y) = 13 , 13 . Cela signifie donc que la fonction H (x, y) prsente un
maximum au point dquilibre. Les courbes de niveau de la fonction H (x, y) sont les
trajectoires du systme (2.10) et sont donc bien des trajectoires qui se referment autour
de lquilibre. Nous sommes donc en mesure de confirmer lexistence de centres
autour du point non trivial au centre du triangle unit qui tait suggre prvues en
linarisant le systme autour de ce point.
Le portrait de phase du jeu classique R C P est prsent sur la figure 2.39. On
voit que les trajectoires dont la condition initiale se trouve dans le triangle unit, restent
dans le triangle unit pour tout t > 0. Les trajectoires sont des trajectoires fermes
autour de lquilibre interne. Les proportions dindividus jouant les trois stratgies
varient donc de manire priodique avec des pics de joueurs utilisant les stratgies R,
C et P se succdant de manire cyclique.
b) Jeu R-C-P modifi
0
1 + 1
R
0
1+ C ,
G = 1
1 + 1
0
P
www.biblio-scientifique.com
2.4 Thorie des jeux
161
Figure 2.39 Portrait de phase du jeu classique R-C-P. Les trajectoires sont des centres.
x = x ((1 + ) y z s) ,
y = y ((1 + ) z x s) ,
z = z ((1 + ) x y s) ,
(2.12)
www.biblio-scientifique.com
162
Un calcul que nous omettons montre que la drive de cette fonction par rapport au
temps donne le rsultat suivant :
F
F
F
F =
x +
y +
z = (1 3s) F.
x
y
z
On vrifie que si = 0, cette drive est nulle comme dans le cas du paragraphe
prcdent.
Nous laissons le lecteur dmontrer que la fonction s prsente un maximum gal 13
au centre du triangle unit. En consquence, le terme (1 3s) est nul lorsque s = 13
et est positif partout ailleurs dans le triangle unit. De ce fait, il vient que le signe de
la drive F est celui de . Nous avons vu dans la section prcdente que la fonction
F(x, y, z) prsente un maximun au centre du triangle unit et par consquent nous
pouvons utiliser la fonction suivante V (x, y, z) comme fonction de Liapunov :
V (x, y, z) =
1
F (x, y, z) ,
27
qui est une fonction dfinie ngative, sannulant lquilibre et ngative ailleurs et de
plus vrifiant :
V = F,
ce qui revient dire que le signe de la drive de V est celui de .
En consquence, nous pouvons utiliser le thorme de Liapunov :
Si < 0, alors V > 0 et le point dquilibre au centre du triangle est instable. La
figure 2.40 montre le portrait de phase correspondant. Les trajectoires spiralent vers
les bords du triangle unit.
Si = 0, alors V = 0 et il sagit du cas de la section prcdente pour lequel
nous avions montr que le point dquilibre au centre du triangle est un centre. Les
trajectoires sont des trajectoires fermes autour de cet quilibre (figure 2.39).
Si > 0, alors V < 0 le point dquilibre au centre du triangle est stable (figure
2.41).
Il sagit donc dune bifurcation de Hopf dgnre avec apparition de centres la
bifurcation, qui se produit pour = 0.
www.biblio-scientifique.com
2.4 Thorie des jeux
163
www.biblio-scientifique.com
164
cette section les mmes notations que dans la section du jeu faucon-colombe avec le
gain G et le cot C. En tenant compte de ces hypothses, nous obtenons la matrice de
jeu suivante :
F C R
GC
G GC
F
2
2
G
G
C .
G= 0
(2.13)
2
2
G
G
GC
R
2
2
2
Dans la matrice prcdente, on a fait lhypothse quun retaliator adopte la stratgie
colombe face un autre retaliator.
Pour simplifier les notations, on pose v = G2 et u = C2 . La matrice devient alors :
v u 2v v u
.
v v
G= 0
(2.14)
vu v v
Les quations du rplicateur conduisent au systme suivant :
x = x v + (v u) x + 2vy + (v u) z + 2ux z + ux 2 ,
y = y v + vy + vz + 2ux z + ux 2 ,
z = z v + (v u) x + vy + vz + +2ux z + ux 2 ,
(2.15)
dont les variables (x (t) , y (t) , z (t)) sont les proportions respectives dindividus jouant
les stratgies F, C et R. Il est utile dutiliser la condition de normalisation (2.7) et de
passer en dimension deux :
x = x u + 2ux + (v + u) y 2ux y ux 2 ,
y = x y (2u v ux 2uy) .
(2.16)
Sous cette forme, il est clair que la droite x = 0 annule les deux quations et
constitue ainsi un ensemble dune infinit de points dquilibre. Comme dhabitude
les trois sommets sont aussi des quilibres dont deux dentre eux sontinclus dans
la
v
v
droite x = 0. Il existe un point dquilibre supplmentaire
(x ,y ) = u , 1 u qui
correspond dans le modle (2.15) au point suivant uv , 1 uv , 0 qui est une stratgie
polymorphe faucon-colombe. Ce point appartient au triangle unit lorsque la condition
v < u est vrifie. Il ny a pas dautres points dquilibre lintrieur du triangle.
Pour dterminer les proprits de stabilit locale des points dquilibre, calculons
la matrice Jacobienne A :
u + 4ux + (v + u) y 4ux y 3ux 2 (v + u) x 2ux 2
A=
.
(2u v) y 2ux y 2uy 2
(2u v) x 4ux y ux 2
www.biblio-scientifique.com
2.4 Thorie des jeux
165
v
uv , il vient aprs simplification :
2ux 2ux y 2u (x )2 (u v) x
,
A(x , y ) =
ux y
2ux y
Pour le sommet
u,1
A(x , y ) =
,
vy 2ux y
Le portrait de phase est prsent sur la figure 2.42. Les trajectoires tendent soit vers
le point (x , y ) ou bien vers lun des points de la droite x = 0. Ce portrait de phase
montre que selon la condition initiale la population va tendre asymptotiquement vers
un quilibre (0, y, z ) ou vers lquilibre (x , y , 0). Dans le premier cas, la stratgie
retaliator est efficace et la population terme est partage entre retaliators et colombes.
Dans le second cas, la population se partage finalement entre faucons et colombes.
Ce modle montre donc que la stratgie retaliator peut dans certains cas liminer la
stratgie faucon.
www.biblio-scientifique.com
2 Applications en dynamique des populations
166
GC
2
G= 0
0
G G
F
G
C .
0
2
B
G G2
(2.17)
v u 2v 2v
v 0 .
G= 0
0
2v v
(2.18)
(2.19)
dont les variables (x (t) , y (t) , z (t)) sont les proportions respectives dindividus jouant
les stratgies F, C et B. Il est trivial de constater que les trois sommets
sont
v des quiv
libres.
Il
existe
deux
points
dquilibre
supplmentaires
x
,
y
,
z
=
1
1
1
u,1 u,0
v
et x2 , y2 , z 2 = u , 0, 1 uv . Il sagit respectivement de deux points dquilibre
polymorphes, F-C et F-B. Pour que ces quilibres appartiennent au triangle unit, il
est ncessaire que la condition v < u soit vrifie, ce que nous allons maintenant
supposer. Il ny a pas dautres points dquilibre lintrieur du triangle.
www.biblio-scientifique.com
2.4 Thorie des jeux
167
Pour dterminer la stabilit globale du point dquilibre x2 , y2 , z 2 , utilisons la
fonction de Liapunov :
V (x, y, z) = x x2 y y2 z z2 = x u z 1 u .
Il est facile de dmontrer que
prsente un maximum (et non un
cette fonction
minimum) au point dquilibre x2 , y2 , z 2 dans le triangle unit. Un calcul permet
dobtenir la drive de la fonction de Liapunov par rapport au temps :
dV
=V
dt
v2
v
2
2vx + ux + v 1
y ,
u
u
dV
=V
dt
1
v
2
y ,
(ux v) + v 1
u
u
qui est une quantit strictement positive dans le triangle unit en tenant compte du
fait que v < u. En consquence, puisque nous avons ddtV > 0 et que la fonction de
Liapunov
un maximum lquilibre, nous pouvons conclure que lquilibre
prsente
x2 , y2 , z 2 est globalement stable dans le triangle unit.
La figure 2.43 prsente le portrait de phase correspondant. Ce portrait de phase
montre que la stratgie bourgeois est efficace et russit toujours liminer la stratgie
colombe. En effet, quelle que soit la condition initiale, asymptotiquement la population
est partage entre faucons et bourgeois.
La combinaison des quatres stratgies F, C, B, R montre que deux quilibres sont
stables avec deux bassins dattraction complmentaires, la stratgie R pure et une
stratgie polymorphe F-B.
Les jeux deux matrices sappliquent dans des cas o les individus de deux populations
rentrent en conflit et non pas les individus dune mme population. On suppose que les
individus des deux populations peuvent adopter deux stratgies, disons E 1 et E 2 pour
la premire population et F1 et F2 pour la seconde. Soit x (t) (resp. y (t)) la proportion
des individus de la premire population (resp. seconde population) jouant la stratgie
E 1 (resp. F1 ) linstant t.
www.biblio-scientifique.com
2 Applications en dynamique des populations
168
Dans le cas dun jeu deux matrices, deux matrices de gain doivent tre considres,
la matrice des gains G des individus de la premire population jouant contre ceux de
la seconde population et la matrice de gain P des individus de la seconde population
jouant contre ceux de la premire population.
Le gain dun individu de la premire population jouant toujours la stratgie E 1 (resp.
E 2 ) contre la seconde population est D1 (resp. D2 ) :
D1 =
1 0
G
y
1y
, D2 =
0 1
G
y
1y
.
1 0
P
x
1x
, S2 =
0 1
P
x
1x
.
www.biblio-scientifique.com
2.4 Thorie des jeux
169
(2.20)
Aprs un calcul simple que nous omettons, le systme (2.20) se met alors sous la
forme suivante :
x = x (1 x) (g12 (g12+ g21 ) y) ,
y = y (1 y) ( p12 ( p12+ p21 ) x) .
(2.21)
Le jeu se droule dans le carr unit [0, 1] [0, 1]. Il est vident que les quatre
sommets sont quilibres, (0, 0), (1, 0), (0, 1), (1, 1). Ces quilibres correspondent des
stratgies pures dans chacune des deux populations. Selon les valeurs des paramtres,
il peut aussi y avoir un unique quilibre (x , y ) lintrieur du carr unit :
g12
p12
,
x ,y =
.
p12+ p21 g12+ g21
La matrice Jacobienne scrit de la manire suivante :
(1 2x) (g12 (g12+ g21 ) y) x (1 x) (g12+ g21 )
.
A=
y (1 y) ( p12+ p21 )
(1 2y) ( p12 ( p12+ p21 ) x)
www.biblio-scientifique.com
2 Applications en dynamique des populations
170
(2.22)
ce qui dmontre que dans ce cas, les centres prvus par la linarisation sont effectivement observs.
x
Figure 2.44 Portrait de phase du jeu deux matrices avec g12 = 1, g21 = 1, p12 = 1 et p21 = 2.
(2.23)
www.biblio-scientifique.com
2.4 Thorie des jeux
171
x = x (1 x) (1 2y) ,
y = y (1 y) (1 3x) .
(2.24)
Vrifier que ce systme correspond un jeu deux matrices avec g12 = 1, g21 = 1,
p12 = 1, p21 = 2. Rechercher les quilibres et dterminer leurs tats de stabilit.
Tracez les isoclines zros. Dessinez le portrait de phase correspondant.
Un exemple intressant de jeu deux matrices est le jeu de la bataille des sexes, qui
oppose des stratgies de mles et de femelles. Pour beaucoup despces, lever les
jeunes ncessite un investissement important en temps et en nergie. Pour la femelle,
il importe de fidliser un mle qui va supporter les cots de lducation des jeunes
avec elle. Le mle, quant lui, peut rechercher laccouplement sans supporter trop de
cots rsultant dun engagement prolong et de lducation des jeunes.
Dans ce jeu, deux stratgies sont possibles pour les femelles. Nous appelerons la
premire farouche . Dans ce cas, la femelle accepte laccouplement avec un mle
aprs un temps dattente. Dans le cas de la stratgie alternative, que nous appelerons rapide , la femelle accepte laccouplement ds la rencontre du mle, sans
attente.
En ce qui concerne les mles, deux stratgies sont galement possibles. La stratgie
infidle , dans ce cas le mle recherchant une partenaire refuse la priode dattente.
De plus, ce mle est infidle et ne restera pas avec la femelle aprs laccouplement
pour laider lducation des jeunes. Pour la stratgie alternative, fidle , le mle
accepte dune part un engagement prolong et dautre part de rester fidle la femelle
et de partager les cots de lducation des jeunes avec elle.
