MEMOIRE DE MASTER

Domaine: Mathématiques et informatique

Filière: Mathématiques
Option: Mathématiques Appliquées

Thème:
Systèmes Dynamiques et Chaos

Présenté par:
- KHEMICI Souad
- BOUTORA Basma

Devant le jury:

Rachida MEZHOUD M.A.A Université de Tébessa Président

Ahlem GASRI M.A.A Université de Tébessa Rapporteur
Imen OTMANI M.A.A Université de Tébessa Examinateur

Date de soutenance:
24/05/2017

Note: ………. Mention: ………………………………………

 Tout d’abord et avants tout, Nous
remercions ALLAH de nous avoir gardés en bonne santé afin de mener à bien ce
projet de fin d’étude.

Nous exprimons toutes notre profonde reconnaissance à notre encadreur

de nos avoir guidés et

conseillées tout au long de ce projet, nous également exprimer à lui toute nos
gratitude pour son soutien scientifique et humain, et la confiance qu’il m’accorde
pour réaliser ce travail.

Dr Mezhoud Rachida nous la prie de bien vouloir accepter nos respectueuse

gratitude, pour l’honneur qu’il nos fait en présidents ce jury.

Dr Othmani Imen nous la prie de bien vouloir accepter nos respectueuse

gratitude, pour l’honneur qu’il nos fait en examinateur jury.

Nous remercions également notre famille pour les sacrifices qu’elles ont faits
pour que nous terminions nos études.

Aussi nous adressons nos sincères remerciements à l’ensemble des

enseignants et tout le personnel du département mathématique et informatique.

Sans oublier tous ceux et tous celle qui ont contribué, de loi ou de prés à la
réalisation de ce mémoire.
 Figure N0 Titre Page

Figure (1.1) Classification des pts d’équilibre dans ℝ². 13

Figure (1.2) Section de Poincaré. 21
Figure (1.3) Système périodique. 21
Figure (1.4) Système quasi-périodique. 22
Figure (1.5) Système chaotique. 22
Figure (2.1) Diagramme de bifurcation nœud-col. 27
Figure (2.2) Diagramme de bifurcation fourche. 28
Figure (2.3) Diagramme de bifurcation transcritique. 29
Figure (2.4) Diagramme de bifurcation hopf. 30
Figure (2.5) Diagramme de bifurcation hétéroclinique. 32
Figure (2.6) Diagramme de bifurcation homoclinique. 32
Figure (3.1) Illustration de la propriété de sensibilité aux conditions initiales sur 36
l’état x1
Figure (3.2) Divergence de deux trajectoires dans le plan de phase. 41
Figure (4.1) Attracteur de Lorenz pour r=5. 49
Figure (4.2) Attracteur de Lorenz pour r=10. 49
Figure (4.3) Attracteur de Lorenz pour r=15. 49
Figure (4.4) Attracteur de Lorenz pour r=20. 50
Figure (4.5) Attracteur de Lorenz pour r=24. 50
Figure (4.6) Attracteur de Lorenz pour r=28. 50
Figure (4.7) Attracteur étrange de Lorenz 51
Figure (4.8) Illustration de l’aspect aléatoire de l’état x du système de Lorenz 51
Figure (4.9) Illustration de l’aspect aléatoire de l’état y du système de Lorenz 52
Figure (4.10) Illustration de l’aspect aléatoire de l’état z du système de Lorenz 52
Figure (4.11) Attracteur étrange de Rössler. 53
Figure (4.12) Etat chaotique x1 du système du Rössler. 56
Figure (4.13) L’évolution des points fixes de l’application logistique pour r=0.5et 57
xeq =0.
Figure (4.14) L’évolution des points fixes de l’application logistique pour r=1et 58
xeq =0.
Figure (4.15) L’évolution des points fixes de l’application logistique pour 58
r=1etxeq=0.33333, xeq =0 .
Figure (4.16) L’évolution des points fixes de l’application logistique pour r=1.5et 59
xeq =0.
Figure (4.17) L’évolution des points fixes de l’application logistique pour r=3et 59
xeq =0.66667, xeq =0.

1
Figure (4.18) L’évolution des points fixes de l’application logistique pour 60
r=3.3<1+ √6.
Figure (4.19) L’évolution des points fixes de l’application logistique pour 61
r=3.5>1+ √6.
Figure (4.20) L’évolution des points fixes de l’application logistique pour r=3.57> 61
3.569945
Figure (4.21) Trajectoire de la fonction logistique. 62
Figure (4.22) Illustration des aspects aléatoires de l’application logistique pour 62
r=4.
Figure (4.23) Diagramme de la bifurcation logistique. 62

2
Table des matières

1 Généralités sur les systèmes dynamiques 7

1.1 Système dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Système dynamique continue . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.2 Système dynamique discret . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Point fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Portrait de phase et de cycles limites . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Orbite périodique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1 Cas des systèmes dynamiques continues . . . . . . . . . . . . . . . . . . . 12
1.4.2 Cas des systèmes dynamiques discrets . . . . . . . . . . . . . . . . . . . . . 14
1.4.3 Stabilité au sens de Poincaré . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.4 Stabilité au sens de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5 Section de Poincaré . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.1 Les cas typiques observés . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6 Méthode des fonctions de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2 Bifurcations 26
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2 Définition de bifurcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Diagrammme de bifurcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4 Différents types de Bifurcation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.1 Bifurcation locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.2 Bifurcation super-critique et sous-critique . . . . . . . . . . . . . . . . . . . 32
2.4.3 Bifurcation globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

1
3 Théorie du chaos 35
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Définitions du chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Caractéristique du chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.1 La non linéarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Le déterminisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.3 L’espace aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.4 Sensibilité aux conditions initiales . . . . . . . . . . . . . . . . . . . . . . . 37
3.4 Les attracteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4.1 Définitions d’atracteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4.2 Les proproétés d’un attracteur . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4.3 Les types d’attracteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.5 Détection du chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.5.1 Les exposants de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.5.2 Dimemsion fractale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4 Quelques systèmes dynamiques chaotiques 47

4.1 Le chaos continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1 Système de Lorenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.2 Le système de Rössler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Le chaos discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2.1 Fonction logistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

2
 Notations

x point fixe
valeur propre
Re ( ) partie réel du valeur propre
Im ( ) partie imaginaire du valeur propre
Df (x) la matrice jacobienne
m le multiplicateur
v (x1 ; :::; xn ) fonction de Lyapunov
paramètre de contrôle
Y fermeture de Y
fyn g suite des points
d la distance
f (j) j ème itération de f
't (x) flot du sytème
A attracteur
B (A) bassin d’attracteur
T la période de solution
(C) cercle
R zone de capture
C1 classe des fonctions continue et dérivable une fois
(x0 ) exposant de Lyapunov
exp exponontielle
H fonction de Heaviside
V dimension de corrélation
dl dimension de Lyapunov
dc dimension de capacité (Kolmogorov)
dH dimension de Housdorff
d (M ) la mesure de l’enssemble M
Id identité

3
 Resume

Ce travail de mémoire est focalisé sur les systèmes dynamiques continues et discrets et leurs
applications dans de nombreux domaines, nous étudions les différents types de bifurcation. Ainsi
nous donnons quelques définitions du chaos, les attracteurs et leurs types. Enfin, nous abordons
quelques systèmes dynamiques chaotiques.

Mots clés : chaos, stabilité de Lyapunov, bifurcation, attracteurs, espace des phase, les expo-
sants de Lyapunov, modèle de Lorenz, modèle de Rössler, fonction logistique.

Abstract

This memory work is focused on discrets, continuous dynamic systems and their application
in many fields, we study the different types of bifurcation. Thus, we give some definition of the
chaos, the attractors and their types. Finally, we approach some dynamical chaotic systems.

Keywords : chaos, Lyapunov stability, bifurcations, attractors, phase space, Lyapunov expo-
nents, Lorenz model, Rössler model, logistic function.

4
 Introduction Générale
Un système dynamique consiste en un ensemble d’états possibles, avec une loi qui détermine
de façon unique l’état présent du système en fonction de ses états passés. Aucun élément aléatoire
n’est admis dans notre définition d’un système dynamique déterministe. Par exemple, un modèle
possible pour déterminer le prix de l’or en fonction du temps serait de dire que le prix du jour
est celui de la veille plus ou moin un dollar, avec les deux possibilités équiprobables. Au lieu
d’être appelé système dynamique, un tel modèle est souvent appelé un processus aléatoire ou
stochastique. Une réalisation typique d’un tel modèle pourrait être de jouer à pile ou face chaque
jour pour détrminer le nouveau prix. Ce type de modèle n’est pas déterministe, et est rejeté de
notre définition de système dynamique.
Les systèmes dynamiques désignent couramment la branche de recherche active des mathé-
matiques, à la frontière de la topologie, de l’analyse, de la géométrie, de la théorie de la mesure
et des probabilités, et qui s’efforce d’étudier les propriétés d’un système dynamique. La nature
de cette étude diffère suivant la système dynamique étudié, nature qui dépend des outils utilisés
(analytique, géométriques probabilistes).
En 1963, le titre de la communication du météorologue Edward Lorenz énonce bien le pro-
blème : "Est-ce qu’un battement d’ailes de papillon au Brézil peut provoquer une tornade au
Texas ?". Il y analysait le comportement d’un système dynamique non-linéaire inspiré d’un mo-
dèle de l’atmosphère terrestre. En proportion de différentes valeurs des paramètres, un nouveau
comportement dynamique était souligné. Les trois variables d’état du système, donnant lieu à dé-
terminer l’évolution des masses d’air, aggissaient une activité intermittente, imprévisible. Edward
Lorenz soutenait que, dans les systèmes non- linéaires de petites différences dans les conditions
initiales reproduisent à long terme des systèmes complétement différents.
Plus généralement, un système dynamique décrit l’évolution des phénomènes qui évoluent
au cours du temps. Le terme "système" se réfère à un ensemble des variables d’état (dont la
valeur évolue au cours du temps) et aux interactions entre ces variables. L’ ensemble des variables
d’état d’un système sert à structurer un espace mathématique appelé "espaces des phases" ;
cette illustration permet de distinguer un comportement régulier d’un comportement purement
aléatoire.
La notion de bifurcation est l’une des plus récentes notions dégagées par les mathématiciens.
Généralement, la bifurcation décrit un changement immédiat de forme, d’état ou de compor-
tement entraîné par la variation des paramètres distincts des variables d’état. Nouveauté de la
forme, de l’état, du comportement : la bifurcation mathématique est un outil permettant de com-
prendre la genèse et la fin des chaoses. L’ exemple le plus simple qu’on puisse donner d’une

