REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTÉRE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHES

CIENTIFIQUE
UNIVERSITE LARBI BEN M’HIDI
INSTITUT DES SCIENCE ET LA TECHNOLOGIE
FACULTE DES SCIENCES EXACTES ET SCIENCES DE LA NATURE ET LAVIE
DEPARTEMENTDEMATHEMATIQUESETINFORMATIQUE

THEME
CHAOS ET BIFURCATIONS DANS LES SYSTEMES
DYNAMIQUES EN DIMENSIONS n (n > 1)

MEMOIRE PRESENTEE POUR L’OBTENSION DU DOCTORAT

EN MATHEMATIQUE
Option : Mathématiques Appliquée

Sous la direction du : Pr. Elhadj. Zeraoulia

Présenté & soutenu par: Abdellah Menasri

Devant le jury:

Président Mr Aiyadi Abdelhamid (Prof) à l’Université de Oum-El-bouaghi

Rapporteur Mr Elhadj Zeraoulia (Prof) à l’Université de Tébessa
Examinateur Mr Hamri Nasreddine (Prof) à l’Université de Mila
Examinateur Mr Bouzit Mouhamed (MCA) à l’Université de Oum-El-bouaghi
Examinateur Mr Saoudi khaled (MCA) à l’Université de Khenchela

Année universitaire
2015/2016

1
 Remerciements
Cette thèse est le résultat d’un travail de recherche de près de quatre ans. En pré-
ambule, je veux adresser tous mes remerciements aux personnes avec lesquelles j’ai pu
échanger, et qui m’ont aidé pour la rédaction de ce mémoire.
Tout d’abord, je tiens a remercier Monsieur Pr. Elhadj Zeraoulia de L’université de
tebessa, mon directeur de recherche, pour son aide précieuse, et pour le temps qu’il m’a
consacré. Je le remercie aussi de m’avoir proposé un sujet de recherche passionnant, et
qui conduira les futurs travaux de recherches à des solutions simple pour les problèmes
quotidiens de l’humanité.
Je remercie, Monsieur Pr. Aiyadi Abdelhamid de l’université D’oum el bouagui,
pour avoir accepté de présider l’honnorable jury.
Mes remerciements vont également à, Monsieur Pr. Nesreddine Hamri de l’université
de Mila, Monsieur Dr. Bouzit (MCA) de L’université D’Oum el bouagui, et Monsieur
Dr. Saoudi (MCA) de L’université Khenchela, les examinateurs qui ont accepté la lourde
tâche de lire ce mémoire jusque dans ses détails, et d’en tirer un compte-rendu.
Je remercie mon ami Monsieur Ammara Djamel de leur aide dans la partie nume-
rique de ce mémoire.
J’adresse aussi mes plus sincères remerciements à ma famille, mes parents, mes
frères, mes sœur et tous mes proches et amis, qui m’ont accompagné, aidé, soutenu et
encouragé tout au long de la réalisation de cette thèse.
Finalement je remercie ma femme Oum Islem, qui m’a supporté par son a¤ection
et sa patience, et à qui j’adresse mes remerciements.

2
Table des matières

1 Importance de la théorie du chaos et bifurcations 11

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 La météorologie et le chaos . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 La bourse et le chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Le rythme de coeur et le chaos . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Le cerveau et le chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6 La psychologie et le chaos . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 La cryptographie et le chaos . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.8 Les télécommunications et le chaos . . . . . . . . . . . . . . . . . . . . . 18

2 Propriétés des systèmes dynamiques en dimension n (n > 1) 20

2.1 Aspect philosophique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Aspect mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Systèmes conservatifs et systèmes dissipatifs . . . . . . . . . . . . . . . . 22
2.4 Classi…cation des dynamiques . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5 Modèle déterministe, modèle stochastique et modèle chaotique . . . . . . 23
2.5.1 Systèmes aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5.2 Systèmes déterministes . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5.3 Systèmes chaotiques . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6 Espace des phases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7 Attracteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3
 2.7.1 Point …xe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.7.2 Cycle-limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.7.3 Attracteur étrange . . . . . . . . . . . . . . . . . . . . . . . . . 26

3 Les bifurcations dans les systèmes dynamiques en dimension n (n > 1) 28

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.1 Variétés stable (instable) . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.2 Variété centrale dépendant d’un paramètre . . . . . . . . . . . . . 30
3.2 Types de bifurcations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.1 Les bifurcations locales . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 Les bifurcations globales . . . . . . . . . . . . . . . . . . . . . . . 35
3.2.3 Codimension d’une bifurcation . . . . . . . . . . . . . . . . . . . . 35
3.3 Les bifurcations dans R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4 Bifurcation de hopf dans les systèmes dynamiques discrets . . . . . . . . 60
3.4.1 Dégénération de la bifurcation de Hopf . . . . . . . . . . . . . . . 63
3.4.2 Généralisation en dimension supérieure . . . . . . . . . . . . . . . 63
3.5 Analyse dynamique d’un système non linéaire en trois dimensions . . . . 65
3.5.1 Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.5.2 Le point d’équilibre de système (2) . . . . . . . . . . . . . . . . . 68
3.5.3 Propriété de la bifurcation de hopf . . . . . . . . . . . . . . . . . 73
3.5.4 Bifurcations super-critique et sous-critique . . . . . . . . . . . . . 73
3.5.5 Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.5.6 Les bifurcations globales . . . . . . . . . . . . . . . . . . . . . . . 81
3.5.7 Méthode standard d’étudier les bifurcations dans les systèmes dy-
namiques discret . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.5.8 Les systèmes dynamiques hybrides . . . . . . . . . . . . . . . . . 89

4 Bifurcations collision de la frontière 91

4.1 Dynamique des Cartes lisses par morceaux . . . . . . . . . . . . . . . . . 91

4
 4.1.1 L’analyse des bifurcations dans les cartes lisses par morceaux en
deux dimensions . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.1.2 Classi…cation des bifurcations collision des frontières . . . . . . . . 93
4.1.3 Les types possibles de points …xes suivant les valeurs propres . . . 93

5 Le chaos dans les systèmes dynamiques en dimension n (n > 1) 94

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.2 Propriétés du chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.2.1 Sensibilité aux conditions initiales . . . . . . . . . . . . . . . . . . 95
5.2.2 L’attracteur étrange . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.2.3 Spectre de puisance . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.3 Détection du chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.3.1 Les exposants de lyapunov . . . . . . . . . . . . . . . . . . . . . . 96
5.4 Routes vers le chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.4.1 Doublement de période . . . . . . . . . . . . . . . . . . . . . . . . 99
5.4.2 Intermittence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.4.3 Quasi-périodicité . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.5 L’application de Hénon . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.6 L’application de Lozi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.7 Types du chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.7.1 Le type de chaos dans le système Lorenz . . . . . . . . . . . . . . 103
5.7.2 Le type de chaos dans les deux applications Hénon et Lozi . . . . 104
5.7.3 Le chaos robuste . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

6 Le chaos robuste dans l’application de Lozi avec la fonction max 106

6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
6.2 Le chaos robuste dans l’application de Lozi avec la fonction max . . . . . 107
6.2.1 Les résultats analytiques . . . . . . . . . . . . . . . . . . . . . . . 108
6.2.2 Quelques formes de fonctions f et g . . . . . . . . . . . . . . . . . 112

5
6.2.3 Simulation numérique et l’observation des attracteurs chaotiques
robustes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6.2.4 Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

6
 Introduction générale
La théorie des systèmes dynamiques est une branche importante des mathématiques
introduite par Newton vers 1665. Elle fournit des modèles mathématiques, pour des sys-
tèmes évoluant dans le temps et suivant des règles, généralement exprimés sous forme
analytique comme un système d’équations di¤érentielles ordinaires. Ces modèles sont
appelés systèmes dynamiques. On sait que tous les systèmes dynamiques ne sont pas
identiques. On distingue deux types, les systèmes stables et les systèmes instables. Parmi
les systèmes instables, il y a une classe particulièrement intéressante, qui est associée
au chaos déterministe. Dans le chaos déterministe, les lois microscopiques sont détermi-
nistes mais les trajectoires prennent un aspect semble comme aléatoire. Cela provient
de la sensibilité aux conditions initiales, la moindre modi…cation des conditions initiales
entraînant des divergences exponentielles. Le simple processus de la prise de décision,
essentiel dans la vie d’une entreprise, fait appel à tant de facteurs inconnus qu’il serait
illusoire de penser que le cours de l’histoire peut se modéliser au travers d’une théorie
déterministe. L’exemple de système chaotique le plus souvent cité est celui de trois corps
célestes en simple interaction gravitationnelle. Au début de 20eme siècle Poincaré avait
déjà démontré que ce problème pouvait avoir des solutions impliquant des trajectoires to-
talement irrégulières, erratiques en quelque sorte. Mais, autant on peut évoquer le hasard
des grands nombres lorsqu’il s’agit du tirage des boules du loto, autant on ne peut plus
l’invoquer pour justi…er l’errance de nos trois corps célestes. Pour distinguer l’errance
déterministe de l’errance aléatoire, on parle de chaos.
Les systèmes dynamiques peuvent avoir aussi de di¤érents comportements asymp-
totiques (tendre vers un équilibre, un cycle limite...) en fonction des valeurs de leurs
paramètres. Il peut donc exister certaines valeurs pour les quelles le comportement du
système passe d’un état qualitatif à un autre (L’attracteur du système était un équilibre
et devient un cycle par exemple). Ce changement d’état qualitatif est une bifurcation et
la valeur du paramètre associée est appelée valeur de bifurcation. Les di¤érentes bifurca-
tions sont répertoriées en fonction de leurs caractéristiques mathématiques intrinsèques

7
puis en fonction des changements qu’elles font apparaître dans le comportement du sys-
tème. On distingue ainsi les bifurcations locales, dont les méthodes de linéarisation si
elles existent, jouent un rôle très important dans la théorie de l’analyse des bifurcations
(diagramme de bifurcation, analyse de stabilité, point critique de bifurcation, type de bi-
furcation), pour son identi…cation au voisinage des points singuliers. Dont la question de
stabilité constitue une démarche importante pour la description et l’étude des systèmes
dynamiques.

8
 Plan du travail
Dans ce mémoire, on a fait une recherche sur le chaos et bifurcations dans les systèmes
dynamiques en dimension n (n > 1). Nous avons divisé notre travaille en trois parties,
à la première partie, on a présenté l’importance de la théorie du chaos et la théorie de
bifurcation, à la deuxième partie, on a cherché les propriétés de ces systèmes, et dans
la troisième partie, nous avons fait une recherche concernant le type du chaos et de la
bifurcation.
Dans le premier chapitre: Nous avons présenté l’importance de la théorie du
chaos et les bifurcations dans les systèmes dynamiques, et leurs applications dans les
di¤érents domaines de la science, comme la météorologie, la bourse, la cardiologie, la
neurologie, La psychologie, La cryptographie et les télécommunications.
Dans le deuxième chapitre: Nous avons donné aux divers les concepts de base
des systèmes dynamiques, et leurs propriétés, on a parlé des modèle dynamiques comme,
les modèles déterministes, les modèles stochastique et les modèles chaotiques, ainsi l’im-
portance des systèmes conservatifs et systèmes dissipatifs et la di¤érence entre eux.
Dans le troisième chapitre: On a présenté l’une des théories importante aux
systèmes dynamique, on parle de la théorie de bifurcations, on a donné quelque notions
de base, après, on a parlé aussi des types de bifurcations, comme les bifurcations locales
et les bifurcations globales. On à étudier en détaille ces types dans R2 et R3 .
Dans le quatrième chapitre: Nous avons présenté dans ce chapitre, l’un des
bifurcations la plus étudiée aux systèmes dynamiques au cours des dernières années, on
parle de la bifurcation collision des frontières, qui ce produit aux systèmes dynamiques
lisses par morceaux, nous avons classé et analysé ces types de bifurcations en détaille.
Dans le cinquième chapitre: Dans ce chapitre, nous présentons, l’une des der-
nière nouvelles théories, l’une des véritable théorie scienti…que, on parle de la théorie de
chaos, on a donné quelque propriétés, et quelques applications les plus étudier, comme
celui de Hénon et celui de Lozi, on a donné également les types de chaos dans ces appli-
cations, l’un de ces types est le chaos robuste.

9
 Au sixième chapitre: On a examiné le chaos robuste pour une famille d’appli-
cations de Lozi avec la fonction max, et démontré qu’ils peuvent avoir des attracteurs
chaotiques robustes pour certaines valeurs de ces deux paramètres, nous avons déterminé
certaines conditions et certaines formes de deux fonctions f et g, de sorte que ces cartes
(applications) converge vers un attracteur chaotique robuste. Le contenu de ce chapitre
à fait l’objet d’une publication international ‹‹ Robust Chaos in a General Lozi
Mapping with Max Function, Far East Journal of Dynamical Systems, Vol
26, Num 1, pages 15-29, 2015 ››.

10
Chapitre 1

Importance de la théorie du chaos et

bifurcations

1.1 Introduction
De nouveaux concepts scienti…ques ont été produits d’une manière souvent multidisci-
plinaire lors des dernières décennies, sous les termes de « théorie du chaos » , « théorie de
la complexité » , « théorie des systèmes dynamiques non linéaires » ... etc. Les systèmes
dynamiques non linéaires éclairent aussi un nouveau concept on parle de bifurcations.
Une bifurcation correspond en e¤et au changement de nature d’un attracteur qui surgit
lorsque la valeur d’un paramètre de contrôle du système franchit une valeur critique ou
entre dans un domaine de valeurs critiques. Le changement d’organisation dans le sys-
tème dynamique non linéaire est une propriété interne au système. Cette bifurcation est
donc un phénomène ponctué, critique, par lequel le système prend un nouveau compor-
tement global et des nouvelles propriétés. Le physicien Hughes Chaté explique dans la
revue « Science et Avenir » d’août 2005, « Les oscillations collectives ne sont pas struc-
turellement régulières. Elles comportent des ‡uctuations statistiques qui ne se dissipent
que dans la limite du nombre in…ni de sites. On a donc bien une dynamique chaotique.
La théorie du chaos déterministe a montré d’autre part que des lois peuvent produire

11
des sauts entre des valeurs (discontinuité) et des apparences ressemblant considérable-
ment à du pur hasard. Par exemple, le biologiste Robert May démontrait que, pour
certaines valeurs des conditions initiales, une dynamique apparemment régulière autre-
ment, se met à sauter d’une valeur à une autre. Etudiant l’évolution d’une population
animale d’une saison à l’autre représentée sous la forme de l’itération d’une suite du terme
général : xn+1 = kxn (1 xn ) et démontrait que, malgré le caractère mathématiquement
simple de la fonction, l’itération avec un temps discontinu entraînant une grande com-
plexité des résultats. Et il élargissait ce résultat à d’autres domaines. Non seulement en
recherche, mais aussi dans le monde quotidien de la politique et de l’économie, il serait
béné…que pour tous si plus de gens réalisaient que les systèmes non linéaires simples
ne possèdent pas nécessairement des propriétés dynamiques simples. Les nouvelles idées
étaient appliquées dans des domaines variés. Il existe en biologie de nombreux phéno-
mènes périodiques d’importance vitale, les rythmes cardiaque, respiratoire, hormonal,
entre autres. Il est vraisemblable que la théorie des systèmes dynamiques sera utile pour
analyser ces rythmes et quelques résultats appréciables sont déjà apparus, en particulier
le travail de Léon Glass à Montréal sur le fonctionnement des cellules cardiaques.
Le chaos déterministe n’a pas le sens qui est donné au mot chaos dans le langage
courant où il signi…e simplement agitation ou désordre, il convient de distinguer entre
chaos et pur hasard. Alors que pour le hasard il n’y a aucune relation entre deux valeurs
successives, le chaos déterministe suppose, au contraire, qu’il y a une relation. Le terme
déterministe souligne justement que, même si on est dans une situation où on trouve du
désordre, il y a une loi cachée. Cela est dû à une propriété fondamentale de ce type de
loi. La théorie du chaos déterministe est une révolution conceptuelle de la science. C’est
ce nouveau point de vue qu’il est fondamental de comprendre.

12
1.2 La météorologie et le chaos
Poincaré a montrer que la science reste une conjecture et non un domaine du certain
comme on l’a longtemps cru de façon un peu prétentieuse, à la suite de Laplace. Selon
lui, la science est une activité humaine et la relation entre l’homme et la nature reste une
recherche sans réponse …nale. La meilleure preuve est que ses propres travaux allaient
être rapidement contredits puisqu’il concluait que le système solaire était stable ce que,
par la suite, il allait lui-même corriger. Par contre, il a inventé à cette occasion la plupart
des méthodes théoriques aujourd’hui appliquées dans un domaine qui n’existait pas à
l’époque, l’étude des systèmes dynamiques, autrement appelée chaos déterministe. Il va
notamment inventer des méthodes d’étude de systèmes pris dans leur ensemble sans
étudier les éléments du système pris un par un, méthode particulièrement novatrice. Il
va étudier non une seule trajectoire mais l’ensemble des trajectoires possibles et leur
relation entre elles. En…n, il va montrer que les phénomènes physiques sont du domaine
de la géométrie et non des formules mathématiques. Je le répète, sa conclusion est qu’avec
trois corps interagissant par attraction gravitationnelle on a déjà du chaos c’est-à-dire un
phénomène obéissant à la propriété de la sensibilité aux conditions initiales, un tout petit
changement de celles-ci peut entraîner un grand changement de la suite de l’évolution.
Rappelons que cette thèse révolutionne la conception que l’on avait de la gravitation
depuis Newton. Ce dernier pensait que si l’on connaissait précisément les positions et
les vitesses de tous les corps célestes on pouvait connaître à tout moment la suite des
positions. Poincaré in…rme cette thèse.

1.3 La bourse et le chaos

Le rêve de tout économiste ou spéculateur, est de prévoir les hauts et les bas de la
Bourse pour en tirer le maximum de pro…ts. La théorie du chaos peut-elle y aider ?. Bien
que le fonctionnement des marchés …nanciers soit d’une extrême complexité, il existe
des mécanismes autorégulateurs basés sur un mélange subtil de psychologie humaine,

13
de comportement social et de pensée rationnelle. Par exemple, si le prix d’un produit
est trop élevé, la demande va baisser ce qui aura pour conséquence de faire baisser
son prix. L’existence de ces mécanismes autorégulateurs a des implications importantes
et surprenantes sur le comportement des marchés, des prix et des économies, et peut
entraîner le chaos. Ainsi, le comportement du prix de l’or est semblable à l’évolution des
populations.
Les systèmes économiques sont si complexes qu’il est di¢ cile de trouver les équations
qui décrivent avec précision leur évolution temporelle. Les approximations sont ici encore
trop simplistes. Ensuite, il s’agit de ce qu’on appelle des "systèmes complexes adaptatifs",
c’est à dire des systèmes qui apprennent, se souviennent et s’adaptent, changeant par-
là même la nature du système initial. Ainsi, même si on arrivait à écrire les équations
d’évolution temporelle des systèmes biologiques et économiques, ces équations devraient
changer lentement dans le temps. Malgré ces di¢ cultés, la théorie du chaos nous apprend
que certaines situations dynamiques en économie, au lieu de conduire à un équilibre,
peuvent mener à une évolution temporelle chaotique, impossible à maîtriser. La théorie
du chaos peut nous aider à avoir une meilleure compréhension de ces oscillations a…n de
mieux les maîtriser.

1.4 Le rythme de coeur et le chaos

Le cœur peut changer de rythme brutalement, dès que nous changeons d’activité,
dès que nous subissons une forte émotion ou dès que les conditions extérieures changent.
Alors comment fait le cœur pour varier ainsi son mécanisme d’horloge et pourquoi ce
rythme s’altère-t-il brusquement en cas de crise cardiaque ?. Ce cœur que nous croyons
généralement régulier comme une horloge, serait en fait chaotique. La théorie du chaos a
une autre application dans le domaine des appareils pour pallier aux faiblesses cardiaques.
La première expérience de cœur arti…ciel a été celle de l’allemand Wilhelm Kol¤ en 1958.
C’est dans ce laboratoire que sera expérimenté le cœur arti…ciel de Jarvik le 1er décembre

14
1982. Le malade survivra 112 jours mais avec de nombreuses interventions. Le cœur arti-
…ciel pose bien des problèmes. Bien des tentatives de cœur arti…ciel ont été des échecs et
on s’est aperçu que cela était dû au fait que l’on voulait construire une pompe mécanique
régulière alors que le cœur est chaotique. Le problème du rythme chaotique s’est reposé
pour les troubles du rythme cardiaque, pour lesquels on a été conduit à implanter des
simulateurs électriques qui remplacent le sinus naturel. Ce sont les pacemakers arti…ciels.
C’est un des plus gros succès dans les organes arti…ciels implantables. Ils sont chargés,
devant la dé…cience du sinus naturel, de provoquer une onde qui entraîne la contraction
au rythme voulu. Mais les di¢ cultés et les échecs ont au début été nombreux. Un des
types d’échecs a été dû à une surprise des chercheurs, un pacemaker à rythme tout à
fait régulier entraînait de nombreux échecs alors qu’une certaine variation chaotique des
émissions était beaucoup plus favorable. Les derniers types de pacemakers ont, en plus de
leur fonction de simulateur cardiaque donnant le rythme, une fonction de dé…brillation.