Nous allons maintenant dfinir des gains et des cots. G est le gain rsultant de
laccouplement, C est le cot correspondant lducation des jeunes et T le cot
rsultant dune perte de temps correspondant un engagement prolong avant laccouplement.
tablissons maintenant les coefficients de la matrice de jeu G dans laquelle les gains
des femelles sont pris en compte. Lorsquune femelle farouche rencontre un mle
infidle, son gain global est :
g11 = 0.
www.biblio-scientifique.com
172
C
T.
2
C
.
2
C
T.
2
Un mle fidle saccouple avec une femelle farouche et supporte le cot de lengagement prolong et la moiti du cot de lducation des jeunes.
p22 = G
C
.
2
Un mle fidle saccouple avec une femelle rapide et ne supporte que sa part du
cot C.
www.biblio-scientifique.com
2.4 Thorie des jeux
173
0
GC
G
G
C
2
C
2
,
et pour la matrice P :
P=
0
G
C
2
G
G
C
2
Comme nous lavons dit prcdemment, il est possible dadditionner une colonne
quelconque ces matrices sans modifier les quations du systme dynamique correspondant. Par consquent, on peut retrancher G C2 la seconde colonne des deux
matrices G et P. Il vient alors :
C
0
0
T
2
et P =
G=
.
G C 0
G C2 T 0
En utilisant ces matrices, aprs un calcul simple, nous obtenons les quations sous
la forme (2.21), qui scrivent dans ce cas :
= x (1 x) (T + (C + T G) y) ,
C
(G T ) x ,
y = y (1 y)
2
(2.25)
C
T
et x =
.
2 (G T )
CG+T
Afin que cet quilibre soit intrieur au carr unit, il faut que :
0 < x < 1 et 0 < y < 1.
Ces conditions impliquent que :
0 < T < G < C < 2(G T ).
(2.26)
www.biblio-scientifique.com
2 Applications en dynamique des populations
174
det A x , y
C T (G C) G C2 T
,
=
2 (G T ) (G C T )
(2.27)
www.biblio-scientifique.com
2.5 Autres exemples de modles biologiques
175
Figure 2.45 Schma des transitions possibles entre les compartiments du modle
pidmiologique SIRS.
En consquence, il est possible dliminer une des variables, par exemple la variable
z (t), en la remplaant par N x (t) y (t). Ainsi, le modle prcdent peut se rduire
un systme de deux quations :
x = bx y + g(N x y),
y = bx y dy.
(2.28)
Il est vident que ce modle admet deux points dquilibre, le point (N , 0) qui
correspond une population totalement saine, et un point (x , y ) avec une population
en partie infecte, dont les coordonnes sont les suivantes :
x =
d
g bN d
et y =
.
b
b d+g
www.biblio-scientifique.com
176
www.biblio-scientifique.com
2.5 Autres exemples de modles biologiques
177
(a)
(b)
Figure 2.46 Isoclines zros du modle pidmiologique S I RS (a) bN > d. (b) bN < d.
(x*,y*)
Figure 2.47 Portrait de phase du modle S I RS dans le cas o lpidmie sinstalle. b = 0.1,
N = 100, d = 1.2 et g = 0.1.
fait, sil est plus grand que 1, cela signifie quun individu infect va gnrer plus dun
cas dinfection au cours de son existence et en consquence lpidmie va stendre
dans la population. Au contraire, si R0 < 1, le nombre de cas secondaires engendrs
par un seul individu infect est insuffisant pour le dveloppement de lpidmie.
www.biblio-scientifique.com
2 Applications en dynamique des populations
178
(N,0)
x
Figure 2.48 Portrait de phase du modle S I RS dans le cas o lpidmie disparat. Mmes
valeurs des paramtres que dans la figure prcdente sauf N = 10.
www.biblio-scientifique.com
2.5 Autres exemples de modles biologiques
179
www.biblio-scientifique.com
2 Applications en dynamique des populations
180
f(v)
A
a
Figure 2.50 Portrait de phase du modle de FitzHugh-Nagumo. partir dune condition initiale
B, la trajectoire retourne directement lquilibre. partir dune condition initiale A, la trajectoire
fait une large excursion dans le portrait de phase.
dont la trace est ngative et le dterminant positif, ce qui montre que cet quilibre est
stable.
Si lon procde une petite perturbation par rapport cet quilibre de repos, en
choississant une condition initiale comme le point B proche de lorigine (figure 2.50),
alors la trajectoire retourne directement lquilibre de repos. Par contre, une perturbation partir de lorigine en un point (x, 0) tel que x > a, cest--dire en un point
A se trouvant au del de lisocline f (v), conduit un retour lquilibre aprs une
large excursion dans le portrait de phase (figure 2.50). Ce retour lquilibre saccompagne dune variation importante du potentiel transmembranaire de la cellule (figure
2.51). Le passage au-del de lisocline f (v) sur sa droite rsultant dune stimulation
suffisante induit donc un processus dexcitation de la cellule qui dlivre un potentiel
daction.
Ainsi, une stimulation insuffisante partir de lquilibre laisse la cellule au repos.
Une stimulation au-del dun certain seuil conduit une variation importante du
potentiel transmembranaire avec retour lquilibre. De telles cellules peuvent tre
excites par des cellules voisines. Il sagit de cellules non pace-maker (N P M).
www.biblio-scientifique.com
2.5 Autres exemples de modles biologiques
181
v = f (v) w + I ,
y = bv gw.
Selon les valeurs de I on peut obtenir un cycle limite stable pouvant correspondre,
par exemple, des cellules pace-maker (P M) dlivrant priodiquement un potentiel
daction, comme les cellules du nud sinusal du coeur. Pour dautres valeurs de I il
est aussi possible dobtenir la multi-stationnarit avec plusieurs quilibres stables.
Afin de dcrire un modle de tissu cardiaque, il est possible de connecter des cellules
dans un rseau discret spatial de cellules connectes lectriquement par des rsistances
de couplage.
www.biblio-scientifique.com
www.biblio-scientifique.com
Chapitre 3
www.biblio-scientifique.com
3 Systmes dynamiques discrets
184
Il existe des relations troites entre les systmes discrets et les systmes continus
que nous avons vus dans les chapitres prcdents. Par exemple, on peut discrtiser les
systmes continus. Cest ce qui est fait notamment lorsquon veut les simuler sur les
ordinateurs, puisque ceux-ci ne peuvent pas manipuler de quantits continues. Il y a
de trs nombreuses manires de discrtiser une quation diffrentielle et nous donnons
ici un exemple.
Une manire simple dobtenir une quation en temps discret consiste raliser une
approximation dEuler dune quation en temps continu.
Soit x (t) une variable relle dpendant du temps t. Une quation diffrentielle du
premier ordre autonome scrit sous la forme gnrale suivante :
dx
= f (x) ,
dt
o la fonction f dpend de la variable x.
Soit x(t) la solution linstant t et x(t + Dt) la solution linstant t + Dt. La drive
dx
dt peut tre approxime par la relation suivante :
dx
x(t + Dt) x(t)
=
.
dt
Dt
Cette approximation dEuler est dautant plus valable que lintervalle de temps Dt
est petit. Des deux quations prcdentes on obtient une quation en temps discret :
x(t + Dt) = x(t) + f (x)Dt.
Lquation prcdente permet partir dune condition initiale x0 de calculer la
solution des intervalles de temps conscutifs, Dt, 2Dt, 3Dt, ..., nDt, et ainsi de suite.
En choisissant comme unit de temps Dt = 1, il est possible de rcrire cette quation
en temps discret de la manire suivante :
x(t + 1) = g(x(t)),
o la fonction g(x(t)) = x(t) + f (x(t)).
b) Application de Poincar
Une autre relation entre les systmes continus et les systmes discrets est donne
par ce quon nomme lapplication retour de Poincar, dont nous donnons ici un bref
www.biblio-scientifique.com
3.1 tude dune quation en temps discret
185
aperu. Supposons quun systme diffrentiel exhibe un cycle limite et pour simplifier la description, supposons que ce cycle limite soit le cercle unit (centr en
lorigine et de rayon 1). Nous pouvons dfinir ce quon nomme une section transverse, cest--dire une courbe (segment par exemple) transverse aux vecteurs dfinis
par le systme diffrentiel et coupant le cycle limite. Dans notre exemple, prenons
comme section transverse la demi-droite horizontale partant de 0. Sur cette section
transerse, prenons le point m dabscisse 1. Sa trajectoire est le cercle de rayon 1,
autrement dit aprs un moment, le point m va revenir en m. Si lon prend un point
m proche m, sa trajectoire est proche du cercle unit, donc il y aura un moment o
sa trajectoire va revenir couper transversalement la section transverse. Notons P(m )
ce point. Le thorme des fonctions implicites nous assure de son existence si m est
assez proche de m. Lapplication qui tout point m de la section transverse assez
proche de m associe P(m ) est appele application de premier retour de Poincar
(ou tout simplement application de Poincar). Elle dfinit un systme discret sur la
section transverse, que lon nomme gnralement section de Poincar. Notons que
P(m) = m. Ltude du comportement de P nous renseigne sur le comportement du
systme diffrentiel au voisinage du cycle limite, notamment lorsquon sintresse
la stabilit.
www.biblio-scientifique.com
3 Systmes dynamiques discrets
186
www.biblio-scientifique.com
3.1 tude dune quation en temps discret
187
u n = ln u 0 ,
o u 0 est la condition initiale.
Plusieurs cas peuvent se prsenter :
1) l < 1
Dans ce cas la solution scrit : u n = (1)n |l|n u 0 . La solution du systme linaris
prend alternativement des valeurs positives et ngatives et son module augmente avec
n (figure 3.1). Dans ce cas, la solution sloigne du point fixe qui est donc instable.
2) l = 1
Il sagit dun cas particulier et la solution scrit : u n = (1)n u 0 . La solution du
systme linaris prend alternativement des valeurs positives u 0 et ngatives u 0 .
3) 1 < l < 0
Dans ce cas la solution scrit : u n = (1)n |l|n u 0 . La solution du systme linaris
prend alternativement des valeurs positives et ngatives et son module diminue avec
n (figure 3.2). Dans ce cas, la solution sapproche et tend vers le point fixe lorsque
n , et ce point fixe est donc localement asymptotiquement stable.
4) l = 0
Il sagit dun cas particulier. Ds la premire itration on va au point fixe 0.
5) 0 < l < 1
Dans ce cas la solution scrit : u n = ln u 0 . La solution du systme linaris est du
signe de la condition initiale et son module diminue avec n (figure 3.3). Dans ce cas,
la solution sapproche du point fixe qui est localement asymptotiquement stable.
6) l = 1
Ici, la solution est u n = u 0 . Lquation linarise est confondue avec la premire
bissectrice. Toute condition initiale est point fixe de lquation.
7) l > 1
Dans ce cas la solution scrit u n = ln u 0 et sloigne du point fixe qui est instable
(figure 3.4).
www.biblio-scientifique.com
3 Systmes dynamiques discrets
188
un+1 = l un
un+1
u3
u1
un+1 = un
u0 u2
u4
un
Figure 3.1 Construction graphique des solutions de lquation u n+1 = lu n en utilisant le plan
(u n , u n+1 ). partir de la condition initiale u 0 , la valeur de u 1 est obtenue sur laxe des ordonnes
grce la droite u n+1 = lu n , puis reporte sur laxe des abscisses grce la droite u n+1 = u n .
partir de u 1 on peut alors de la mme manire dterminer u 2 et ainsi de suite. Cas l < 1 : les
solutions u n sloignent du point fixe 0 qui est donc instable.
1
xn
+
= f (xn ).
2 xn
1
x
+ ,
2
x
2
= 2.
(3.1)
www.biblio-scientifique.com
3.1 tude dune quation en temps discret
189
un+1 = un
un+1
u1
u3
u4
u2
u0
un
un+1 = l un
Figure 3.2 Construction graphique des solutions de lquation u n+1 = lu n en utilisant le plan
(u n , u n+1 ). Cas 1 < l < 0 : les solutions u n sapprochent du point fixe 0 qui est donc stable.
un+1 = un
un+1 = l un
un+1
u0 u1 u2u3 u4
u4 u3 u2 u1 u0
un
Figure 3.3 Construction graphique des solutions de lquation u n+1 = lu n en utilisant le plan
(u n , u n+1 ). Cas 0 < l < 1 : les solutions u n sapprochent du point fixe 0 qui est donc stable.
www.biblio-scientifique.com
3 Systmes dynamiques discrets
190
un+1
un+1 = l un un+1 = un
u
u4 u3u2 u1 0 u u1u2 u3 u4
0
un
Figure 3.4 Construction graphique des solutions de lquation u n+1 = lu n en utilisant le plan
(u n , u n+1 ). Cas l > 1 : les solutions u n sloignent du point fixe 0 qui est donc instable.
www.biblio-scientifique.com
3.2 tude dun systme de deux quations en temps discret
xn+1
191
xn+1 = xn
xn+1 = f(xn )
x1
x2 x3 x4 x0
x0 x4 x3 x2
x1
xn
Figure 3.5 Construction graphique des solutions de lquation (3.1) en utilisant le plan (x n , xn+1 ),
pour deux conditions initiales diffrentes.