5
bifurcation reiève encore de l’observation des paysages montagnards.
La théorie du chaos s’interesse aux systèmes dits "chaotique", qui ont une forte dépendance
aux conditions initials : une petite variation des conditions initials croît rapidement pour donner
un résultat totalement différent ( le célèbre "effet papillon").
Le pionnier est Poincaré, à la fin de XIXe siècle, qui étudiant la gravitation entre plusieurs corps
(comme le système solaire). Mais le domaine à vraiment décollé suite aux travaux de Lorenz dans
la deuxième moitié du XXe siècle ; c’était un météorologue qui s’est rendu compte que des erreurs
d’arrondi dans ses simulations conduisait à d’énormes différences.
La théorie de chaos née avec Poincaré aux XIX ème siècle, dans son étude du système solaire
et de sa stabilités. Il cherchait à savoir si le système était stable, ou s’il allait un jour se dissoudre,
pouvant engendrer des collisions entre les corps. Elle est donc née avec la mécanique céleste.
Toujours aux même siècle le mathématicien Russe Alexendre Lyapunov effectuait des cherches
sur la stabilité du mouvement. Il introduisait l’idée de mesure l’écart entre deux trajectoirs ayant
deux conditions initiales voisines ; lorsque cet écart évolue exponontiellement, on parle de sen-
sibilité aux conditions initiales, les travaux de Lyapunov, d’abord tombaient dans l’oubli seront,
plus tard, très précieux pour étudier certains aspects de la théorie de chaos.
Le comportement chaotique a été considéré comme un phénomène exotique qui peut être
seulement d’intérêt mathématique et ne serait jamais recontré dans la pratique. Plus tard, le
chaos a été largement appliqué à beaucoup de disciplines scientifiques mathématiques, la pro-
grammation, la micnodiologie, la biologie, l’informatique, l’économique, l’ingénieurie, la chimie,
le finence, la philosophie, la physique, la dynamique de la population, la communication, méd-
cine.
Ce mémoire comprend quatre chapitres, sa structuration représente comme suite :
Chapitre 1 : Ce chapitre est consacrée à donner des notions de base sur les systèmes dynamiques
(continues et discrets), nous représentons aussi la notion de stabilités des systèmes dynamiques.
Chapitre 2 : Dans ce chapitre nous étudions les différents types des bifurcations (noeud-col,
fourche, trascritique, hopf) et leurs diagrammes.
Chapitre 3 : Nous évoquons dans ce chapitre la théorie du chaos, nous donnons quelques défini-
tions du chaos, caractéristique du chaos, et les attracteurs et leurs types (régulier et étrange).
Chapitre 4 : Nous donnons quelques exemples des systèmes chaotiques, nous prenons les deux
modèles (Lorenz et Rössler) dans le temps continue et le modèle le plus connue (fonction logis-
tique "fonction de Chebychev") dans le temps discrets.

6
Chapitre 1

Généralités sur les systèmes dynamiques

1.1 Système dynamique

Définition 1.1 Un système dynamique est un modèle permettant de décrire l’évolution au cours du
temps d’un ensemble des objets en interaction, il est défini 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 définir à partir d’un vecteur de condition initiale l’état du système à toute instant.

Définition 1.2 Un système dynamique sur Rn est une application :

U : R+ Rn ! Rn

définie sur tout R+ Rn , telle que :

U (:; x) : R+ ! Rn est continue.
U (t; :) : Rn ! Rn est continue.
U (0; x) = x:
U (t + s; x) = U (t; U (s; x)) pour t; s 2 R+ ; x 2 Rn :
Soit le système dynamique linéaire :
8
>
> x0 = Ax
<
; t 2 R + ; x0 2 R n (1.1)
>
>
: x (0) = x0

où A est une matrice constante. La solution de (1:1) est :

x (t) = etA x0

7
 Chapitre 1. Généralités sur les systèmes dynamiques

Le système (1:1) engendre un système dynamique, car l’application :

U : R+ Rn ! Rn

qui à tout t 2 R+ ; x 2 Rn associe :

U (t; x) = etA x (1.2)

vérifie les quatre propriétés précédentes.

Définition 1.3 Soit le système non linéaire

x0 = f (x) : (1.3)

On appelle point critique ou point d’équilibre du système (1:3) ; le point x0 2 Rn tel que :

f (x0 ) = 0

Définition 1.4 Considérons le système (1:3) :

Le système :

x0 = Ax

où

@fi
A= (x0 ) = Df (x0 ) ; 1 i; j n
@xj
et

f (x0 ) = 0

est appelé linéarisaion de (1:3) en x0 :

Définition 1.5 On appelle point critique hyperbolique de (1:3) ; le point x0 telle que A n’a aucune
valeur propre avec une partie réelle nulle.

Espace de phase

1.1. Système dynamique 8

 Chapitre 1. Généralités sur les systèmes dynamiques

Définition 1.6 Un système dynamique est caractérisé par un certain nombre de variable d’état,
qui est la propriété de défini complètement d’état du système à un instant donnée. Le comportement
dynamique du système est ainsi relié à l’évolution de chacune de ces variables d’état. Cet espace est
appelé l’espace de phase où chaque point définit un état de le point associé à cet état décrit une
trajectiore.

Espace d’état

Définition 1.7 L’ espace d’état est l’enssemble des coordonnés nécessaire à la description complète
d’un système. Cet espace peut être discret, il peut aussi être continue.

La trajectoire

Définition 1.8 La trajectoire est une solution du système différentiel.

Système autonomes et non-autonomes

Lorsque la variable libre t apparaît explicitement dans l’expression de f , le système est dit
non autonome. En général, c’est un inconvénient majeur pour la résolution numérique et il est
préférable de s’en affranchir.
On peut toujours transformer un système non autonome en système autonome (où t n’apparaît
pas explicitement), en posant :
(
xn+1 = t
x0n+1 = fn+1 (x; p) = 1
On augmente ainsi la dimension du système d’une unité, mais cela permet remplacer systéma-
tiquement t dans les équations par xn+1 . Les algorithmes de résolution de systèmes d’équations
différentielles vous en remercieront.

Remarque 1.1 Par un changement de variable approprié on peut transformer un système non auto-
nome de dimension n à un système autonome équivalent de dimension n + 1.

1.1.1 Système dynamique continue

Un système dynamique dans le cas continue est représenté par un système d’équation différen-
tielle de la forme :

x0t = f (x; t; p) où x 2 Rn et p 2 Rr

où f : Rn R+ ! Rn désigne la dynamique du système.

1.1. Système dynamique 9

 Chapitre 1. Généralités sur les systèmes dynamiques

Si on associé à cette dynamique un état initial

x0 = x (t0 )

Pour chaque couple choisi, (x0 ; t0 ) on peut identifier une solution unique :

(:; x0 ; t0 ) : R+ ! Rn

telle que

0
f (t0 ; x0 ; t0 ) = x0 et f (t; x0 ; t0 ) = f ( f (t; x0 ; t0 ) ; t)

Cette solution appelée souvent trajectoire, fournit les états successifs occupés par le système à
chaque instant t [7] :

1.1.2 Système dynamique discret

Un système dynamique dans le cas discret est représenté par une application (fonction itérative)
sous la forme :

xk+1 = g (xk ; p) où x 2 Rn et p 2 Rr ; k = 1; 2; 3; :::

g : Rn Z+ ! Rn indique la dynamique du système en temps discret.

On peut également idenifier pour chaque couple (x0 ; k0 ) une solution unique

g (:; x0 ; k0 ) : Z+ ! Rn

telle que ;

g (k0 ; x0 ; k0 ) = x0 et g (k + 1; x0 ; k0 ) = g ( g (k; x0 ; k0 ) ; k)

Si le variable t apparait explicitement dans l’expression de f , le système est dit non-autonome

[7] :

1.2 Point fixe

Les propriétés des systèmes dynamiques non linéaires, qui évoluent au cours du temps, sont
fortement liées à l’évolution des points d’équilibre du système. Tout changement dans leur nombre
ou leur stabilité agit parfois de façon dramatique sur le comportement du système. De plus,

1.2. Point …xe 10

 Chapitre 1. Généralités sur les systèmes dynamiques

ces changements se font suivant un petit nombre de scénarios qui permettant d’indiquer une
classification des changements des comportements.
a. Cas des systèmes dynamiques continues :

Définition 1.9 Un point critique (ou point singulier, ou point stastionnaire) de l’équation : x0t =
f (x; t; p) est un point x de l’espace des phases vérifiant l’équation f (x ) = 0.

b. Cas des systèmes dynamiques discrets :

Définition 1.10 Un point fixe d’une application xk+1 = g (xk ; p) est un point invariant par f , c’est-
à-dire un point x de l’espace des phases vérifiant l’équation g (x ) = x :

Géométriquement : Le point fixe est une intersection de la courbe de notre fonction y = f (x)
avec la bissectrice y = x.

1.3 Portrait de phase et de cycles limites

Définition 1.11 Soit le système planaire :

x0 = P (x; y)
(1.4)
y 0 = Q (x; y)
où P; Q sont des polynômes en x et y. Les solutions (x (t) ; y (t)) du système (1:4) représentent dans
le plan (x; y) des courbes appelés orbites. Les points critiques de ce système sont des solutions
constantes et la figure complète des orbites de ce système ainsi que ces points critiques représentés
dans le plan (x; y) s’appelle portrait de phase, et le plan (x; y) est appelé plan de phase.

Définition 1.12 Une solution périodique du système (1:4) est une solution telle que :

(x (t + T ) ; y (t + T )) = (x (t) ; y (t)) pour T > 0

a toute solution périodique correspond une orbite fermée dans l’espace des phases.

Définition 1.13 Un cycle limite du système (1:4) est une orbite isolée, c’est à dire qu’on ne peut pas
trouver une autre orbite fermée dans son voisinage.

Définition 1.14 L’ amplitude d’un cycle limite est la valeur maximale de la variable x sur le cycle
limite.