1.5 Le cerveau et le chaos

Des séries de données extraites de mesures de l’activité du cerveau par électro-
encéphalogramme ont été étudiées a l’état de sommeil profond, l’activité du cerveau
aurait les traits du chaos déterministe et serait caractérisée par un attracteur fractal à
cinq variables indépendantes. L’activité cérébrale semble ne plus pouvoir être représentée
comme un système dynamiquement auto-engendré. En…n, au cours de crises d’épilepsie,
un attracteur fractal peut à nouveau être repéré, mais dans un espace qui pourrait être
dé…ni par deux variables indépendantes seulement. L’épilepsie, loin d’être assimilable à un
comportement irrégulier, se caractériserait au contraire par une «régularité» trop grande
de l’activité cérébrale. Le cerveau est un mécanisme d’horlogerie. Les horloges chaotiques
sont capables de s’autoréguler mais aussi d’apprendre et d’évoluer et de constituer tout
un échafaudage de rythmes adaptatifs. L’évolution animale a été aussi l’évolution vers
le cerveau puis vers le cerveau humain. Chacune des fonctions simples s’est accouplée à

15
une fonction supérieure puis s’est accouplée à des systèmes de régulation de la fonction.
Quand nous marchons, quand nous regardons un paysage, quand nous parlons, nous ac-
tionnons des circuits de notre cerveau. Nous actionnons d’abord des circuits grossiers
qui ont une capacité faible de résolution puis ceux-ci en actionnent d’autres qui a¢ nent
le processus. Avec cette amélioration de la précision des fonctions nous avons successi-
vement développé des centres de régulation à plusieurs niveaux et nous conservons en
partie en nous ces étapes de l’évolution animale.

1.6 La psychologie et le chaos

Le fonctionnement psychique tel qu’on l’observe au cours du processus psychanaly-
tique. Comment le cerveau sépare-t-il une odeur de toutes les autres. Comment apprend-il
à reconnaître les odeurs familières ?. Il semble que ce soit rendu possible par le chaos.
Les chercheurs en ont déduit que l’acte de perception consiste en un saut brusque d’un
ensemble d’oscillations chaotiques à un autre. Ils pensent que le bulbe olfactif et le cortex
entretiennent plusieurs ensembles d’oscillations chaotiques simultanées, une pour chaque
odeur familière. De multiples raisons amènent à penser au modèle du chaos déterministe
à propos du fonctionnement du psychisme humain. La formation de pensées conscientes
est du domaine de l’auto-organisation du désordre des messages cérébraux inconscients.
Rappelons qu’un phénomène d’auto-organisation signi…e que l’ordre est issu du désordre
dans un phénomène dissipatif loin de l’équilibre.
Arnold Mandell psychiatre et dynamicien de San Diego, qui non seulement prit la
défense d’Huberman mais montra en 1977 que certaines enzymes du cerveau avaient
un comportement explicable seulement par le chaos et il en déduisit qu’il ne fallait pas
rejeter les mathématiques non linéaires. Jean-Pierre Changeux écrit : « Le mécanisme
échange en permanence de l’énergie avec le monde extérieur. Les oscillations ne se font
jamais près de l’équilibre. Il faut que le système soit hors équilibre mais dans un état
stable, qu’il constitue en somme une structure dissipative››. Jean-Pierre Changeux fait

16
alors référence au théoricien du chaos, Ilya Prigogine qui a montré que dans ce type de
systèmes des relations non-linéaires existent par couplage entre les réactions à la suite
d’une rétroaction entre le produit …nal d’une chaîne de réactions et la réaction d’entrée.
Le déclenchement explosif de l’in‡ux nerveux satisfait évidemment à cette condition de
non-linéarité.

1.7 La cryptographie et le chaos

Cacher des l’informations était le principal intérêt de tous les pays dans le monde
et également à toute personne. On a ainsi cherché à établir des techniques dites de
cryptage a…n de rendre ces informations incompréhensibles à ceux qui n’ont pas ac-
cès à une clé secrète. Ces techniques intéressent des personnes de divers domaines que
ce soit le militaire, le commercial ou tout simplement personnel. Au cours de l’histoire
diverses techniques cryptographiques ont été développées, les premières datant de l’an-
tiquité comme la scytale ou le codage de césar. Ces techniques primitives ont évoluées
vers l’apparition des techniques de masquage, puis vers l’utilisation des machines auto-
matisées et actuellement à l’utilisation des ordinateurs. En e¤et ceux-ci apportent une
puissance de calcul remarquable qui a donné naissance à des techniques complexes.
Dans le siècle passé, plusieurs chercheurs se sont intéressées aux comportements inha-
bituels des systèmes non linéaires et on a découvert que certains systèmes présentaient des
instabilités de nature très étranges. Ce fût la découverte des signaux chaotiques qui ont
un comportement complètement déterministe mais qui font penser à des allures pseudo-
aléatoires. Une dé…nition universelle du chaos n’existe pas vraiment, les mathématiciens
qui étudient les systèmes non linéaires utilisent certaines caractéristiques de la stabilité
du système (les exposants de Lyapunov) pour dé…nir un comportement chaotique. Ces
signaux de nature très « imprévisibles » et qui ne semblaient pas être faciles à contrôler.

17
1.8 Les télécommunications et le chaos
Chaos communications est une application de la théorie du chaos qui vise à assurer
la sécurité dans la transmission de l’information e¤ectué par les technologies de télécom-
munications. Par des communications sécurisées, il faut comprendre que le contenu du
message transmis est inaccessible aux oreilles indiscrètes possibles.
La sécurité des communications est basée sur les comportements dynamiques com-
plexes fournis par les systèmes chaotiques. Certaines propriétés de la dynamique chao-
tique. Le chaos est un phénomène déterministe, il est possible de décoder les données
en utilisant ce déterminisme. Pour mettre en œuvre des communications de chaos en
utilisant ces propriétés de chaos, deux oscillateurs chaotiques sont nécessaires comme un
émetteur et récepteur. Dans l’émetteur, un message est ajouté sur un signal chaotique et
ensuite, le message est masqué dans le signal chaotique. Comme il porte l’information, le
signal chaotique est aussi appelé support chaotique. Synchronisation de ces oscillateurs
est similaire à la synchronisation des réseaux de neurones aléatoires en cryptographie
de neurones. Lorsque la synchronisation du chaos est utilisée, un régime de base d’un
dispositif de communication (Cuomo et Oppenheim 1993) est fait par deux oscillateurs
chaotiques identiques. L’un d’eux est utilisé comme émetteur, l’autre comme récepteur.
Elles sont reliées dans une con…guration où l’émetteur récepteur dans le conduit de telle
sorte que la synchronisation de chaos identique entre les deux oscillateurs est atteint. Aux
…ns de la transmission d’informations, à l’émetteur, un message est ajouté sous forme
d’une petite perturbation au signal chaotique qui entraîne le récepteur. De cette manière,
le message transmis est masqué par le signal chaotique. Lorsque le récepteur se synchro-
nise sur l’émetteur, le message est décodé par une soustraction entre le signal émis par
l’émetteur et sa copie générée au niveau du récepteur au moyen de la synchronisation de
mécanisme de chaos. Cela fonctionne parce que, tandis que la sortie de l’émetteur contient
le transporteur chaotique, plus le message, la sortie du récepteur se fait uniquement par
une copie de la porteuse chaotique sans le message.

18
Conclusion 1.1 : Dans ce chapitre, nous avons démontré que le chaos n’est pas un
produit ou un matériau dont la technologie pourrait s’emparer pour créer de nouveaux
appareils commercialisables. Le chaos est avant tout un concept, on pourrait presque dire
une philosophie des comportements dynamiques. Le chaos déterministe est la frontière
entre l’ordre et le désordre. Le chaos représente un mécanisme important d’adaptation,
et qu’il intervient largement dans le monde du vivant.

19
Chapitre 2

Propriétés des systèmes dynamiques

en dimension n (n > 1)

2.1 Aspect philosophique

Un paradoxe de Zénon permet de présenter le concept philosophique de système dy-
namique. Zénon demandait : « Soit une ‡èche en vol à un instant, est-ce qu’elle est au
repos ou en mouvement ?» Si on répondait qu’elle est en mouvement, il disait « Mais être
en mouvement, c’est changer de position à un instant, la ‡èche a une position, elle n’en
change pas. Elle n’est donc pas en mouvement.» Si on répondait qu’elle est au repos, il
disait « Mais si elle est au repos à cet instant, elle est aussi au repos à tous les autres
instants, elle est donc toujours au repos. Elle n’est jamais en mouvement. Mais comment
alors peut-elle passer d’une position à une autre ? » Il en concluait qu’il n’est pas possible
de dire des vérités sur ce qui est en mouvement. Tout ce qui est en mouvement serait
par nature mensonger et il n’y aurait pas de vérités à propos de la matière mais seule-
ment à propos des grandes idées, pourvu qu’elles soient immuables. Le sens commun est
exactement inverse. On croit plus couramment à la vérité de ce qu’on voit qu’aux vérités
métaphysiques.
La théorie des systèmes dynamiques rejoint le sens commun sur ce point. La notion

20
d’état dynamique fournit une solution au paradoxe de Zénon à un instant, la ‡èche est
en mouvement, elle a une position mais elle est en train de changer de position, elle
a une vitesse instantanée. Les nombres qui mesurent sa position et sa vitesse sont les
valeurs de ses variables d’état. Les variables d’état sont toutes les grandeurs physiques
qui déterminent l’état instantané du système et qui ne sont pas constantes a priori. On
les appelle aussi les variables dynamiques. Si on prend une photo au ‡ash, on ne voit
pas que la ‡èche est en mouvement, mais on peut le détecter par d’autres moyens, sans
avoir à mesurer un changement de position. L’état dynamique d’un système est un état
instantané, mais c’est un état de mouvement. Il est déterminé par les valeurs de toutes
les variables d’état à cet instant.

2.2 Aspect mathématique

Un système dynamique est un système physique qui évolue. Il peut évoluer dans
le temps, ou par rapport à une autre variable suivant l’espace de phases considéré. La
trajectoire d’un objet en mouvement dans le temps, est donc un système dynamique,
ainsi que le nombre d’individu d’une population quelconque dans le temps, ou encore les
valeurs d’une fonction (par exemple, y = x2 ) par rapport à la valeur de x:

Dé…nition 2.1 : Un système dynamique est un modèle permettant de décrire l’évolution

au cours du temps d’un ensemble des objets en interaction, il est dé…ni par un triplet
(X; T; F ) constitué de l’espace d’état X, du domaine temporel T , et d’une application de
transition d’état F : X T ! X qui permet de dé…nir à partir d’un vecteur de condition
initiale l’état du système à toute instant.

Dé…nition 2.2 : La théorie des systèmes dynamiques vise à la compréhension de la

situation suivante : on se donne un ensemble X et une transformation T de X dans X,
c’est-à-dire que pour chaque élément x de X, on dé…nit un nouvel élément T (x), qu’on
appelle son image sous l’action de la transformation T . On itère alors la transformation
T , c’est-à-dire qu’on considère, pour un x dans X donné, la suite x, T (x), T 2 (x) =

21
T (T (x)), T 3 (x) = T (T 2 (x)), etc. et on cherche à décrire le comportement de cette suite,
qu’on appelle l’orbite de x.

2.3 Systèmes conservatifs et systèmes dissipatifs

Une distinction très importante au sein des systèmes dynamiques a été reléguée en
arrière-plan jusqu’à présent. Il s’agit de la di¤érentiation entre les systèmes conservatifs
et les systèmes dissipatifs. Les premiers sont caractérisés par l’existence d’une quantité,
fonction des variables du système, se conservant au cours du mouvement, les systèmes
Hamiltoniens rentrent dans cette catégorie. En étant très schématique, nous dirons que
les systèmes conservatifs sont au cœur de la Mécanique classique (mécanique céleste en
particulier) et de la mécanique statistique, et que les systèmes dissipatifs sont appropriés
à la description des phénomènes physiques où il y a justement des sources de dissipa-
tion d’énergie, par frottement par exemple. La turbulence, entre autres, telle que Ruelle
la conceptualise, rentre dans cet ensemble. En revanche, il faut souligner qu’une partie
des théories mathématiques sous-jacentes au développement du chaos, à savoir la théorie
des systèmes dynamiques, ne distingue pas entre les systèmes conservatifs des systèmes
dissipatifs. Ils sont traités avec les mêmes outils et tombent sous le coup des mêmes
théorèmes, à moins que cela soit spéci…quement explicité. Ceci explique que la di¤érence
ait été passée sous silence jusque-là. Pourquoi alors distinguer maintenant ces deux caté-
gories ?. La pertinence relativement à la problématique du chaos est très claire : il n’est
pas question d’attracteur étrange dans le cas des systèmes conservatifs, il n’est même pas
question d’attracteur du tout.

2.4 Classi…cation des dynamiques

On distingue plusieurs grands types de dynamiques en fonction de la nature mathé-
matique de l’espace des phases.

22
 Soit l’application:
F :X T !X

1. Lorsque X est un espace topologique et F est un homéomorphisme, on parle de

dynamique topologique.

2. Lorsque X est une variété di¤érentielle et F est un di¤éomorphisme, on parle de

dynamique di¤érentielle.

3. Lorsque X est une variété analytique complexe et F est holomorphe, on parle de

dynamique holomorphe ou dynamique complexe.

4. Lorsque X est un espace mesuré et F est une application qui préserve la mesure, on
entre dans le domaine de la théorie ergodique, et on parle de système dynamique
mesuré.

2.5 Modèle déterministe, modèle stochastique et mo-

dèle chaotique
On peut di¤érencier trois sortes de systèmes dynamiques :
les systèmes aléatoires (aussi appelés systèmes stochastiques), les systèmes détermi-
nistes et les systèmes chaotiques.

2.5.1 Systèmes aléatoires

Evoluent comme leur nom l’indique au hasard dans tout l’espace sans qu’aucune
équation ne les régisse, sans qu’aucune prévision exacte soit possible dans le temps.

2.5.2 Systèmes déterministes

Sont des systèmes régis par des lois mathématiques bien connues, on peut donc prévoir
exactement l’évolution de ces systèmes dans le temps.

23
2.5.3 Systèmes chaotiques

Quant à eux, ont un comportement in…niment complexe. Ils sont irrésistiblement

attirés par une …gure géométrique de structure également in…niment complexe sur laquelle
ils semblent errer au hasard, mais sans jamais la quitter, ni repasser deux fois par le même
point. Les attracteurs qui caractérisent ces systèmes, semblent inclure à la fois des lois
déterministes et des lois aléatoires, ce qui rend impossible toute prévision à long terme
impossible.

2.6 Espace des phases

Il est possible de suivre l’évolution de l’état d’un système physique dans le temps.
Pour cela, on construit d’abord un modèle avec les lois physiques et les paramètres né-
cessaires et su¢ sants pour caractériser le système. Ce modèle est bien souvent constitué
par des équations di¤érentielles. On dé…nira, à un instant donné, un point dans un "re-
père". Ce point caractérisera l’état du système dans l’espace à cet instant. Cet espace est
appelé "l’espace des phases". Lorsque la variable d’évolution change de valeur (quand le
temps s’écoule, par exemple), le point …gurant l’état du système décrit en général une
courbe dans cette espace. Il faut bien comprendre qu’il n’existe aucune relation entre
un cas d’image à trois dimensions et notre espace de phases tridimensionnel. Il s’agit
là d’un espace purement mathématique qui comporte autant de dimensions qu’il y a de
paramètres dans le système dynamique étudié. Ainsi on pourrait très bien imaginer se
retrouver à manipuler un espace de phases à dix dimensions, si le système dynamique
analysé implique dix paramètres (toute di¢ culté géométrique mise à part...).
Dans l’espace des phases, la position d’une balle de tennis est déterminée non pas par
les trois coordonnées spatiales, mais aussi par trois coordonnées de vitesses : la vitesse de
haut en bas, celle de droite à gauche, celle d’avant en arrière. Il faut donc six dimensions
pour décrire totalement une balle de tennis. Prenons par exemple un système à trois
dimensions : x, y et z. On va pouvoir tracer trois graphiques dans l’espace des phases à

24
Fig. 2-1 – Le système (a) converge vers un état d’équilibre après maintes oscillations,
ce qui correspond dans l’espace des phases à des boucles qui convergent vers un point.
Le système (b) se répète périodiquement, ce qui correspond dans l’espace des phases
à une orbite cyclique. Le système (c) a également un mouvement périodique mais plus
complexe, il se répète seulement après trois oscillations di¤érentes : on dit qu’il possède
un cycle de période 3. Cela correspond à des boucles plus compliquées dans l’espace des
phases. Le système (d) est chaotique, et dans l’espace des phases, il possède la forme en
aile de papillon de l’attracteur étrange de Lorenz.

deux dimensions, en fonction de x et de y, en fonction de x et de t, et en fonction de y

et de t.
On considérant un espace des phases à trois dimensions, on ne peut tracer ici qu’un
graphique.

2.7 Attracteurs
Dé…nition 2.3 : Un attracteur est la limite asymptotique des solutions partant de toute
condition initiale située dans un bassin d’attraction qui est un domaine de volume non
nul. Lorsque les coordonnées, dans l’espace des phases, d’un système dynamique sont
comprises au cours du temps dans un domaine restreint de l’espace entier (i.e. aucune
coordonnée ne diverge) alors l’évolution du dit système a deux comportements possibles.
Soit le système est chaotique au sens étymologique du terme, et l’évolution de ses coordon-
nées se fera dans l’anarchie la plus totale (comportement aléatoire). Soit il est chaotique

25
déterministe et possède un attracteur étrange.

On distingue trois types d’attracteurs.

2.7.1 Point …xe

Il caractérise simplement un système atteignant un état stationnaire (Par exemple :

on laisse balancer un pendule au bout d’une …celle).

2.7.2 Cycle-limite

Il caractérise un système atteignant un état répétitif. Plus explicitement, prenons un

cerceau qu’un enfant ferait tourner in…niment autour de sa taille, lorsqu’il le lance le
cerceau a une trajectoire imparfaite, mais il prend de la vitesse et au bout d’un moment,
sa trajectoire va se stabiliser et former des cercles parfaits, il aura atteint son état répétitif.

2.7.3 Attracteur étrange

Il décrit les systèmes chaotiques. L’attracteur étrange désigne une …gure dans l’espace
représentant le comportement d’un système dynamique. L’attraction des trajectoires au-
tour de l’attracteur est liée au caractère chaotique du système réel. Par exemple : le
mouvement de la Terre par rapport au soleil est un système périodique.
Un attracteur étrange est un ensemble invariant, sa dimension dans un espace tridi-
mensionnel doit être strictement inférieure à 3. Mais nous cherchons également un at-
tracteur dont la dimension n’est ni 1 (point …xe) ni 2 (cycle). Nous recherchons donc des
objets de dimension non-entière. On comprend bien que leur nature doit être radicalement
di¤érente de celle d’un tore, qui ne peut être attracteur que d’un régime périodique. Les
objets considérés ici, par contre, sont le siège de phénomènes apériodiques et du Chaos.
On les appelle des attracteurs étranges. Et pour cause : il s’agit d’ensembles compacts,
donc bornés, dans lesquels on retrouve des trajectoires chaotiques, dont l’une des ca-
ractéristiques essentielles est la sensibilité à la condition initial (SCI). (les trajectoires

26
Fig. 2-2 –L’attracteur …xe obtenu par modélisation d’un pendule simple suspendu à une
…celle et avec les forces de frottements (a). L’attracteur circulaire qui peut être obtenu
par le lancer d’une balle attachée à un socle sans forces de frottements (dans le vide) (b).

issues de conditions initiales proches s’écartent exponentiellement). Comment peut-on

faire coexister l’attraction, qui implique le resserrement des trajectoires, avec la (SCI),
qui implique leur écartement ? La solution réside dans le concept d’hyperbolicité de l’at-
tracteur. L’attraction s’opère dans une direction, et la divergence dans une autre. La
surface contenant les trajectoires divergentes est appelée variété instable, alors que celle
contenant les trajectoires convergentes sera dénommés variété stable. Notons que ceci ne
peut se concevoir que dans un espace de phase d’au moins trois dimensions.

Fig. 2-3 –L’attracteur du système de Lorenz appelé aussi le papillon de Lorenz. C’est le
plus connu et le premier des attracteurs étudiés, il en existe beaucoup d’autre aux formes
très étranges.

27
Chapitre 3

Les bifurcations dans les systèmes

dynamiques en dimension n (n > 1)

3.1 Introduction
Le terme de bifurcation a été introduit par Henri Poincaré au début du 20éme siècle
dans ses travaux sur les systèmes d’équations di¤érentielles, lorsque crée des tourbillons
dans un ‡uide, on observe une bifurcation de l’état de repos du ‡uide vers l’état convectif.
Une bifurcation veut dire division d’une branche principale en au moins deux branches.
Le comportement d’un système dynamique linéaire peut changer quand un paramètre du
système change. Ce changement de comportement correspond à un phénomène de bifur-
cation, il est accompagné d’un changement de type de stabilité.
Le terme de bifurcation est utilisé pour désigner dans un sens large, toute modi…cation
qualitative du comportement d’un système dynamique suit à la variation de l’un de ces
paramètres. Une bifurcation correspond donc à la collision de deux objets (point répulsif
ou selle, attracteur) ou de deux variété. La collision de deux objets donne naissance à
une bifurcation "locale" alors que la collision de deux variétés donne naissance à une
bifurcation "globale".
Les bifurcations se produisent dans les deux systèmes dynamiques, continus (décrit

28
par des équations di¤érentielles, EDO ou EDP), et discrets (décrits par des applications
ou cartes).

3.1.1 Variétés stable (instable)

Dé…nition 3.1 : La variété stable (resp. instable) d’une solution est la courbe tangente
au champ des vecteurs propres associés à une valeur propre du Jacobien dont la partie
réelle est négative (resp. positive).

Variété centrale

Soit le système dynamique non linéaire :

dx
= F (x; p) (3.1)
dt

x0 son point d’équilibre qu’on peut ramener à l’origine par la transformation: u = x x0 ;

et soit A la matrice Jacobéenne d’ordre n associé au système (3.1) après sa linéarisation
au voisinage de point x0 :
du
= A:u (3.2)
dt
Soient :

1. 1; 2 ::: m les valeurs propres de la matrice A dont la partie réelle est négative.