Dfinition 3.2 Point fixe Un point fixe du systme de deux quations en temps discret,
xn+1 = xn ,
yn+1 = yn .
On trouve donc les points fixes du systme en rsolvant les quations suivantes :
x = f (x , y ),
y = g(x , y ).
Soit un point fixe (x , y ) du systme prcdent. La linarisation du systme au
voisinage de ce point fixe conduit au systme linaire suivant :
u n+1 =
vn+1 =
f
f
x , y un +
x , y vn ,
x
y
g
g
x , y un +
x , y vn ,
x
y
www.biblio-scientifique.com
3 Systmes dynamiques discrets
192
u n+1
vn+1
=A
un
vn
,
avec :
A=
f
x
g
x
f
y
g
y
,
qui est la matrice Jacobienne calcule au point fixe. Le systme prcdent est un
systme linaire en dimension 2 en temps discret.
(3.2)
Soit A = ai j la matrice des coefficients constants du systme linaire, par exemple
une matrice Jacobienne au voisinage dun point fixe. Nous allons rechercher la solution
de ce systme pour une condition initiale donne (x0 , y0 ).
Les solutions dpendent des valeurs propres de la matrice A, qui sont solutions de
lquation caractristique :
l2 tr Al + det A = 0.
La mthode que nous allons utiliser est similaire celle utilise pour les quations
en temps continu et comporte plusieurs tapes :
1) Effectuer un changement de base afin de mettre la matrice sous sa forme de
Jordan.
2) Rsoudre le systme dans la nouvelle base.
3) Revenir dans la base de dpart.
Dans lannexe dalgbre linaire nous voyons quil existe plusieurs formes de
Jordan selon le signe du discriminant de lquation caractristique. Nous allons donc
distinguer ces diffrents cas.
a) Cas de deux valeurs propres relles distinctes
Dans la base de dpart, le systme scrit sous la forme prcdente. Dans le cas de
cette section, la matrice A admet deux valeurs propres relles l1 et l2 . Rappelons les
www.biblio-scientifique.com
3.2 tude dun systme de deux quations en temps discret
193
un
vn
=P
xn
yn
,
AP =
l1 0
0 l2
.
u n+1 = l1 u n ,
vn+1 = l2 vn .
La solution vidente de ce systme est :
u n = (l1 )n u 0 ,
vn = (l2 )n v0 .
Trois cas peuvent donc tre distingus :
- |l1 | > 1 et |l2 | > 1. Les deux valeurs propres sont de module suprieur 1, il
sagit dun nud instable ( unstable node en anglais) ou encore source ( source ).
Lallure gnrale des trajectoires est reprsente sur la figure 3.6. Lorsque n , les
www.biblio-scientifique.com
3 Systmes dynamiques discrets
194
vn
(u0 ,v0 )
(u0 ,v0 )
un
Figure 3.6 Solutions du systme linaire (3.2) dans le cas o les deux valeurs propres l1 et l2 de
la matrice A sont relles et de module suprieur 1. Les deux exemples reprsents correspondent
l1 > 1, l2 > 1 et l1 > 1, l2 < 1.
xn
yn
=P
un
vn
=
m 11 m 12
m 21 m 22
avec :
u0
v0
=P
x0
y0
.
(l1 )n u 0
(l2 )n v0
,
www.biblio-scientifique.com
3.2 tude dun systme de deux quations en temps discret
vn
195
(u0 ,v0 )
(u0 ,v0 )
un
Figure 3.7 Solutions du systme linaire (3.2) dans le cas o les deux valeurs propres l1 et l2 de
la matrice A sont relles et de module infrieur 1. Les deux exemples reprsents correspondent
0 < l1 < 1, 0 < l2 < 1 et 0 < l1 < 1, 1 < l2 < 0.
vn
(u0 ,v0 )
(u0 ,v0 )
un
Figure 3.8 Solutions du systme linaire (3.2) dans le cas o les deux valeurs propres l1 et l2 de
la matrice A sont relles et de module suprieur 1 pour lune et infrieur 1 pour lautre. Les
deux exemples reprsents correspondent 0 < l1 < 1, l2 > 1 et 0 < l1 < 1, l2 < 1.
www.biblio-scientifique.com
3 Systmes dynamiques discrets
196
Avec le changement de base appropri, la matrice peut tre mise sous forme de Jordan.
Dans cette nouvelle base, le systme scrit :
u n+1
un
l0 1
un
=J
=
.
vn+1
vn
vn
0 l0
Dans ce cas, rappelons que la matrice de passage P comporte sur sa premire
colonne le vecteur propre m 0 associ la valeur propre double l0 et sur sa seconde
colonne un vecteur m linairement indpendant :
m 10 m 1
P=
.
m 20 m 2
La solution de ce systme scrit dans cette base :
n
u0
l0 1
u0
un
n
=J
=
.
0 l0
vn
v0
v0
En utilisant le rsultat tabli dans lannexe dalgbre linaire, nous avons :
(l0 )n n (l0 )n1
n
J =
.
0
(l0 )n
Deux cas peuvent donc tre distingus :
- |l0 | < 1. La valeur propre est de module infrieur 1, le point fixe est un nud
stable.
- |l0 | > 1. La valeur propre est de module suprieur 1, le point fixe un nud
instable.
La solution du systme initial sobtient en revenant dans la base de dpart :
xn
yn
=P
un
vn
=
m 10 m 1
m 20 m 2
,
et toujours avec :
u0
v0
=P
x0
y0
.
Avec le changement de base appropri, la matrice A peut tre mise sous forme de
Jordan. Dans cette nouvelle base, le systme scrit :
www.biblio-scientifique.com
3.2 tude dun systme de deux quations en temps discret
u n+1
vn+1
un
vn
=J
=
a b
b a
197
un
vn
.
Rappelons que dans ce cas la matrice A admet deux valeurs propres complexes
et conjugues l1 = a + ib et l2 = a ib, et que la matrice de passage comporte
sur sa premire colonne le vecteur b associ la partie imaginaire et sur sa seconde
colonne le vecteur a correspondant la partie relle des vecteurs propres conjugus
m 1,2 = a ib :
b 1 a1
b2 a2
P=
.
u n+1
vn+1
=J
un
vn
=r
cos v sin v
sin v cos v
un
vn
,
un
vn
=J
u0
v0
=r
cos nv sin nv
sin nv cos nv
u0
v0
.
xn
yn
=P
un
vn
=r
b1 a1
b2 a2
cos nv sin nv
sin nv cos nv
u0
v0
.
www.biblio-scientifique.com
3 Systmes dynamiques discrets
198
vn
(u0 ,v0 )
un
Figure 3.9 Solutions du systme linaire (3.2) dans le cas o les deux valeurs propres de la
matrice A sont complexes et de module infrieur 1.
vn
(u0 ,v0 )
(u0 ,v0 )
un
Figure 3.10 Solutions du systme linaire (3.2) dans le cas o les deux valeurs propres de la
matrice A sont complexes et de module gal 1, pour deux conditions initiales diffrentes.
www.biblio-scientifique.com
3.2 tude dun systme de deux quations en temps discret
199
vn
(u0 ,v0 )
un
Figure 3.11 Solutions du systme linaire (3.2) dans le cas o les deux valeurs propres de la
matrice A sont complexes et de module suprieur 1.
1)
2)
Dunod La photocopie non autorise est un dlit.
3)
xn+1
yn+1
xn+1
yn+1
xn+1
yn+1
=
2 2
3 1
xn
yn
xn
=
,
yn
9
4
xn
=
,
yn
9 3
2
4
1 2
l2 3l 4 = 0,
et admet deux valeurs propres relles, l1 = 1 et l2 = 4.
Il vient donc :
u n+1
vn+1
=J
un
vn
=
1 0
0
4
un
vn
.
www.biblio-scientifique.com
3 Systmes dynamiques discrets
200
xn
yn
=P
un
vn
=2
3n
2
2 2
2 2
cos n p4
sin n p4
sin n p4
cos n p4
u0
v0
.
www.biblio-scientifique.com
3.2 tude dun systme de deux quations en temps discret
201
xn+1 = f (xn , yn ),
yn+1 = g(xn , yn ),
admettant un point fixe (x , y ). Le systme linaris au voisinage du point fixe
scrit :
u n+1
un
=A
,
vn+1
vn
o (u n , vn ) sont les coordonnes locales au voisinage du point fixe, u n = xn x et
vn = yn y , et :
A=
f
x
g
x
f
y
g
y
x y est localement asymptotiquement stable |li | < 1
pour i = 1,2.
On montre que cette condition peut sexprimer en fonction de la trace et du dterminant de lquation caractristique, et donc :
x y est localement asymptotiquement stable 2 > 1 + det A > |tr A| .
Cest cette dernire condition qui est utilise en pratique dans le cas des systmes
dynamiques discrets en dimension 2, comme nous le verrons avec les applications.
Comme dans le cas des systmes temps continu, nous pouvons dfinir la notion
de point fixe hyperbolique.
www.biblio-scientifique.com
3 Systmes dynamiques discrets
202
Dfinition 3.3 On appelle point fixe hyperbolique tout point fixe pour lequel la matrice
xn+1 =
yn+1
(3.3)
l1 = m exp(iv),
l2 = m exp(iv),
en posant exp(iv) = cos(v) + i sin(v) (voir lannexe sur les nombres complexes).
Le module des valeurs propres est donc gal |l1,2 | = m. En consquence, lorigine
est localement asymptotiquement stable lorsque :
0 < m < 1,
et instable en dehors de cet intervalle.
Nous allons maintenant montrer que lorsque m > 1 lorigine devient instable et
sentoure dun cycle limite stable. Pour cela, effectuons un changement en coordonnes
www.biblio-scientifique.com
3.2 tude dun systme de deux quations en temps discret
203
o u0 est langle la condition initiale. En coordonnes polaires, il est donc clair que
le point solution tourne chaque itration dun angle v modulo P.
La premire quation est dcouple de la seconde. Recherchons les points fixes de
cette quation. Ils vrifient :
2
r = r m r
.
Les solutions sont donc lorigine et le cercle de rayon :
r = m 1,
qui est dfini pour m 1.
tudions la stabilit de ce dernier point fixe en calculant la drive de la fonction
f (rn ) :
df
= m 3rn2 ,
drn
qui vaut au point fixe :
d f
r = 3 2m.
drn
Pour tre stable, il faut et il suffit que :
1 <
d f
r < 1,
drn
www.biblio-scientifique.com
3 Systmes dynamiques discrets
204
ce qui conduit :
1 < m < 2.
Lorsque cette dernire condition est vrifie, le point solution tourne autour de
lorigine dun
angle v chaque itration avec un rayon qui tend asymptotiquement
vers r = m 1. Il sagit en fait dun cycle limite stable qui est un cercle de rayon
r (figure 3.12).
yn
(x 0,y0)
(x 0,y0)
xn
Figure 3.12 Solutions du systme (3.3) avec m = 1.5 et v = p/5, pour deux conditions initiales
diffrentes.
www.biblio-scientifique.com
Chapitre 4
Applications en dynamique
des populations
xn
= f (xn ),
xn + K
x = r K .
Ce point fixe est positif lorsque r > K .
Pour dterminer la stabilit locale des points fixes, calculons la drive de la fonction
f (xn ) :
rK
df
=
.
d xn
(xn + K )2
www.biblio-scientifique.com
4 Applications en dynamique des populations
206
xn+1
2,5
xn
1,5
xn+1 = f(xn)
1
0,5
x4 x3 x2
x1
x0 x n
10
15
Figure 4.1 Solutions du modle de Verhulst dans le cas r < K (r = 1.75 et K = 2).
www.biblio-scientifique.com
4.1 Dynamique dune seule population
207
xn+1 = xn
xn+1
2,5
xn+1 = f(xn)
xn
1,5
0,5
x0 x1 x 2 x3 x4
x4 x3 x 2 x1
x 0 xn
10
15
Figure 4.2 Solutions du modle de Verhulst dans le cas r > K (r = 3.5 et K = 2), pour deux
conditions initiales diffrentes.
xn+1 = r xn (1 xn ) = f (xn ),
o r > 0 est le taux de croissance de la population.