1.3. Portrait de phase et de cycles limites 11

 Chapitre 1. Généralités sur les systèmes dynamiques

1.3.1 Orbite périodique

Définition 1.15 Un cycle d’ordre p (ou orbite périodique d’ordre p ou encore un (p cycle) est un
ensemble de p points x0 ; :::; xp 1 vérifiant :

xi+1 = g (xi ) ; i = 0; :::; p 2:

xp = g xp 1 = x0 :

xi = g p (xi ) ; i = 0; :::; p 1:

xi 6= g h (xi ) ; i = 0; :::; p 1; 1 h p:

p est l’entier minimal tel que : x0 = g p (x0 ) :

Ainsi, les n éléments d’une orbite de période n correspondent aux points fixes propres de g n :

1.4 Stabilité

1.4.1 Cas des systèmes dynamiques continues

Classification des points d’équilibre

a. Cas des systèmes linéaires

Considérons le système linéaire :

x0 = Ax (1.5)

où x = (x1 ; :::; xn ) et A une matrice constante inversible. Soient 1 ; :::; n les valeurs propres de
A.

Définition 1.16 Si les valeurs propres 1 ; :::; n sont réelles et de même signe, la solution x = 0 est
appelée noeud.

Si les valeurs propres 1 ; :::; n sont réelles, non nulles et de signe différent, la solution x = 0
est appelée selle.
Si les valeurs propres 1 ; :::; n sont complexes avec Im ( i ) 6= 0; i = 1; :::; n: La solution x = 0
est appelée foyer.

1.4. Stabilité 12
 Chapitre 1. Généralités sur les systèmes dynamiques

Si les valeurs propres 1 ; :::; n sont complexes avec Re ( i ) = 0; i = 1; :::; n: La solution x = 0

est appelée centre [7] :

F IG(1:1)- Classification des points d’équilibre dans R2

b. Cas des systèmes non linéaires

Considérons maintenant le système non linéaire :

x0 = f (x) (1.6)

x = (x1 ; :::; xn ), f = (f1 ; :::; fn ) :

Définition 1.17 Un point critique de x0 de (1:6) est appelé puits si toutes les valeurs propres de la
matrice A = Df (x0 ) ont des parties réelles négatives ; il est appelé sources si toutes les valeurs propres
de la matrice A = Df (x0 ) ont des parties réelles positives ; il est appelé selle s’il est hyperbolique et
si A = Df (x0 ) a au moins une valeur propre avec une partie réelle positive ou au moins une valeur
propre avec une partie réelle négative.

Définition 1.18 Deux systèmes planaires :

x0 = f (x) (1.7)

et

x0 = g (x) (1.8)

définies sur deux ouverts U et V respectivement, sont topologiquement équivalentes s’il existe un
homéomorphisme h : U ! V tel que h transforme les orbites de (1:6) en celles (1:7) et préserve
le sens du mouvement.

1.4. Stabilité 13
 Chapitre 1. Généralités sur les systèmes dynamiques

Théorème 1.1 Si x0 est un point d’équilibre hyperbolique de (1:5), alors il existe une voisinage de ce
point dans lequel le système x0 = f (x) est topologiquement équivalent à son linéarisé x0 = Ax.

Stabilité

Théorème 1.2 Soit x0 = f (x) ; x 2 Rn ; f 2 C 1 ; un système dynamique continue. Si x un point

fixe (f (x ) = 0) ; alors si les valeurs propres de Df (x ) sont de partie réelle négative, x est stable et
instable si l’une de ces valeurs propres de Df (x ) est de partie réelle positive.

1.4.2 Cas des systèmes dynamiques discrets

Définition 1.19 Considérons une application non-linéaire g : R ! R; on définit le multiplicateur m
de g au point fixe x comme suit :

m = g 0 (x )

Il est claire que m est la pente de la tangente au point fixe x de g qui détermine le type de
point fixe.

Théorème 1.3 Supposons que x est un point fixe de xk+1 = g (xk ) ; alors le point fixe est :

1. Attractif si jmj < 1:

2. Répulsif si jmj > 1:
3. Indifférent si jmj = 1:
4. Super stable si m = 0:
Preuve. Nous utilisons la formule de Taylor au voisinage de x :

g (x) = g (x ) + m (x x ) + O (x x )2 :

= x + m (x x ) + O (x x )2 :

et

g 2 (x) = g (g (x))
= g (g (x )) + m (m (x x )) + O (2) :

= x + m2 (x x ) + O (2) :
= :::

1.4. Stabilité 14
 Chapitre 1. Généralités sur les systèmes dynamiques

g p (x) = x + mp (x x ) + O (2) :

Ainsi l’éloignement par rapport à x est multiplié par m à chaque itération (d’où le nom
multiplicateur donné à m). Après p itérations le point x voisin de x se trouve à la distance
mp (x x ):

1. Si m = 0; l’attraction est le plus forte car le terme du premier ordre en (x x ) disparaît

complètement, d’où le nom "super attractif".
2. Si m = 1; la nature de x dépond des termes d’ordre supérieur à 1 du développement de
Taylor.

Théorème 1.4 Soit x 7! g (x) ; x 2 Rn ; f 2 C 1 ; un système dynamique discret. Si x un point fixe

(g (x ) = x ) ; il est (asymptotiquement) stable si toutes les valeurs propres de Dg (x ) sont de module
inférieur à 1 et instable si l’une de ces valeurs propres de Dg (x ) a un module plus grand que 1:

Exemple 1.1 Soit l’application de Chirikov ( ou l’pplication de standart) suivante :

8
>
< rn+1 = rn k
sin (2 xn ) ; k > 0
2
> k
: xn+1 = x n + rn sin (2 xn )
2
Où r et x sont définis modulo 1:
Les points fixes de cette application sont définis par :
8
< r = 0
: x 1
= 0_
2
1
Il y a deux points fixes (r ; x ) = (0; 0) et 0; :
2
La matrice jacobienne s’écrit :
!
1 k
Dg (0; 0) =
1 1 k
L’ équation caractéristique s’écrit :

2
(2 k) + 1 = 0:

Le point fixes (0; 0) est stable si 0 < k < 4 pour k > 0:

La matrice jacobienne s’écrit :

1.4. Stabilité 15
 Chapitre 1. Généralités sur les systèmes dynamiques

!
1 1 k
Dg 0; =
2 1 1+k
L’ équation caractéristique s’écrit :

2
(2 + k) + 1 = 0:
1
Dans ce ca le point fixe 0; est toujours instable.
2
Comme les points fixes peuvent être attractifs ou répulsifs, de même, une orbite périodique est
soit attractive ou répulsive et le théorème suivant décrit la stabilité d’une orbite périodique.
En dimension 1 ; le critère pour qu’un cycle soit attractif ou répulsif vient de la règle de chaîne.
En effet, le dérivée de g p au point x0 s’écrit :

(g p )0 (xp ) = g 0 (xp 1 ) :::g 0 (x1 ) g 0 (x0 )

Mais x0 = xp , on en déduit que la valeur (g p )0 (x0 ) est la même pour toutes les dirivées et notée
mp :
On définit le multiplicateur du cycle mp par :

mp = (g p )0 (xi ) , i = 0; 1; :::; p 1

Rappelons que les points xi , i = 0; 1; :::; p 1 sont les points fixes de g p . D’où en se reportant au
développement de Taylor de la fonction g p :

Théorème 1.5 Pour g : R ! R, le cycle x0 ; x1 ; x2 ; :::; xp 1 est :

1. Attractif si jmp j < 1:

2. Répulsif si jmp j > 1:
3. Indifférent si jmp j = 1:
4. Super stable si mp = 0:
En général, si g : Rn ! Rn on calcule les valeurs propres i; 1 i n de la matrice jacobienne
p
de g :
Si i sont réelles :
8i = 1; 2; :::; n; j i j < 1; il s’agit d’un noeud attractif.
8i = 1; 2; :::; n; j i j > 1; il s’agit d’un noeud répulsif.
9i; j i n; tel que j i j < 1 et j j j > 1; il s’agit d’un noeud col.
Si i sont complexes :

1.4. Stabilité 16
 Chapitre 1. Généralités sur les systèmes dynamiques

8i = 1; 2; :::; n; j i j < 1; il s’agit d’un foyer attractif.

8i = 1; 2; :::; n; j i j > 1; il s’agit d’un foyer répulsif.

@g
Définition 1.20 Un point fixe x de xk+1 = g (xk ) est un point hyperbolique si @x
(x ) 6= 1: Plus
généralement, en dimension n; x est un point hyperbolique si aucune des valeurs propres de Dg (x )
a un module égal à 1:

Flot du système :
On note :
't (x) : la solution à l’instant t partant de l’etat initial x à l’instant 0 ;
't : l’application x 7! 't (x) :
Propriétés :
1. Pour tout t où 't est défini, 't est difféomorphisme local.
2. l’application x 7! 't (x) est C 1 ;
3. 't 's = 't+s pour tout t; s 2 R et '0 = Id' :
L’ application x 7! 't (x) est appelée flot du système.

1.4.3 Stabilité au sens de Poincaré

La solution x (t) de condition initiale x0 à t = t0 est stable au sens de Poincaré si la trajectoire
du flot initié avec x0 + x0 à t = t0 reste dans un tube de rayon " , autour de la trajectoire de
x (t) :
Par suite, nous attardons la stabilité au sens de Lyapunov.

1.4.4 Stabilité au sens de Lyapunov

La stabilité au sens de Lyapunov est une théorie générale valable pour toute équation diffé-
rentielle. Cette notion signifie que la solution d’une équation différentielle initialisée au voisinage
d’un point d’équilibre en reste suffisamment proche.

a. Cas des systèmes à temps continues

Considérons la classe des systèmes non linéaires décrits par le système dynamique :
(
x0 = f (x (t) ; t)
(1.9)
x (t0 ) = x0

1.4. Stabilité 17
 Chapitre 1. Généralités sur les systèmes dynamiques

où x (t) 2 Rn et f : Rn R+ ! Rn continue. Nous désignons par x un point d’équilibre de (1:9)

f (x ; t) = 0; 8t t0 ; et par x (t; t0 ; x0 ) la solution à l’instant t t0 du système (1:9) initialisée en
x0 à l’instant t0 ; et f une fonction non linéaire.