2. 1; 2 ::: i les valeurs propres de la matrice A dont la partie réelle est positive.

3. 1; 2 ::: k les valeurs propres de la matrice A dont la partie réelle est nulle.

Avec : m + i + k = n
et soient :

1. E m le sous espace vectoriel de dimension m engendré par: f 1 ; 2 ::: m g :

2. E i le sous espace vectoriel de dimension i engendré par: f 1; 2 ::: i g.

3. E k le sous espace vectoriel de dimension k engendré par: f 1; 2 ::: k g.

29
 Avec : E n = E m Ei Ek
On a le théorème suivant :

Théorème 3.1 : Il existe des variétés de classe C r , W m (stable), W i (instable), et W k (centrale)

tangentes respectivement à E m , E i , et E k en x0 . Ces variétés sont invariantes, par rap-
port au ‡ot de système.

3.1.2 Variété centrale dépendant d’un paramètre

On applique une petite perturbation " sur le système (3.2) on obtient un système
dépend de paramètre ". Par une certaine transformation on peut ramener le système
(3.1) à un système de la forme :
8
>
> x0 = Bx + f (x; y; z; ")
>
>
>
>
< y0 = Dy + g(x; y; z; ")
(3.3)
>
> w0 = Cz + h(x; y; z; ")
>
>
>
>
: "0 =0

La variété centrale au voisinage de (0; 0; 0; 0) est alors donnée par:

8
< y = (x; ")
(3.4)
: z = '(x; ")

Par un simple calcule, et aprés avoir appliquer le dévloppement de T ylor sur et ', on
peut donc écrire le système (3.3) sous la forme :
8
< x0 = Bx + f (x; (x; "); '(x; "); ")
(3.5)
: "0 = 0

Théorème 3.2 (Cauchy) : Soit un sous-ensemble ouvert W d’un espace vectoriel normé
E, f : W ! E, une application de classe C 1 (continûment di¤érentiable) et x0 un élément

30
Fig. 3-1 –Variété centrale (rouge) et variété invariante instable (vert) de point d’equilibre
noeud-col

de W . Alors, il existe un réel a > 0 et une unique solution x : ( a; a) ! W de l’équation

di¤érentielle x0 = f (x) qui satisfasse la condition initiale x(0) = x0 .

Noter que ce théorème est local. La démonstration utilise le fait qu’une fonction de
classe C 1 est localement Lipschitzienne.

Dé…nition 3.2 : Une fonction f : W ! E où W est un ouvert d’un espace vectoriel

E est dite Lipschitzienne s’il existe une constante K telle que pour tout x et y de W on
a : jf (x) f (y)j k jx yj. Elle est localement Lipschitzienne si pour tout point x de
W il existe un voisinage W0 tel que la restriction de f a W0 est Lipschitzienne.X

Théorème 3.3 (Liouville) : Soit E un espace vectoriel de dimension n, f : W ! E un

‡ot de classe C 1 , et X0 , une condition initiale. On cherche à déterminer comment évolue
un élément de volume dV , voisinage de X0 . Sans perte de généralité, on suppose que :

n n
dV = [(Xi + i) Xi ] = i
i=1 i=1

où i est une perturbation de la composante Xi . Le volume dV est donc ici un hyper

cube dont la diagonale va de X à X + , avec vecteur de composantes i. L’évolution

31
au cours du temps de dV est décrite par :

dV n d
= j [(Xi + i) Xi ]
dt i=1 j6=i dt

Par dé…nition de f , la dérivée par rapport au temps de Xi est la composante i de f ,

calculée au point Xi . On peut faire un développement au premier ordre de fi :

@fi
fi (X + i) = fi (X) + i +O( i)
@Xi

Donc
1 dV Pn @f
i
= = rf = T r (J)
V dt i=1 @Xi

où J est le Jacobien de f au point X. Or, la trace de J est égale à la somme de ses

valeurs propres, et si certaines de celles-ci ont des parties imaginaires non nulles, elles
apparaissent comme paires conjuguées. Donc la somme des valeurs propres est également
la somme des exposants de Lyapunov. On a donc …nalement :

1 dV n
= i
V dt i=1

Un système est dissipatif si T r(J) < 0 presque partout. C’est à dire sauf dans quelques
zones de l’espace de phase où les trajectoires ne s’attardent pas. En particulier, sur un
attracteur T r(J) < 0 en moyenne, soit i < 0. C’est évident en particulier pour un
point …xe de type puits, où tous les exposants de Lyapunov sont négatifs. Le long d’un
cycle limite, un exposant de Lyapunov est nul (le long de la direction du cycle), et tous
les autres sont négatifs. Sur un attracteur chaotique, un exposant est positif, mais il est
inférieur à la somme des autres en valeur absolue. En particulier pour un système de
dimension 3, on a 1 > 0, 2 = 0, 3 < 0 et 1 < j 3j :

32
 Dans le cas d’un système hamiltonien (de dimension 2n), les variables apparaissent
par paires de quantités conjuguées qi et pi telles que :

@H 0 @H
qi0 = ; p =
dpi i dqi

La divergence de f s’écrit donc :

P
n @ @H @ @H
rf = =0
i=1 @qi @pi @pi @qi

On retrouve l’expression du théorème de Liouville, qui nous dit que le volume d’un
élément d’espace de phase se conserve au cours du temps dans un système Hamiltonien.

3.2 Types de bifurcations

Il est utile de diviser les bifurcations d’un système dynamique en deux classes principales :
Bifurcations locales, qui peuvent être analysés entièrement par des changements
dans les propriétés de stabilité des équilibres locaux, orbites périodiques ou d’autres
ensembles invariants comme les paramètres traversent des seuils critiques.
Bifurcations globaux, qui se produisent souvent lorsque les plus grands ensembles
invariants du système entrent en collision avec l’autre, ou avec les équilibres du système.
Ils ne peuvent pas être détectés uniquement à une analyse de la stabilité des équilibres
(points …xes).

3.2.1 Les bifurcations locales

Une bifurcation locale se produit lorsqu’un changement de paramètre entraîne la sta-

bilité de l’équilibre (ou point …xe) pour changer. Dans les systèmes continus, cela corres-
pond à la partie réelle d’une valeur propre d’un équilibre traversant la valeur zéro. Dans
les systèmes discrets (ceux décrits par des cartes plutôt que de EDOs), ceci correspond à
un point …xe ayant un multiplicateur de Floquet de module égal à 1. Dans les deux cas,

33
l’équilibre est non-hyperbolique au point de bifurcation.
Les changements topologiques dans le portrait de phase du système peuvent être
limitées à façon arbitraire de petits voisinages des points …xes bifurquant en déplaçant le
paramètre de bifurcation au proximité du point de bifurcation d’où "local". De manière
plus technique, considérer le système dynamique continu décrit par l’ODE:

x0 = f (x; ) f : Rn R ! R: (3.6)

Une bifurcation locale se produit au (x0 ; 0) si la matrice jacobienne Df(x0 ; 0) a une

valeur propre avec une partie réelle nulle. Si la valeur propre est égale à zéro, la bifurcation
est une bifurcation à l’état stable, mais si la valeur propre est non nulle mais purement
imaginaire, il s’agit d’une bifurcation de Hopf. Pour les systèmes dynamiques discrets,
considérer le système :
xn+1 = f (xn ; ) (3.7)

Une bifurcation locale se produit au (x0 ; 0) si la matrice jacobienne Df(x0 ; 0) a une

valeur propre de module égal à 1. Si la valeur propre est égale à 1, la bifurcation est soit un
noeud-col (souvent appelé bifurcation pli dans les applications), bifurcation transcritique
ou fourche. Si la valeur propre est égale à -1, il ya une doublement de période (ou bascule),
et sinon, il ya une bifurcation de Hopf. Des exemples des bifurcations locales sont :

1. Bifurcation selle-noeud (fold).

2. bifurcation transcritique.

3. Bifurcation fourche.

4. Bifurcation doublement de période (Flip).

5. Bifurcation de hopf.

6. Bifurcation de Neimark (Hopf secondaire).

Nous allons parler de ces bifurcations en détail dans la prochaine section.

34
3.2.2 Les bifurcations globales

Les bifurcations globales se produisent lorsque des ensembles invariants, comme or-
bites périodiques, entrent en collision avec les équilibres. Cela entraîne des changements
dans la topologie des trajectoires dans l’espace des phases qui ne peuvent être limitées à
un petit voisinage, comme le cas avec les bifurcations locales. En fait, les changements
de topologie étendent jusqu’à une distance arbitrairement grand d’où "globale". Des
exemples de bifurcations globales sont :

1. Bifurcation homocline dans laquelle un cycle limite entre en collision avec un point
selle.

2. Bifurcation hétéroclinique dans laquelle un cycle limite entre en collision avec deux
ou plusieurs points selle.

3. Bifurcation in…ni-période dans laquelle un nœud stable et un point selle se pro-

duisent simultanément sur un cycle limite.

4. bifurcation blue sky catastrophe dans laquelle un cycle limite entre en collision avec
un cycle non hyperbolique.

Nous allons parler de ces bifurcations en détail dans la prochaine section.

Les bifurcations globales peuvent également impliquer des ensembles plus complexes,
comme les attracteurs chaotiques.

3.2.3 Codimension d’une bifurcation

La codimension d’une bifurcation est le nombre de paramètres qui doivent être mo-
di…és pour la bifurcation de se produire. Cela correspond à la codimension du jeu de
paramètres pour lequel la bifurcation se produit à l’intérieur de l’espace complet de pa-
ramètres. La bifurcations noeud-col et la bifurcations de Hopf sont les seules bifurcations
locales génériques qui sont vraiment codimension-1 (les autres ayant tous codimension
supérieure). Cependant, la bifurcation transctritique et la bifurcations de fourche sont
également souvent considérés comme des bifurcations de codimension-1, parce que les

35
formes normales peuvent être écrites avec un seul paramètre. Un exemple d’une bifurca-
tion de codimension-2 qui a était bien étudié a la bifurcation Bogdanov-Takens.

3.3 Les bifurcations dans R2

Dans cette section, nous allons étudier des systèmes dynamiques planaires dépendant
d’un paramètre réel, que nous noterons a, a 2 R: Nous allons donc étudier des systèmes
dynamiques de la forme : 8
< x0 = f (x; y; a)
: y 0 = g(x; y; a)

Bifurcation selle-noeud (saddle-node)

Dans ce cas on pose

f (x; y) = x2 + a, g(x; y) = y

On obtient le système 8
< x = x2 + a
(3.8)
: y = y

Suivant le signe de a nous distinguons trois cas :

Pour a < 0
p p
Le système admet deux points d’équilibre P1 ( jaj; 0), P2 ( jaj; 0): La matrice ja-
cobienne de manière générale de système (3.8) est.
0 1
2x 0
A=@ A (3.9)
0 1

Donc 0 p 1
2 jaj 0
A(P1 ) = @ A (3.10)
0 1

36
 Fig. 3-2 –Portrait de phase de la bifurcation selle-noeud pour a < 0.

La matrice (3.10) admet deux valeurs propres réelles et de signe négatif : 1 = 1,

p
2 = 2 jaj: Par
conséquent le point P1 est un noeud asymptotiquement stable.
Et 0 p 1
2 jaj 0
A(P2 ) = @ A (3.11)
0 1

La matrice (3.9 ) admet deux valeurs propres réelles, et de signe opposé : 1 = 1,

p
2 = 2 jaj: Par
:
conséquent le point P2 est un point selle (instable). Les isoclines verticales x = 0 sont
p :
les deux droites x = jaj et l’isocline horizontale y = 0 est la droite y = 0. Le portrait
de phase est représenté sur la …gure (3.2).
Pour a = 0
Le système (3.8) sécrit sous la forme :
8
< x: = x2
(3.12)
: y: = y

qui admet l’origine comme unique point d’équilibre. Son matrice jacobienne est la

37
 Fig. 3-3 –Portrait de phase de la bifurcation selle-noeud pour a = 0.

suivante : 0 1
0 0
A(0; 0) = @ A (3.13)
0 1
:
Il s’agit donc, d’un point non hyperbolique. l’isocline horizontale y = 0 est la droite
:
y = 0 et l’isocline verticale x = 0 est la droite x = 0: Le portrait de phase est représenté
sur la …gure (3.3).
Le portrait de phase montre l’apparition d’un noeud stable pour les x < 0 et d’un
point selle pour les x > 0.
Pour a > 0:
Le système (3.8 ) s’ecrit sous la forme :
8
< x: = x2 + a
(3.14)
: y: = y

Il n’a aucun point d’équilibre. La variable x est toujours croissante. La variable y est
croissante pour les y < 0 et décroissante pour les y > 0, comme le montre le portrait de
phase représenté sur la …gure (3.4).
Il s’agit, d’une bifurcation selle-noeud. et correspond à l’apparition simultanée de
deux points d’équilibre, l’un instable (un point selle) et l’autre asymptotiquement stable
(un noeud). D’une manière générale, cette bifurcation se produit lorsque deux isoclines

38
 Fig. 3-4 –Portrait de phase de la bifurcation selle-noeud pour a > 0.

Fig. 3-5 –Diagramme de la bifurcation selle-noeud.

: :
de natures di¤érentes, c’est-à-dire l’une verticale x = 0 et l’autre horizontale y = 0,
initialement disjointes, deviennent tangentes à la bifurcation, et se coupent ensuite en
deux points d’équilibre qui apparaissent.

Bifurcation fourche (pitchfork)

Pour bien étudier cette bifurcation, on pront ce système dynamique :

8
< x: = x( a x2 )
(3.15)
: :
y = y

Selon le signe de paramètre de a, on distingue trois cas :

39
 Pour a < 0
p p
Le système (3.15) admet trois points d’equilibre O(0; 0), P1 ( jaj; 0) et P2 ( jaj; 0):
la matrice Jacobienne de système (3.15) s’écrit de manière générale :
0 1
2
a 3x 0
A=@ A (3.16)
0 1

La matrice A au point O(0; 0) est

0 1
a 0
A(O) = @ A (3.17)
0 1

qui admet deux valeurs propres réelles et de signe opposé : 1 = 1, 2 = a . Par

conséquent, le point O(0; 0) est un point selle (instable).
Et 0 1
4a 0
A(P1 ) = A(P2 ) = @ A (3.18)
0 1

qui admet deux valeurs propres réelles et négatives : 1 = 1, 2 = 4a: Ainsi, ces
deux points d’équilibre sont des noeuds asymptotiquement stables. Les isoclines verticales
: p p :
( x = 0) sont les trois droites : x = 0; x = jaj; et x = jaj: Lisocline horizontale (y
= 0) est la droite y = 0: Le portrait de phase de ce cas est illustré sur la …gure (3.6).
Ce portrait de phase, montre un point selle …xé à l’origine entouré de deux noeuds
asymptotiquement stables, symétriques autour de l’origine, et qui s’en éloignent lorsque
jaj augmente.
Pour a = 0
Dans ce cas, le système (3.15) ce réduit à :
8
< x: = x3
(3.19)
: y: = y

40
 Fig. 3-6 –Portrait de phase de la bifurcation fourche pour a < 0.

qui admet un seule point d’équilibre O(0; 0): La matrice jacobienne a ce point est :
0 1
0 0
A=@ A (3.20)
0 1

Donc, le point O(0; 0) est non hyperbolique. Pour déterminer la stabilité de ce point
d’équilibre on va prendre la fonction de lyapunov suivante :

V (x; y) = x2 + y 2

Puisque
: : :
V = 2xx + 2y y = 2(x4 + y 2 ) < 0

Par conséquent, le point O(0; 0) est asymptotiquement stable. le bassin d’attraction

de ce point d’équilibre est R2 : Comme le montre la …gure (3.7).
Pour a > 0
Le système (3.15) devient sous la forme :
8
< x: = x( a x2 )
: :
y = y

41
 Fig. 3-7 –Portrait de phase de la bifurcation fourche pour a = 0:

Fig. 3-8 –Portrait de phase de la bifurcation fourche pour a > 0:

qui admet un seule point d’équilibre O(0; 0), La matrice Jacobienne en ce point est :
0 1
a 0
A(O) = @ A
0 1

Elle admet deux valeurs propres réelles et négatives : 1 = 1 et 2 = a: Donc le

point O(0; 0) est un noeud asymptotiquement stable, comme illustré sur la …gure (3.8).
Le diagramme de bifurcation de cette bifurcation est donner dans la …gure (3.9)
Pour la bifurcation fourche sous-critique on peut considéré le système dynamique
suivant : 8
< x: = x( a x2 )
(3.21)
: :
y = y

42
 Fig. 3-9 –Diagramme de bifurcation de la bifurcation fourche super-critique.

Fig. 3-10 –Diagramme de bifurcation de la bifurcation fourche sous-critique.

Ce système, admet une bifurcation sous-critique. Sont diagramme de bifurcation est

illustré sur la …gure (3.10).

Bifurcation verticale

Pour étudier cette bifurcation, on considère ce système dynamique :

8
< x: = ax + y
(3.22)
: y: = x + ay

Puisque le système (3.22) est linéaire, ce qui sera le cas pour toutes les bifurcations
verticales.

43
 Fig. 3-11 –Portrait de phase de la bifurcation verticale pour a < 0.

On écrire le système (3.22) sous la forme :

0 1 0 10 1
:
x a 1 x
@ A=@ A@ A (3.23)
:
y 1 a y

Puisque le déterminant de la matrice :

0 1
a 1
A=@ A (3.24)
1 a

est non nul (a2 +1 6= 0) pour tout a 2 R: Le système (3.22) admet un point d’équilibre
unique est O(0; 0): La dynamique du système (3.22) dépend de la trace et du déterminant
de la matrice A. Selon le signe de a: On déstingue trois cas.
Pour a < 0
Dans ce cas, la trace de la matrice est égale à 2a < 0; et le déterminant a2 + 1 > 0.
Ceci permet d’a¢ rmer que l’origine est asymptotiquement stable et qu’elle correspond à
un foyer, comme illustré sur la …gure (3.11).
Pour a = 0

44
 Fig. 3-12 –Portrait de phase de la bifurcation verticale pour a = 0.

Dans ce cas, le système (3.22) se réduit à :

0 1 0 10 1
:
x 0 1 x
@ A=@ A@ A (3.25)
:
y 1 0 y

La forme du système (3.23) correspond au représentant de la classe d’équivalence

topologique des centres, comme illustré sur la …gure (3.12).
Pour a > 0
Dans ce cas, la trace de la matrice vaut 2a > 0. Le déterminant reste inchangé
et strictement positif. le point O(0; 0) est donc un foyer instable. Cette bifurcation est
appelée verticale. Pour a = 0, le point d’équilibre unique O(0; 0) change de nature. Pour
a < 0 , nous avons un foyer asymptotiquement stable. Pour a > 0 , l’origine devient
un foyer instable. Et pour a = 0, l’origine correspond à des centres. Cette bifurcation
correspond à un système linéaire dont le déterminant est toujours positif et dont la trace
change de signe. Le diagramme de la bifurcation de ce cas est illustré dans la …gure (3.13).
La barre verticale en a = 0 signi…e que le point d’équilibre peut prendre n’importe
quelle valeur, on aura toujours des centres. La bifurcation verticale correspond à un sys-
tème linéaire dont la trace de la matrice change de signe à déterminant positif. Nous
allons maintenant étudier le cas d’un système non linéaire dont la partie linéaire se com-
porte de la même manière que précédemment. Cette situation correspond à la bifurcation

45
 Fig. 3-13 –Diagramme de la bifurcation verticale.

de Poincaré-Andronov-Hopf.