Cette quation admet deux points fixes, lorigine 0 ainsi que le point fixe x = 1 r1
qui est positif si r > 1.
tudions la stabilit locale de chaque point fixe. On a :
df
= r (1 2xn ).
d xn
En ce qui concerne lorigine, il vient :
df
(0) = r .
d xn
Par consquent, lorsque r < 1 lorigine est stable et si r > 1 lorigine est instable.
Pour le point fixe x , on a :
d f
x = 2 r.
d xn
www.biblio-scientifique.com
4 Applications en dynamique des populations
208
xn+1 = xn
xn+1
0,9
0,8
0,7
xn
0,6
0,5
0,4
0,3
0,2
xn+1 = f(xn)
x0 x1
x2
x3
x4
xn
0,1
0
10
15
20
Figure 4.3 Solutions du modle logistique dans le cas 1 < r < 3 (r = 2.5).
d f
x = 2 r < 1,
d xn
cest--dire :
1 < r < 3.
En rsum :
Si r < 1, x < 0, lorigine est stable et la population steint.
Si 1 < r < 3, lorigine est instable, x > 0 est stable et la population tend vers
x .
Si r > 3, les deux points fixes sont instables.
La figure 4.3 montre la convergence de la solution vers le point fixe x dans le cas
o 1 < r < 3.
Les points fixes 0 et x de lquation logistique en temps discret sont appels points
fixes de premire itration, car ils vrifient :
xn+1 = f (xn ) = xn .
www.biblio-scientifique.com
4.1 Dynamique dune seule population
209
Dans le cas r > 3 nous avons vu quaucun point fixe de premire itration nest
stable. Nous allons donc nous intresser aux points fixes de seconde itration, qui
vrifient :
xn+2 = f ( f (xn )) = g(xn ) = xn .
Dans le cas de lquation logistique, nous obtenons :
xn+2 = r 2 xn (1 xn ) (1 r xn (1 xn )) .
Recherchons les points fixes de ce systme de double itration. Ils sont solutions de
lquation suivante :
x = r 2 x (1 x ) 1 r x (1 x ) ,
dont une solution vidente est lorigine et les autres points fixes sont solutions de
lquation du troisime degr suivante :
2
3
1
1
1
2 x + 1 +
x + 3 = 0.
x
r
r
r
Il est par ailleurs vident que tout point fixe de premire itration est aussi point
fixe de seconde itration, et par consquent nous savons que x = 1 r1 est solution
de lquation du troisime degr
prcdente. Nous pouvons donc diviser le polynme
prcdent par x (1 r1 ) . Nous obtenons ainsi le polynme de second degr
suivant, dont les solutions sont les points fixes de seconde itration :
2
1
1
1
1+
x +
1+
= 0.
x
r
r
r
Le discriminant de cette quation scrit :
r 2 2r 3
,
r2
qui est du signe de r 2 2r 3 = (r + 1)(r 3), et par consquent D > 0 lorsque
r > 3.
Ainsi, lorsque r traverse la valeur 3, le point fixe de premire itration x = 1 r1
nest plus stable mais il apparat un couple de points fixes de seconde itration, que
nous notons x3 et x4 , avec :
1 + r1 + r1 (r + 1)(r 3)
x3 =
,
2
1 + r1 r1 (r + 1)(r 3)
.
x4 =
2
D=
www.biblio-scientifique.com
210
Il est ensuite possible de montrer que lorsque r > 1 + 6 il apparat des points fixes
de quatrime itration, qui vrifient :
xn+4 = g (g(xn )) = xn .
Il apparat quatre nouveaux points
fixes correspondant un cycle de priode 4
(figure 4.5), qui est stable pour r > 1 + 6 mais devient instable lorsque r dpasse une
certaine valeur. Ainsi de suite, en augmentant les valeurs de r , on accumule rapidement
les bifurcations avec doublement de priode. Cela conduit pour une valeur critique du
paramtre rc un rgime chaotique, avec une srie en temps imprdictible.
Sur la figure 4.6 sont reprsentes, pour diffrentes valeurs de r , les valeurs de xn
obtenues pour 1500 < n < 2000, cest--dire un moment o on suppose avoir atteint
le rgime asymptotique. On voit ainsi apparatre les valeurs de r pour lesquelles on
a extinction (0 < r < 1) puis convergence vers un point fixe unique (1 < r < 3).
Pour r > 3 on voit lapparition de 2 points fixes, puis 4, puis 8, conduisant rapidement
une dynamique chaotique. Pour certaines grandes valeurs de r on a nanmoins de
nouveau des dynamiques priodiques, par exemple de priode 6, 5 ou 3 (figure 4.7).
www.biblio-scientifique.com
4.1 Dynamique dune seule population
211
xn+1 = xn
xn+1
0,9
0,8
0,7
xn
0,6
0,5
0,4
0,3
0,2
xn+1 = f(xn)
x0
x1
x2
x4
x3
0,1
xn
10
15
20
6 (r = 3.2).
xn+1 = xn
xn+1
0,9
0,8
0,6
xn
0,7
0,5
0,4
0,3
0,2
xn+1 = f(xn)
x0
x1
x4
x2
x 3 xn
0,1
0
10
15
20
www.biblio-scientifique.com
4 Applications en dynamique des populations
212
0.9
0.8
0.7
xn
0.6
0.5
0.4
0.3
0.2
0.1
0.5
1.5
2
r
2.5
3.5
0.9
0.8
0.7
xn
0.6
0.5
0.4
0.3
0.2
0.1
0
3.6
3.65
3.7
3.75
3.8
r
3.85
3.9
3.95
Figure 4.7 Diagramme de bifurcation du modle logistique pour 3.6 < r < 4.
www.biblio-scientifique.com
4.1 Dynamique dune seule population
213
1000
900
800
700
xn
600
500
400
300
200
100
0.5
1.5
2
r
2.5
3.5
Figure 4.8 Diagramme de bifurcation du modle de Ricker pour 0 < r < 4 et K = 200.
www.biblio-scientifique.com
4 Applications en dynamique des populations
214
Nous supposons que la dure du pas de temps (t t + 1) est gale la dure dune
classe dge (i i + 1), par exemple une anne.
Le modle scrit de la manire suivante en prenant en compte le vieillissement des
individus et la reproduction :
x1 (t + 1) =
N
f i xi (t),
i=1
xi (t + 1) = si xi (t),
o f i est la fcondit de la classe dge i, cest--dire le nombre de jeunes femelles
de classe 1 au temps t + 1 engendres par une femelle dge i au temps t, et si est la
survie de la classe dge i, cest--dire la proportion des femelles de classe dge i au
temps t survivant dans la classe dge i + 1 au temps t + 1.
Il sagit dun modle linaire en temps discret, qui peut tre crit sous forme
matricielle :
x1 (t)
x1 (t + 1)
x2 (t)
x2 (t + 1)
. ,
.
=
L
.
x N (t + 1)
x N (t)
www.biblio-scientifique.com
4.2 Modle dune population structure : modle de Leslie
avec :
L=
f1
s1
0
.
0
f2 .
.
0 .
.
s2 0
.
. .
.
. . s N 1
fN
0
0
.
0
215
Cette matrice sappelle une matrice de Leslie. Il sagit dune matrice non ngative
car tous ses lments sont positifs ou nuls.
Dans le cas o les individus sont classs non pas par ge mais par taille, par exemple,
ils sont susceptibles de survivre dans la mme classe de taille lanne suivante, il sagit
dune matrice dUsher qui scrit :
L=
f 1 + p1
s1
0
.
0
f2
p2
s2
.
.
.
.
0
.
p3
.
.
.
0 s N 1
fN
0
0
.
pN
Dfinition 4.1 Irrductibilit Un cycle de vie est dit irrductible sil existe un chemin
orient permettant de passer de nimporte quelle classe dge nimporte quelle autre
classe dge.
La figure 4.10 montre un cycle de vie rductible, car il est impossible daller de la
classe dge 4 aux classes dge 1, 2 et 3. La figure 4.11 montre au contraire un cycle
de vie irrductible, o il existe un chemin permettant de relier toutes les classes dge.
www.biblio-scientifique.com
216
Nous ne considrerons que les cycles de vie irrductibles, car si un cycle de vie est
rductible il est possible de le dcomposer en plusieurs composantes irrductibles. Par
exemple dans le cas de la figure 4.10, on peut enlever la classe dge 4 et le cycle ainsi
constitu devient irrductible (figure 4.11). La solution de la classe dge 4 se dduirait
des solutions du modle avec les trois premires classes dge avec une simple relation
de proportionalit entre la classe 3 et la classe 4.
Dfinition 4.2 Primitivit Un cycle de vie est dit primitif sil est irrductible et si le
ngative et primitive, alors il existe une valeur propre relle l1 > 0, qui est racine
simple de lquation caractristique. Cette valeur propre est strictement plus grande
que toutes les autres valeurs propres de la matrice et le vecteur propre w1 qui lui est
associ est tel que toutes ses composantes sont relles et positives.
www.biblio-scientifique.com
4.2 Modle dune population structure : modle de Leslie
217
n(t) = L t n(0).
Soient li les valeurs propres de la matrice L et wi les vecteurs propres associs. Le
thorme de Perron-Frobenius nous permet daffirmer quil existe une valeur propre
relle l1 > 0 de module strictement plus grand que celui de toutes les autres valeurs
propres, et dont le vecteur propre w1 possde des composantes relles et positives.
Dcomposons la condition initiale sur la base des vecteurs propres de L :
n(0) =
N
ci wi .
i=1
i
ci li wi =
et lanne t :
n(t) =
N
i=1
i
ci lit wi ,
ci li2 wi ,
www.biblio-scientifique.com
4 Applications en dynamique des populations
218
ou encore :
n(t) = c1 lt1 w1 +
N
ci lit wi .
i=2
Divisons par
lt1
cette expression :
n(t)
=
c
w
+
ci
1
1
lt1
N
i=2
li
l1
t
wi ,
et faisons tendre t :
n(t)
= c1 w1 ,
t lt
1
lim
car tous les autres termes sannulent puisque les rapports ( ll1i )t 0, l1 tant la valeur
propre dominante strictement plus grande que toutes les autres. Ce rsultat est connu
sous le nom de thorme ergodique et il montre que lorsque t :
1) La population saccrot dun facteur l1 chaque pas de temps. l1 reprsente
donc le taux de croissance asymptotique de la population.
2) La distribution dge stable est donne par le vecteur propre w1 dont les composantes, une fois ce vecteur normalis, reprsentent les proportions dans les diffrentes
classes dge lasymptotique.
Dans le cas dune matrice de Leslie, le calcul de la distribution dge stable est
immdiat car on a :
Lw1 = l1 w1 ,
et en fixant la premire composante du vecteur w11 , il vient pour la seconde :
w12 =
w13 =
s1
w11 ,
l1
s2
s1 s2
w12 = 2 w11 ,
l1
l1
et ainsi de suite :
i1
w1i =
sj
j=1
li1
1
w11 ,
www.biblio-scientifique.com
4.2 Modle dune population structure : modle de Leslie
219
Lw1 = l1 w1 = w1 .
1) L =
0 s2 0 0 ,
0 0 s3 0
avec s1 = s2 = s3 = 0.2 et f 4 = 10.
www.biblio-scientifique.com
4 Applications en dynamique des populations
220
0 f2 f3 0
s1 0 0 0
2) L =
0 s2 0 0 ,
0 0 s 3 p4
avec s1 = s2 = s3 = 0.5, f 2 = 4, f 3 = 16 et p4 = 0.2.
a) Indiquer si la matrice est rductible, irrductible, cyclique (en prcisant lindice
dimprimitivit) ou primitive. Si la matrice est rductible, indiquer comment la
dcomposer.
b) Rechercher le taux de croissance asymptotique. crire pour cela lquation
caractristique et, si ncessaire, en rechercher une solution vidente.
c) Prciser si la population est en croissance, en extinction ou en quilibre.
www.biblio-scientifique.com
4.3 Dynamique de deux populations
221
(4.1)
x = lx exp ay ,
y = cx 1 exp ay .
Lorigine est point fixe ainsi que le point non trivial (x , y ) tel que :
x =
y =
1 l ln l
,
ac l 1
ln l
.
a
Ce dernier point est positif si l > 1, cest--dire si le taux de croissance des htes est
suprieur 1. Il sagit dune hypothse raliste du point de vue biologique puisquelle
signifie quen labsence de parasitode la population hte se dvelopperait.