Définition 1.21 (Stabilité) L’ origine est un point d’équilibre x stable au sens de Lyapunov du
système (1:9) est :

8" > 0; 9 ("; t0 ) > 0 : kx(t0 ) x k< ) kx(t; x (t0 )) x k < "; 8t t0

Définition 1.22 (Stabilité uniforme) L’ origine est un point d’équilibre x uniformement stable au
sens de Lyapunov du système (1:9) est :

8" > 0; 9 (") > 0 : kx(t0 ) x k< ) kx(t; x (t0 )) x k < "; 8t t0

Définition 1.23 (Attractivité) L’ origine est un point d’équilibre x attractif du système (1:9) est :

8" > 0; 9 (t0 ) > 0 : kx(t0 ) x k< ) lim (x (t; t0 ; x0 )) = 0; 8t t0

t!1

Lorsque (t0 ) = +1; on dit que l’origine est globalement attractive.

Définition 1.24 (Stabilité asymptotique) L’ origine est un point d’équilibre x asymptotiquement

([Link] asymptotiquement ) stable du système (1:9) s’il est stable attractif ([Link]
attractif)

9 > 0 : kx(t0 ) x k< ) lim kx(t; x(t0 )) x k=0

t!1

La stabilité asymptotique signifie qu’on peut déterminer un voisinage du point d’équilibre tel
que n’importe quelle trajectoire, issue d’un point x (0) appartenant à un voisinage de x tende
vers x lorsque t ! +1:

Définition 1.25 (Stabilité exponontielle) L’ origine est un point d’équilibre x localement exponon-
tielle stable du système (1:9) s’il existe deux constantes strictement positives a; b telle que :

8" > 0; 9 > 0 : kx(t0 ) x k< ) kx(t; x (t0 )) x k < a kx(t0 ) x k exp ( bt) ; 8t t0 ; 8x0 2 Br

Lorsque Br = Rn , on dit que l’origine est globalement exponontiellement stable.

1.4. Stabilité 18
 Chapitre 1. Généralités sur les systèmes dynamiques

Définition 1.26 (Instabilité) Le point d’équilibre x est dit instable s’il n’est pas stable au sens de
Lyapunov.

Soit le système des équations :

x0 = f (x; t) ; x 2 Rn ; t 2 R (1.10)

On suppose que f satisfait les conditions du théorème d’existence et d’unicité des solutions.

Définition 1.27 Une solution (t) du système (1:10) telle que (t0 ) = 0 est dite stable au sens de
Lyapunov si 8" > 0; 9 > 0; tel que toute solution x (t) de (1:10) dont la valeur initiale x (t0 ) vérifie :

k x (t0 ) 0 k< )k x (t) (t) k< "; 8t t0

si en plus de cette définition on a :

lim k x (t) (t) k= 0

t!+1

alors la solution est dite asymptotiquement stable.

Quand (t) = 0 la définition devient :
8" > 0; 9 > 0; tel que toute solution x (t) de (1:10) dont la valeur initiale x (t0 ) vérifie :

k x (t0 ) k< )k x (t) k< "; 8t t0

si en plus

lim k x (t) k= 0
t!+1

alors (t) = 0 est asymptotiquement stable.

Exemple 1.2 (n = 1)

(
x0 = x + 1;
x (0) = 1
La solution telle que x (0) = 1 est :

t
x (t) = (x0 1) e +1

La solution (t) telle que (0) = 1 est (t) = 1

1.4. Stabilité 19
 Chapitre 1. Généralités sur les systèmes dynamiques

t
j x (t) (t) j=j (x0 1) e j<j x0 1 j; 8t > 0

Il suffit de prendre "; =") (t) est stable.

Stabilité asymptotique :

t
lim k x (t) (t) k= lim j (x0 1) e j= 0
t!+1 t!+1

d’où (t) est asymptotiquement stable.

Exemple 1.3 (n = 2)

Soit le système :
8
>
> 0 ! !
< x = y
x (0) 0
; =
>
> y (0) 0
: y0 = x
La solution qui vérifie (x (0) ; y (0)) = (x0 ; y0 ) est :
! ! !
x (t) x0 cos t y0 sin t 0
= ; (t) =
y (t) x0 sin t y0 cos t 0
8" > 0; 9 > 0 telle que :
! !
x0 x (t)
< ) < "; 8t > 0
y0 y (t)

!
x (t)
= jx (t)j + jy (t)j = jx0 cos t y0 sin tj + jx0 sin t y0 cos tj < 2 (jx0 j + jy0 j)
y (t)
!
x0 " "
=2 < 2 ; on prend ; =
y0 2 2
!
0
d’où (t) = est stable au sens de Lyapunov.
0
! ! 2
x (t) 0
lim = lim x2 (t) + y 2 (t) = x20 + y02 = c > 0 9 0
t!+1 y (t) 0 t!+1

donc la solution n’est pas asymptotiquement stable.

1.4. Stabilité 20
 Chapitre 1. Généralités sur les systèmes dynamiques

1.5 Section de Poincaré

La section de Poincaré est une outil mathématique simple permettant de transformer un sys-
tème dynamique continue en un système dynamique discret. Cette transformation s’opère via une
réduction d’une unité de l’ordre du système.
Faire une section de Poincaré revient à comper la trajectoire dans l’espace des phases, afin
d’étudier les intersections de cette trajectoire (en dimension trois, par exemple), avec un plan.

F IG(1:2)- Section de Poincaré

1.5.1 Les cas typiques observés

1. La solution est périodique dans Rn (c’est un cycle limite) : la section de Poincaré est un point.

F IG(1:3)- Système périodique

f1
2. La solution est quasi-périodique à deux fréquences f1 et f2 selon le rapport r = est rationnel
f2
ou pas :
a) Si r n’est pas rationnel la section de Poincaré est une courbe fermée.
b) Si r est rationnel la section de Poincaré se compose de quelque points.

1.5. Section de Poincaré 21

 Chapitre 1. Généralités sur les systèmes dynamiques

F IG(1:4)- Système quasi-périodique

3. La solution est chaotique la section de Poincaré est un nuage des points.

F IG(1:5)- Système chaotique

Remarque 1.2 Dans les systèmes à temps discret, pour une variable d’état x, l’application de premier
retour consiste plus simplement à associer x (t) à x (t 1).

Définition 1.28 Soit le système dynamique défini par :

(
x0 = f (x (t))
x (0) = x0
Avec f : Rn ! Rn , n > 2 et soit un enssemble de R2 , l’intersection du plan et la trajectoire
du le système précédent nous permet de définir une fonction G comme suit :

G:U !
x (t) ! (x (t) ; )

1.5. Section de Poincaré 22

 Chapitre 1. Généralités sur les systèmes dynamiques

Avec désigne le temps qu’il faut pour que les trajectoires x (t) démarre de U pour arriver à .
La fonction G est appelée la fonction de premier retour.

1.6 Méthode des fonctions de Lyapunov

Soit v(x1 ; :::; xn ) une fonction différentiable.
Soit le système autonome :

x0i = fi (x1 ; :::; xn ) , i = 1; :::; n (1.11)

X
n
@v (x) dxi X
n
@v (x)
0
v = fi (x) (1.12)
i=1
@xi dt i=1
@xi
si x (l) = (x1 (l) ; :::; xn (l)) satisfait (1:11) .

Théorème 1.6 Pour le système (1:11) ; il existe une fonction v(x1 ; :::; xn ) de signe défini positif (ou
Pn @v
négatif) telle que v 0 = fi (x1 ; :::; xn ) est une fonction semi définie négative (ou positive) ou
i=1 @xi
identitiquement nulle alors le point d’équilibre (0; :::; 0 ) est stable au sens de Lyapunov.

v(x1 ; :::; xn ) est dite fonction de Lyapunov.

Exemple 1.4 Soit le système hamiltonien :

8
>
> dp1 @H
>
> =
>
> dt @q1
>
> ..
>
> .
>
>
>
> dp @H
>
<
n
=
dt @qn
> dq1 @H
>
> =
>
> dt @p1
>
> ..
>
>
>
> .
>
> dqn @H
>
>
: =
dt @pn
où H = H (p1 ; :::; pn ; q1 ; :::; qn ) : On suppose que H (p; q) est définie positive.
: H (p1 ; :::; pn ; q1 ; :::; qn ) = p21 + ::: + p2n + q12 + ::: + qn2 :
Par exemple 8
> @H
>
> (0; :::; 0) = 0
>
< @q1
..
On suppose . ;
>
>
>
> @H
: (0; :::; 0) = 0
@pn

1.6. Méthode des fonctions de Lyapunov 23

 Chapitre 1. Généralités sur les systèmes dynamiques

c.à.d (0; :::; 0) point d’équilibre, alors (t) = (0; :::; 0) est stable.
Preuve. Posons v(x1 = p1 ; :::; x2n = qn ) = H (p1 ; :::; pn ; q1 ; :::; qn )

dH X @H (x) dqi X @H (x) dpi

n n
(p; q) = +
dt i=1
@q i dt i=1
@pi dt

X
n
@H dH X
n
@H dH
= =0
i=1
@qi dpi i=1
@pi dqi

) (p; q) = (0; :::; 0) est stable au sens de Lyapunov.

Exemple 1.5 Soit le système :

(
x0 = xy 4
y0 = yx4
Soit : v (x; y) = x4 + y 4 définie positive. !
@v 0 @v 0 0
v0 = x + y = 4x3 ( xy 4 ) + 4y 3 (yx4 ) = 0 ) (t) = est stable.
@x @y 0
Les orbites vérifient x4 (t) + y 4 (t) = c; (c > 0):

Théorème 1.7 Si pour le système (1:11) il existe une fonction de signe définie v(x1 ; :::; xn ) telle que
P
n @v (x)
v0 = fi (x1 ; :::; xn ) est une fonction de signe défini inverse de v alors le point d’équilibre
i=1 @xi
x = (0; :::; 0) est asymptotiquement stable.