Bifurcation de Poincaré-Andronov-Hopf

Bifurcation super-critique de Poincaré-Andronov-Hopf Pour étudier cette bi-

furcation on considère le système dynamique :
0 1 0 10 1 0 1
: 2 2
x a 1 x x(x + y )
@ A=@ A@ A+@ A (3.26)
:
y 1 a y y(x2 + y 2 )
| {z } | {z }
partie linéaire partie non linéaire

Le système (3.26) admet un point déquilibre unique O(0; 0): On remarque que le
système ce compose de deux parties, partie linéaire (identique au système linéaire de la
bifurcation verticale) et une partie non linéaire. La partie linéaire est donc caractérisée
par la matrice : 0 1
a 1
A=@ A
1 a

La trace de la matrice est égale à 2a, le déterminant à a2 + 1 et le discriminant de

l’équation caractéristique vaut 4. les valeurs propres de la matrice A sont complexes
conjuguées et égales à 1;2 =a i: La partie réelle et la partie imaginaire des valeurs
propres sont : Re( 1;2 ) = a, Im( 1;2 ) = 1: Lorsque le paramètre a change de signe,

46
l’origine passe de foyer asymptotiquement stable à foyer instable. Pour déterminer la
stabilité de l’origine, considérons la fonction dé…nie positive suivante :

1
V (x; y) = (x2 + y 2 )
2
: : :
Puisque V (x; y) = xx + y y = (x2 + y 2 )2 < 0: Par conséquent, la fonction V est
une fonction de Lyapunov forte pour le système (3.26). Ainsi, les centres prévus par la
linéarisation ne sont pas conservés et par le théorème de Lyapunov pour fonctions fortes,
nous pouvons conclure que l’origine est asymptotiquement stable lorsque a = 0. Par
ailleurs, le domaine d’attraction de l’origine est R2 . Pour préciser l’allure du portrait de
phase, e¤ectuons le changement en coordonnées polaires (r; ): Les coordonnées polaires
sont dé…nies par les relations suivantes :
8
< r 2 = x2 + y 2
(3.27)
: tan = y
x

Ces relations permettent d’e¤ectuer le passage inverse c’est-à-dire des coordonnées

polaires
vers les coordonnées rectangulaires :
8
< x = r cos
: y = r sin

Par ce changement le système (3.27) devient sous la forme :

8
< r: = r(a r2 )
: (3.28)
: = 1

La solution de la deuxième équation de système (3.28) est de la forme :

(t) = t + (0)

47
Fig. 3-14 –Portrait de phase de la bifurcation de Poincaré-Andronov-Hopf super-critique
pour a 0.

Où (0) est la valeur de l’angle à t = 0: Les trajectoires vont tourner autour de l’ori-
gine. La première équation gouverne la variation de la distance à l’origine. On détermine
le nombre de points d’équilibre selon le signe du paramètre a :
pour a 0
Dans ce cas le système admet un seul point d’équilibre r = 0 qui est asymptotiquement
stable, comme le montre la …g (3.14).
Pour a 0
p
Le système (3.28) admet deux points d’équilibre : r = 0 (stable) et r = a (asymp-
totiquement stable).
p p
Le point r = a correspond donc à un cercle de rayon r = a: Il s’agit d’un cycle
limite asymptotiquement stable, comme représenté sur la …gure (3.15).
Pour a = 0
Il ya un seul point d’équilibre O(0; 0) qui est asymptotiquement stable.
Pour a > 0
Le seul point d’équilibre O(0; 0) est un foyer instable entouré d’un cycle limite asymp-
totiquement stable de rayon r = a:
Le diagramme de bifurcation de cette bifurcation est représenté sur la …gure (3.16).
Le point d’équilibre à l’origine devient instable, et s’entoure d’un cycle limite stable

48
Fig. 3-15 –Portrait de phase de la bifurcation de Poincaré-Andronov-Hopf super-critique
pour a > 0 .

Fig. 3-16 –Diagramme de la bifurcation de Poincaré-Andronov-Hopf super-critique

49
dont l’amplitude (le rayon) augmente avec la racine carrée du paramètre de bifurcation.
Lorsque le cycle limite créé à la bifurcation est asymptotiquement stable, on parle de
bifurcation de Poincaré-Andronov-Hopf super-critique.

Bifurcation sous-critique de Poincaré-Andronov-Hopf Soit le système dynamique :

0 1 0 10 1 0 1
:
x a 1 x x(x2 + y 2 )
@ A=@ A@ A+@ A (3.29)
: 2 2
y 1 a y y(x + y )
| {z } | {z }
partie linéaire partie non linéaire

Pour la partie linéaire on les mêmes conclusions de cas précédent. Pour déterminé la
stabilité de point d’équilibre O(0; 0), on va utilisé la fonction dé…nie positive suivante :

1
V (x; y) = (x2 + y 2 )
2
: : :
On’a V (x; y) = xx + y y = (x2 + y 2 )2 > 0 pour tout (x; y) 2 R2 : Ainsi, d’aprés le
théorème de Lyapunov, le point d’équilibre O(0; 0) est cette fois instable lorsque a = 0.
Pour les autres cas on va utilisé les coordonnées polaires, on obtient le système :
8
< r: = r(a + r2 )
: (3.30)
: = 1

L’angle varie avec une vitesse angulaire constante w = 1: Le nombre de points

d’équilibres de système varie selon le signe de paramètre a:
Pour a < 0
Le système (3.29) admet de points d’équilibres r = 0 (asymptotiquement stable) et
p
r= a (instable).
p
Celui-ci correspond à un cercle de rayon r = a qui est une trajectoire fermée isolée
parcourue à la vitesse angulaire w = 1 et entourant un foyer asymptotiquement stable.
Il s’agit donc d’un cycle limite instable, ce cas est représenté sur la …gure (3.17).

50
Fig. 3-17 –Portrait de phase de la bifurcation de Poincaré-Andronov-Hopf sous-critique
pour a < 0.

Fig. 3-18 –Portrait de phase de la bifurcation de Poincaré-Andronov-Hopf sous-critique

pour a 0:

Pour a > 0
Le système admet un seul point d’équilibre r = 0 (instable), ce cas est représenté sur
la …gure (3.18).
Le diagramme de cette bifurcation est représenté sur la …gure (3.19).

Théorème de Poincaré-Andronov-Hopf

Le théorème de Poincaré-Bendixson n’est pas toujours facilement applicable, il nous

permet de démontrer plus aisément l’existence de solutions périodiques correspondant à

51
 Fig. 3-19 –Diagramme de bifurcation de Poincaré-Andronov-Hopf sous-critique.

un cycle limite. De plus, le théorème de Poincaré-Bendixson qui n’est valable que dans
le plan, il est applicable seulement en dimension supérieure à deux.

Théorème 3.4 (P-A-H) :

Soit le système dynamique :

8
< x0 = f (x; y; a)
(3.31)
: y 0 = g(x; y; a)

Supposons que le système (3.31) a un seule point d’équilibre P x(a); y(a) : Soit A (P ) la
matrice Jacobienne calculée au point d’équilibre. Supposons que les valeurs propres de la
matrice Jacobienne sont complexes conjuguées et s’écrivent sous la forme : 1;2 = (a) +
i (a): Soit une valeur a particulière du paramètre a pour laquelle on a (a) = 0, (a) 6= 0
d d
et da a
6= 0: Alors si da a
> 0, trois sont possible :
1. Lorsque a = a (à la bifurcation), il existe des trajectoires concentriques autour de
pont P: Le point d’équilibre P correspond alors à des centres. On parle de bifurcation de
Hopf dégénérée.
2. Lorsque a > a, le point d’équilibre P est asymptotiquement stable, et il existe a0 >
a tel que pour tout a < a < a0 le point P est asymptotiquement stable, et il existe un cycle

52
 r
limite instable dont l’amplitude est proportionnelle à a a : On parle de bifurcation
de Hopf sous-critique.
3. Lorsque a < a, le point d’équilibre P est instable, et il existe a0 < a tel que pour
tout a0 < a < a: Le point P est asymptotiquementr stable, et il existe un cycle limite
instable dont l’amplitude est proportionnelle à a a : On parle de bifurcation de Hopf
sous-critique.

Remarque 3.1 :

d
Dans le cas où da a
< 0, il faut inverser les conclusions, c’est-à-dire que le cycle
limite asymptotiquement stable (resp. instable) apparaît pour des valeurs du paramètre
inférieures (resp. supérieures) à a .
Une bifurcation de Hopf se produit donc, lorsque les valeurs propres du système
linéaire traversent l’axe imaginaire, autrement dit que leur partie réelle peut s’annuler.
Le système linéaire pour a = a prévoit donc des centres. Dans le premier cas, les centres
sont conservés, il s’agit de la bifurcation de P-A-H dégénérée.
Dans le second cas, le théorème prévoit l’existence d’un cycle limite asymptotique-
ment stable pour des valeurs du paramètre supérieures à a . Il s’agit d’une bifurcation
de P-A-H supercritique. En…n, dans le troisième cas, le théorème prévoit un cycle limite
instable pour des valeurs du paramètre inférieures à a. Il s’agit d’une bifurcation de P-A-
H sous-critique.
r Lorsqu’un cycle limite existe, son amplitude est nulle à la bifurcation et
augmente en a a . L’existence d’un cycle limite est garantie jusqu’à une valeur a0
qui dépendra de chaque cas, cette valeur assure que les valeurs propres sont complexes
conjuguées. Dans le cas où il existe des centres à la bifurcation (cas 1), il est nécessaire de
mettre en évidence une intégrale première présentant un extremum au point d’équilibre.
Le théorème ne permet pas de déterminer lequel des trois cas. Pour cela, il est nécessaire
d’utiliser d’autres méthodes.

Utilisation d’une fonction de Lyapunov Dans le cas de la bifurcation de P-A-H

super-critique générique de la subsubsection précidente, on se rappelle que O(0; 0) (point

53
d’équilibre unique) est asymptotiquement stable à la bifurcation. Une première méthode
pour démontrer que la bifurcation est super-critique (c’est-à-dire que le cycle limite est
asymptotiquement stable) consiste à rechercher une fonction de Lyapunov permettant de
démontrer la stabilité asymptotique du point d’équilibre P x(a); y(a) pour la valeur
a = a:

Exemple 3.1 : Soit le système dynamique suivant :

8
< :
x =y
(3.32)
: y: = x ay 1 3
y
3

Le point O(0; 0) est l’unique point d’équilibre de système (3.32). La matrice Jacobienne
de la partie linéaire de système (3.32) est :
0 1
0 1
A=@ A
1 a

Les valeurs propres de cette matrice sont :

p
a j4 a2 j
1;2 = i
2 2

a
Pour 2 < a < 2; Re ( 1;2 ) = = 0 pour a = a = 0: par contre Im ( 1;2 ) =
p 2
j4 a2 j d Re( 1;2 ) 1
2
= 1 pour a = 0: De plus, nous avons da
(0) = 2
6= 0: D’aprés le théorème
de P-A-H, L’origine est un foyer instable pour a < 0; et un foyer stable.
Pour a > 0. Pour déterminer s’il existe un cycle limite asymptotiquement stable,
utilisons la fonction dé…nie positive suivante :

1
V (x; y) = (x2 + y 2 )
2
:
1 4
Sa dérivée par rapport au temps est : V (x; y) = ay 2 3
y : elle n’est pas tou-
jour négative. V est donc une fonction de Lyapunov faible pour notre système, puisque

54
 Fig. 3-20 –Portrait de phase pour une valeur de a < 0:

:
V (x; y) 0 pour tout a 0: Par conséquent, en utilisant le théorème de Lyapunov pour
la fonction faible, nous pouvons conclure la stabilité asymptotique de l’origine. Il est
maintenant possible de conclure qu’il existe un cycle limite asymptotiquement stable en-
d Re( 1;2 ) 1
tourant l’origine et que puisque da
= 2
< 0: le cycle limite apparaît pour a 0. Il
s’agit donc d’une bifurcation de Hopf super-critique. les deux isocline verticale et horizon-
tale sont la droite d’équation y = 0 qui passe par le point d’équilibre O(0; 0); et la courbe
p
d’équation x = ay 13 y 3 qui passe par l’équilibre O(0; 0), et les deux points (0; 3a),
p
(0; 3a): Le point O(0; 0) est l’unique point d’équilibre et correspond à un foyer in-
stable s’entourant d’un cycle limite asymptotiquement stable, comme est représenté sur
la …gure (3.20).

Utilisation de l’indice de Marsden-McCacken Pour utiliser cette méthode, il faut

mètre le système dynamique étudier sous une forme adéquate.
On va suivre les étapes suivantes :

1. Il faut ramener le système dynamique étudier à l’origine par le changement de

variable : 8
< X=x x0
: Y =y y0

Tel que (x0 ; y0 ) les coordonnées de point d’équilibre de système dynamique.

55
 2. Faire un changement de variables pour mettre la matrice Jacobienne à l’origine
sous sa forme de Jordan lorsque a = a :
0 1
0 !
A=@ A
! 0

3. Il faut calculer l’indice I de Marsden-McCracken comme suit :

I = !(fxxx + fxyy + gxxy + gyyy ) + gxy (gxx + gyy ) fxy (fxx + fyy ) + fxx gxx fyy gyy

@2f
Où fxy = @x@y
est calculée au point d’équilibre (l’origine) pour a = a et ainsi de suite.
On déstingue trois cas :

a. Si I < 0 : le point d’équilibre est stable.

b. Si I > 0 : le point d’équilibre est instable.

c. Si I = 0 : on ne peut rien conclure par cette méthode.

Exemple 3.2 : On va appliquer cette méthode sur l’example (3.32). La matrice jaco-
bienne de système dynamique est :
0 1
0 1
A=@ A
1 0

Par conséquent, ! = 1:
a aussi : fxy = fxx = fyy = fxxx = fxyy = 0; gxy = gxx = gyy = gxxy = 0, et gxxy = 2:
On obtient : I = 2 0: Ce qui con…rme que le point d’équilibre est asymptotiqument
stable. Il ’existe une bifurcation super-critique et un cycle limite asymptotiquement stable.

Bifurcation par doublement de la période

En mathématiques, une bifurcation par doublement de la période dans un système

dynamique discret est une bifurcation dans laquelle le système passe à un nouveau com-

56
portement à deux fois la période du système d’origine. Autrement dit, il existe deux
points tels que l’application de la dynamique de chacun des points donne l’autre point.
Bifurcation par doublement de la période peuvent également se produire dans les sys-
tèmes de dynamiques continus, à savoir quand un nouveau cycle limite apparaît d’un
cycle limite existante, et la période du nouveau cycle limite est le double de celle de
l’ancien.

Dé…nition 3.3 : Une application Fa dépendant d’un paramètre a admet une bifurcation
par doublement de la période en a1 s’il existe un intervalle ouvert I 2 R contenant
exactement un point …xe Pa de Fa tel que : a 2 [a1 ; a1 + ] :

1. le point …xe Pa1 est attractif et Pa1 + n’a pas d’autres points …xes dans I.

2. le point …xe Pa1 est neutre et Fa1 n’a pas d’autres points …xes dans I.

3. le point …xe Pa1 + est répulsif et Fa1 + a une orbite périodique attractive de période
2 dans I.

Remarque 3.2 : Inverser a1 et a1 + ne modi…e pas la dé…nition. La dé…nition

reste valable pour un point …xe répulsif qui devient attractif en créant une orbite pério-
dique répulsive de période 2. Lorsque l’application Fa a une bifurcation par doublement
de période en a1 , on dit que Fa2 = Fa oFa a une bifurcation fourche en a1 . Plus géné-
ralement, on dit que Fa a une bifurcation par doublement de période en a1 , si n-ième
itirée Fan = Fa oFa :::Fa véri…e les critères de la dé…nition (3.3). En d’autres termes, si
une orbite de longueur n change de stabilité en a1 et crée une orbite de longueur 2n de
stabilité initiale, alors il ya une bifurcation par doublement de la période en a1 .

Exemple 3.3 : Le meilleur exemple sur cette bifurcation est la suite logistique :

xn+1 = axn (1 xn ) avec x0 2 [0; 1] et a 2 [0; 4] (3.33)

p
1. Si 3 < a < 1 + 6 ' 3:45, elle …nit par osciller entre deux valeurs ( la période est 2).

57
Fig. 3-21 –Le diagramme de la bifurcation doublement de période de suite la logistique
pour x0 2 [0; 1] et a 2 [2:4; 4]

2. Si 3:45 < a < 3:54, elle …nit par osciller entre quatre valeurs (la période est 4).

3. Si a est légèrement plus grand que 3; 54, la population …nit par osciller entre huit
valeurs, puis 16, 32, etc.(la période est 8, 16, 32, etc).

4. Si 3:57 < a < 4, la période est invisible (nous ne pouvons pas la déterminés).

Le diagramme de bifurcation (3.21) permet de résumer tout cela:

Bifurcation de Neimark-sacker

La bifurcation Neimark-sacker est la naissance d’une courbe invariante fermée à partir

d’un point …xe dans les systèmes dynamiques avec le temps discret (cartes itérées), lorsque
le point …xe change la stabilité via une paire de valeurs propres complexes avec le module
de l’unité. La bifurcation peut être supercritique ou sous-critique, ce qui entraîne une
courbe stable ou instable (dans un collecteur bidimensionnel invariant) invariante fermé,
respectivement. Le critère pour véri…er si la bifurcation se produit est similaire à celle de
procédure de Hopf avec quelques dix
oérences simple. Cette note se concentre sur le cas de
2D.
Soit le système dynamique :
:
x = f (x; a) (3.34)

58
 On suppose que le système (3.34) admet un seul point d’équilibre Pa est elle existe
sur un intervalle des valeurs de a d’intérêt, et en outre la matrice jacobienne de la carte
au point Pa a une paire de valeurs propres :

a = Ra ei a

Si, a = a0

Ra = 1 et 0 < a0 <

Est
dRa
(a0 ) 6= 0 et eik a (a0 )
6= 1; k = 1; 2; 3; 4
da
La bifurcation de Neimark-sacker se produit à a = a0 .

Exemple 3.4 : Soit l’pplication suivante :

8
< x: = ax(1 y)
(3.35)
: :
y =x

1 1
Le système dynamique admet deux points …xes P1 (0; 0) et P2 (1 a
;1 a
): La matrice
Jacobienne au point P2 admet une paire de valeur propres :

p p
a = a 1ei arg tg( 4a 5)

Donc nous avons :

p p
Ra = a 1 et a = arg tg( 4a 5)

On a Ra = 1 donne
a0 = 2 et 0 =
3

59
Par conséquent
p p p
dRa 1 1+i 3 1+i 3 1 i 3
(a0 ) = p 6= 0; eik a (a0 )
=e ik 3
= ; ; 1; 6= 1
da 2 2 2 2 2

pour k = 1; 2; 3; 4 respectivement. Donc il ya une bifurcation de Neimark-sacker qui ce

1 1
produit au point P2 (1 a
;1 a
) pour a = a0 = 2:

3.4 Bifurcation de hopf dans les systèmes dynamiques

discrets
Il ya une contrepartie à temps discret de la bifurcation de Hopf. Il se produit lorsqu’une
paire de valeurs propres complexes conjuguées de l’application traverse le cercle unité. Il
est un peu plus compliqué que la version pour les ‡ux. Le théorème correspondant a été
prouvé de façon indépendante par Naimark et sacker et la bifurcation est donc parfois
appelé la bifurcation Naimark-sacker.
Considérons la carte planaire F = (f ; g ) : IR2 ! IR2 , de paramètre , et supposons
qu’il a un point …xe (x0 ; y0 ), qui peut dépendre de . Supposons en outre que, à ce point
…xe DF (la matrice jacobienne) a une paire de valeurs propres complexe conjugué¸ ( ),
i!( )
( ) = j ( )j e , et que, pour une certaine valeur de = 0, les conditions suivantes
sont satisfaites :

1. Condition de non-hyperbolicité
j ( 0 )j = 1

2. Condition de résonance non-forte

k
( 0 ) 6= 1 pour k = 1; 2; 3; 4

3. Condition de transversalité

60
 d j ( )j
= d 6= 0
d = 0

4. Conditions de généricité

2eic )e 2ic
(1 1
a 6= 0; où a = Re ic
c11 c20 jc11 j2 jc02 j2 + Re(e ic
c21 );
1 e 2
@g
c = !( 0 ); sgn(!( 0 ) = sgn j = 0 (x0 ; y0 )
@x

Et
c20 = 81 [(fxx fyy + 2gxy ) + i (gxx gyy 2fxy )]:
c11 = 41 [(fxx + fyy ) + i (gxx + gyy )]:
c02 = 18 [(fxx fyy 2gxy ) + i (gxx gyy + 2fxy )]:
1
c21 = 16
[(fxxx + fxyy + gxxy + gyyy ) + i (gxxx + gxyy fxxy fyyy )]:
Puis une courbe fermée simple invariant bifurque soit en > 0 ou < 0, selon
les signes de d et a. Ce cercle invariant est attractif, si elle bifurque dans la région de
l’origine où est instable (une bifurcation surcritique) et répulsif, si elle bifurque dans
la région dont l’origine est stable (une bifurcation sous-critique). Notons que ce résultat
ne dit rien sur la dynamique sur le cercle invariant. En fait, la dynamique sur le cercle a
la complexité des cartes de cercle dits (y compris la possibilité d’avoir attirer les orbites
périodiques sur le cercle invariant), et dépend de sensibilité sur toute la perturbation (voir
l’exemple ci-dessous). Par conséquent, contrairement à la bifurcation de Hopf pour les
systèmes continus, la bifurcation de Hopf pour les applications est pas structurellement
stable.

Exemple 3.5 : Considérons la famille des applications suivantes :

0 1
x
F @ A = (1 + d + a(x2 + y 2 )) (3.36)
y

61
 0 10 1
cos(c + b(x2 + y 2 )) sin(c + b(x2 + y 2 )) x
@ A@ A
2 2 2 2
sin(c + b(x + y )) cos(c + b(x + y )) y

L’origine est un point …xe pour chaque . La matrice jacobienne de F à ce point …xe
est : 0 1
cos c sin c
DF (0; 0) = (1 + d ) @ A (3.37)
sin c cos c

et les valeurs propres sont :

ic
( ); ( ) = (1 + d )e (3.38)

p
La carte prend un simple forme en coordonnées polaires r = x2 + y 2 , = artg( xy ) :
0 1 0 1
2
r r(1 + d + ar )
@ A!@ A (3.39)
2
+ c + br

Cette carte codimension-5 est en fait la forme normale de la bifurcation de Hopf jus-
qu’à les termes cubiques (soit, par un changement en douceur des coordonnées que nous
pouvons apporter toute F dans cette forme (plus des termes d’ordre supérieur)). Les
paramètres a, c et d dans (4.35) et (4.38) sont précisément ceux qui sont dé…nis dans les
conditions ci-dessus. Nous choisissons a = 0; 02, b = c = 0; 1, d = 0; 2. La carte est
ensuite soumis à une bifurcation de Hopf supercritique à = 0, comme illustré dans la
…gure (3.22).