Pour tudier la stabilit locale des points fixes, calculons la matrice Jacobienne :
l exp (ayn )
alxn exp (ayn )
A=
.
c (1 exp (ayn )) acxn exp (ayn )
www.biblio-scientifique.com
4 Applications en dynamique des populations
222
A x ,y
=
1
ax
acx
c 1 l1
l
,
yn
30
25
25
20
20
15
15
10
10
(x0,y0)
10
20
xn
xn
30
10
15
20
25
yn
www.biblio-scientifique.com
4.3 Dynamique de deux populations
223
May a propos un autre terme pour reprsenter la fraction des htes non parasits,
conduisant au modle suivant :
ayn b
xn+1 = lxn 1 +
,
b
ayn b
.
yn+1 = cxn 1 1 +
b
(4.2)
b
Le nouveau terme, 1 + aybn
, est le terme dordre 0 (reprsentant donc les individus non parasits) dune distribution binomiale ngative. Lorsque le paramtre positif
b , on retrouve une distribution de Poisson avec le terme exp(ayn ) utilis
dans le modle de Nicholson-Bailey (4.1). Le modle modifi par May est donc une
gnralisation du modle de Nicholson-Bailey.
Lorigine est point fixe de ce nouveau modle ainsi que le point non trivial (x , y )
tel que :
x =
y =
1 l
y,
cl1
b
1/b
l 1 .
a
Ce dernier point est positif si l > 1 et May a montr quil est stable si et seulement
si b < 1. On obtient donc dans ce cas coexistence des populations hte et parasitode
(figure 4.14).
Beddington et al. ont propos une autre modification du modle de NicholsonBailey en utilisant une croissance de type logistique pour la population dhtes en
absence de parasitode, selon les quations suivantes :
xn
xn+1 = xn exp (ln l) 1
exp (ayn ) ,
K
yn+1 = cxn (1 exp (ayn )) ,
(4.3)
o K est la capacit limite de la population hte.
Selon les valeurs des paramtres, ce modle prvoit :
1) la coexistence des populations hte et parasitode avec un point fixe non trivial
positif stable (figure 4.15) ;
2) une trajectoire invariante (figure 4.16) ;
3) des solutions priodiques (figure 4.17) ;
4) ou encore un attracteur chaotique (figure 4.18).
www.biblio-scientifique.com
4 Applications en dynamique des populations
224
20
30
18
25
16
14
xn
20
yn
12
10
15
yn
10
(x0,y0)
2
0
10
xn
20
30
10
20
30
40
Figure 4.14 Solutions du modle de Nicholson-Bailey modifi par May (4.2). a = 0.15, l = 2,
c = 1, b = 0.5.
13
12
7,5
11
7
xn
yn
10
6,5
9
8
6
7
yn
5,5
6
5
(x0,y0)
8
10
xn
11
12
13
20
40
60
Figure 4.15 Solutions du modle de Nicholson-Bailey modifi par Beddington et al. (4.3).
a = 0.15, l = exp(2), c = 1, K = 20.
www.biblio-scientifique.com
4.3 Dynamique de deux populations
225
15
yn
10
0
0
10
15
20
25
xn
Figure 4.16 Solutions du modle de Nicholson-Bailey modifi par Beddington et al. (4.3),
montrant une trajectoire invariante lasymptotique. La dynamique transitoire et les pointills
reliant les points successifs ne sont pas reprsents par souci de lisibilit. a = 0.15, l = exp(2),
c = 1, K = 25.
20
18
16
14
yn
12
10
8
6
4
2
0
0
10
15
xn
20
25
30
35
Figure 4.17 Solutions du modle de Nicholson-Bailey modifi par Beddington et al. (4.3),
montrant une dynamique priodique lasymptotique. a = 0.15, l = exp(2), c = 1, K = 31.
www.biblio-scientifique.com
4 Applications en dynamique des populations
226
45
40
35
30
yn
25
20
15
10
5
0
0
10
20
30
40
50
60
70
80
90
xn
Figure 4.18 Solutions du modle de Nicholson-Bailey modifi par Beddington et al. (4.3),
montrant une dynamique chaotique. a = 0.15, l = exp(2.5), c = 1, K = 50.
www.biblio-scientifique.com
Chapitre 5
Dans cette partie nous proposons une introduction aux modles spatialiss de dynamique des populations. Nous sparons ce chapitre en deux sections selon que la
structuration spatiale est continue ou discrte.
www.biblio-scientifique.com
228
rapport x. Nous allons maintenant exprimer les termes de transport. Deux types de
transport seront dtaills : la diffusion et ladvection.
a) La diffusion
u
=
D (x)
t
x
x
Dans le cas particulier o le coefficient de diffusion est constant (indpendant de x),
lexpression prcdente devient :
2u
u
= D 2
t
x
b) Ladvection
www.biblio-scientifique.com
5.1 Structuration spatiale continue
229
Or on a :
du
dt
u dt u d x
+
t dt x dt
u
u
=
+v
= 0.
t
x
On obtient donc la formulation de ladvection :
u
u
= v
t
x
Dans le cas o v dpend de x, cette formulation stend en :
=
u
(v (x) u)
=
t
x
Aux termes de transport des individus peuvent videmment sajouter tous les termes
dcrivant les processus dmographiques et autres, vus dans les chapitres prcdents et
regroups ici sous le nom de processus de raction. En chaque x et pour tout t, le terme
de raction est not F (u (x, t)). Une quation permettant de dcrire la dynamique de
la densit u est lquation Raction - Advection - Diffusion suivante :
u
u
(v (x) u)
=
D (x)
+ F (u) .
t
x
x
x
Cest une quation aux drives partielles. Pour pouvoir dterminer une solution
de cette quation, il est ncessaire de prciser une condition initiale u (0, x) et des
conditions aux bords a et b du domaine V. On comprend effectivement que la densit u en x linstant t dpendra de la distribution initiale des individus et de la
manire dont les individus se comportent aux bords du domaine : sont-ils contraints
rester dans le domaine, peuvent-il sortir et alors de quelle manire ? Les mthodes
permettant de dterminer les solutions analytiques (quand cest possible) de ce type
dquations sortent du contexte de ce cours. Le lecteur intress pourra alors se rfrer
aux mthodes de transformation de Laplace ou Fourier par exemple. Une autre voie
dveloppe pour lutilisation de ce type dquations en modlisation en cologie porte
sur leur analyse numrique, cest- -dire sur les mthodes mathmatiques permettant
de dfinir des conditions et des algorithmes rigoureux pour la simulation sur ordinateur.
Cest galement un domaine qui sort du cadre de cet ouvrage.
Conditions aux bords de Dirichlet
Les conditions aux bords de Dirichlet sont des conditions qui fixent la valeur de u en
a et en b pour tout t :
u (t, a) =
u (t, b) =
A1 ,
A2 .
www.biblio-scientifique.com
230
Les conditions aux bords de Neumann sont des conditions qui fixent le flux en a et en
b pour tout t :
u
|x=a =
x
u
|x=b =
x
A1 ,
A2 .
On considre maintenant un exemple particulier dcrivant la dynamique dune population qui diffuse et crot en chaque point selon une loi logistique. Elle peut tre
reprsente par le modle unidimensionel suivant (quation de Fisher) :
N
N
2 N
= rN 1
+D 2
t
K
x
o t est le temps et t R, x dsigne la coordonne spatiale et x R, N est la densit
de population, r > 0 est le taux de croissance intrinsque de la population, K > 0
est la capacit limite du milieu, D est le cfficient de diffusion. Dans cet exemple,
pour lequel on propose une analyse, on fixera les conditions aux bords. Essayons
tout dabord de se faire une ide de la dynamique avant de procder lanalyse. Si
initialement, il ny a aucun individu nulle part, cest--dire si N (0, x) = 0 pour tout x,
alors clairement N (t, x) = 0 pour tout x et pour tout t 0. De la mme manire, si
initialement la population est sa capacit limite en tout x, alors N (t, x) = K pour
tout x et tout t 0. Ce sont les solutions stationnaires et homognes du modle. La
stationnarit est dfinie par :
N
= 0,
t
et lhomognit est dfinie par :
N
= 0.
x
On peut voir facilement quil ny a que les deux solutions prcdentes qui sont homognes et stationnaires. Les questions que lon va aborder dans lanalyse suivante sont :
les solutions prcdentes sont-elles stables ? Si lon perturbe la solution qui est instable
(N (t, x) = 0), la dynamique nous conduit-elle vers la solution homogne stationnaire
stable (N (t, x) = K ) ? Pour cela, on va supposer que la solution N (t, x) = 0 a t
perturbe dans un pass lointain, ce qui se traduit :
lim N (t, x) = 0,
www.biblio-scientifique.com
5.1 Structuration spatiale continue
231
et
u
y
2u
y2
=
=
d (U (z (y)))
dU dz
dU
=
=
,
dy
dz dy
dz
d 2U
dz 2
dU
d 2U
= U (1 U ) +
dz
dz 2
= V,
= U (1 U ) cV .
www.biblio-scientifique.com
5 Modles spatialiss de dynamique des populations
232
0.04
0.02
0
Variable V
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.2
0.4
0.2
0.6
0.8
Variable U
Figure 5.1 Portrait de phase illustrant la prsence dune orbite htrocline : cette orbite montre
que londe progressive recherche existe.
Les conditions poses sur N quand t tend vers nous permettent dcrire :
lim U (z) = 1,
et
lim U (z) = 0.
z+
Lesystmediffrentiel gouvernant (U , V ) admet deux quilibres : U1 , V1 = (0, 0)
et U2 , V2 = (1, 0), qui correspondent aux solutions stationnaires homognes du
modle de Fisher. La stabilit de ces quilibres est donne par la matrice Jacobienne
lquilibre :
0
1
A1 =
,
1 c
en U1 , V1 et :
0 1
,
A2 =
1 c
U2 , V2 . Les valeurs propres de A1 sont de parties relles ngatives, lquilibre
en
U1 , V1 est doncstable. Les valeurs propres de A2 sont relles et de signes opposs, donc U2 , V2 est un point selle. Le portrait de phase, donn sur la figure 5.1,
1.2
www.biblio-scientifique.com
5.1 Structuration spatiale continue
233
1.2
Densit normalise u
0.8
0.6
0.4
0.2
0
5
0
Position spatiale x
Figure 5.2 Simulation numrique illustrant la solution donde progressive recherche du modle
de Fisher. Les courbes reprsentent u(t, x) pour trois valeurs diffrentes de t, avec t1 < t2 < t3 .
illustre lexistence dune orbite htrocline qui joint les deux quilibres. Cette orbite
correspond donc une solution qui vrifie les conditions sur U quand z tend vers .
On a donc lexistence dune solution donde
progressive
qui satisfait les conditions
de notre problme. En outre, lquilibre U1 , V1 est sur le bord du domaine de validit biologique U 0. Il ne peut donc pas sagir dun foyer, ce qui implique que
lquation caractristique de la matrice Jacobienne A1 na pas de solution complexe.
Son discriminant est positif, ce qui entraine que c 2. Dans le systme de variables
initiales (N , x, t), cette condition implique
que si une onde progressive se produit, elle
www.biblio-scientifique.com
234
catgorie des modles informatiques car ils sont dfinis par un algorithme implment
en utilisant un langage de programmation. Nous verrons dautres exemples de modles
informatiques dans les sections suivantes : les rseaux ditrations couples et les
rseaux dautomates cellulaires. Parmi les modles informatiques, ce qui caractrise
les modles individu-centrs cest lutilisation dun algorithme qui dfinit les processus
de dmographie, dplacement, interactions, mortalit, etc., au niveau de lindividu.
Il sagit dun domaine trs vaste et le lecteur intress pourra se reporter aux
rfrences bibliographiques fournies la fin de louvrage. Nous allons ici nous limiter
la prsentation dun exemple simple proie-prdateur similaire au modle de LotkaVolterra tudi analytiquement dans les sections ddies aux systmes dquations
diffrentielles ordinaires et leurs applications en dynamique des populations. Comme
dans la section prcdente, il sagit dun exemple avec un espace continu, mais il est
cette fois bidimensionnel.
Considrons donc un espace deux dimensions continu dans lequel deux catgories
dindividus, des proies et des prdateurs, se dplacent et interagissent. Dfinissons
des conditions toriques de voisinage aux bords de cet espace, cest--dire que le bord
gauche de lespace est connect au bord droit et de mme pour les bords haut et
bas. Dfinissons un voisinage sous la forme dun disque de rayon r ad autour de
chaque individu. Au dpart on distribue un certain nombre de proies et de prdateurs
alatoirement dans lespace. Ensuite chaque pas de temps chacune des proies se
dplace alatoirement dans son voisinage, se reproduit avec la probabilit a (on donne
alors lenfant une position alatoire au sein du voisinage de son parent) et meurt
avec la probabilit b. Puis chacun des prdateurs se dplace alatoirement dans son
voisinage, capture chaque proie de ce voisinage avec la probabilit g, se reproduit
(pour chaque proie capture le prdateur engendre un enfant avec la probabilit e,
auquel on donne alors une position alatoire au sein du voisinage de son parent), et
meurt avec la probabilit m.