Exemple 1.6 Soit le système :

(
x0 = y x3
y0 = x 3y 3
dv
Soit v (x; y) = x2 + y 2 ; alors = 2x(y x3 ) + 2y( x 3y 3 ) = (x4 + 3y 4 ) définie négative.
! dt
0
) (t) = est asymptotiquement stable.
0

Remarque 1.3 La forme des fonctions de Lyapunov sont généralement de la forme :

v(x; y) = ax2 + by 2 ; ax4 + by 4 ; ax4 + by 2 ; ax2 + by 4 ; ::::::

1.6. Méthode des fonctions de Lyapunov 24

 Chapitre 1. Généralités sur les systèmes dynamiques

Théorème 1.8 Supposons que pour le système (1:11) il existe une fonction v(x1 ; :::; xn ) différentiable
dans un voisinage de l’origine et telle que v = (0; :::; 0) = 0:
Pn @v (x)
Si v 0 = fi (x1 ; :::; xn ) est une fonction définie positive et s’il existe aussi près que l’on veut
i=1 @xi
de l’origine (0; :::; 0) des points en les quels v(x1 ; :::; xn ) > 0 alors le point d’équilibre (0; :::; 0) est
instable.

Exemple 1.7 Soit le système :

( ! ! !
x0 = x x0 1 0 x
, =
y0 = y y0 0 1 y
| {z }
A

1 = 1; 2 = 1 alors (0; 0) est instable.

Posons v (x; y) = x2 y 2 , v (x; 0) = x2 > 0 8x 6= 0:
v 0 = 2x2 + ( 2y)( y) = 2(x2 + y 2 ) elle est définie positive alors (0; 0) instable.
Nous démontrons l’exemple de la remarque précédente x0 = sin2 (x) :
dv dx
Soit v (x) = x; alors v 0 (x) = = sin2 (x) définie positive dans un voisinage de x = 0 alors
dx dt
x = 0 instable d’après le théorème précédente.

Théorème 1.9 Supposons que pour le système (1:11) il existe une fonction v(x1 ; :::; xn ) différentiable
dans un voisinage de (0; :::; 0) et satisfaisant aux conditions suivantes :

Dans n’importe quel voisinage de (0; :::; 0) il existe un domaine 1 dans lequel v(x1 ; :::; xn ) > 0
et v(x1 ; :::; xn ) = 0 pour (x1 ; :::; xn ) 2 F r 1 :
Le point d’équilibre (0; :::; 0) 2 F r 1 :
@v
Dans 1 ; = f:rv est une fonction définie positive.
@t
Alors le point d’équilibre (0; :::; 0)de (1:11) est instable.

Exemple 1.8 Soit le système :

(
x0 = x5 + y 3
y 0 = x3 + y 5
Posons v (x; y) = x4 y4; = R2 , 1 = f(x; y) = jxj > jyjg
v (x; y) = 0; 8 (x; y) 2 F r 1 :
v (x; y) > 0; 8 (x; y) 2 1 ; v 0 = 4x3 (x5 + y 3 ) 4y 3 (x3 + y 5 ) = 4(x8 y 8 ): Elle est définie positive
dans 1 alors (0; 0) est stabe.

1.6. Méthode des fonctions de Lyapunov 25

Chapitre 2

Bifurcations

2.1 Introduction
Le terme de bifurcation a était introduit par Henri Poincaré au début du XXe siècle dans ces
travaux sur les systèmes diférentielles. On s’intéresse ici aux changements qualitatifs du portrait
de phases d’un système dynamique dépendant de paramètres. De tels changements sont appelés
bifurcations. Pour les systèmes continus dérivant d’un potentiel, le mathématicien René Thom
emploie, au lieu de bifurcation, le terme catastrophe, terme qui a connu une fortune médiatique
importante. Pour les valeurs des paramètres auxquelles de tels changements qualitatifs appa-
raissent, valeurs dites de bifurcation, la construction du portrait de phases nécessite des outils
adaptés.

2.2 Définition de bifurcation

Le terme bifurcation est utilisé pour désigner dans un sens large, toute modification qualita-
titive du comportement d’un système dynamique suit à la variation de l’un de ces paramètres ;
une bifurcation correpond donc à la collision de deux objets ( point répulsif ou selle, attracteur)
ou de deux variétés et ceci esu méthode géométrique éfficace pour les décrire ; la collision de
deux objets donne naissance à une bifurcation locale alors que la collision de deux variétés donne
naissance à une bifurcation globale.
Soit :

x0 = f (x; t; ) (2.1)

avec le paramètre de contrôle , et soit x sa solution.

26
 Chapitre 2. Bifurcations

Définition 2.1 Une bifurcation est un changement qualitatif de la solution x du système (2:1) lors-
qu’on modifie , et d’une manière plus précise la disparition ou le changement de stabilité et l’ap-
parition de nouvelles solutions. Un système est dit structurellement stable ou robuste si le portrait
de phase ne change pas dans une perturbation de ses paramètres. Par conséquent une bifurcation
correspond à une perte de stabilité structurelle (la valeur du paramètre pour laquelle le système
(2:1) n’est pas structurellement stable.

2.3 Diagrammme de bifurcation

Définition 2.2 Un système diagrammme de bifurcation est une portion de l’espace des paramètres
sur laquelle sont représentés tous les points de bifurcation. Les logiciels actuels ne permettent pas de
construire que des diagrammmes de bifurcation en deux dimensions.

Les ensembles des points des bifurcation de même nature (noeud-col, fourche, hopf,...)

2.4 Différents types de Bifurcation

Dans cette section, on considère trois types de bifurcations : bifurcation locale, bifurcation
super-critique, sous-critique et la bifurcation globales.

2.4.1 Bifurcation locale

Les bifurcations locales sont appelées ainsi car elles peuvent toujours être identifiées lors
d’une linéarisation de système au voisinage de la solution. Le critère de détection utilisé dans le
cas des bifurcations locales concerne les valeurs propres de jacobien. Il existe plusieures types de
bifurcation locales, parmi les quelles on peut citer :
a) Bifurcation noeud-col ou saddle node,
b) Bifurcation fourche ou pitchwork,
c) Bifurcation transcritique,
d) Bifurcation de hopf.

Bifurcation noeud-col

Une fonction linéaire ne change pas le nombre de racines. Le polynôme le plus simple qui
change le nombre de racines en fonction du parmètre est le polynôme quadratique :

f (x) = x2

2.3. Diagrammme de bifurcation 27

 Chapitre 2. Bifurcations

Considérons le système (2:1). Si on peut réecrire la fonction f sous la forme :

f (x; ) = x2 (2.2)

Nous appellons la fonction (2:2) la forme normale de la bifurcation noeud-col. Etudions le

comportement de l’équation (2:2).
Les points fxes de cette dérnière sont :

p
x = (2.3)

qui existent seulement pour > 0 ; leur stabilité est déterminée par :

p p
f0 x = 2e
x = 2( )= (2.4)
p p
selon les signes de f 0 (x ) ; on voit que x+ = est stable, tandis que x = est instable.

Remarque 2.1 Même étude faite lorsque f (x; ) = x2 , f (x; ) = + +x2 ; et f (x; ) = +x2 :

Mais dans tous les cas, il y a une transition à = 0 entre existence d’aucun point fixe et de
deux points fixes dont un est stable et l’autre instable. La figure (F IG (2:1)) présente ce qu’on
appelle le diagramme de bifurcation noeud-col (la variation du point d’équilibre en fonction de
paramètre pour le cas : f (x; ) = x2 .
IDiagramme

F IG(2:1)- Diagramme de bifurcation noeud-col

Bifurcation fourche

Si on peut réduire f (x; ) à un polynôme cubique a ces quatre cas :

f (x; ) = x x3 (2.5)

2.4. Di¤érents types de Bifurcation 28

 Chapitre 2. Bifurcations

f (x; ) = x + x3 (2.6)

f (x; ) = x + x3 (2.7)

f (x; ) = x x3 (2.8)

L’ équation (2:5) s’appelle la forme normale d’une bifurcation fourche super-critique.

Nous calculons ses points fixes :
(
2 x = 0 pour tout
x (x ) =0) p (2.9)
x = pour >0
Nous étudions la stabilité de ces points fixes.
(
pour x =0
f 0 (x ) = 3 (x )2 = p (2.10)
3 = 2 pour x =
Le point fixe x = 0 est donc stable pour < 0 et devient instable à > 0, quand les branches
p
de nouveaux points fixes x = sont crées. Ces nouveaux points fixes sont toujours stables
quand ils existent.
Faisons le même calcul pour (2:6), qui est la forme normale d’une bifurcation fourche sous-
critique.
(
2 x = 0 pour tout
x +x =0) p (2.11)
x = pour < 0
(
pour x =0
f 0 (x ) = +3x 2
= p (2.12)
+ 3( ) = 2 pour x =
Comme pour le cas super-critique, le point fixe x = 0 est stable pour < 0 et devient instable
p
à = 0. Mais contrairement au cas super-critique, les autres points fixes existent dans la
région où x = 0 est stable, et sont toujours instables (F IG (2:2)).

2.4. Di¤érents types de Bifurcation 29

 Chapitre 2. Bifurcations

F IG(2:2)- Diagramme de bifurcation fourche a)sup-critique b)sou-critique

Bifurcations transcritiques

Si f est contrainte à ne pas avoir de terme constant, le développement limité mène à la

forme normale d’une bifurcation transcritique, qui est la dernière bifurcation stationnaire dans
une dimension :

x = x x2

L’ analyse usuelle donne :

(
x = 0
x ( x )=0) (2.13)
x =
(
pour x = 0
f 0 (x ) = ( 2x )= (2.14)
pour x =
Donc x = 0 est stable pour < 0, instable pour > 0, tandis que x = fait le contraire : ces
points fixes échangent simplement leur stabilité (F IG (2:3)).
IDiagramme

F IG(2:3)- Diagramme de bifurcation transcritique

2.4. Di¤érents types de Bifurcation 30

 Chapitre 2. Bifurcations

Bifurcation de hopf

Tandis que toutes les bifurcations décrites sont stationnaires, la bifurcation de hopf donne
naissance à des solutions oscillantes ; l’espace des phases a maintenant deux composantes et la
forme s’écrit dans le plan complexe.
Forme normale :

Z0 = Z jZj3 Z (2.15)

En posant = r +i I ; Z = Xei , et on obtient alors :