Pour > 0 su¢ samment petit, nous avons un cercle invariant attractif donnée par:
q
d
r= a
(…g ). Sur le cercle de la carte est donnée par: ! + c bda . Cela est tout
bd
simplement une rotation d’un angle …xe : =c a
, donnant des orbites périodiques
2 2
si 2 Q, ou des orbites denses (irrationnelles) si, 2 R=Q:

62
3.4.1 Dégénération de la bifurcation de Hopf

Si, une ou plusieurs des conditions énumérées pour une bifurcation de Hopf ne sont pas
satisfaits (par exemple en raison de symétrie), on peut encore avoir l’émergence d’une
orbite périodique, mais quelques-unes des conclusions du théorème peut cesser d’être
vrai. La bifurcation est alors appelé la bifurcation de Hopf dégénéré. Par exemple, si la
condition de transversalité est pas respecté le point …xe ne peut pas changer la stabilité,
ou des solutions périodiques multiples peut bifurquer. Un cas important est fourni par un
système hamiltonien, qui a des valeurs propres complexes viennent dans la symétrique
quadruples et donc, la condition de transversalité ne peut être satisfaite. Voilà pourquoi la
bifurcation analogue dans les systèmes hamiltoniens est beaucoup plus compliqué. Pour
une chose, il a besoin d’un espace de phase de quatre dimension.

3.4.2 Généralisation en dimension supérieure

Dans cette sous section, nous présentons l’étude des bifurcations en dimensions supé-
rieure où égale à deux. Il s’agit d’une généralisation de l’étude des bifurcations présentées
précédemment. Prenons par exemple, une équation dans espace des phases de trois dimen-
sion. Soit X(x1 (t); x2 (t); x3 (t)) un vecteur véri…ant l’équation X 0 = F (X): La démarche
est toujours la même : recherche des points d’équilibre, étude de la stabilité de ces points,
et diagramme de bifurcation.
En cherche les points X tels que, F (X ) = 0: L’étude de la stabilité s’e¤ectue en
introduisant une perturbation vectorielle : U = (u1 (t); u2 (t); u3 (t)) au voisinage de X :
Puis on utilise un développement de Taylor de F à l’ordre 1 :

X 0 = U 0 = F (X + U ) = A:U + O(U 2 )

Où, A désigne la matrice jacobienne de F évaluée en X : Supposons dans un premier

temps, que la matrice A est diagonalisable; c’est-à-dire, son polynôme caractéristique
associé possède alors, trois racines non nulles, dont l’une est réelle, et les deux autres

63
sont soit réelles, soit comlexes conjuguées. Notons k = k + i! k les valeures propres de
A pour k = 1; 2; 3:
Ainsi, chaque composante uk véri…ent l’équation u0k = k uk ;qui admet des solutions
du type uk (t) = uk (0)e kt .
Comme e kt = je kt j ;on a alors, les deux cas suivants :

1. Si, k < 0; le point d’équilibre est stable dans la direction du vecteur propre associé
à k:

2. Si, k > 0, le point d’équilibre est instable dans la direction du vecteur propre
associé à k:

On se ramène pour chaque direction propre aux cas précédemment étudiés.

Dans le cas où il ya une valeur propre réelle et deux valeurs propres complexes conju-
guées. la représentation des valeurs propres de la matrice jacobienne A dans le plan
complexe permet d’étudier le comportement du système. On a alors, les deux cas sui-
vants :
Le premier cas :
Soit, le système se déstabilise par passage de l’axe des ordonnées de sa valeur propre
réelle.

1. Soit, il n’y a pas eu de brisure de la symétrie dans l’évolution du système alors, il y a

eu une bifurcationnoeud-col.

2. Soit, il y avait e¤ectivement une brisure de la symétrie alors, on est en une présence
d’une bifurcation fourche.

Le deuxième cas :
Soit il perd sa stabilité par passage des deux valeurs propres complexes conjuguées
alors, il y a eu une bifurcation de Hopf.

64
3.5 Analyse dynamique d’un système non linéaire en
trois dimensions
Dans cette subsection, on va faire une analyse dynamique d’un système non linéaire
en trois dimensions. Premièrement par la projection sur le plan, et deuxièmement par le
choix du paramètre de bifurcation appropriée. Pour simpli…er cette étude considérons le
systèmes dynamique non linéaire de codimension-7 suivant :
8
>
> dx1
= a1 x 1 + a2 x 2 + a3 x 3
>
< dt
dx2 (3.40)
= x1 x3 + b
>
> dt
>
: dx3
dt
= c1 x1 + c2 x2 x3 + c

Où, ai 6= 0; (1 i 3) ci 6= 0; b 6= 0 et c 6= 0 sont des paramètres réel.

Nous allons etudié d’abord un sous-système du système d’origine, en analysant le
comportement dynamique de celui-ci par l’utilisation d’une dimension inférieure 2-D.
Cela aboutira à l’etude …nale du comportement dynamique.
Par la projection sur le plan (x1 x2 ), on obtient le nouveau système suivant :
8
< dx1
= a1 x 1 + a2 x 2 + a3 x 3
dt
(3.41)
: dx2
= x1 x3 + b
dt

Où x3 est considérée comme une fonction connue de la variable temps t: Lorsque t = t0

le système (3.41) est à deux dimensions linéaires à coe¢ cient constants. La matrice
jacobéenne de système (3.41) est :
0 1
a1 a2
J =@ A
x3 0

On a
det(J) = a2 x 3

65
 Pour: x3 6= 0 on a : det(J) 6= 0:

Le point d’équilibre de système (3)

Le point d’équilibre de système (3.41) ce produit de

dx1 dx2
= =0
dt dt

D’où 8
< a x +a x +a x =0
1 1 2 2 3 3
(3.42)
: x x +b=0
1 3

Avec un simple calcule on obtient

b a1 b a3 x23
xe1 = et xe2 =
x3 a2 x 3

2
b a 1 b a 3 x3
Donc, le système (3.41) à un seule point d’équilibre e x3
; a 2 x3
: Par la translation :

8
< x=x xe1
1
: y=x xe2
2

On peut ramener le point e à l’origine O:

Classi…cation de point d’équilibre suivant les valeurs propres

A partir de la matrice J on obtient :

2
det( I J) = a1 a2 x 3

Posons
det( I J) = 0

66
D’où
2
a1 a2 x 3 = 0 (3.43)

Supposons que : a2 > 0

1. Pour x3 > 0, l’équation(3.43) a deux solutions 1 et 2 tel que : 1 <0< 2 alors, le

point d’équilibre e est un point "selle". La courbe de la solution dans le plan x1 x2
est représentée sur Figure (3.22 (a)) , où les directions des orbites sont représentées
par des ‡èches à l’augmentation du temps t, lorsque t tend vers l’in…ni seuleument
deux orbites se dirigent vers le point d’équilibre e, tendis que les autres divergent
à l’in…ni suivants deux directions déférentes.
a21
2. Pour a1 < 0, et lorsque x3 < 4a2
: L’équation (3.43) possède deux solutions 1 et 2

tel que : 1 < 2 < 0, alors, le point e est un "noeud", ce qui éxplique la tendance
des courbes de solutions sur le plan x1 x2 vers l’in…ni à l’exception de deux orbites
qui tendent vers le point e. Cela est présenté sur Figure (3.22 (b)) ci dessous : Où
le sens des orbites est représenté par des ‡èches.
a21
3. Pour a1 < 0, et lorsque 4a2
< x3 < 0: L’équation (3.43) a deux solutions complexes
conjuguées avec une partie réelle négative, le point déquilibre e est un "puits en
spirale" (foyer). La courbe des solutions sur le plan x1 x2 est représenté sur Figure
(3.22 (c)), où le sens de la ‡èche est la direction de l’orbite à l’augmentation du
temps t. Lorsque t tend vers l’in…ni, toutes les orbites en spirales autour du point
e.

La corrélation entre la variable temps t et la fonction x3 (t)

On remarque que lorsque t tend vers l’in…ni, l’orbite x3 (t) coupe les deux droites
a21
x3 = 4a2
est x3 = 0 alternativement à plusieurs reprises, d’où la division de l’axe x3
a21 a21
en trois domaines disjoints 1, 4a2
, 4a2
,0 et (0 , + 1), ce qui implique
la possession du système (3.41) de di¤érents comportements dynamiques dans les trois
domaines ci-dessus. Quand t tend vers l’in…ni le système (3.41) change de comportement

67
Fig. 3-22 –Le point d’équilibre e est un point "selle" (a), un "noeud" (b), un "puits en
spirale" (c).

dynamique et x3 (t) passe par ces domaines de façon répétée, conduisant à des dynamiques
complexes tels que l’apparition des bifurcations et chaos. Il est noté que le système (3.41)
dépend de temps t lorsque x3 (t) varie dans le temps. On peut véri…er que les deux systèmes
a21
(3.40) et (3.41) sont chaotiques ou la fonction x3 (t) passe par les lignes droites : x3 = 4a2

et x3 = 0, en alternance.

3.5.1 Résumé

Nous avons présenté une méthode pratique pour distinguer les orbites chaotiques, pé-
riodiques et quasi-périodiques. Dans cette section, on a etudié d’abord un sous-système
du système d’origine, en analysant le comportement dynamique de celui-ci par l’utilisa-
tion d’une dimension inférieure (D-2). Cela aboutira à l’etude …nale du comportement
dynamique.

3.5.2 Le point d’équilibre de système (2)

Passons maintenant à chercher le point d’équilibre du système (3.41), il résulte de la

première et la deuxième équation.
b
x3 = (3.44)
x1
Et
a3 b a1 x21
x2 = (3.45)
a2 x1

68
Une substitution de (3.44) et (3.45) dans la troisième équation de système (3.40) donne
alors, une équation algébrique en fonction de x1 comme suit :

a2 c1 x31 + (a1 bc2 + a2 c)x21 a3 c 2 b = 0 (3.46)

Laisser
a1 c 2
a1 bc2 + a2 c = 0 ou c = b (3.47)
a2
Puis sous la condition (3.47), l’équation (3.46) à une racine réelle unique :
r
a3 c 2
x1 = 3
b (3.48)
a2 c 1

Nous obtenons ainsi le point d’équilibre E(x1 ; x2 ; x3 ) du système (3.40).

Linéarisation de système (2) autour de point E(x1 ; x2 ; x3 )

La stabilité de l’état d’équilibre (point E) est analysée en linéarisant le système (3.40)

à E en vertu de la transformation linéaire :
8
>
> x = x1 x0
>
<
y = x2 y0 (3.49)
>
>
>
: z=x
3 z0

Avec 8 q
>
> x = 3 a 3 c2 b
>
< 0 a 2 c1
a3 b a1 x21 (3.50)
> y 0 = a 2 x1
>
>
: z = b
0 x1

69
Le système (3.40) devient sous la forme
8
>
> dx
= a1 x + a2 y + a3 z
>
< dt
dy (3.51)
= z0 x + x0 z + xz
>
> dt
>
: dz
dt
= c1 x + c2 z0 y + c2 y0 z + c2 yz

La matrice Jacobienne A(E) de système (3.51) est :

0 1
a1 a2 a3
B C
B C
A(E) = B z0 0 x0 C (3.52)
@ A
c1 c2 z0 c2 y0

Son polynôme caractéristique est :

3 2
P( ) = +A +B +C (3.53)

Avec 8
>
> A = (c2 y0 + a1 )
>
<
B = bc2 a3 c1 + a1 c2 y0 a2 z0 (3.54)
>
>
>
: C=a c x
2 1 0

Ensuite, les conditions de Routh-Hurwitz conduisent à la condition que les parties réelles
des racines sont négatives si et seulement si: A > 0, C > 0 et AB C > 0: Notons que
les coe¢ cients du polynôme (3.53) sont tous positifs. Donc P ( ) > 0 pour tout > 0,
par conséquent, le seul point d’équilibre est instable (rel( ) > 0). On supose que P ( )
admet deux valeurs propres complexes conjugués. On les notes : 1 = +i! et 2 = i!:
Puisque la somme des trois racines de la cubique P est

1 + 2 + 3 = A (3.55)

Nous avons donc, 3 = A = a1 + c2 y0 qui se trouve sur la marge de stabilité de système

70
(3.40).
De l’égalité (3.55) on a :

c2 a1 x20 + a1 a2 x0 + c2 a3 b
3 = (3.56)
a2 x 0

Puis nous avons :

P ( 3) = AB + C = 0 (3.57)

Avec 8
>
> a a c c x2 +a a bc2 x a a a c b
A = 2 3 1 2 0 a12 a33 c22b 0 1 2 3 2
>
<
(a a a c c +a3 c )x2 a2 a bc2 x +a bc (a bc a 2 a 3 c1 )
B = 1 2 3 1 2 2 1 0 a12 a33 c22 b 0 3 2 2 2 (3.58)
>
>
>
: C=a c x
2 1 0

On rapelle que : r
a3 c 2
x0 = 3
b
a2 c 1
Une substitution de (3.57) dans (3.58) et avec un calcul trés compliqué on obtient :

(a22 a3 bc1 c32 a22 a23 c21 c22 a31 a3 bc41 a21 a22 a3 c1 c2 a1 a42 c1 )x20

+( a1 a2 a23 bc1 c32 a32 a3 bc1 c22 + a1 a2 a3 b2 c42 a1 a2 a23 bc1 c22 + a31 a2 a3 bc22 + a32 a3 bc1 c22 )x0

a21 a23 b2 c42 + a1 a23 b2 c1 c42 + a1 a22 a3 bc32 a1 a22 a3 b2 c22 + a1 a22 a23 bc1 c2 = 0 (3.59)

Où
a31 + a21 + a1 + = 0 (3.60)

Avec 8
>
> = a3 bc41 x20 + a2 a3 bc22 x0
>
>
>
>
>
> = a22 a3 c1 c2 x20 a23 b2 c42
>
<
= a42 c1 x20 + ( a2 a23 bc1 c32 + a2 a3 b2 c42 a2 a23 bc1 c22 )x0 (3.61)
>
>
>
>
>
> +a23 b2 c1 c42 + a22 a3 bc32 a22 a3 b2 c22 + a22 a23 bc1 c2
>
>
>
: = (a2 a bc c3 a2 a2 c2 c2 )x2 + ( a3 a bc c2 + a3 a bc c2 )x
2 3 1 2 2 3 1 2 0 2 3 1 2 2 3 1 2 0

71
Supposant > 0, et que l’équation (3.60) a une seule solution a1 = a0 : Pour a1 = a0
l’équilibre E va perdre sa stabilité, donc une bifurcation de hopf peut se produire. En
utilisant les deux conditions (3.56), (3.57) et pour a1 = a0 le polynôme P ( ) peut s’écrire
sous la forme :
2
P( ) = ( a0 c2 y0 )( + B) (3.62)

Avec
(a0 a2 a3 c1 c2 + a32 c1 )x20 a20 a3 bc22 x0 + a3 bc2 (a2 bc2 a2 a3 c 1 )
B= (3.63)
a2 a3 c 2 b
Il est évident que l’équation P ( ) = 0 a trois racines, une négative, 1 = a0 + c2 y0 et une
paire de racines purement imaginaires conjuguées :
s
(a0 a2 a3 c1 c2 + a32 c1 )x20 a20 a3 bc22 x0 + a3 bc2 (a2 bc2 a2 a3 c 1 )
2;3 = i = id (3.64)
a2 a3 c 2 b

Di¤érencier les deux côtés de l’équation P ( ) = 0 par rapport à a1 : On obtient :

c 2 x0 2 2a1 bc2 x0 a2 c1 x20

d 1 a2
+ a2 b
= 2 (3.65)
dt 3 + 2A + B

D’où

c2 x0 2a0 bc2 x0 a2 c1 x20

d Re 1 a2
1 d2 + (a0 + c2 y0 ) a2 b
ja1 =a0 = <0 (3.66)
da1 2 d2 + (a0 + c2 y0 )2

Et
2a0 bc2 x0 a2 c1 x20 c 2 x0
d Im 1 a2 b
+ (a0 + c2 y0 ) 1 a2
ja1 =a0 = d (3.67)
da1 2 d2 + (a0 + c2 y0 )2

Conclusion 3.5 : Selon le théorème de bifurcation de hopf, nous pouvons conclure que :

1. a0 est la valeur critique.

2. Le point d’équilibre E est stable lorsque a1 < a0 ; et il existe des solutions périodiques

72
 lorsque a1 > a0 :

3. Quand a1 traverse (franchit) la valeur a1 = a0 , le système (3.40) subit une bifurcation

de hopf à l’équilibre E.

3.5.3 Propriété de la bifurcation de hopf

Dans cette section, on va tirer les formules explicites pour déterminer l’orientation,
la stabilité et la période de ces solutions périodiques de bifurcation d’équilibre E pour la
valeur critique a1 = a0 en utilisant des techniques de la forme normale.

3.5.4 Bifurcations super-critique et sous-critique

Laissez les vecteurs propres correspondant aux valeur propres 1 = a0 +c2 y0 et 2 = id

soit v1 et v2 + iv3 : Par des calcules direct, nous obtenons :
8 0 1
>
> 1
>
> B C
>
> B 2 C
>
> v1 B a2 c x2 +(a a 2 c 1 x0 a 0 a 2 b
C
>
> @ 2
2 a +a bc )x +a a bc
0 2 2 2 0 0 3 2 A
>
>
0 0
(a2 c1 +a0 bc22 )x20 a3 b2 c22
2
>
>
>
> 0 a0 a22 x20 a2 a3 bc2 x0 1
>
>
>
> 1
>
< B C
B a0 a2 x20 +a3 d2 x0 a2 a3 b C
v2 B C (3.68)
>
> @ a22 x20 +a23 d2 A
>
> 2 2
c2 b (bc2 d ) c1 c2 x0 y0 2
>
>
>
> 0 ((bc2 d2 )x0 )2 +(c2 dx0 y0 )2 1
>
>
>
> 0
>
> B C
>
> B d(a3 b c2 +a0 a3 c1 x0 +a23 bc1 ) C
2
>
> v 3 B C
>
> @ a2 a3 b2 c2 +a23 c1 d2 x0 A
>
: (c1 c2 b c1 d2 )x20 +c22 b2 y0
((bc2 d2 )x0 )2 +(c2 dx0 y0 )2

On pose
0 1
1 1 0
B C
B a2 c1 x20 a0 a2 b a0 a2 x20 +a3 d2 x0 a2 a3 b d(a3 b2 c2 +a0 a3 c1 x0 +a23 bc1 ) C
P = (v 1 ; v 2 ; v 3 ) = B a20 c2 x20 +(a20 a2 +a2 bc2 )x0 +a0 a3 bc2 a22 x20 +a23 d2 a2 a3 b2 c2 +a23 c1 d2 x0
C
@ A
(a22 c1 +a0 bc22 )x20 a3 b2 c22 c2 b (bc2 d2 ) c1 c22 x0 y0
2 (c1 c2 b c1 d2 )x20 +c22 b2 y0
a0 a22 x20 a2 a3 bc2 x0 ((bc2 d2 )x0 )2 +(c2 dx0 y0 )2 ((bc2 d2 )x0 )2 +(c2 dx0 y0 )2

73
Pour faciliter les calculs, on remplace la matrice P par la suivante :
0 1
1 1 0
B C
B C
B 1 2 3 C (3.69)
@ A
1 2 3

Avec 8
> a2 c1 x20 a0 a2 b
>
> 1 = a20 c2 x20 +(a20 a2 +a2 bc2 )x0 +a0 a3 bc2
<
a0 a2 x20 +a3 d2 x0 a2 a3 b
2 = a22 x20 +a23 d2
(3.70)
>
>
>
: d(a3 b2 c2 +a0 a3 c1 x0 +a23 bc1 )
3 = a2 a3 b2 c2 +a23 c1 d2 x0
8
>
> =
(a22 c1 +a0 bc22 )x20 a3 b2 c22
>
< 1 a0 a22 x20 a2 a3 bc2 x0
c2 b2 (bc2 d2 ) c1 c22 x0 y0
= (3.71)
>
>
2 ((bc2 d2 )x0 )2 +(c2 dx0 y0 )2
>
: (c1 c2 b c1 d2 )x20 +c22 b2 y0
3 = ((bc2 d2 )x0 )2 +(c2 dx0 y0 )2

Ensuite, e¤ectuer la transformation (3.73) sur le système (3.51).