Nous venons de dfinir un modle individu-centr (individual-based model en
anglais). Contrairement aux modles informatiques dfinis dans les prochaines sections
o lespace sera discret et o on sintressa lvolution au cours du temps de variables
discrtes (rseau dautomates cellulaires) ou continues (rseau ditrations couples)
caractrisant chaque portion despace (cellule), dans un modle individu-centr on a
une collection dindividus caractriss par des attributs et on sintresse lvolution
au cours du temps du nombre dindividus et de leurs attributs. Parmi ces attributs on
a la localisation dans lespace si cest un modle spatialis, et gnralement dautres
tels que lge, la taille, etc.
Nous avons construit le modle proie-prdateur individu-centr ci-dessus par analogie avec le modle de Lotka-Volterra, rappel ci-aprs :
www.biblio-scientifique.com
5.1 Structuration spatiale continue
dx
dt
dy
dt
235
= r x ax y,
= my + eax y,
(5.1)
xt+1 = xt + r xt axt yt ,
yt+1 = yt myt + eaxt yt .
(5.2)
Quand le voisinage est petit (r ad = 1, figure 5.3, la taille totale de lespace de simulation tant de 51 * 51) les rsultats sont trs diffrents alors que quand le voisinage est
grand (r ad = 10, figure 5.4) ils sont trs proches. On obtient dans le cas dinteractions
locales (figure 5.3) des distributions de proies et de prdateurs trs htrognes, avec
des vagues successives de groupes de proies progressivement tues par des
groupes de prdateurs. Rien de tel dans le cas dinteractions plus globales (figure
5.4). Nous avons donc une illustration de limpact de la nature des interactions, locales
(figure 5.3) ou plus globales (figure 5.4), sur la dynamique dun modle spatialis.
www.biblio-scientifique.com
236
Figure 5.4 Modle de Lotka-Volterra individu-centr. Cas o le rayon du voisinage est grand
rad = 10.
www.biblio-scientifique.com
5.2 Modles multisites
237
xi =
N
m i j (x)x j
j=1
j=i
N
m ji (x)xi + f i (xi ),
(5.3)
j=1
j=i
o x = (x1 , ..., xi , ..., x N ) est le vecteur population, xi , i [1, ..., N ], tant la densit
dindividus sur chaque site i, m i j est le taux de migration du site j vers le site i,
qui dpend gnralement du vecteur population, et la fonction f i (xi ) reprsente la
dynamique locale de la population sur le site i. Nous supposons ici que cette fonction
f i ne dpend que de la population xi sur le site i.
On peut gnraliser le modle (5.3) dans le cas dun nombre quelconque K de
populations rparties sur N sites :
xik =
N
j=1
j=i
m i j (x)x jk
N
m ji (x)xik + f i (xi ),
(5.4)
j=1
j=i
www.biblio-scientifique.com
5 Modles spatialiss de dynamique des populations
238
x
x = m 12 y m 21 x + r1 x 1
,
K1
y
.
y = m 21 x m 12 y + r2 y 1
K2
(5.5)
Les variables x et y sont les effectifs de la population sur les sites 1 et 2, respectivement, les paramtres ri et K i , i [1, 2], sont les taux de croissance et les capacits
limites de la population sur le site i et m i j , i, j [1, 2] les taux de migration constants.
Recherchons pour commencer les isoclines zros du modle (5.5) :
1
m 21 x r1 x 1
x = 0 y =
m 12
1
m 12 y r2 y 1
y = 0 x =
m 21
x
,
K1
y
.
K2
Ces isoclines sont deux paraboles passant par lorigine et qui ont une seule intersection dans le cadran positif. Il existe donc deux quilibres ayant une signification
biologique, (0, 0) et un unique point positif que nous notons (x , y ).
La matrice Jacobienne du systme (5.5) scrit :
A=
m 21 + r1 2r1 Kx1
m 21
m 12
m 12 + r2 2r2 Ky2
.
m 21 + r1 m 12
m 21
m 12 + r2
.
m
m
r
1
12
12
K1
x
.
A(x , y ) =
m 21
r2 Ky 2 m 21 xy
www.biblio-scientifique.com
5.2 Modles multisites
239
Il est clair que tr (A(x , y )) < 0. Dautre part, un calcul simple montre que
det(A(x , y )) > 0. Le point dquilibre (x , y ) est donc localement asymptotiquement stable et la population tend vers un effectif constant (x , y ) sur chacun des deux
sites.
Exercice Nous allons tudier de nouveau le modle (5.5) mais en faisant une
x
x = (a b) x y + r1 x 1
,
K1
y
.
y = (b a) x y + r2 y 1
K2
(5.6)
r1
1
x = 0 x = 0 ou y =
ba
r2
y = 0 y = 0 ou x =
1
ab
x
(D1 ) ,
K1
y
(D2 ) .
K2
La figure 5.5 prsente les quatre cas possibles avec les sens des vecteurs vitesse
sur chaque isocline. Les isoclines zros sont quatre droites, les deux axes x = 0
et
0 et deux autres droites (D1 ) et (D2 ) coupant
les
y =
axes en (K 1 , 0) et
r1
r2
0, ba pour la droite (D1 ), et en (0, K 2 ) et ab , 0 pour la droite (D2 ).
Les points dquilibre se trouvent lintersection des isoclines horizontales et
verticales et sont au nombre de quatre, lorigine (0, 0), (K 1 , 0), (0, K 2 ) et enfin
un point (x , y ). Calculons maintenant la matrice Jacobienne du systme (5.6),
il vient :
(a b) y + r1 2r1 Kx1 (a b) x
A=
.
(b a) y
(b a) x + r2 2r2 Ky2
www.biblio-scientifique.com
5 Modles spatialiss de dynamique des populations
240
y
(a)
K2
r1/(b-a)
(x*,y*)
K2
(b)
r1/(b-a)
r2/(a-b)
X
r2/(a-b)
K1
K1
(c)
(d)
K2
K2
(x*,y*)
r2/(a-b)
K1
r1/(b-a)
r2/(a-b)
K1
r1/(b-a)
Figure 5.5 Isoclines zros du modle dune population distribue sur deux sites. (a) et (b)
b > a. (c) et (d) b < a.
www.biblio-scientifique.com
5.2 Modles multisites
241
r1 xK 1
(a b) x
A x ,y =
.
(b a) y r2 Ky 2
La trace de cette matrice est ngative lorsque cet quilibre appartient au cadran
positif. Dans ce cas, le dterminant est de plus positif :
r1r2
2
det A x , y = x y
+ (a b) > 0.
K1 K2
Figure 5.6 Cas o la population se rpartit sur les deux sites. a b = 0.5,
K 1 = K 2 = r1 = r2 = 1.
2) La population nest prsente que sur le site 1 (figure 5.7). Cest le cas o
(K 1 , 0) est le seul quilibre stable.
www.biblio-scientifique.com
5 Modles spatialiss de dynamique des populations
242
Figure 5.7 Cas o la population se rpartit sur le seul site 1. Mmes valeurs des
paramtres que dans la figure 5.6 sauf a b = 1.1.
3) La population nest prsente que sur le site 2. Cest le cas o (0, K 2 ) est le
seul quilibre stable (figure 5.8).
x
Figure 5.8 Cas o la population se rpartit sur le seul site 2. Mmes valeurs des
paramtres que dans la figure 5.6 sauf a b = 1.1.
www.biblio-scientifique.com
5.2 Modles multisites
243
(5.7)
www.biblio-scientifique.com
244
www.biblio-scientifique.com
5.2 Modles multisites
245
(5.8)
www.biblio-scientifique.com
246
Linterface graphique associe ce code est reprsente sur la figure 5.11. On y voit
droite le rseau avec ltat des cellules (S en gris clair, I en noir, R en gris fonc)
au dernier pas de temps et gauche les courbes dvolution en fonction du temps du
nombre de cellules S, I et R dans le rseau (courbes a, b et c, respectivement) ainsi
que lvolution de ce nombre selon le modle SIRS non spatial (5.8) (courbes d, e et
f). Les valeurs des paramtres r , d et g apparaissent en haut. La figure 5.11 montre
le cas o le voisinage utilis pour calculer la probabilit p de transition de S I des
cellules est petit (r = 1, la taille du rseau tant de 51 * 51 cellules). Les dynamiques
obtenues avec les deux modles sont alors trs diffrentes. Dans le rseau on a une
volution plus ou moins cyclique du nombre de cellules dans chaque tat alors quavec
le modle (5.8) on converge rapidement vers une situation dquilibre, conformment
aux rsultats thoriques. Dans le rseau on voit que lespace est trs htrogne avec
quelques foyers de cellules I prsents dans un environnement constitu principalement
de cellules S. Dans le cas de la figure 5.12 le voisinage est plus grand (r = 10) et la
situation est trs diffrente. On a cette fois dans le rseau une distribution relativement
homogne des tats des cellules et les dynamiques obtenues avec les deux systmes
sont identiques (mises part les lgres oscillations obtenues dans le cas du rseau
cause de la rgle de transition stochastique). On a donc ici une nouvelle illustration
de limpact de la nature des interactions, locales (figure 5.11) ou plus globales (figure
5.12), sur la dynamique dun systme.
www.biblio-scientifique.com
5.2 Modles multisites
247
Figure 5.12 Rseau dautomates cellulaires SIRS. Cas o le rayon du voisinage est grand r = 10.
www.biblio-scientifique.com
www.biblio-scientifique.com
Annexe A
www.biblio-scientifique.com
A Rappels dalgbre linaire
250
Par consquent, si nous notons (h, k) les composantes du vecteur f (m) = he1 + ke2 ,
il vient :
h = xa11 + ya21 ,
k = xa12 + ya22 ,
que nous pouvons crire sous forme matricielle :
a11 a12
x
h
,
=
y
k
a21 a22
avec A la matrice de lapplication linaire :
a11 a12
A=
,
a21 a22
dont les colonnes sont constitues par les coordonnes des transforms des vecteurs de
la base E par lapplication linaire. Ce rsultat se gnralise aisment en dimension
n > 2.
f1 =
f2 =
p11 e1 + p21 e2 ,
p12 e1 + p22 e2 .
www.biblio-scientifique.com
A.2 Changement de base
251
e1 = q11 f 1 + q21 f 2 ,
e2 = q12 f 1 + q22 f 2 .
La matrice Q est la matrice de passage inverse et scrit de la manire suivante :
q11 q12
Q=
= P 1 .
q21 q22
Rappelons quen dimension deux, la matrice inverse est la suivante :
1
p12
p22
1
P =
,
p21 p11
det P
matrice obtenue partir de la matrice P en inversant les termes de sa premire
diagonale, en changeant le signe des termes de la seconde diagonale et en divisant par
le determinant de la matrice P.
Soit un vecteur quelconque m de coordonnes (x, y) dans la base E :
m = xe1 + ye2 .
Recherchons ses composantes (u, v) dans la nouvelle base :
m = xe1 + ye2 = x (q11 f 1 + q21 f 2 ) + y (q12 f 1 + q22 f 2 ) ,
Dunod La photocopie non autorise est un dlit.
www.biblio-scientifique.com
A Rappels dalgbre linaire
252
P
et finalement :
r
s
=P
r
s
1
u
v
= AP
AP
u
v
,
=B
u
v
.
www.biblio-scientifique.com
A.5 Forme de Jordan relle des matrices de dimension 2
253
Il peut tre utile de changer de base car le systme dans la nouvelle base peut tre
beaucoup plus simple tudier. On rsoud le systme dans la nouvelle base dont les
solutions sont (u(t), v(t)) et on obtient les solutions (x(t), y(t)) en retournant dans
lancienne base par les formules de changement de base habituelles :
x(t)
u(t)
=P
.
y(t)
v(t)
(A.1)
qui est une quation du second degr. Les valeurs propres dpendent du signe du
dterminant D de cette quation :
D = (tr A)2 4 det A.
(A.3)
www.biblio-scientifique.com
254
Dans ce cas, la matrice est diagonalisable. Elle admet deux valeurs propres relles
(l1 , l2 ). La matrice de changement de base utiliser est la matrice possdant sur la
premire colonne le vecteur propre droite m 1 = (m 11 , m 21 )T associ la premire
valeur propre l1 et sur la seconde colonne le second vecteur propre droite m 2 =
(m 12 , m 22 )T associ la seconde valeur propre l2 . Nous utilisons un indice suprieur
T pour dsigner le vecteur transpos u T du vecteur u. La relation entre la matrice
J sous la forme de Jordan et la matrice A est donc la relation habituelle pour un
changement de base dune application linaire :
J = P 1 A P, avec la matrice de changement de base suivante :
m 11 m 12
P=
.
m 21 m 22
l0 1
2) Si D = 0, J =
.