(
x0 = rx x3
(2.16)
y0 = I

Nous obtenons donc une bifurcation fourche pour l’amplitude tandis que la phase tourne à
la vitesse I. La solution est donc périodique et les trajectoires décrivent une spirale attirée vers
une courbe asymptotique nommée : cycle limite. Naturallement la bifurcation de hopf peut être
également sous-critique si le coefficient du terme jZj2 Z est de signe positif, il faut alors un terme
négatif en jZj4 Z pour obtenir une saturation non-linéaire.
On va s’interesser maintenant à l’étape qui suit la régularité temporelle. Selon Landau la bifur-
cation d’un point d’un comportement stationnaire (point fixe) vers un comportement périodique
(cycle limite) puis bipériodique (un tore) constituent les premières étapes de la transition vert
la turbulance, cette derniére présente un phénomène trés intéréssant qu’on appelle le chaos qui
est depuis longtemps synonyme de désordre, de confusion et s’oppose à l’ordre et à la méthode.
De nombreux chercheurs en sciences se sont intéressés aux mouvements dit chaotiques. Ils ont
confirmé que, contrairement à ce que la pensée déterministe, martèle depuis des lustres, il se
pourrait qu’il y ait de l’équilibre dans le déséquilibre, de l’organisation dans la désorganisation
(F IG (2:4)):
I Diagramme

2.4. Di¤érents types de Bifurcation 31

 Chapitre 2. Bifurcations

F IG(2:4)- Diagramme de bifurcation hopf

2.4.2 Bifurcation super-critique et sous-critique

La distinction de la bifurcation super-critique et sous-critique est intéressante, car les deux
n’ont pas de toute la même signification. En effet, pour des valeurs décroissantes du paramètre,
dans le cas de la bifurcation super-critique le système passe continûment d’un équilibre "haut"
ou "bas" à un équilibre moyen. Au contraire, dans le cas de la bifurcation sous-critique, le sys-
tème est sur l’équilibre "moyen" et brusquement cet attracteur disparaît et la solution du système
saute de manière discontinue vers un autre attracteur ou diverge vers l’infini par exemple, si le
système représente une population, il y a une différence énorme entre le passage doux d’un ré-
gime de croissance à un autre (bifurcation super-critique) et l’extinction brutale de la population
(bifurcation sous-critique).

2.4.3 Bifurcation globale

Ces types de bifurcations correspondent à des collisions de deux variétés et elles ne font pas
forcement intervenir le voisinage de la solution. Ici les linéarisations locales autour de la solution
ne seront donc d’aucune d’aide. C’est pour cela que ces bifurcations sont appelées "globales" et
parmi ces types on peut citer :
a) Orbites hétéroliniques,
b) Orbites homocliniques
Les orbites hétéroliniques et homocliniques ont une grande importance pour l’étude du com-
portement chaotique des systèmes dynamiques et les solutions des ondes progressives dans les
équations aux dérivées partielles.

2.4. Di¤érents types de Bifurcation 32

 Chapitre 2. Bifurcations

Orbites hétérocliniques

Ces bifurcations résultant de la collision de variétés stables et instables de deux selles

séparées. C’est on effet un phénomène assez rare.

Exemple 2.1 Un exemple de l’apparution des orbites hétéroliniques est montrer à partir du système
non linéaire qui décrit le mouvement d’un pendule simple :

(
x0 = y
(2.17)
y0 = sin (x)
Les points fixes dans le système (2:17) sont les points (x ; y ) = (n ; 0) pour n = :::; 2; 1; 0; 1; 2; :::;
si n = 0 ou un nombre pair, les points fixes sont des centres, si n est un nombre impair, les points
fixes sont hyperboliques, points de selles (F IG (2:5)) :

F IG(2:5)- Diagramme de bifurcation hétérocliniques

Orbites homocliniques

Ce sont les variétés stables et instables d’une même selle qui entrent en collision selon le signe
d’une certaine quantité.

Exemple 2.2 Consisons le système suivant :

(
x0 = y
0
(2.18)
y = y+x x2 + xy
où est un paramètre. Pour tous les valeurs de ; il y a deux points fixes f(0:0) ; (1:0)g.
Pour tous les valeurs de , (0:0) c’est un selle. Mais pour le point fixe à (1:0), il y a un
changement de type de bifurcation (F IG (2:6)):

2.4. Di¤érents types de Bifurcation 33

 Chapitre 2. Bifurcations

F IG(2:6)- Bifurcation homoclinique

2.4. Di¤érents types de Bifurcation 34

Chapitre 3

Théorie du chaos

3.1 Introduction
Depuis la fin des années 70, la théorie du chaos a envahi la plupart des sciences : physique,
chimie, mécanique, géophysique, psychologie, econnomie, sociologie, etc ...
Chaos, ou un système chaotique c’est un système produira des comportements différents à
long terme lorsque les conditions initiales sont perturbées trés légèrement, le domaine des ma-
thématiques s’intérresse depuis longtents aux systèmes dynamiques chaotiques, cette branche des
mathématiques décrit qualitativement les comportements à long terme des systèmes dynamiques.

3.2 Définitions du chaos

Définition 3.1 On appelle un système dynamique chaotique, un système qui dépend de plusieurs
paramètres et caractérisés par une extrême sensibilité aux conditions initiales. Ils ne sont pas déter-
minés ou modilisés par des systèmes d’équations linéaires ni par les lois de la mécanique classique ;
pourtant, ils ne sont pas nécessairement aléatoires, relevant du seul calcul des probabilités.

On trouve dans la littérature plusieurs définitions mathématiques du chaos, mais jusqu’à pré-
sent, il n’existe aucune définition mathématique universelle du chaos, avant de donner la défini-
tion du chaos, due à [Link], quelques définitions de base sont necessaires.

Définition 3.2 Supposons que X un ensemble et Y un sous-ensemble de X: Y est dense dans X si,
pour n’importe quel élément x 2 X, il existe un élément y dans le sous-ensemble Y arbitrairement
proche de x; c’est-à-dire si la fermeture de Y est égale à X Y = X : Ce qui revient à dire que Y est
dense dans X si pour tout x 2 X on peut trouver une suite de points fyn g 2 Y qui convergent vers x:

35
 Chapitre 3. Théorie du chaos

Définition 3.3 f est dite avoir la propriété de sensibilité aux conditions initiales s’il exsiste > 0
tel que pour x0 2 X et tout " > 0 il exite un point y0 2 X et un entier j 0 satisfaisant :
d (x0 ; y0 ) < " ) d f (j) (x0 ) ; f (j) (y0 ) > ; ou d représente la distance et f (j) la j ieme itération de f:

Définition 3.4 f est topologiquement transitive si U et V étant deux ensembles non vides ouverts
dans X, il existe x0 2 U et un indice j 2 Z+ , tel que pour f (j) (x0 ) 2 V ou, de façon équivalente, il
existe un indice j 2 Z+ , tel que pour f (j) (U ) \ V 6= :

On est maintenant en position d’énoncer la définition du chaos, au sens de Devaney.

Définition 3.5 Une fonction f : X ! X est dite constituée d’une dynamique chaotique si :

(i) f possède une sensibilité aux conditions initiales,

(ii) f est topologiquement transitive,
(iii) L’ ensemble des points périodiques de f est dense dans X.
Bien qu’il n’existe pas de définition universellement acceptée de la notion du chaos, cette défini-
tion reste la plus intéressante car les concepts sur lesquels elle repose sont facilement observables
[2] :
Ensemble invariant :

Définition 3.6 Un ensemble A est dit invatiant (resp. positivement invariant) s’il contient son image
par le flot pour tout t (resp. pout tout t 0) :

't (A) A; 8t 2 R (resp.8t 0) :

3.3 Caractéristique du chaos

Les définitions et les propriétés suivantes permettant de comprendre qualitativement les points
marquants des systèmes chaotiques.

3.3.1 La non linéarité

Un système chaotique est un système dynamique non linéaire ne peut pas être chaotique.

3.3. Caractéristique du chaos 36

 Chapitre 3. Théorie du chaos

3.3.2 Le déterminisme
La notion de déterminisme signifie la capacité de "prédire" le future d’un phénomène à partir
d’un évènement passé ou présent. L’ évolution irrégulière du comportement d’un système chao-
tique est due aux non linéarité.
Dans les phénomènes aléatoirs, il est absolument impossible de prévoir la trajectoire d’une
quelconque particule. À l’opposé, un système chaotique a des règles fondamentales déterministes
et non probabilistes.

3.3.3 L’espace aléatoire

Tout les états d’un système chaotique présentent des aspects aléatoires.

3.3.4 Sensibilité aux conditions initiales

La plupart des systèmes chaotiques exhibent la sensibilités aux conditions initiales, pour deux
conditions initiales arbitraires trés voisines initialement, les deux trajectoires correspondantes à
ces données initiales divergent exponontiellement, par suite les deux trajectoires sont incompa-
rables.
D’une point de vue mathématique, en dit que f montre une dépendance sensible aux conditions
initiales lorsque :

8" > 0; 9 > 0; 8x 2 D; 9 (y; p) 2 D telque :

kx yk < " ) kf p (x) f p (y)k >

Une des propriétés essentielles du chaos est donc bien cette sensibilités aux conditions initiales
que l’on peut caractériser en mesurant du taux de divergence des trajectoires. [7]

3.3. Caractéristique du chaos 37

 Chapitre 3. Théorie du chaos

F IG(3:1)- Illustration de la propriété de sensibilité aux conditions initiales sur l’état x1

3.4 Les attracteurs

3.4.1 Définitions d’atracteurs

Dans la littérature, on trouve plusieurs définitions d’attracteurs. En général, un attracteur est
défini comme une sous-partie fermée de l’espace des phases qui attire toute les autres orbites vers
elle. On donne quelque définitions possibles d’attracteur :

Définition 3.7 Soit (X; f ) un système dynamique discret, une sous-partie A de X est appelée attrac-
teur si et seulement si les conditions suivantes sont réalisées :

1. A est fermée.
2. A est positivement invariante.
3. A est attractive c’est-à-dire, il existe un voisinage ouvert U de A tel que :
a. U est positivement invariante.
b. U est attire pour A , 8u 2 U tel que :

lim d f t u; A = 0
t!+1

Définition 3.8 Un attracteur est un objet géométrique vers lequel tendent toutes les trajectoires
de l’espace des phases c’est-à-dire une situation ou un ensemble de situations vers les quelles évolue
un système, queles que soient ses conditions initiales, si A ensemble compact fermée de l’espace des
phases, on suppose que A est invariant pour le flot t , A est attracteur si :

3.4. Les attracteurs 38

 Chapitre 3. Théorie du chaos

1. Pour tout voisinage U de A, il existe un voisinage V de A tel que toute solution x (t; x0 ) = t (x0 )
restera dans U si x0 2 V
2. Il existe un orbite dense dans A:

\ t (V ) = A; 8t 0

Définition 3.9 Soit (X; f ) un système discret à un pas. Un ensemble clos A X; tel que f (A) = A,
est appelée attracteur s’il est le plus petit ensemble pour le quel il existe un > 0 tel que :

8x (0) 2 X; d (x (0) ; A) <

il se produit que :

lim d (x (t) ; A) = 0
t!+1

L’ ensemble :

x (0) 2 X; lim x (t) 2 A

t!+1

est appelé le bassin d’attraction.