0 1 0 1
x u
B C B 1 C
B C B C
B y C=P B u2 C
@ A @ A
z u3

D’où 0 1 0 1
u1 x
B C B C
B C 1 B C
B u2 C = P B y C (3.72)
@ A @ A
u3 z

De manière à obtenir 8
>
> u = M1 x + M2 y + M3 z
>
< 1
u 2 = N 1 x + N2 y + N 3 z (3.73)
>
>
>
: u =K x+K y+K z
3 1 2 3

74
D’où 8
>
> du1
= du2 + F (u1 ; u2 ; u3 )
>
< dt
du2 (3.74)
= du1 + G(u1 ; u2 ; u3 )
>
> dt
>
: du3
dt
= u3 + H(u1 ; u2 ; u3 )

Avec 8
>
> F (u1 ; u2 ; u3 ) = M2 f (u1 ; u2 ; u3 ) + M3 c2 g(u1 ; u2 ; u3 )
>
>
>
>
>
> G(u1 ; u2 ; u3 ) = N2 f (u1 ; u2 ; u3 ) + N3 c2 g(u1 ; u2 ; u3 )
>
<
H(u1 ; u2 ; u3 ) = K2 f (u1 ; u2 ; u3 ) + K3 c2 g(u1 ; u2 ; u3 ) (3.75)
>
>
>
>
>
> f (u1 ; u2 ; u3 ) = (u1 + u2 )( 1 u1 + 2 u2 + 3 u3 )
>
>
>
: g(u ; u ; u ) = ( u + u + u )( u + u +
1 2 3 1 1 2 2 3 3 1 1 2 2 3 u3 )

8
>
> M = 1 + ( 1 33 )( 23 1
>
< 1 3 1)

M2 = ( 3 (3.76)
>
> 3 3 )( 2 1)
>
: M = 3
3 ( 3 )( 2 1)
3

8
>
> N1 = 3 1 1 3
>
< 3( 2 1) 3( 2 1)

N2 = 3 (3.77)
>
> 3( 2 1) 3( 2 1)
>
: N = 3
3
3( 2 1) 3( 2 1)
8
>
> K = 1 2 1 2
>
< 1 3( 2 1) 3( 2 1)

K2 = 1 2 (3.78)
>
> 3( 2 1) 3( 2 1)
>
: K = 2 1
3
3( 2 1) 3( 2 1)

Appliquer maintenant la méthode de Auchmuty et Nicolis (Hassard et al.1981, Zhang,1991),

à partir de système(3.75), nous pouvons calculer les quantités suivantes à a1 = a0 et
O(0; 0; 0):
Calcule de quantité g11

75
On a :
1 @2F @2F @2G @2G
g11 = + +i +
4 @u21 @u22 @u21 @u22
D’où

1
g11 = [(M2 1 + M2 2 + M3 c 2 1 1 + M3 c 2 2 2 )] + (3.79)
2
1
i [(N2 1 + N2 2 + N3 c 2 1 1 + N3 c 2 2 2 )]
2

Calcule de quantité g02

On a :

1 @2F @2F @2G @2G @2G @2F

g02 = 2 +i + 2
4 @u21 @u22 @u1 @u2 @u21 @u22 @u1 @u2

D’où
2 3
1 4 M2 ( 1 2) + M3 c 2 ( 1 1 2 2) N2 ( 1 + 2)
5+
g02 = (3.80)
2 N3 c 2 ( 2 1+ 1 2)
2 3
1 4 N2 ( 1 2) + N3 c 2 ( 1 1 2 2) + M2 ( 1 + 2) +
5
i
2 M3 c 2 ( 2 1 + 1 2)

Calcule de quantité g20

On a :

1 @2F @2F @2G @2G @2G @2F

g20 = +2 +i 2
4 @u21 @u22 @u1 @u2 @u21 @u22 @u1 @u2

76
 D’où
2 3
1 4 M2 ( 1 2) + M3 c 2 ( 1 1 2 2) + M2 ( 1 + 2) +
5+
g20 = (3.81)
2 M3 c 2 ( 2 1+ 1 2)
2 3
1 4 N2 ( 1 2) + N3 c 2 ( 1 1 2 2) M2 ( 1 + 2)
5
i
2 M3 c 2 ( 2 1+ 1 2)

Calcule de quantité G21

On a :

1 @3F @3F @3G @3G @3G @3G @3F @3F

G21 = + + + +i +
8 @u31 @u1 @u22 @u21 @u2 @u32 @u31 @u1 @u22 @u21 @u2 @u32

D’où
G21 = 0 (3.82)

Calcule de quantité h11

On a :
1 @2H @2H
h11 = +
4 @u21 @u22
D’où
1
h11 = [K2 ( 1 + 2) + K3 c 2 ( 1 1 + 2 2 )] (3.83)
2
Calcule de quantité h20
On a :
1 @2H @2H @2H
h20 = 2i
4 @u21 @u22 @u1 @u2
D’où 2 3
1 4 K2 ( 1 2 ) + K3 c 2 ( 1 1 2 2)
5
h20 = (3.84)
2 i (K2 ( + ) + K3 c2 ( 2 + 1 ))
1 2 1 2

77
On obtient alors les équations suivantes :
8
<
1 ! 11 = h11
: ( 2id) ! 20 = h20
1

La solution du système d’équations ci-dessus est :

8
< ! = h11
11 1
(3.85)
: ! = h20
20 1 2id

D’où
8
>
> ! 11 = K2 ( 1 + 2 )+K3 c2 ( 1 1 + 2 2 )
>
> 2 1
<
K2 1( 1 2 )+K3 c2 ( 1 1 2 2 )+2d(K2 ( 1 + 2 )+K3 c2 ( 2 1 + 2 1 ))
! 20 = + (3.86)
> (
2 21 +4d2 )
>
>
>
: i 2d(K2 ( 1 2 )+K3 c2 ( 1 1 2 2 )) 1 (K2 ( 1 + 2 )+K3 c2 ( 2 1 + 1 2 )
(
2 21 +4d2 )

Maintenent laissez :

1 @2F @2G @2G @2F

G110 = + +i
2 @u1 @3 u @u2 @3 u @u1 @3 u @u2 @3 u

D’où

1
G110 = [ (M2 + N2 ) + 3 c2 (M3 + N3 2) + c2 (M3 1 + N3 2 )] + (3.87)
2 3 1 3

1
i [ (N2 M2 ) + 3 c2 (N3 M3 2) + c2 (N3 1 M3 2 )]
2 3 1 3

Puis nous avons :

g21 = G21 + (2G110 ! 11 + G110 ! 20 )

Aussi laissez :

1 1 g21
C1 (0) = g20 g11 2 jg11 j2 jg02 j2 + (3.88)
2d 3 2

78
 Puis nous navons :
Re(C1 (0))
2 = (3.89)
Re( 0 (a0 ))
Im(C1 (0)) + 2 Im( 0 (a0 ))
2 = (3.90)
d
Et

2 = 2 Re(C1 (0)) (3.91)

Conclusion 3.6 : Il est bien connu que :

1. 2 détermine la direction de la bifurcation de Hopf.

a. Si 2 > 0 la bifurcation de hopf est sous critique.

b. Si 2 < 0 la bifurcation de hopf est super-critique et la solution périodique bifurquée

existe pour : a1 > a0 et a1 < a0 :

2. 2 détermine la stabilité de solution périodique bifurquée.

a. Si 2 < 0 les solutions périodiques bifurquées sur le collecteur du centre sont stables.

b. Si 2 > 0 les solutions périodiques bifurquées sur le collecteur du centre sont instables.

3. 2 détermine les périodes de la bifurcation des solutions périodiques.

a. Si 2 > 0 les périodes augmentent.

b. Si 2 < 0 les périodes diminuent.

Exemple 3.6 : Et en…n, nous allons donner un Exemple numérique du système

(3.40).

Nous posons : a2 = 1:5, a3 = 2, b = 1:3, c1 = 1:5, c2 = 1.

Pour a1 = 1:221
On obtient L’attracteur généré par le système chaotique (3.40). Figure (3.23).
Pour a1 = 1:44
On obtient L’attracteur généré par le système chaotique (3.40). Figure (3.24).

79
Fig. 3-23 – L’attracteur généré par le système chaotique (4.40). Avec, a1 = 1:221;
a2 = 1:5, a3 = 2, b = 1:3, c1 = 1:5, c2 = 1

Fig. 3-24 – L’attracteur généré par le système chaotique (4.40). Avec, a1 = 1:44;
a2 = 1:5, a3 = 2, b = 1:3, c1 = 1:5, c2 = 1

80
3.5.5 Résumé

Dans ce chapitre, un système quadratique autonome en trois dimensions chaotiques

a été étudié. En choisissant un paramètre de bifurcation échéant, j’ai prouvé que la
bifurcation de Hopf se produit lorsque le paramètre de bifurcation a1 traverse la valeur
critique a0 . La direction de la bifurcation de Hopf et la stabilité des solutions périodiques
bifurquées sont analysées en détail.

3.5.6 Les bifurcations globales

Orbites homoclines et hétéroclines Considirons le système dynamique continu

fR1 ; Rn ; 't g dé…ni par le système de EDOs

:
x = f (x); (x1 ; x2 ; :::; x3 )T 2 Rn (3.92)

Où f est lisse. Soit x0 , x1 et x2 les points d’équilibres de système (3.92).

Dé…nition 3.4 : Un orbite 0 qui départ par le point x 2 Rn est dite homocline
au point x0 de système (3.93) si :

Lim ('t ) = x0
t! 1

Une orbite homocline est une trajectoire d’un écoulement d’un système dynamique
qui se joint à un point d’équilibre elle-même. Plus précisément, une orbite homo-
cline se trouve dans l’intersection de la variété stable et le collecteur d’un équilibre
instable.

Dé…nition 3.5 : Un orbite 0 qui départ par le point x 2 Rn est dite homocline au
point x0 et x1 de système (3.93) si :

Lim ('t ) = x0
t! 1

81
 Est
Lim ('t ) = x1
t!+1

Une orbite hétéroclinique (parfois appelé une connexion hétéroclinique) est une tra-
jectoire dans l’espace de phase qui relie deux points d’équilibre di¤érents. Si les
points d’équilibre au début et à la …n de l’orbite sont les mêmes, l’orbite est dite
homocline.

Bifurcations homocline Une bifurcation homocline, est une bifurcation globale qui
se produit souvent quand une orbite périodique entre en collision avec un point selle.
La …gure (3.25) montre un portrait de phase avant, pendant et après une bifurcation
homocline en 2D. L’orbite périodique développe jusqu’à ce qu’il entre en collision avec
le point selle. Au point de bifurcation de la période de l’orbite périodique a augmenté
à l’in…ni et il est devenu une orbite homocline. Après la bifurcation il n’y a plus une
orbite périodique. La bifurcations homoclines peuvent se produire supercritique ou sous-
critique. La …gure (3.25) présente une bifurcation homocline de " type I " en 2D, il
ya une bifurcation homocline " type II ", dans lequel l’orbite homoclines «pièges» les
autres extrémités des collecteurs stables et instables de point selle. En trois dimensions
ou plus, les bifurcations homocline d’une grande codimension peuvent se produire, mais
la production dynamique sera complexe, elle peut-être chaotiques.

Bifurcations hétéroclinique Une bifurcation hétéroclinique est une bifurcation glo-

bale impliquant un cycle hétéroclinique. Bifurcations hétéroclines sont de deux types :
les bifurcations par résonance et bifurcations transversales. Les deux types de bifurcation
se traduira par la modi…cation de la stabilité du cycle hétéroclinique. A une bifurcation
par résonance, la stabilité du cycle change quand une condition algébrique sur les valeurs
propres de l’équilibre dans le cycle est satisfaite. Cela est généralement accompagnée par
la naissance ou la disparition d’une orbite périodique. Une bifurcation transversale d’un
cycle hétéroclinique se produit lorsque la partie réelle d’une valeur propre transversal de

82
Fig. 3-25 –Bifurcation homocline : Pour de petites valeurs de paramètres, il ya un point
selle à l’origine et un cycle limite (a). Comme le paramètre de bifurcation augmente, le
cycle limite développe jusqu’à ce qu’il croise exactement le point selle, ce qui donne une
orbite de longueur in…nie (b). Lorsque le paramètre de bifurcation augmente encore, le
cycle limite disparaît complètement (c).

l’un des équilibres dans le cycle passe par zéro. Cela permettra également de faire un
changement de la stabilité du cycle hétéroclinique.

Exemple 3.7 : Considérons le système dynamique suivant :

8
< :
x =y
(3.93)
: y: = x + ay x2

Les point d’équilibres de système (3.93) sont P1 (0; 0) et P2 (1; 0). La matrice Jacobienne
est : 0 1
0 1
A=@ A (3.94)
1 2x a

On a 0 1
0 1
A(P1 ) = @ A
1 a

Puisque Det(A(P1 )) = 1 < 0: Donc P1 est un point selle.

0 1
0 1
A(P2 ) = @ A
1 a

83
On a
Det(A(P1 )) = 1; tr = a; = a2 4

Donc, pour 2 < a < 2: Le point d’équilibre P2 est un foyer asymptotiquement stable si :
2 a 0, instable si 0 < a < 2. Par conséquent la valeur de bifurcation est a0 = 0.
Donc on va voir que se passe-t-il si : a = a0 :Soit la fonction dé…nie positive suivante :

1
V (x; y) = (x2 + y 2 )
2

On a
: : :
V (x; y) = xx + y y

D’où
:
V (x; y) = 2xy x2 y
:
On remarque que le signe de V (x; y) n’est pas clair. On peut alors soit calculer l’indice de
Marsden-McCraken, soit rechercher la possibilité de centres par une intégrale première.On
à
dy x x2
=
dx y
D’où
y2 x2 x3
= +C
2 2 3
On peut prendre la fonction:

y2 x2 x3
H(x; y) = +
2 2 3

comme solution de système (3.93). On peut aussi véri…er que le point P2 (1; 0) est un
minimum à cette fonction, et les courbes de niveaux de H(x; y) = C se referment autour
de ce point. On a donc des centres. On remarque aussi que la courbe H(x; y) = 0 est une

84
 Fig. 3-26 –Portrait de phase de système (4.95) pour a = 1:

Fig. 3-27 –Portrait de phase de système (4.95) pour a = 0:

trajectoire homocline. L’équation H(x; y) = 0 donne :

s
2 2
y= x 1 x avec 1 x>0
3 3

Il s’agit d’une bifurcation homocline, comme illustré sur les …gures (3.26), (3.27) et
(3.28).

bifurcation de période in…nie Une bifurcation de période in…nie est une bifurcation
globale qui peut se produire lorsque deux points …xes apparaissent sur un cycle limite.
Lorsque la limite d’un paramètre se rapproche d’une certaine valeur critique, la vitesse

85
 Fig. 3-28 –Portrait de phase de système (4.95) pour a = 1:

de l’oscillation ralentit et la période tend vers à l’in…ni. La bifurcation de période in…nie

se produit à cette valeur critique. Au-delà de la valeur critique, les deux points …xes
émergent en permanence l’une de l’autre sur le cycle limite pour perturber l’oscillation
et forment deux points de selle.

Bifurcation blue sky catastrophe La bifurcation blue sky catastrophe est un type
de bifurcation d’une orbite périodique. En d’autres termes, il décrit une sorte de com-
portement des solutions stables d’un ensemble d’équations di¤érentielles, elle peut subir
quand les équations sont progressivement modi…ées. Ce type de bifurcation est carac-
térisé à la fois par la période et la longueur de l’orbite approchant à l’in…ni lorsque le
paramètre de contrôle se rapproche d’une valeur de bifurcation …nie, mais avec l’orbite
restant dans une partie limitée de l’espace de phase, et sans perte de stabilité avant la
bifurcation de point. En d’autres termes, l’orbite disparaît dans le blue sky.
La bifurcation a été appliquée dans des modèles lent-rapide de neurosciences compu-
tationnelles. La possibilité du phénomène a été soulevée par David Ruelle et Floris Takens
en 1971, et exploré par R. Devaney et d’autres. Cette bifurcation a également été trouvé
dans le contexte de la dynamique des ‡uides, pour savoir la convection de double di¤usion
d’un ‡uide de faible nombre de Prandtl. Le double di¤usion par convection se produit
lorsque du ‡uide est entraîné par les deux gradients thermiques et de concentration, et
les di¤usivités de température et de concentration prendre des valeurs di¤érentes.

86
 La bifurcation se trouve dans une orbite qui apparaît dans une bifurcation globale
selle boucle, devient chaotique dans une cascade de doublement de la période, et disparaît
dans le blue sky catastrophe.

La bifurcation de Bogdanov–Takens Dans la théorie des bifurcations, une bifurca-

tion Bogdanov-Takens est un exemple bien étudié d’une bifurcation de codimension-2,
ce qui signi…e que deux paramètres doivent être modi…és pour la bifurcation de se pro-
duire. Il est nommé d’après R. Bogdanov et F. Takens, qui a décrit indépendamment
et simultanément cette bifurcation.
Un système x0 = f (x) subit une bifurcation Bogdanov-Takens si elle a un point
…xe et la linéarisation de f autour de ce point a une valeur propre double égal à zéro
(en supposant que certaines conditions de non-dégénérescence techniques sont satisfaits).
Trois bifurcations de codimension-1 se produisent à proximité : une bifurcation noeud-
col, une bifurcation Andronov-Hopf et une bifurcation homocline. Toutes les courbes
de bifurcation associés répondent à la bifurcation Bogdanov-Takens. La forme normale
de la bifurcation Bogdanov-Takens est :
8
< :
x =y
(3.95)
: y: = a + bx + x2 xy

3.5.7 Méthode standard d’étudier les bifurcations dans les sys-

tèmes dynamiques discret

Nous considérons le système dynamique discret (la carte) suivant

xn+1 = f (xn ) (3.96)

L’étude des bifurcations d’un système dynamique discret passe par les étapes suivantes :

I. Localisez le point …xe x de l’application (3.97).

87
 xn+1 = xn = x

II. Linéariser localement le système discret dans le voisinage d’un point …xe par l’obten-
tion de la matrice jacobienne.

III. Obtenir les valeurs propres de la matrice jacobienne A de système (3.97). Les valeurs
propres indiquent le type de point …xe.
Si, 1 et 2 les deux valeurs propres de A, on a les cas suivants :

1 et 2 réels.

1. Point attractif si, 0 < 1, 2 < 1:

2. Point répulsif si, 1 > 1, 2 > 1:

3. Une selle régulière si, 0 < 1 < 1, 2 > 1:

4. Une selle ‡ip si, 0 < 1 < 1, 2 < 1:

1 et 2 complexes.

1. Un attracteur en spirale si, j 1 j < 1, j 2 j < 1:

2. Un répulsif en spirale si, j 1 j > 1, j 2 j > 1:

Remarque 3.3 :

1. La bifurcation se produit lorsque un point …xe perd sa stabilité.

2. La condition de la stabilité d’un point …xe j j < 1, i.e., les valeurs propres devrait
rester à l’intérieur du cercle unité.

3. La classi…cation des bifurcations dépend du lieu où une valeur propre traverse le

cercle unité.

4. Les systèmes dynamiques lisses peuvent perdre la stabilité de trois façons possibles.

a. Une bifurcation de doublement de période si : les valeurs propres traverse le cercle

unité sur la ligne réelle négative. Dans la bifurcation de doublement de période, un
point …xe devient instable et une autre orbite périodique double stable émerge.

88
b. Une selle-nœud ou une bifurcation plier si : une valeur propre touche le cercle unité
sur la ligne réel positif. Dans une bifurcation selle-nœud, une paire de nouveaux
points …xes sont créés, une stable et l’autre instable sont responsable de fenêtres
périodiques.

c. Une bifurcation de hopf ou une bifurcation de Naimark si : une paire de valeurs propres
complexe conjugué traversent le cercle unité. Dans une bifurcation de Naimark,
une orbite périodique change à une orbite quasi-périodique (sommation de deux
fréquences incommensurables).

3.5.8 Les systèmes dynamiques hybrides

Sont des systèmes dynamiques avec l’évolution en temps continu, ponctué par des
événements discrets par exemple les circuits électroniques de puissance, circuits non li-
néaires comme l’oscillateur Colpitts, circuit de Chua etc, robots capables de marcher,
Les systèmes hydrauliques avec vannes d’arrêt, le cœur humain, les systèmes continus
commandés par une logique discrète...etc.
Dans les systèmes dynamiques hybrides, certains événements discrets se produisent
lorsque certaines conditions sur les variables d’état sont satisfaits. Les événements dis-
crets signi…ent un changement dans les temps continu variable d’état des équations.
Mathématiquement, ce type de systèmes peut être écrit sur la forme :
8
>
> f1 (x; ) : x 2 R1
>
>
>
>
>
> f2 (x; ) : x 2 R2
>
>
>
>
< :
0
x = f (x; ) = (3.97)
>
> :
>
>
>
>
>
> :
>
>
>
>
: f (x; ) : x 2 R
n n

Où R1 , R2 ,...,Rn sont di¤érentes régions de l’espace d’état, et est un paramètre de

système. Les régions sont divisées par les conditions d’événements discrets. En l’espace

89
d’état ce sont (n 1) surfaces dimensionnelles données par les équations algébriques de
la forme :
n (x) =0

Ce sont les variétés de commutation. Il peut aussi y avoir des systèmes où l’etat
ne bouge pas entre les compartiments dans l’espace de l’Etat, mais les événements de
commutation modi…er les équations d’état :
8
>
> f1 (x; ) : 1 (x) =0
>
>
>
>
>
> f2 (x; ) : 2 (x) =0
>
>
>
>
< :
x0 = f (x; ) = (3.98)
>
> :
>
>
>
>
>
> :
>
>
>
>
: f (x; ) :
n n (x) =0

Où 1 (x), 2 (x), ..., n (x) sont des conditions de commutation. Il peut aussi y avoir
des systèmes où les équations d’état ne le font pas changer, mais la variable d’état passe à
une valeur di¤érente en tant que la condition de commutation est satisfaite. La frontière
dans le domaine discret correspond à la condition où l’orbite passe par la variétés de
commutation dans le système à temps continu.

90
Chapitre 4

Bifurcations collision de la frontière

4.1 Dynamique des Cartes lisses par morceaux

Si un point …xe perd sa stabilité tandis que dans chaque côté, les bifurcations obtenus
peuvent être classées sous les classes génériques des bifurcations lisses. Mais que faire si
un point …xe traverse la frontière quand un paramètre est varié ?
Les valeurs propres peuvent passer d’une valeur à une autre valeur dans le cercle
unité. Les bifurcations résultant sont appelés bifurcations collision de la frontière. Donc
dans la commutation des systèmes dynamiques la séquence de bifurcation est gouverné
par une interaction complexe entre les bifurcations lisses et les bifurcations collision de
la frontière. Les di¤érents types des bifurcations lisses sont bien connus. Quels sont les
di¤érents types des bifurcations collision de la frontière ? La réponse à cette question
dépend de la nature de la frontière et aussi les fonctions sur les deux côtés de la frontière.
Dans les systèmes de deux dimension, la classi…cation des points …xes dépendra de la
continuité de la fonction à travers la frontière et les éléments Jacobiennes aux deux côtés
de la frontière. Il ya les possibilités suivantes :

1. La fonction est continue, mais le jacobien change de façon discontinue à travers la

frontière.

2. Déterminant supérieur à l’unité dans un côté de frontière (point …xe peut être

91
 répulsif). Naissance d’un tore par la bifurcation collision de la frontière.

3. La fonction ainsi que le jacobien sont discontinues à travers la frontière.

4. Cartes avec une singularité de la racine carrée. Pour les systèmes mécaniques su-
bissant les impacts mous, il a été montré que le déterminant reste constant, mais
la trace de la jacobienne montre une singularité de la racine carrée.