0 l0
Dans ce cas, la matrice ne peut pas tre diagonalise mais peut tre mise
sous
forme triangulaire. Elle admet une valeur propre relle et double l1 = tr2A . Soit m 0
le vecteur propre associ la valeur propre double l0 . La matrice de passage est la
matrice comportant sur sa premire colonne le vecteur m 0 = (m 10 , m 20 )T et sur sa
deuxime colonne un vecteur quelconque m = (m 1 , m 2 )T qui doit tre linairement
indpendant de m 0 . Avec cette matrice de changement de base, la matrice obtenue
dans la nouvelle base
scrit :
l0 c
J = P 1 A P =
, o la matrice de changement de base est la suivante :
0 l0
m 10 m 1
P=
.
m 20 m 2
c est un rel. Si c est diffrent de 1, il faut recommencer lopration de changement
de base avec une nouvelle matrice de passage P1 qui est donne par lexpression
suivante :
1 0
P1 = P
.
0 c1
Avec cette matrice, on obtient la forme dsire :
l0 1
1
J = P1 A P1 =
.
0 l0
l0 0
3) Si D = 0, J =
.
0 l0
Il sagit dun cas particulier car la matrice est proportionelle la matrice identit,
A = l0 I . Par consquent, tout changement de base la laisse invariante car on a,
J = P 1 A P = P 1 l0 I P = l0 P 1 P = l0 I = A. Cette matrice est donc dentre
sous la forme diagonale
qui est sa
forme de Jordan.
a b
4) Si D < 0, J =
.
b a
www.biblio-scientifique.com
A.5 Forme de Jordan relle des matrices de dimension 2
255
Dans ce cas, la matrice nest pas diagonalisable dans R. Elle admet deux valeurs
propres
complexes et conjugues (l1 = a + ib, l2 = a ib) avec a = tr2A et b =
D
2 . On montre que les vecteurs propres sont galement complexes et conjugus
m 1 = a + ib et m 2 = a ib o a = (a1 , a2 )T et b = (b1 , b2 )T sont deux vecteurs
composantes relles qui sont respectivement les parties relles et conjugues des
vecteurs propres. On doit prendre la matrice de passage comportant sur sa premire
colonne le vecteur b et sur sa deuxime colonne le vecteur a. Avec cette matrice de
passage, il vient :
a b
1
J = P AP =
, o la matrice de changement de base est la suivante :
b a
b1 a 1
P=
.
b2 a2
ExerciceMettre sous
forme de Jordan les matrices suivantes :
5 1
,
6 0
5 1
2) A = 12
,
1 3
3
4
3) A =
.
2 1
1) A =
l2 tr Al + det A = 0,
ou encore :
Dunod La photocopie non autorise est un dlit.
l2 5l + 6 = 0.
Le discriminant de cette quation est D = 1. Donc, les racines de cette quation
sont relles distinctes :
l1 = 3, et l2 = 2,
qui sont les valeurs propres de la matrice A qui est diagonalisable. Calculons les
vecteurs propres associs aux valeurs propres. Commenons par m 1 qui vrifie
lquation suivante :
Am 1 = l1 m 1 ,
ce qui dans ce cas conduit au systme suivant :
5 1
m 11
m 11
=3
.
m 21
m 21
6 0
Ce systme se rduit une quation :
2m 11 = m 21 .
www.biblio-scientifique.com
A Rappels dalgbre linaire
256
www.biblio-scientifique.com
A.5 Forme de Jordan relle des matrices de dimension 2
=
0 1
1 1
257
.
1
=
2
0 2
.
1 1
l2 2l + 5 = 0.
Le discriminant de cette quation est D = 16. Donc, les racines de cette
quation sont complexes et distinctes :
l1 = 1 + 2i, et l2 = 1 2i,
on a donc a = 1 et b = 2. Calculons le vecteur propre associ cette valeur
propre m 1 qui vrifie lquation suivante :
Am 1 = l1 m 1 ,
ce qui dans ce cas conduit au systme suivant :
3
4
m 11
m 11
= (1 + 2i)
,
m 21
m 21
2 1
www.biblio-scientifique.com
A Rappels dalgbre linaire
258
ExerciceMettre sous
forme de Jordan les matrices suivantes :
2
12
11
2) A = 13
4
2
3) A =
1
1) A =
1
,
5
7
,
5
2
.
1
www.biblio-scientifique.com
A.6 Puissance n ime dune matrice A en dimension 2
259
An = P J n P 1 .
n
J =
ln1 0
0 ln2
.
2
J =
l20 2l0
0 l20
.
www.biblio-scientifique.com
A Rappels dalgbre linaire
260
a2 + b2 , et tan v =
b
,
a
www.biblio-scientifique.com
Annexe B
www.biblio-scientifique.com
262
le plan muni dun repre O, i , j . Or un point M dans le plan peut tre repr
par ses coordonnes cartsiennes x et y, mais il peut galement tre reprsent par la
distance r qui le spare de O et langle u entre laxe des x et la droite quil dfinit
avec le point O, le couple (r, u) dsigne les coordonnes polaires de M. Le nombre
r sappelle module de z (notation : |z|) langle u sappelle argument de z (notation :
arg(z)). On peut tablir des relations entre (x, y) dune part et (r, u) dautre part, ce
qui savrera utile lorsquon dsirera changer de mode de reprsentation. Notons M
la projection orthogonale de M sur laxe des x. En considrant le triangle O M M,
rectangle en M , on a les relations :
x = O M = r cos (u) ,
y = M M = r sin (u) .
En utilisant la notation cartsienne dun nombre complexe z = x + i y, on obtient :
z = r cos (u) + ir sin (u) = r (cos (u) + i sin (u)). On posera dornavant : eiu =
cos (u) + i sin (u) (formule due Leonhard Euler). Le nombre z scrit alors :
z = x + i y = reiu .
Cette notation astucieuse permettra dans la suite de faire des calculs avec des fonctions
trigonomtriques en utilisant les proprits de la fonction exponentielle, notamment :
ea+b = ea eb . Nous venons de voir comment dterminer les coordonnes polaires
partir des coordonnes cartsiennes. Il peut savrer utile de faire lopration inverse,
nous remarquons donc que :
x 2 + y 2 = r2 cos2 (u) + r2 sin2 (u) = r2 cos2 (u) + sin2 (u) = r2 .
Le module sexprime donc en fonction des coordonnes cartsiennes par :
r = x 2 + y2.
Pour obtenir largument, il suffit de diviser y par x lorsque x est non nul, en effet :
y
r sin (u)
=
= tan (u) ,
x
r cos (u)
www.biblio-scientifique.com
B.2 Oprations sur les nombres complexes
263
donc u = arctan y/x si x est non nul. Dans le cas o x est nul, le nombre z est un
nombre imaginaire pur. A partir de la relation entre x et (r, u), on dduit cos (u) = 0,
donc u = p2 , le signe tant celui de y.
Dfinition B.2 tant donn un nombre complexe z = x + i y, on dfinit le nombre
complexe conjugu z = x i y.
En terme de reprsentation gomtrique, le nombre complexe conjugu de z est
reprsent par le symtrique de la reprsentation de z par rapport laxe des x. z et z
ont le mme module mais ont des arguments opposs.
=
=
=
z2
z2 z2
(x2 i y2 )
x22 + y22
x2
y2
i 2
x22 + y22
x2 + y22
www.biblio-scientifique.com
B Quelques lments sur les nombres complexes
264
En multipliant le dnominateur par le complexe conjugu de z 2 , on ramne ce dnominateur un nombre rel. Linverse de z 2 scrit donc comme un nombre complexe :
partie relle plus i fois la partie imaginaire. Le quotient z 1 /z 2 nest autre que le produit
de z 1 avec z12 . On obtient donc :
z1
z2
=
=
=
z1 z2
z2 z2
(x1 + i y1 ) (x2 i y2 )
x22 + y22
x1 x2 + y1 y2
x1 y2 x2 y1
i
2
2
x2 + y2
x22 + y22
eiu + eiu
,
2
eiu eiu
.
2i
cos (a b) =
www.biblio-scientifique.com
Annexe C
www.biblio-scientifique.com
266
www.biblio-scientifique.com
C.3 Quelques commandes de base
267
www.biblio-scientifique.com
268
www.biblio-scientifique.com
C.5 Vecteurs et Matrices
269
Une matrice est un tableau de nombres. Sur le plan mathmatique, on peut voir dans
le rappel dalgbre linaire quune matrice peut reprsenter une application linaire.
Ceci est important pour comprendre le produit matriciel. Un vecteur est une matrice
particulire. Du point de vue des mathmatiques, les vecteurs se prsentent sous
formes de colonnes, mais en informatique, un vecteur est simplement une suite finie
de nombres, mis sous forme de colonnes ou de lignes. Il y a deux faons simples de
dfinir un vecteur en Matlab : 1) u=[1 2 1 4] est un vecteur avec 4 coordonnes avec
une ligne et quatre colonnes. v=[1 ;2 ;1 ;4] est un vecteur avec 4 coordonnes avec
4 lignes et une colonne. On peut transposer un vecteur (cest--dire transformer un
vecteur en ligne en vecteur en colonne, et rciproquement, au moyen de lapostrophe :
dans lexemple prcdent, on a u=v et v=u. 2) u=0 :0.2 :3 est un vecteur dont
les coordonnes vont de 0 3 avec un incrment de 0.2 : u=(0,0.2,0.4,0.6,...,2.8,3).
Que contient la variable v=u ? Cest le mme principe pour les matrices : A=[1 2
1 ;2 1 4] est la matrice :
1 2 1
A=
.
2 1 4
Noter dans lexemple prcdent que les colonnes sont spares par des espaces.
Exercice : Mettre le contenu de la matrice suivante dans la variable M :
1 2 1 3
4 5 1 4 .
1 2 1 1
Exercice : Mettre le contenu de la transpose de la matrice prcdente dans la
variable T.
www.biblio-scientifique.com
270
www.biblio-scientifique.com
C.5 Vecteurs et Matrices
271
1 2 1 3
A = 4 5 1 4 ,
1 2 1 1
alors min(A)=[1 2 1 1] et max(A)=[4 5 1 4].
Exercice : que donnera linstruction max(min(A)) ? et min(max(A)) ?
www.biblio-scientifique.com
272
Il peut savrer utile de pouvoir multiplier les termes de la matrice A par ceux de
la matrice B (ncessairement de mme dimension). Par exemple, supposons que la
matrice A contient les taux de croissance dune population donne et diffrents
endroits et B contient les abondances de cette population aux mmes endroits. Le
produit terme terme sera donc une matrice contenant les taux de production de la
population aux endroits considrs. Le produit terme terme des matrices A et B
sobtient de la manire suivante : A.*B (noter le point plac avant la multiplication).
www.biblio-scientifique.com
C.6 Chanes de caractres
273
C.7 PROGRAMMES
Un programme est un fichier dit avec un diteur de texte (videmment, il y en a un
qui est disponible sous Matlab) et dont le nom se termine par lextension .m. Ce fichier
contient une liste dinstructions qui seront effectues dans leur ordre dapparition
dans la liste ds lexcution du programme. Lexcution dun programme peut se faire
de plusieurs manires, par exemple en tapant le nom du fichier dans la fentre de
commande ou en slectionnant la fentre contenant le programme et en tapant F5. Si
le programme suivant est enregistr dans le fichier monprogramme.m, il suffit de taper
monprogramme dans la fentre de commande pour lexcuter.
Exemple :
clear ;
x=3 ;
y=5 ;
x+y
www.biblio-scientifique.com
274
C.8 GRAPHIQUES
Cette section prsente quelques instructions graphiques usuelles.
www.biblio-scientifique.com
C.8 Graphiques
275
www.biblio-scientifique.com
276
www.biblio-scientifique.com
C.8 Graphiques
277
Exemple :
x=linspace(-5,5,100) ;
y=linspace(-5,5,100) ;
z=cos(x)*sin(y) ;
surf(x,y,z) ; Linstruction surfc a les mmes fonctionnalits que la fonction surf
dcrite prcdemment mais elle trace galement les courbes de niveau, le lecteur pourra
regarder ce que fait la liste dinstructions prcdente dans laquelle on remplacera
linstuction surf par surfc. Linstruction [X,Y]=meshgrid(x,y), o x et y sont
des vecteurs, permet de construire deux matrices X et Y telles que X contient les
coordonnes de x autant de fois que le nombre de coordonnes de y et Y contient les
coordonnes de y autant de fois que le nombre de coordonnes de x. Les matrices X
et Y peuvent alors tre utilises pour valuer les images du couple (x, y) et donnant
une matrice qui possde la dimension adquate pour utiliser ensuite la fonction surf.