Exemple 3.1 Dans l’espace R2 ; considérons un système

f : R2 ! R 2

(x; y) ! (x + y; x + y)

La variété instable

Ri2 = W i = (x; y) 2 R2 ; x = y

est non vide, fermé et strictement positivement invariante. De plus, elle est un attracteur global
en un seul pas.
Au contraire, la variété instable

Rs2 = W s = (x; y) 2 R2 ; x = y

est non vide, fermé et strictement positivement invariante mais n’est pas attracteur.

3.4. Les attracteurs 39

 Chapitre 3. Théorie du chaos

Bassin d’attracteur

Définition 3.10 Le basin d’attracteur B (A) d’un attracteur A est l’ensemble des points de l’espaces
des phases qui donnent une trajectoire évoluant vers A, donc

B (A) = [ t (V )

On appelle bassin d’attracteur B (A) de A le plus grand des tels voisinages attirés c’est-à-dire :

B (A) = [ fU 2 (x)g

U est un voisinage attiré A:

3.4.2 Les proproétés d’un attracteur

Un attracteur avoir les propriétés suivantes :
1. Tout point de l’espace d’état qui apparaient à un attracteur demeure à l’intérieur de cet attrac-
teur pour tout t.
2. Il existe un enssemble A B, tel que pour tout voisinage de A, la trajectoire qui prend son
origine dans B se trouve au bord d’un temps fini dans se voisinage de A:
Autrement dit, toute trajectoire qui a son origine dans B tend vers l’attracteur est le bassin
d’attracteur.
3. Un attracteur est indicomposable c’est-à-dire que la réunion de deux attracteurs n’est pas un
attracteur.

3.4.3 Les types d’attracteur

Il existe deux types d’attracteurs : les attracteurs régulier (non chaotique) et les attracteurs
étranges ( chaotique).

3.4.3.a. Les attracteurs réguliers

Pour les attracteurs réguliers, des trajectoirs qui partant des "points" proches l’un de l’autre
dans l’espace des phases restent indéfiniment voisines. On sait donc prévoir l’évolution de ces
systèmes, à partir d’une situation connue.
Les attracteurs réguliers peuvent être de quatre sortes :

3.4. Les attracteurs 40

 Chapitre 3. Théorie du chaos

a. Point fixe C’est le cas le plus courant et le plus simple d’attracteur.

Définition 3.11 Toute solution x vérifiant la relation f (x ) = 0 est appelée point d’équilibre,
point singulier, et point fixe.

On distingue seulement deux types d’attracteurs qui sont des points fixes, il s’agit des noeuds
stables et des foyers stables.

b. Cycle limite périodique (orbite périodique) Une solution x (t) d’un système dynamique
est périodique s’il existe une entier T pour lequel : pour tout t, x (t + T ) = x (t) et x t + T = x (t)
pour 0 < T < T , T est alors appelée la période de solution.
La présentation d’une telle solution dans le plan de phase nous donne une trajectoire fermée
appelée cycle limite et telle qu’aucune trajectoire commençant suffisamment proche d’elle, ne
soit également fermée, en général, on a trois types de cycle limite :
1. cycle limite stable.
2. cycle limite instable.
3. cycle limite semi-stable (en pratique instable).

c. Cycle limite quasi-périodique Un comportement quasi-périodique peut être vu comme la

somme d’un nombre finis de termes périodique dont le rapport de périodes deux à deux n’est pas
rationnel. Il existe des systèmes dont la solution orbitale en régime permanent (dans le plan de
phase) oscille entre deux cycles limites relativement proche sans jamais passer deux fois de suite
exactement sur le même trajectoire, on parle alors d’attracteur quasi-périodique.

d. Tore Un tore est un cas particulier de précédent ayant fréquences de base indépendantes.
Le tore est le surface engendrée par la rotation d’un cercle (C) autour d’un autre cercle (C 0 )
c’est donc un tube de diamêtre constant et d’âme un cercle.

3.4.3.b. Les attracteurs étranges

L’ attracteur chaotique dit étrange n’est pas une surface repliée plusieurs fois sur elle-même. En
effet, les trajectoires des points divergent (puisque, par définition deux points ne peuvent avoir la
même évolution), mais comme l’attracteur a des dimensions finies, il doit se replier sur lui-même.
Un attracteur chaotique possède notamment la propriété remarquable suivante : la trajectoire
ne repasse jamais par un même état. Ce qui sinifie, entre autre, que cette trajectoire passe par
une infinté d’états.

3.4. Les attracteurs 41

 Chapitre 3. Théorie du chaos

Il est à noter que pour observer les trajectoires d’un attracteur, il est parfois intéressant de
réduire la dimension d de l’espace des phases.
Alors on peut donner cette définition :

Définition 3.12 Un sous ensemble borné A de l’espace des phases est un attracteur étrange ou chao-
tique pour une transformation T de l’espace s’il existe un voisinage U de A, c’est-à-dire que pour tout
point de A il existe une boule contenant ce point et contenue dans R vérifiant les propriétés suivantes :

Attraction : R est une zone de capture, ce que sinifie que toute orbite par T dont le point
initial est dans R est entièrement contenue dans R, de plus toute orbite de ce type devient est
reste aussi proche de A que l’on veut.
Il est contenu dans un espace fini, son volume est nul.
Presque toute trajectoire sur l’attracteur à la propriété ne jamais passer deux fois sur le même
point, chaque trajectoire est presque sûrement apériodique.
Deux trajectoires proches à l’instant t voient localement leur distance augmenter à une vitesse
exponentielle (sensibilité aux conditions initiales).

Définition 3.13 Un attracteur étrange est caractérisé par la sensibilité aux condition initiales et
ayant une dimension fractale.

Définition 3.14 Un attracteur étrange possèdant un exposant de Lyapunov si k > 0:

Les types d’attracteur étrange Les attracteurs chaotiques peuvent être classés en trois types
principaux :

1. Attracteur hyperbolique Les attracteurs hyperboliques sont des ensembles limites

strucurellement stable (les orbites périodiques et orbites homoclines sont denses et sont de types
de selle). Généralement, la plupart des systèmes physiques connus n’appartiennent pas à cette
classe des systèmes d’attracteurs hyperboliques.

2. Attracteur de type de Lorenz Les types des attracteurs ne sont pas strucurellement
stable mais leur orbites homoclines et hétéroclines sont strucurellement stable (hyperbolique) et
aucune des orbites périodiques instables apparaissent sous les petites variations des paramêtres
(comme par exemple dans le système de Lorenz lui-même).

3. Quasi-attracteur Les types d’attracteurs sont des ensembles limites renfremant des
orbites périodiques de différents types topologiques et des orbites strucurellement instable (par
exemple les attracteurs générés par le circuit de chua).

3.4. Les attracteurs 42

 Chapitre 3. Théorie du chaos

3.5 Détection du chaos

Pour savoir c’est un système non linéaire est ou non chaotique, il existe plusieurs méthodes. Elle
ne sont pas généralement trés nombreuses, ni réparties sur un temps suffisamment long à l’échelle
du système étudié. On a choisi de mettre en oeuvre deux des méthodes les plus couramment
utilisées qui sont appelées : les exposants de Lyapunov et dimension fractale.

3.5.1 Les exposants de Lyapunov

L’ évolution chaotique est difficile à appéhender car la divergence des trajectoires sur l’attracteur
est rapide. Pour cette raison on essaie si c’est possible de messurer sinon d’estimer la vitesse de
divergence ou convergence. Cette vitesse est donnée par l’exposant de Lyapunov qui caractérise
le taux de séparation de deux trajectoires trés proches.
Soit f : R ! R une fonction de classe C 1 . Pour chaque point x0 on définit un exposant de
Lyapunov (x0 ) comme suit :

1
(x0 ) = lim log (f n )0 (x0 )
n!+1 n

1X
n 1
= lim log (f )0 (xj )
n!+1 n
j=0

Avec
xj = f j (x0 )

Donc deux trajectoires dans le plan de phase initialement séparées par un temps t = t2 t1
vers z2 tel que :

jz2 j t exp ( t) jz1 j

où est l’exposant de Lyapunov [7] :

F IG(3:2)- Divergence de deux trajectoires dans le plan de phase

3.5. Détection du chaos 43

 Chapitre 3. Théorie du chaos

Les exposants de Lyapunov sont une généralisation des valeurs propres pour le point fixe et
des multiplieurs caractéristiques pour les solutions périodiques.
Pour un attracteur non chaotique, les exposants de Lyapunov sont tous inférieurs ou égaux à
zéro et leur somme est négative. Un attracteur étrange précédera toujours au moins trois expo-
sants de Lyapunov, dont un au moins doit être positif (voir le tableau ci-dessous).

Etat stable Dimension de Lyapunov Exposant de Lyapunov

Point d’équilibre point 0 n 1 0
1 =0
Périodique cercle 1
n 2 0
1 = 2 =0
Période d’ordre 2 tore 2
n 3 0
1 = = k =0
Période d’ordre k k-tore k
n k+1 0
1 >0
Chaotique Non entier P
n
i <0
i=1

1 > 0; 2 >0
Hyper-chaotique Non entier P
n
i < 0
i=1
"Classification des régimes permanents selon les exposants de Lyapunov"

Caractérisation d’un attracteur par le signe des exposants de Lyapunov

Un exposant de Lyaounov positive indique que selon la direction qu’il représente la divergence
entre deux trajectoires voisignes augmente expentiellement avec le temps.