5. Système avec une dimension di¤érente sur les deux côtés de la frontière.

4.1.1 L’analyse des bifurcations dans les cartes lisses par mor-
ceaux en deux dimensions

Tout système de la forme :

0 1 0 10 1 0 1
Xk+1 a1 a2 Xk 1
@ A=@ A@ A+@ A ; a3 6= 0 (4.1)
Yk+1 a3 a4 Yk 0
| {z }
A

Peut être transformé à la forme normale suivante :

0 1 0 10 1 0 1
xk+1 1 xk 1
@ A=@ A@ A+@ A (4.2)
yk+1 0 yk 0

En utilisant la transformation
xk = T Xk (4.3)

Avec
0 1
a4
1
T =@ a3 A (4.4)
0 a3

Où
= trace(A) = a1 + a4 et = det(A) = a1 a4 a3 a2

92
4.1.2 Classi…cation des bifurcations collision des frontières

La classi…cation de ces bifurcations sera suivant la relation entre et :

1. Le point …xe est une selle ‡ip si, < (1 + ):

p
2. Le point …xe est un attracteur ‡ip si, (1 + ) < < 2 :
p p
3. Le point …xe est un attracteur en spirale si, 2 < <2 :
p
4. Le point …xe est un attracteur régulière si, 2 < < (1 + ):

5. Le point …xe est une selle régulière si, > (1 + ):

4.1.3 Les types possibles de points …xes suivant les valeurs

propres

Soit 1 et 2 les deux valeur propres de la matrice jacobienne A de système (4.1).

Si, le déterminant de A est positive et 1, 2 deux nombres réels, on a les cas
suivants :

1. 0 < 1, 2 < 1, Le point …xe est un attracteur régulière.

2. 0 < 1 < 1, 2 > 1, Le point …xe est une selle régulière.

3. 1< 1 < 0, 1< 2 < 0, le point …xe est un attracteur ‡ip.

4. 0 < 1 < 1, 2 < 1, le point …xe est une selle ‡ip.

Si, le déterminant de A est positive et 1, 2 deux nombres complexes, on a le cas

suivant : j 1 j < 1, j 1 j < 1, le point …xe est un attracteur en spirale dans le sens horaire
ou antihoraire.
Si, le déterminant de A est négative et 1, 2 deux nombres réels, on a les cas
suivants :

1. 1< 1 < 0, 0 < 2 < 1, le point …xe est un attracteur ‡ip.

2. 1 > 1, 1< 2 < 0, le point …xe est une selle ‡ip.

3. 0 < 1 < 1, 2 < 1, le point …xe est une selle ‡ip.

93
Chapitre 5

Le chaos dans les systèmes

dynamiques en dimension n (n > 1)

5.1 Introduction
Le chaos a été un objet de recherches actives dans les domaines de la physique, les
mathématiques et dans de nombreux autres domaines de la science au cours des dernières
années. Le chaos est un véritable théorie scienti…que. Elle repose sur la représentation
des solutions des équations di¤érentielles dans l’espace des phases associé : représenter les
solutions sous forme de trajectoire dans l’espace plutôt que l’une des variables en fonction
du temps permet de révéler la structure sous-jacente c’est ce qui conduit à a¢ rmer que
la théorie du chaos contribue à «trouver de l’ordre caché sous un désordre apparent.» .
L’attracteur de Lorenz précédemment représenté est un exemple d’une évolution d’un
système dans l’espace des phases. Au déterminisme Laplacien permettant la prédiction
sur des temps arbitrairement long a succédé un déterminisme de nature fondamentale-
ment di¤érente. Il peut être approché de manière probabiliste et alors caractérisé par
l’existence d’invariants prenant la forme de mesures de probabilités, de dimension frac-
tale ou par une description topologique des attracteurs. Toutes les sciences, y compris
sociales, sont concernées par ce changement de paradigme, en particulier, cette théorie

94
peut inclure l’organisation du vivant dans la nature.

Dé…nition 5.1 : Un système dynamique est dit chaotique si une portion « signi…cative
» de son espace des phases présente simultanément les trois caractéristiques suivantes :
1. Le phénomène de sensibilité aux conditions initiales.
Attracteur étrange.
Une forte récurrence.

5.2 Propriétés du chaos

5.2.1 Sensibilité aux conditions initiales

Une trés petite erreur sur la connaissance de l’état initial x0 dans l’espace des phases
d’un systéme dynamique va se trouver presque toujours rapidement ampli…ée. Mathéma-
tiquement on dit que f montre une dépendance sensible aux conditions initiales.
8
< kx yk < "
9k > 0; 8" > 0; 8x 2 D; 9(y; p) 2 D : (5.1)
: kf p (x) f p (y)k > k

5.2.2 L’attracteur étrange

Un système chaotique dissipatif possède au moins un attracteur qu’on’a déja appelée

étrange (chaotique).

5.2.3 Spectre de puisance

On peut caractériser le chaos avec une méthode simple, cette méthode consiste à
calculer le spectre de Fourier de l’évolution temporelle d’une des variables du système.
Lorsqu’il est possible de déterminer complètement les trajectoires d’un système dans son
espace des phases, ce système est dit intégrable, les trajectoires étant la composition des
mouvements d’oscillation ayant chacun une pulsation ! i . Le spectre d’une variable d’un

95
tel système ne contient donc qu’une assemblée de raies …nes situées aux pulsations ! i , à
leurs harmoniques n ! i avec n 2 N, aux combinaisons linéaires de fréquences n! i + m! j
avec n; m 2 Z; les spectres qui sont la combinaison de plusieurs fréquences sans rapport
simple sont dit quasi-périodiques.
L’existence de spectres larges est une caractéristique essentielle des mouvements chao-
tiques d’un système. L’évolution temporelle d’un système dynamique est souvent repré-
sentée par la valeur d’une de ses variables dans un intervalle régulier, c’est ce qu’on
appelle la série temporelle.

5.3 Détection du chaos

Pour savoir c’est un système non linéaire est ou non chaotique, il existe plusieurs
méthodes. Elles ne sont pas généralement très nombreuses, ni réparties sur un temps
su¢ samment long à l’échelle du système étudié. On a choisi de mettre en oeuvre deux
des méthodes les plus couramment utilisées qui, d’ailleurs sont complémentaires : la di-
mension fractale et les exposants de Lyapunov.

5.3.1 Les exposants de lyapunov

Le 12 Octobre 1892, Lyapunov à l’université de Moscou, une thèse de doctorat inti-

tulées : Le problème général de la stabilité du mouvement. Il y introduit l’idée de mesurer
la divergence possible entre deux orbites issue de conditions initiales voisines. Lorsque
cette divergence croit exponentiellement avec le temps pour presque toutes les conditions
initiales voisines d’un système donné, on a le phénomène de sensibilité aux conditions
initiales, idée à laquelle sont attachés les exposants de Lyapunov, qui donnent une me-
sure quantitative de cette divergence exponentielle locale et mesure en e¤et le degré de
sensibilité d’un système dynamique.
Rappelons d’abord cette formule et voyons comment Lyapunov a pu arriver à déduire

96
une telle formule.
1X
n
= lim ( ln jf 0 (xi 1 )j) (5.2)
n!+1 n
i=1

Considérons un système dynamique quelconque dont la condition initiale x0 est a¤ectée

En
d’une erreur in…nitésimale E0 sera donc ampli…ée d’un facteur E0
: Notons que l’erreur
diminue lorsque le facteur est inférieur à 1 et augmente s’il est supérieur à 1.
Puisque
En En En 1 En 2 E2 E1
= : : ::: :
E0 En 1 En 2 En 3 E1 E0
Il se su¢ t alors, de calculer ce produit pour déterminer la façon dont s’ampli…e l’erreur
initiale. Le logarithme d’un produit correspond à une somme de lui même. On obtient
alors;
En En En 1 En 2 E2 E1
ln = ln : : ::: :
E0 En 1 En 2 En 3 E1 E0
En En En 1 En 2 E2 E1
ln = ln + ln + ln + ::: + ln + ln
E0 En 1 En 2 En 3 E1 E0

En X Ei n
ln = (5.3)
E0 i=1
Ei 1

Avant de faire tendre cette dernière quantité vers l’in…nis, calculons d’abord la moyenne
de la somme obtenue. On arrive ainsi à l’exposant de Lyapunov.

1X
n
Ei
lim ln (5.4)
n!+1 n Ei 1
i=1

Ei et Ei 1 étant de très petites valeurs, le rapport correspond à la dérivée de la fonc-

tion associée à l’équation utilisée si, naturellement la fonction est dérivable. Soit f cette
fonction.

Ei f (xi 1 + Ei 1 ) f (xi 1 )
Ei = f (xi 1 + Ei 1 ) f (xi 1 ) et =
Ei 1 Ei 1

97
Puisque
f (x+ M x) f (x)
lim = f 0 (x)
Mx!0 Mx
Alors, si f est dérivable, on a

Ei f (xi 1 + Ei 1 ) f (xi 1 )
= = f 0 (xi 1 ) lorsque Ei 1 !0
Ei 1 Ei 1

Par conséquent
1X
n
Ei
= lim ln (5.5)
n!+1 n Ei 1
i=1

Lorsque l’exposant de Lyapunov est positif, nous avons

En
ln >0
E0

Et par conséquent
En
>1
E0
L’erreur in…nitésimale du début ira donc en augmentant. Le système sera donc sensible
aux très petites variations de sa condition initiale, une des caractéristiques des systèmes
chaotiques. Si au contraire l’exposant de lyapunov est négatif, l’erreur in…nitésimale du
début ira en diminuant. l’erreur initiale n’aura dans ce cas aucun e¤et à long terme.
Généralement, on peut distinguer trois cas suivant le signe de l’exposant de Lyapunov.

1. Si, < 0; l’orbite est attractive vers un point …xe ou une orbite périodique stable. Il
caractérise les systèmes dissipatifs. Ce type de système exhibe une stabilité asymp-
totique.

2. Si, = 0; l’orbite est un point …xe neutre. Un système physique avec un tel expo-
sant est dit conservateur. Dans cette situation, les orbites gardent une séparation
constante.

3. Si, > 0; l’orbite est instable et chaotique. Touts les points voisins doivent être
visités : ces points sont instables. Pour un système discret, on a un ensemble de

98
 point sans aucun rapport de liaison. Pour un système continu, l’espace de phases
est un ensemble de lignes croisées.

5.4 Routes vers le chaos

On ne sait pas toujours à l’heure actuelle dans quelles conditions un système non
linéaire va devenir chaotique. Cependant, il existe un certain nombre de scénarios tran-
sition vers le chaos qui sont universels, et si un système entre dans un de ces scénarios,
son évolution peut être décrite. Supposons que la dynamique étudiée dépend d’un état
stationnaire à un état périodique, puis au-delà d’un certain seuil, suivre un scénario
de transition et devenir chaotique. Nous allons passer en revue quelques scénarios de
transition vers le chaos. Par ces scénario il faut comprendre une conjecture sur le com-
portement d’un sysytème donnant une explication simpli…ée et possible de la cascade
de bifurcation qu’il subit lorsque les paramètres de contrôle varient. Cette conjecture re-
pose sur l’hypothèse d’un système bifurquant. La di¤érentiation des scénarios découlera
d’une hypothèse supplémentaire de résonance ou de non résonance, de super-criticalité
ou sous-criticalité. Tous ces scénarios ont été prédits par la théorie et observés dans de
nombreuses expériences.
En physique, c’est notamment la convection thermique de Rayleigh-bénard, dans
là-quelle une couche de ‡uide située entre deux plaques horizontales est soumise à un
gradient de température vertical, qui a servi à l’origine de système modèle pour l’étude
du chaos.
Depuis, le chaos a été mis en évidence dans bien d’autres domaines : optique, chimie,
biologie, et même économie. On peut citer trois scénarios de transition vers le chaos :

5.4.1 Doublement de période

Ce scénario de transition vers le chaos est sans doute le plus connu. Il a été étudié
en particulier en dynamique de population par R. May sur l’application logistique. Ce

99
problème consiste à considérer l’itération : Xn+1 = f (Xn ) avec f (x) = ax(1 x), c’est
à dire : Xn+1 = aXn (1 Xn ). Selon la valeur du paramètre a, la suite converge soit vers
un point …xe nul ou pas. Dés que a est plus grand que 3 le système bifurque, c’est à
dire qu’il oscille entre 2 valeurs autour du point …xe. On parle de cycle attracteur de
période 2. En continuant à augmenter a, ces 2 attracteurs s’écartent du point …xe jusqu’à
ce qu’une nouvelle bifurcation ait lieu. Chaque point se dédouble et on obtient un cycle
attracteur de période 4:On dit qu’il y a doublement de période. C’est à partir de cet
exemple que Feigenbaum a présenté l’existence d’une forme d’universalité dans cette
transition vers le chaos sous forme de cascade de doublement de période. De là naquit
la constante de Feigenbaum (4:6692016609), également retrouvée grâce à la théorie des
groupes de renormalisations, bien connue aux physiciens.

5.4.2 Intermittence

Ce scénario se caractérise par l’apparition erratique de bou¤ées chaotiques dans un

système qui oscille de manière régulière. Parmi les di¤érentes possibilités, l’intermittence
de type 1 est habituellement associée à un canal de réinjection des bou¤ées chaotiques
interrompent des phases laminaires associées à une trajectoire au voisinage d’une orbite
périodique qui est créée par une bifurcation de type nœud-col, lorsque un paramètre
de commande est légèrement perturbé. L’intermittence suppose en particulier que le
cycle limite (correspondant à l’état périodique d’oú est issu ce phénomène de transition)
bifurque de façon sous-critique et qu’il n’y ait pas d’attracteur à proximité. C’est ce que
l’on observe dans le système de Rôssler.

5.4.3 Quasi-périodicité

Le scénario via la quasi-périodique a été mis en évidence par les travaux théorique
de Ruelle et Takens (1971 ) illustré par exemple sur le modèle de Lorenz (1963 ), ce
scénario a été con…rmé par de nombreuses expériences dont les plus célèbres se trouvent en
thermohydrodynamique convection de Rayleigh-Bénard dans une petite boîte et en chimie

100
réaction de Bélousov-Zabotinsky entre-autres, L’exemple de Lorenz est probablement
le plus souvent développé pour illustrer ce phénomène de quasi-périodicité, C’est donc
E.N. Lorenz, météorologue au MIT qui a exhibé cet attracteur étrange avant même
que le terme n’ait été inventé, Il avait conçu un modèle très simpli…é de la circulation
atmosphérique, représenté par un système de 3 équations non linéaires.

5.5 L’application de Hénon

L’application (carte) de Michel Hénon, est une bijection du carré [0; 1] [0; 1] dans
lui-même dé…nie par : M (xn ; yn ) ! M (xn+1 ; yn+1 ):
Où 8
< x
n+1 = 1 + yn axn
(5.6)
: y = bx
n+1 n

Selon les valeurs de a et b, la suite de points (Mn ); peut avoir les états suivants :

1. Converge; lim Mn = A
n!1

2. Avoir un attracteur de période 2; lim M2p = A; lim M2p+1 = B où A 6= B:

n!1 n!1

3. Avoir un attracteur de période n 2 N:

4. Diverger, les coordonnées de Mn tendent vers 1, ou la suite est chaotique sur le

plan.

5. Avoir un attracteur étrange.

L’application de Hénon présente un attracteur chaotique pour (a; b) = (1:4; 0:3) ap-
peler l’attracteur de henon. On note que le système dynamique de Hénon n’est pas
conservatif, car le jacobien de la transformation est constant et vaut b, qui est di¤érent
de l’unité dans les cas intéressants.

101
Fig. 5-1 – L’attracteur de Hénon pour (a; b) = (1:4; 0:3), avec la condition initial
(x0 ; y0 ) = (0; 0)

5.6 L’application de Lozi

En 1978, Lozi introduit dans une courte note une nouvelle carte chaotique en deux
dimensions, les équations et les attracteurs ressemblent à ceux de la célèbre carte de
H’enon. Simplement, un terme quadratique dans celui-ci est remplacé par un autre terme
linéaire par morceaux dans la première équation. Cela permet de prouver rigoureusement
le caractère chaotique de certains attracteurs et une analyse détaillée de leurs bassins
d’attraction.
L’application de Lozi est dé…ni par:
8
< x a jxn j
n+1 = 1 + yn
(5.7)
: yn+1 = bxn

Où a et b sont les paramètres réels non nulle. L’intérieur de la région où les orbites
restent bornées, la carte de Lozi peut présenter à la fois des comportements réguliers et
chaotiques suivant les valeurs des deux paramètre a et b.

102
Fig. 5-2 –L’attracteur de Lozi pour (a; b) = (1:7; 0:5), avec la condition initial (x0 ; y0 ) =
(0; 0)

5.7 Types du chaos

5.7.1 Le type de chaos dans le système Lorenz

Une trajectoire chaotique ne passe pas, mathématiquement, deux fois par le même
point car en ce cas, ce point rigouresement commun aux deux trajectoire pourrait leur
servir de condition initiale commune, et elles coincideraient alors de t ! 1 à t ! +1:
elle ne montre non plus aucun des comportements cohérents que nous avons reliés plus
haut à des attracteurs ponctuels ou cycliques.
Dans le système de Lorenz, les trajectoires décrivent des spires situées dans deux
plans et tournant autour de deux régions moyennes, sans jamais revenir sur elles-mêmes.
les deux plans représentent deux types de situations atmosphériques, et la trajectoire
saute sporadiquement de l’une à l’autre sans que l’on puisse prévoir le moment d’un
saut. Si l’on part de deux situations initiales di¤érentes mais proches, le comportement
sera du même type, mais les sauts d’un plan à un autre se produiront à des moments
di¤érents. toute prédiction précise est donc exclue, on ne prévoit que un comportement
statistique (pouvant être de deux natures : les deux lobes) et l’existence de basculements
catastrophiques à des instants imprévisibles.

103
5.7.2 Le type de chaos dans les deux applications Hénon et Lozi

Le diagramme de bifurcation de l’attracteur de Hénon est de type de bifurcation

de doublement de période, l’attracteur de Hénon contient deux points …xes. un cycle
de période 2 stable commence pour a = 0:3675 suivi d’un autre cycle de période 4 pour
a = 0:9 et ainsi de suite. La période continue de doubler jusqu’à une valeur déterminée où
le trajectoire commence à prendre une forme particulière. Pour a = 1:4, on ne distingue
plus les cycle, le système est chaotique. la structure de l’attracteur se répète identiquement
à elle-même aux échelles d’observation successives. Cette structure dont la permanence
à di¤érent échelle est caractéristique d’un objet fractale. On peut calculer la dimension
de l’attracteur de Hénon par la dimension de Lyapunov. On a pour a = 1:4, b = 0:3, la
carte de Hénon a deux exposants de Lyapunov 1 = 0:42205, 2 = 1:626. La dimension
de Lyapunov par dé…nition est égale à DL = 1:2596:
Pour l’application de Lozi, on peut faire un agrandissement d’un région de l’attracteur
et on observe que la structure se répète. Contrairement au cas de l’application de Hénon,
la route vers le chaos par l’application de Lozi n’est pas une bifurcation de doublement
de période. Puisque sa dérivée n’est pas continue. On peut aussi calculer la dimension
de l’attracteur de Hénon par la dimension de Lyapunov. On a pour a = 1:7, b = 0:5, la
carte de Lozi a deux exposants de Lyapunov 1 = 0:69314, 2 = 1:204. La dimension
de Lyapunov par dé…nition est égale à DL = 1:5757:

5.7.3 Le chaos robuste

Certains systèmes dynamiques chaotiques donne deux types d’attracteurs chaotiques.

Le premier est appelé le chaos fragile, les attracteurs disparaissent avec des perturba-
tions d’un paramètre, ou coexister avec d’autres attracteurs. La seconde est appelée le
chaos robuste, ce type se caractérise par l’absence d’orbites périodiques et ne accepte
coexistence dans le voisinage de l’espace des paramètres. L’existence de ces orbites dans
certaines régions chaotiques signi…e qu’un petit changement dans les paramètres détruire
le chaos, ce qui implique la fragilité de ce type de chaos.

104
 On sait cependant que pour les systèmes chaotiques les plus lisses, il ya un ensemble
dense de fenêtres périodiques pour tout intervalle de valeurs de paramètres. Par consé-
quent, dans des systèmes pratiques de travail en mode chaotique, de faibles ‡uctuations
accidentelle d’un paramètre peut prendre le système à partir du chaos. Nous disons un at-
tracteur chaotique est robuste si, par ses valeurs de paramètres, il existe un voisinage dans
l’espace des paramètres sans attracteur périodique et l’attracteur chaotique est unique
dans ce voisinage. Le chaos robuste a plusieurs applications dans le monde réel, comme
les applications d’ingénierie, le chi¤rement d’image, le cryptage,...

105
Chapitre 6

Le chaos robuste dans l’application

de Lozi avec la fonction max

6.1 Introduction
Dans ce chapitre, nous montrons que le chaos robuste peut se produire dans les sys-
tèmes lisses par morceaux, et obtenir les conditions de sa survenance. Nous illustrons
ce phénomène avec un exemple qui a été proposer par le pro¤esseur Elhadj Zraoulia.
Nous allons étudier l’application de Lozi en remplaçant le terme jxj par la fonction
max(f (x; y); g(x; y)); où f et g sont deux fonctions arbitraires. Ceci est un modèle gé-
néral qui nous permet d’étudier plusieurs nouvelles applications lisse par morceaux. On
va donner quelques conditions qui permettent à ce modèle de converger vers un at-
tracteur chaotique robuste. Le contenu de ce chapitre à fait l’objet d’une publication
international : ‹‹Robust Chaos in a General Lozi Mapping with Max Function,
Far East Journal of Dynamical Systems, Vol 26, Num 1, pages 15-29, 2015
››.