Par exemple, la liste dinstructions suivante illustre lutilisation de meshgrid :
Exemple :
x=linspace(-5,5,100) ;
y=linspace(-5,5,100) ;
[X,Y]=meshgrid(x,y) ;
Z=cos(X).*sin(Y) ;
surf(X,Y,Z) ;
www.biblio-scientifique.com
278
Exemple :
x=-5 :0.1 :5 ;
plot(x,sin(x)) ;
hold on
plot(x,cos(x))
hold off
www.biblio-scientifique.com
C.10 Rsolution numrique de systmes dquations diffrentielles ordinaires
279
plot(x,y) Il faut savoir que toutes les variables informatiques quon utilise dans une
fonction sont locales, sauf les variables en argument et les variables de sortie. Dans
lexemple suivant, la variable a est locale :
Exemple :
function y=mafonction(x) ;
a=1 ;
y=x.^2./(2+sin(x))+a ; Cela signifie que sa valeur nest donne que dans le cadre
de la fonction et quen dehors de cette fonction, la variable a est diffrente. Cela
permet de dfinir des fonctions sans se proccuper de ne pas utiliser des variables
dj utilises par ailleurs. Par contre, dans certains cas, il peut tre utile davoir des
variables globales, cest--dire qui prennent la mme valeur quel que soit lendroit
o elles sont utilises (dans la fonction et dans le programme principal, ou dans diffrentes fonctions par exemple). Linstruction global permet de dfinir des variables
globales. Supposons que la variable a ait t affecte de la valeur 3 et soit dfinie dans
un programme principal par exemple comme une variable globale. Dans lexemple
suivant, la variable a vaut encore 3 :
function y=mafonction(x) ;
global a
y=x.^2./(2+sin(x))+a ;
www.biblio-scientifique.com
280
dx
x
= rx 1
ax y,
dt
K
dy
= eax y my.
dt
Pour faire la simulation de ce systme, il faut deux fichiers : lun contient le programme
principal dans lequel on fixe les conditions de simulation (dure, conditions initiales,
valeurs des paramtres, etc.) et le second contient une fonction qui reprsente le
systme diffrentiel. Les valeurs des paramtres peuvent tre entres soit dans le
programme principal, soit dans la fonction. La premire option permet de mettre
toutes les informations numriques dans le programme principal. Par contre, elle
ncessite lutilisation de linstruction global pour que la fonction contenant le modle
connaisse les valeurs numriques des paramtres. Le programme principal peut tre :
clear all ;
%Efface le contenu des variables
tmax=50 ;
%D
efinit la dur
ee de la simulation
x0=1 ;
%Fixe la condition initiale de la variable x
y0=1 ;
%Fixe la condition initiale de la variable y
global r K a e m
% D
efinit les variables contenant les
valeurs des param`
etres du syst`
eme comme des variables globales
r=1 ;K=2 ;a=1 ;e=0.5 ;m=0.1 ;
%Fixe les valeurs des param`
etres
[t u]=ode45(@ModelPredProie,[0 tmax],[x0 y0]) ; %Ex
ecute la
fonction de simulation du syst`
eme
x=u( :,1) ;y=u( :,2) ;
%Renomme les variables de sorties
correspondant aux variables d
etat
plot(x,y) % Trace la trajectoire issue de (x0,y0) dans lespace
des phases.
On remarque que la fonction ode45 fait appel la fonction ModelPredProie qui est
contenue dans le fichier ModelPredProie.m dcrit ci-dessous :
function du=ModelPredProie(t,u) ;
du=zeros(2,1) ;
global r K a e m
x=u(1) ;y=u(2) ;
dx=r*x*(1-x/K)-a*x*y ;
dy=e*a*x*y-m*y ;
www.biblio-scientifique.com
C.11 Conclusion
281
du=[dx ;dy] ;
Une fois les deux fichiers ci-dessus enregistrs, lexcution du programme principal
permet dobtenir la trajectoire du systme issue de la condition initiale (x0 , y0 ) = (1, 1)
dans lespace des phases.
C.11 CONCLUSION
De nombreuses possibilits nont pas t abordes dans cette annexe, qui vise juste
donner quelques lments de base pour entrer dans lenvironnement du logiciel
Matlab et simuler quelques modles. On citera ici rapidement les possibilits de
raliser des boucles dans les programmes pour raliser un grand nombre de fois une
liste dinstruction (voir les boucles for - end par exemple) ou la possibilit de tester des
conditions logiques (if - end), ce qui permet de nexcuter des parties dun programme
que sous certaines conditions. Le lecteur intress devra consulter laide en ligne.
De manire gnrale, les instructions que nous avons prsentes ici lont t trs
brivement et de nombreuses potentialits sont offertes lutilisateur pour affiner leur
utilisation.
www.biblio-scientifique.com
www.biblio-scientifique.com
Annexe D
www.biblio-scientifique.com
284
clear-all
ask patches [ set pcolor blue ]
ask patch 0 0 [ ask neighbors4 [ set pcolor red ] ]
set S count patches with [ pcolor = blue ]
set I count patches with [ pcolor = red ]
set R count patches with [ pcolor = green ]
do-plots
end
to go
ask patch 0 0 [ set number-neighbours count patches in-radius radius-infection
]
ask patches
[ if pcolor = blue
[ set infected-neighbours count patches in-radius radius-infection
with [ pcolor = red ] ] ]
ask patches
[ let proba random-float 1.0
ifelse pcolor = blue
[ if proba < infected-neighbours / number-neighbours
[ set pcolor red ] ]
[ ifelse pcolor = red
[ if proba < proba-infected-removed
[ set pcolor green ] ]
[ if proba < proba-removed-sane
[ set pcolor blue ] ] ] ]
do-plots
end
to do-plots
set-current-plot ""
set-current-plot-pen "sane-cells"
plot count patches with [ pcolor = blue ]
set-current-plot-pen "infected-cells"
plot count patches with [ pcolor = red ]
set-current-plot-pen "removed-cells"
plot count patches with [ pcolor = green ]
www.biblio-scientifique.com
D.2 Rseau ditrations couples : le modle hte-parasitode ...
285
if plot-SIRS-theory
[ do-plot-theory ]
end
to do-plot-theory
set-current-plot-pen "sane-theo"
plot S
set-current-plot-pen "infected-theo"
plot I
set-current-plot-pen "removed-theo"
plot R
let N S + I + R
let Snext S + proba-removed-sane * R - S * I / N
let Inext I + S * I / N - proba-infected-removed * I
let Rnext R + proba-infected-removed * I - proba-removed-sane * R
set S Snext
set I Inext
set R Rnext
end
______________________
www.biblio-scientifique.com
286
www.biblio-scientifique.com
D.3 Modle individu-centr : le modle proie-prdateur ...
287
set-current-plot ""
set-current-plot-pen "host"
plot sum [ host ] of patches
set-current-plot-pen "parasitoid"
plot sum [ parasitoid ] of patches
end
______________________
www.biblio-scientifique.com
288
[ move
reproduce-prey
die-prey ]
ask pred
[ move
capture
if nb-captured-prey != 0
[ reproduce-pred
set nb-captured-prey 0 ]
die-pred ]
do-plot
end
to move
right random-float 360
forward random-float radius-capture
end
to reproduce-prey
if random-float 100 < %-repro-prey
[ hatch 1
[ move ]]
end
to die-prey
if random-float 100 < %-death-prey [ die ]
end
to capture
ask prey in-radius radius-capture
[ if random-float 100 < %-death-captured-prey
[ set [nb-captured-prey] of myself [nb-captured-prey] of myself + 1
die ]]
end
to reproduce-pred
repeat nb-captured-prey
[ if random-float 100 < %-repro-pred-per-captured-prey
[ hatch 1
[ move
set nb-captured-prey 0 ]]]
www.biblio-scientifique.com
D.3 Modle individu-centr : le modle proie-prdateur ...
289
end
to die-pred
if random-float 100 < %-death-pred [ die ]
end
to do-plot
set-current-plot "populations"
set-current-plot-pen "prey"
plot count prey
set-current-plot-pen "pred"
plot count pred
if plot-LV-theory [ do-plot-theory ]
end
to do-plot-theory
set-current-plot-pen "prey-theo"
plot x
set-current-plot-pen "pred-theo"
plot y
let a %-death-captured-prey * number-neighbours / ( world-width * worldheight )
let xnext x + 0.01 * ( %-repro-prey - %-death-prey ) * x - 0.01 * a * x * y
let ynext y + 0.01 * 0.01 * %-repro-pred-per-captured-prey * a * x * y - 0.01 *
%-death-pred * y
set x xnext
set y ynext
end
______________________
www.biblio-scientifique.com
www.biblio-scientifique.com
Bibliographie
D.K. Arrowsmith & C.M. Place. Dynamical systems. Differential equations, maps and
chaotic behaviour. Chapman & Hall, London, 1992.
J. Hale & H. Koak, Dynamics and bifurcations. Texts in Applied Mathematics 3.
Springer Verlag, Heidelberg, 1991.
L. Perko. Differential Equations and Dynamical Systems. Texts in Applied Mathematics 7. 2nd Ed. Springer Verlag, New-York, 1996.
Biologie mathmatique
L. Edelstein-Keshet. Mathematical models in biology. Classics in Applied Mathematics 46. SIAM, 2005.
M. Fleischmann, D.J. Tildesley & R.C. Ball. Fractals in the Natural Sciences. Princeton University Press, Princeton, 1990.
J. Istas. Introduction aux modlisations mathmatiques pour les sciences du vivant.
SMAI. Springer Verlag, Heidelberg, 2000.
D.S. Jones & B.D. Sleeman. Differential equations and mathematical biology. Chapman & Hall, CRC Mathematcial Biology and Medicine Series, 2003.
M. Kot. Elements of mathematical biology. Cambridge University Press, 2001.
S.A. Levin. Frontiers in mathematical biology. Lecture notes in Biomathematics 100.
S.A. Levin Editor. Springer Verlag, Heidelberg, 1994.
J.D. Murray. Mathematical biology I. An introduction. Interdisciplinary Applied
Mathematics, 3rd Ed. Springer Verlag, Heidelberg, 2001.
www.biblio-scientifique.com
292
Bibliographie
J.D. Murray. Mathematical biology II. Spatial models and biomedical applications.
Interdisciplinary Applied Mathematics, 3rd Ed. Springer Verlag, Heidelberg, 2001.
Thorie des jeux
J. Hofbauer & K. Sigmund. The theory of evolution and dynamical systems. London
Mathematical Society Student Texts 7, Cambridge University Press, Cambridge, 1988.
J. Hofbauer & K. Sigmund. Evolutionary games and population dynamics. Cambridge
University Press, Cambridge, 1998.
J. Maynard Smith. Evolution and the theory of games. Cambridge University Press,
Cambridge, 1982.
M. Mesterton-Gibbons. An introduction to game-theoretic modelling. Addison-Wesley
Publishing Company, Redwood City, 1992.
Dmographie, matrices de Leslie
www.biblio-scientifique.com
Bibliographie
293
A.J. Lotka. Elements of mathematical biology. Dover Publications Inc., New York,
1956.
H. Malchow, S. Petrovskii & E. Venturino. Spatiotemporal patterns in ecology and
epidemiology. Theory, Models, and Simulation. Chapman & Hall, CRC Mathematical
and Computational Biology Series, 2008
A. Okubo & S.A. Levin. Diffusion and ecological problems : modern perspectives.
Interdisciplinary Applied Mathematics, 2nd Ed. Springer Verlag, New-York, 2001.
E.C. Pielou. Interpretation of ecological data. A primer on classification and ordination. John Wiley & sons, New York, 1984.
D. Tilman & P. Kareiva. Spatial ecology. The role of space in population dynamics
and interspecific interactions. Monographs in population biology 30. D. Tilman & P.
Kareiva Editors. Princeton University Press, Princeton, 1997.
V. Volterra, Leons sur la thorie mathmatique de la lutte pour la vie. ditions
Jacques Gabay avec la permission de Gauthier-Villars, Sceaux, 1990.
Biologie molculaire et cellulaire, physiologie
L. Glass & M.C. Mackey. The rhythms of life. Princeton University Press, Princeton,
1988.
F.C. Hoppensteadt & C.S. Peskin. Mathematics in medicine and the life sciences. Texts
in Applied mathematics 10. Springer Verlag, Heidelberg, 1992.
D.L. DeAngelis & L.J. Gross. Individual-based models and approaches in ecology :
populations, communities and ecosystems. CRC Press, 1992.
V. Grimm & S.F. Railsback. Individual-based modeling and ecology. Princeton University Press, 2005.
J.-P. Treuil, A. Drogoul & J.-D. Zucker. Modlisation et simulation base dagents.
Dunod, 2008.