106
6.2 Le chaos robuste dans l’application de Lozi avec
la fonction max
Dans ce chapitre, le chaos robuste est examiné pour une famille d’applications de Lozi
avec la fonction max et démontré qu’ils peuvent avoir des attracteurs chaotiques robustes
pour certaines valeurs de ces deux paramètres. Ici, nous donnons certaines conditions et
certaines formes de deux fonctions f et g pour les deux paramètres a et b, de sorte que
ces cartes (applications) converger vers un attracteur chaotique robuste.
La famille des applications de Lozi avec la fonction max, est dé…ni par :
0 1
1 a max(f (x; y); g(x; y)) + by
L(x; y) = @ A (6.1)
x

Où f et g sont deux fonctions arbitraires et a, b sont les paramètres de bifurcation. Nous

pouvons écrire l’application L sous la forme :
8 0 1
>
> 1 af (x; y) + by
>
>
>
> LA (x; y) = @ A si, (x; y) 2 RA
< x
L(x; y) = 0 1 (6.2)
>
> 1 ag(x; y) + by
>
>
>
> LB (x; y) = @ A si, (x; y) 2 RB
: x

Où 8
< R = f(x; y) 2 R2 : f gg
A
(6.3)
: R = f(x; y) 2 R2 : f gg
B

et la frontière entre eux est = f(x; y) 2 R2 : f (x; y) = g(x; y)g. Il est supposé que les
deux fonctions f , g et leurs dérivés sont continues, d’où l’application L est continue et sa
dérivée est pas continue sur la frontière . Nous supposons que (6:2) a deux points …xes
PA (xA ; yA ) et PB (xB ; yB ) sur les deux sous-régions RA et RB respectivement, les deux
matrices de (6:4) et (6:5) ont évalué aux deux points PA ; PB dans RA et RB respectivement

107
sont
0 1
f f
a (xA ; yA ) a (xA ; yA ) +b
JA = @ x y A (6.4)
1 0
0 1
g g
a (xB ; yB ) a (xB ; yB ) +b
JB = @ x y A (6.5)
1 0

Par conséquent, les déterminants des deux matrices donnés dans (6:4), (6:5) sont DetA =
a fy (xA ; yA ) b; DetB = a yg (xB ; yB ) b respectivement.
L’application (6:1) est un système dynamique dissipatif lorsque,

f g
a (xA ; yA ) b < 1; a (xB ; yB ) b <1 (6.6)
y y

Par conséquent, nous avons

8
< b+1
< f
(xA ; yA ) < b+1
et b+1
< g
(xB ; yB ) < b+1
si a > 0:
a y a a y a
(6.7)
: b+1
< f
(xA ; yA ) < b+1
et b+1
< g
(xB ; yB ) < b+1
si a < 0:
a y a a y a

6.2.1 Les résultats analytiques

Dans cette sous section, nous allons donner une preuve rigoureuse de certaines condi-
tions sur les paramètres a et b, de sorte que l’application (6:1) converge vers un attracteur
chaotique robuste.
La nature des bifurcations collision des frontières dépend de la nature locale de l’ap-
plication au voisinage des points …xes, donc il su¢ t de regarder l’approximation linéaire
par morceaux sur les côtés de la frontière.
La forme normale de l’application (6:2) dans le voisinage de l’un des points …xes à la
frontière est donnée par la forme :

108
 8 0 10 1 0 1
>
> 1 xn 1
0 1 >>
> @ A
A@ A+ @ A si xn 0
>
<
xn+1 A 0 yn 0
@ A= 0 10 1 0 1 (6.8)
yn+1 >
> 1 xn 1
>
> @ B
A@ A+ @ A si xn
>
> 0
: 0 yn 0
B

où est le paramètre de bifurcation et A; B ; A; B sont les traces et les déterminants

pour les deux matrice JA et JB évalué à PA et PB respectivement.
Par conséquent, nous avons
8
>
> = a fx (xA ; yA )
>
> A
>
>
< = a xg (xB ; yB )
B
(6.9)
>
> = a fy (xA ; yA ) b
>
> A
>
>
: = a yg (xB ; yB ) b
B

Les bifurcations collision de la frontière de l’application L dépend uniquement des valeurs

de A; B ; A; B , alors il su¢ t d’étudier les bifurcations collision de la frontière de la forme
normale (6:2).
Nous considérons la situation où l’application L est dissipatif sur RA et RB .i.e., j Aj <
1, j Bj < 1:
Nous choisissons A; B satisfaisant les deux conditions :

(1 + A) < A < (1 + A) (6.10)

Est

p p
2 B < B <2 B (6.11)

Les conditions précédentes assurer que le point …xe PA est un attracteur de ‡ip et PB
est une spirale dans le sens horaire ou le sens antihoraire. Ainsi, il n’y a pas d’orbites
périodiques apparaissent.

109
 Les points …xes dans les sous-régions RA ; RB sont donnés par :

A B
PA ( ; ); PB ( ; ) (6.12)
1 A+ A 1 A+ A 1 B + B 1 B + B

Ces points existe pour

0et 0
1 A + A 1 B + B

Selon (6:9), (6:10) et (6:11); on obtient

f f f
(1 + a (xA ; yA ) b) < a (xA ; yA ) < (1 + a (xA ; yA ) b); (6.13)
y x y

et s s
g g g
2 a (xB ; yB ) b< a (xB ; yB ) < 2 a (xB ; yB ) b: (6.14)
y x y

En conséquence, nous avons

f f f
1+b a (xA ; yA ) < a (xA ; yA ) < 1 b+a (xA ; yA ); (6.15)
y x y

et
s s
g g g
2 a (xB ; yB ) b < a (xB ; yB ) < 2 a (xB ; yB ) b: (6.16)
y x y

D’après (6:16), on obtient

2
g g
0< a (xB ; yB ) < 4(a (xB ; yB ) b) (6.17)
x y

à cause de j Aj < 1 et j Bj < 1, nous avons

f g
b 1<a (xA ; yA ) < b + 1 et b 1<a (xB ; yB ) < b + 1 (6.18)
y y

110
En utilisant (6:15), (6:16) et (6:18), on obtient

f g
2<a (xA ; yA ) < 2 et 2<a (xB ; yB ) < 2 (6.19)
x x
Ainsi, nous obtenons

f g
a (xA ; yA ) < 2 et a (xB ; yB ) < 2 (6.20)
x x

Proposition 6.1 Nous considérons l’application L dé…ni par :

0 1
1 a max(f (x; y); g(x; y)) + by
L(x; y) = @ A
x

Où f et g sont deux fonctions arbitraires, a et b représentent deux paramètres réels de

bifurcation. L’application L est écrit sous la forme nomal :
8 0 10 1 0 1
>
> 1 xn 1
0 1 >>
> @ A
A@ A+ @ A pour xn 0
>
<
xn+1 A 0 yn 0
@ A= 0 10 1 0 1
yn+1 >
> 1 xn 1
>
> @ B
A@ A+ @ A pour xn
>
> 0
: 0 yn 0
B

Nous supposons que l’application L a deux points …xes PA (xA ; yA ) et PB (xB ; yB ) situé
sur les deux sous-régions RA = f(x; y) 2 R2 : f gg ; RB = f(x; y) 2 R2 : f gg res-
pectivement. L’application L est dissipatif sur les deux sous-régions RA ; RB . En outre,
p
on suppose également que A , B satisfaisant à (1 + A ) < A < (1 + A ); 2 B <
p f g
B < 2 B respectivement. Si nous avons a x (xA ; yA ) < 2 et a x (xB ; yB ) < 2, il ya

une paire (a; b) 2 R2 assure la convergence de l’application L vers un attracteur chaotique

robuste.

111
6.2.2 Quelques formes de fonctions f et g

Dans cette subsection, nous allons déterminer quelques formes de fonctions f et g en

utilisant [18]. Ici, nous déterminons rigoureusement la région des paramètres a et b où
l’application L converge vers un attracteur chaotique robuste.
Si les deux points …xes PA et PB donné en (6:12) existent, nous pouvons écrire l’ap-
plication (6:1) sous la forme normale (6:2). Ainsi, nous supposons que

2 2
A B
A < et B < (6.21)
4 4

Par conséquent, nous obtenons en utilisant les deux inégalités 2A 4 A > 0 et 2B

p2 p2
A+ A 4 A A A 4 A
4 B > 0 les valeurs propres A1 = ; A2 = respecté à RA et
p2 p2 2 2
B + 4 B 4
B1 = 2
B
; B2 = B 2B B respecté à RB :
À partir de (6:12), nous avons

f
A = a (xA ; yA ) (6.22)
x

et

g
B = a (xB ; yB ) (6.23)
x
Pour a 6= 0, nous avons
f A
(xA ; yA ) = 6= 0 (6.24)
x a
et
g B
(xB ; yB ) = 6= 0 (6.25)
x a
Par conséquent
8
< f (x; y) = x + u(y) : 6= 0
(6.26)
: g(x; y) = x + v(y) : 6= 0

112
Où, = a
A
6= 0; = B
a
6= 0, et u; v sont des fonctions arbitraires de y:
Appliquons maintenant les conditions qui a été donnée dans [18].
La première condition est
8
< > + 1 et < (1 +
A A B B)
(6.27)
: < 0 et 1< <0
A B

Par conséquent

A < min( a 1; 0) et 1< B < min( a 1; 0) (6.28)

La deuxième condition est

A1 1 B2 1
> (6.29)
A 1 A B 1 B

Où
B2 1 A A A2
< (6.30)
B 1 A ( A 1 A )( A2 B)

Par conséquent
p p
a 2 a2 4 +2 a+ 2 a2 4 +2
A B
> (6.31)
a+1 A a+1+ B

Où p p
a+ 2 a2 4 +2 a+2 2 a2 4
B A A
< p (6.32)
a+1+ A a+ 2 a2 4 A
( a+1+ A) a 2

Et la troisième condition est

( A2 B ) A1 A + B + A >0 (6.33)

113
Par conséquent
p !
a+ 2 a2 4 A
a +( )a + 2 A >0 (6.34)
2

Et, d’autre part, nous avons

f
A =a (xA ; yA ) b (6.35)
y

g
B =a (xB ; yB ) b (6.36)
y
Pour a 6= 0, nous avons
f A +b
(xA ; yA ) = 6= 0 (6.37)
y a
et
g B +b
(xB ; yB ) = 6= 0 (6.38)
y a
Par conséquent
8
< f (x; y) = y + !(x) : 6= 0
(6.39)
: g(x; y) = y + '(x) : 6= 0

A +b B +b
Où, = a
6= 0, = a
6= 0 and !, ' sont des fonctions arbitraires de x.
En appliquant les mêmes conditions ci-dessus, nous obtient la première condition
comme suit :

A > a b + 1 et B < 1 a + b avec max( a; a) < b < a + 1 (6.40)

La deuxième condition est

p p
2 2
B + A 4 a + 4b 2 B B 4 a + 4b 2
> (6.41)
A 1 a+b B 1 a+b

Où

114
 p p
2 2
B B 4 a + 4b 2 A 2 a + 2b + A 4 a + 4b
< p (6.42)
B 1 a+b A
2
A 4 a+4b
( A 1 a + b) 2 B

et la troisième condition est

p !
2
A + A 4 a + 4b
B 1 A +2 a 2b > 0 (6.43)
2

Il est prouvé numériquement que :

Pour 8
< f (x; y) = px + qy 2 , g(x; y) = px qy 3
(6.44)
: 0:7 a 0:9; 0:2 b 0:7; 0:91 p 1; 0:90 q<1

et
8
< f (x; y) = py + qx2 , g(x; y) = py qx3
(6.45)
: 0:7 a 0:9; 0:2 b 0:3; 0:9 p < 1; 0:9 q 1:

1. La proposition (6:1) est satisfaite pour (6:44) et (6:45).

2. Le modèle (6:1) peut donner deux attracteurs chaotiques robustes di¤érentes, un

pour (6:44) et l’autre pour (6:45).

3. Les conditions (6:28), (6:31) et (6:32) ou (6:28), (6:32) et (6:34) sont satisfaites
pour (6:44) et les conditions (6:40), (6:41) et (6:43) ou (6:40), (6:42) et (6:43) sont
satisfaites pour (6:45).

6.2.3 Simulation numérique et l’observation des attracteurs chao-

tiques robustes

Dans cette section, nous allons étudier numériquement quelques exemples, pour dé-
montrer l’e¢ cacité des résultats.

115
 Pour :
f (x; y) = 0:99x + 0:95y 2 et g(x; y) = 0:99x 0:95y 3

Avec, (a; b) = (0:85; 0:5); l’application peut être écrite sous la forme :
8
< 1 0:85 max ( 0:99x + 0:95y 2 ; 0:99x 0:95y 3 ) + 0:5y
L(x; y) = (6.46)
: x

Dans cet exemple, la simulation numérique montre que, pour la condition unitial (1; 1)
de l’application (6:44); a un attracteur chaotique robuste, comme illustré sur les …gures
(6:1), (6:2) et (6:3).

Les exposants de Lyapunov existent avec les valeurs E1 = 0:755957492608380 et

E2 = 0:732395492608378. Cela prouve que, l’application (6:44) possède une forte
sensibilité à l’état initial. En outre, la simulation numérique a également indiqué que
cette attracteur est bornée en raison de max(xn ) = max(yn ) 1:748021334457663
et min(xn ) = min(yn ) 0:258991265924537.

116
Fig. 6-1 – L’attracteur chaotique robuste de l’application L avec f (x; y) = 0:99x +
0:95y 3 , g(x; y) = 0:99x 0:95y 3 et (a; b) = (0:85; 0:50):

Fig. 6-2 –Les séries chronologiques xn correspondant à l’état initial (1; 1):

117
 1.8

1.6

1.4

1.2

Yn
1

0.8

0.6

0.4

0.2
0 1000 2000 3000 4000 5000 6000
n

Fig. 6-3 –Les séries chronologiques yn correspondant à l’état initial (1; 1):

Pour :
f (x; y) = 0:95y + 0:99x2 et g(x; y) = 0:95y 0:99x3

Avec, (a; b) = (0:75; 0:25), l’application L peut être écrit sous la forme :
8
< 1 0:75 max( 0:95y + 0:99x2 , 0:95y 0:99x3 ) + 0:25y
L(x; y) = (6.47)
: x

Dans cet exemple, la simulation numérique montre que, pour la condition unitial (1; 1)
de l’application (6:45) a un attracteur chaotique robuste complètement di¤érente
de la précédente, comme illustré sur les …gures (6:4), (6:5) et (6:6).

Les exposants de Lyapunov existent avec les valeurs E1 = 0:642765954762084 et

E2 = 0:347161540062413. Cela prouve que l’application (6:45) possède une forte
sensibilité à l’état initial. En outre, la simulation numérique a également indiqué
que l’attracteur est bornée puisque max(xn ) = max(yn ) 1:313853530714129 et
min(xn ) = min(yn ) 0:678971819331489.

118
Fig. 6-4 – L’attracteur chaotique robuste de l’application L avec f (x; y) = 0:95y +
0:99x3 , g(x; y) = 0:95y 0:99x3 et (a; b) = (0:75; 0:25):

1.4

1.3

1.2

1.1
Xn

0.9

0.8

0.7

0 1000 2000 3000 4000 5000 6000

n

Fig. 6-5 –Les séries chronologiques xn correspondant à l’état initial (1; 1):

119
 Fig. 6-6 –Les séries chronologiques yn correspondant à l’état initial (1; 1):

6.2.4 Résumé

Dans ce chapitre, nous avons donné quelques résultats analytiques et quelques formes
des fonctions f et g qui permettent à l’application générale de Lozi avec la fonction max
de converger vers un attracteur chaotique robuste. Si il ya d’autres formes pour les deux
fonctions f et g, nous laissons ça pour le future recherche.

120
 Conclusion générale
Dans cette thèse, nous avons présenté, un cadre de base sur le chaos et les bifurcations
dans les systèmes dynamiques en dimension n (n > 1).
Au début, nous avons présenté l’importance de la théorie du chaos et bifurcations dans
les systèmes dynamiques, et leurs applications dans les di¤érents domaines de la science.
Nous avons démontré que le chaos représente un mécanisme important d’adaptation, et
qu’il intervient largement dans le monde du vivant.
Après, on a focalisé sur deux théories des systèmes dynamique, on parle de la théorie
de la bifurcation et la théorie de chaos. On a exposé l’un des bifurcations la plus étudiée
aux systèmes dynamiques au cours des dernières années, appelé ‹‹la bifurcation collision
des frontières ›› qui ce produit aux systèmes dynamiques lisses par morceaux. On a
présenté également quelques propriétés, et quelques types de chaos, l’un de ces types est
‹‹le chaos robuste ››.
Finalement, on a examiné le chaos robuste sur une famille d’applications de Lozi
avec la fonction max et démontré qu’ils peuvent avoir des attracteurs chaotiques robustes
pour certaines valeurs de ces deux paramètres, nous avons donné certaines conditions et
certaines formes de deux fonctions f et g pour les deux paramètres a et b, de sorte que
ces cartes converge vers un attracteur chaotique robuste. Le contenu de cette partie à fait
l’objet d’une publication international ‹‹Robust Chaos in a General Lozi Mapping
with Max Function, Far East Journal of Dynamical Systems, Vol 26, Num 1,
pages 15-29, 2015 ››.

121
 Références
[1] : A. Alaoui, C. Robert, C. Grebogi, Dynamics of a Hénon-Lozi-type map, Chaos,
Solitons and Fratals, 12, 2323-2341, 2001.

[2] : A. Priel, I. Kanter, Robust chaos generation by a perceptron, Europhys. Lett, 51(2),
230-236, 2000.

[3] : D. J. Albers, J. C. Sprott, W. D. Dechert, Routes to chaos in neural networks with

random weights, Int. J of Bifurcation and Chaos, 8, 1463-1478, 1998.

[4] : F. R. Maorotto, Chaotic behavior in the Hénon mapping, Journal Com Math. Phys,
68, 187-194, 1979.

[5] : G. Nagamani, S. Ramasamy and P. Balasubramaniam, Robust dissipativity and pas-

sivity analysis for discrete-time stochastic neural networks with time-varying delay,
Wiley Online Library, 20(3), 1-12, 2014

[6] : H. Sompolinsky, A. Cristanti, H. J. Sommers, Chaos in random neural networks,

Phys. Rev. Lett, 61, 259-26, 1998.

[7] : M. Hénon, A two dimensional mapping with a strange attractor, Commun. Math.
Phys, 50, 69-77, 1976.M. Andrecut,

[8] : M. K. Ali, On the occurrence of robust chaos in a smooth system, Modern Physics
Letters B, 15, 391-395, 2001.

[9] : M. Benedicks, L. Carleson, the dynamics of the Hénon maps, Annals of Mathematics,
133, 1-25, 1991.

[10] : M. Misiurewicz, Strange attractor for the Lozi-mapping in Nonlinar dynamics, An-
nals of the New York Academy of Sciences, 357, 348-358, 1980.

[11] : R. Lozi, Un attracteur étrange du type attracteur de Hénon, Phys. Colloque C5 39

(1978), Supplément au, 8, 9-10 (French), 1978.

[12] : R. Senkerik, I. Zelinka and others, Evolutionary control of chaotic Lozi map by
means of chaos driven di¤erential evolution, Springer-Verlag Berlin Heidelberg
2014, 282, 371-380, 2014.

122
[13] : S. Banerjee, C. Grebogi, Border collision bifurcations in two-dimensional piece-wise
smooth maps, Interdisciplinary Nonlinear Science, 2, 4052-4061, 1999.

[14] : S. Banergee, J. A. York, C. Grebogi, Robust chaos, Phys. Rev. Lett, 80(14), 3049-
3052, 1998.

[15] : T. Gilbert, J. R. Dorfman, On the parametric dependeces of a class of non-linear

singular maps, AIM sciences, 4, 1-17, 2004.

[16] : Z. Elhadj, J. C. Sprott, A new simple 2-D piecewise linear map, J System Sci
Complex, 23, 379-389, 2010.

[17] : Z. Elhadj, J. C. Sprott, On the robustnessof Chaos in dynamical systems, Frontiers.

Physics. China, 3(2), 195-204, 2008.

[18] : Z. Elhadj, A uni…ed piecewise smooth chaotic mapping that contains the Hénon
and the Lozi systems, Annual review of chaos theory bifurcations and dynamical
systems, 1, 50-60, 2012.

[19] : Z. Elhadj, Lozi Mappings : Theory and Applications. CRC Press. 2013, ISBN-10 :
1466580704.

[20] : P. Gabriel. Erez, Robust chaos in polynomial unimodal maps, Int. J. Bifurcation.
and Chaos, 14 (7), 2431-2437, 2004.

[21] : Robinson C, Homoclinic Bifurcation to a Transitive Attractor of Lorenz Type, Non-

linearity, 2, 495-518, 1989.

[22] : Kowalczyk. P, Robust chaos and border collision bifurcations in non invertible pie-
cewise linear maps, Nonlinearity, 18, 485-504, 2005.

[23] : J. Lu, T. Zhou, G. Chen et S. Zhang, Local bifurcations of the chen system, Int. J.
of bifurcations and chaos, 12, 2257-2270, 2001.

[24] : T. Zhou et G. Chen, Classi…cation of Chaos in 3-D Autonomous quadratic System-I,

Int. J. of Bifurcation and Chaos, 16, 2459-2479, 2006.

[25] S. Dadras, H. Re. Momeni et Qi. Guoyuan, Analysis of a new 3-D smooth auto-
nomous system with di¤erent wing chaotic attractors and transient chaos, Indian

123
Journal of Microbiology, 62, 391-405, 2007.

124