3.5.2 Dimemsion fractale

Nous pouvons calculer la dimension de l’attracteur du système étudié et aussi déterminer si oui
ou non, il est construit de manière fractale si à l’issue du calcul, nous obtenons une valeur positive
non entier ; çela signifie que le système possède un attracteur étrange, plusieurs dimensions ont
été proposées, il y a la dimension de corrélation, Kolmogorov, Lyapunov et Housdorff.
L’ attracteur étrange avec sa dimension est satisfont les propriétés suivantes :
1: A B ) d (A) d (B)
2: A = 0 ) d (A) = 0
3: d (A B) = d (A) + d (B)

3.5. Détection du chaos 44

 Chapitre 3. Théorie du chaos

Dimension de corrélation

On peut caractériser la dimension de corrélation à l’aide d’une fonction appropriée une telle
fonction est définit par :

1
C (R) = limV (3.1)
N !+1 N 2

Avec V représente le nombre de paire i; j dont la distance jxi xj j < R

On peut écrire la fonction (3:1) comme :

1 X
n
C (R) = lim H (R jxi xj j)
N !+1 N 2
i=j=1

Avec H la fonction de Heaviside, la dimenssion de corrélation est alors définie par :

log (C (R))
V = lim
R!+1 log (R)

Dimension de Lyapunov

Cette dimension définie par Li et Yorke[2] elle est donnée par :

P
m
i
i=1
dl = m +
j max j

d’où 1 m sont les exposants de Lyapunov d’un attracteur d’un système dynamique et m
P
m
le plus grand entier naturel tel que : i 0:
i=1

Dimension de capacité (Kolmogorov)

La dimension de Kolmogrov est définie par :

log (N ("))
dc = lim
"!+1 log (")
2
L
telle que : N (") = petit carré de cotés.
"

Dimension de Housdorff

La dimension de Housdorff de M R2 est définit par :

3.5. Détection du chaos 45

 Chapitre 3. Théorie du chaos

dH = sup fd; d (M ) = +1g

= inf fd; d (M ) = 0g

où d (M ) est la mesure de l’ensemble M .

La dimension de Housdorff existe toujours, le calcul numérique de dH est delicat, parce qu’il
difficile de trouver le recouvrement minimal.

3.5. Détection du chaos 46

Chapitre 4

Quelques systèmes dynamiques chaotiques

Les systèmes dynamiques chaotiques peuvent être classés en chaos continue, chaos discret,
chaos commuté, chaos retardé, hyper-chaos ...
Dans ce que suite, quelques systèmes chaotiques continues et discrets seront présentées.

4.1 Le chaos continue

Il y’a plusieurs systèmes chaotiques continues parmi ces systèmes, on trouve le système de
Lorenz, et le système de Rössler.

4.1.1 Système de Lorenz

En 1963, Lorenz à étudié numériqument un système de trois équations différentielles censé
représenter grossièrement la convection thermique dans l’atmosphère (obtenu à partir des équa-
tions de Navier -Stockes ). C’est un exemple célèbre de système différentielle au comportement
chaotique pour certaines valeurs des paramètres.

[Link]. Les équations du modèle

Le système dynamique s’écrit :

8
>
> 0
< x = a (y x)
y 0 = rx y xz = x(r z) y
>
>
: z0 = xy bz
où a; b; c représentes des paramètres réels.
L’ espace des phases est tridimensionnel.

47
 Chapitre 4. Quelques systèmes dynamiques chaotiques

8
Les valeurs de a et b sont fixeés, respectivement à 10 et : Le paramètre de contrôle est r qui
3
est positive, la solution triviale x = y = z = 0 du système correspond physiquement à un régime
ou le fluide est au repos et où la chaleur se transmet uniquement par diffusion moléculaire (état
conductif). Pour r grand cet équilibre est instable et il laisse la place à des régimes où le transfert
de chaleur est réalisé par diffusion et par convection.
Les propriétés importantes de ces équations sont :
1. Elles sont autonomes.
2. Elles associent seulement les dérivées du premier ordre de sorte que l’évolution dépend seule-
ment des valeurs instantanées de (x; y; z).
3. Elles sont non-linéaires, ici à travers le terme quadratique xz et xy dans le seconde et la
troisième équation.
4. Elles sont dissipatives : le terme "diagonal" tel que x0 = @x correspond à un affaiblissement de
mouvement, mais plus systématiquement "les volumes dans l’espace des phases" se réduisent
dans cette dynamique.
5. Les solutions sont fermées.

[Link]. Equilibres du modéle

On cherche les points d’équilibre (x; y; z) vérifiant x0 = y 0 = z 0 = 0; pour r < 1, il n’y a qu’un
seul point d’équilibre dans l’origine (0; 0; 0) ; et pour r > 1; il y a deux autre points :
on a : 8
>
> 0
< x = a (y x) = 0
y 0 = rx y xz = x(r z) y = 0
>
>
: z0 = bz xy = 0
8 8
>
> ay = ax >
>
< < y = x
) y(r z) = y ) z = r 1
>
> >
> p
: y 2 b (r 1) = 0 : y = b(r 1)
donc les deux points sont :
p p p p
b(r 1); b(r 1); (r 1) ; b(r 1); b(r 1); (r 1) :
L’ étude de la stabilité des points d’équilibre repose sur le signe de la partie réelle des valeurs
propres de la matrice jacobienne A obtenu en linéarisant le systéme autour d’un point d’équilibre.
L’ expression de la matrice jacobienne A du systéme est :

4.1. Le chaos continue 48

 Chapitre 4. Quelques systèmes dynamiques chaotiques

0 1 0 1
x a a 0
B C B C
DF B C B
@ y A=@ r 1 x C
A
z y 0 b

[Link]. La stabilité de l’équilibre nul (au point (0; 0; 0))

Au point (0; 0; 0) ; les valeurs propres de la matrice jacobienne A :

0 1
a a 0
B C
A=B
@ r 1 0 CA
0 0 b

a a 0
2
det (jId Aj) = r 1 0 ) ( + b) + (1 + a) + a (1 r) = 0
0 0 b
( (
+b = 0 1 = b
) 2
) 2
+ (1 + a) + a (1 r) = 0 = (1 + a) 4a (1 r)
8
>
> = b
>
< 1 q
) 2 =
1
2q
a 1
4a (r 1) + (a + 1)2 1
>
>
2 2
>
: 3 = 1
2
4a (r 1) + (a + 1)2 1
2
a 1
2

Nous reportons les valeurs de a et b on obtient :

8 8
>
> =
< 1
3
1
p 11
> 2 = 2
40r + 81 2
>
: p
1 11
3 = 2
40r + 81 2

Pour r < 1 ; les trois racines réelles sont négatives, 3 < 2 < 1 < 0 ; l’équilibre est donc noeud
stable.
Pour r > 1 ; une des valeurs propres est positive 3 : l’équilibre est donc instable (col).
Il y a une bifurcation quand r = 1 ; l’équilibre est dit : marginal.

[Link]. Stabilité des équilibre pour r>1

Pour les deux autres points d’équilibre, les valeurs propres de la matrice jacobienne sont
solutions de l’équation en :

4.1. Le chaos continue 49

 Chapitre 4. Quelques systèmes dynamiques chaotiques

( a ) [( b )( 1 ) + b (r 1)] a [r ( b ) + b (r 1)] = 0

3 2
) + (a + b + 1) + (b (a + r) a (r 1)) + 2ab (r 1) = 0

Selon les valeurs du paramètre r, ce polynôme de degré trois peut avoir trois racines réelles
négatives (les équilibres sont donc stables) ou bien une racine réelle et deux racines complexes
conjuguées.
On peut chercher s’il existe une valeur critique de r pour laquelle les équations deviennent
instables. La déstabilisation de ces équations par changement de signe d’une valeur propre réelle
est impossible car si = 0 on a forcément r = 1. On peut donc rechercher pour quelles valeurs
de r on peut obtenir deux racines i et i de partie réelle nulle. En reportant la valeur =i
dans l’équation :

(i )3 + (a + b + 1) (i )2 + (b (a + r) a (r 1)) (i ) + 2ab (r 1) = 0

on obtient les deux conditions :

(
2
(a + b + 1) + 2ab (r 1) = 0 ::: (1)
3
i + i (b (a + r) a (r 1)) = 0 ::: (2)
2
L
8’ élimination de entre les deux équations permet d’obtenir la valeur rc critique :
< de (1) on a : 2 2ab (rc 1)
=
(a + b + 1)
: 3
de (1) on a : = b (a + rc ) ) 3 = 2
d’où 2 = ab + brc

2ab
ab +
) rc = a+1+b
2ab
b
a+1+b
alors :
a (a + b + 3)
rc =
(a b 1)
et
v0
u
u 2ab 1
uB ab +
= u ab + b a+1+bC
t @ 2ab A
a+1+b
8 470
Pour les valeurs : a = 10; b = ; la valeur critique est rc = w 24:73 et = 92:64 .
3 19

4.1. Le chaos continue 50

 Chapitre 4. Quelques systèmes dynamiques chaotiques

La déstabilisation des équilibres correspond à une bifurcation de hopf. Deux valeurs propres
complexes conjuguées traversent l’axe des imaginaires lorsque le paramètre r franchit la valeur
critique rc .
Lorsque r > rc le système transite vers un régime chaotique. La trajectoire tourne autour l’un
des deux équilibres instables comme si elle y convergeait avant de basculer aléatoirement vers
l’autre équilibre pour y répéter le même type de comportement. On montre que la distance entre
deux conditions très proches s’implifie très rapidement.
Toutes les trajectoires convergent vers l’attracteur étrange. On montre que la distance entre
deux conditions initiales très proches s’implifie très rapidement.
Cette sensibilité aux conditions initiales, ainsi que le chaos déterministe observés avec ce sys-
tème dynamique, ont servi de base à ce que l’on appelle "l’éffet papillon" [4] :

F IG(4:1)- Attracteur de Lorenz pour r=5

F IG(4:2)- Attracteur de Lorenz pour r=10

F IG(4:3)- Attracteur de Lorenz pour r=15

4.1. Le chaos continue 51

 Chapitre 4. Quelques systèmes dynamiques chaotiques

F IG(4:4)- Attracteur de Lorenz pour r=20

F IG(4:5)- Attracteur de Lorenz pour r=24

F IG(4:6)- Attracteur de Lorenz pour r=28

[Link]. Exemple de l’attracteur de Lorenz en matlab

function loren3
clear ;clf
global A B R
A=10 ;
B=8/3 ;
R=28 ;
u0=100*(rand(3,1)-0.5) ;

4.1. Le chaos continue 52

 Chapitre 4. Quelques systèmes dynamiques chaotiques

[t,u]=ode45(@lor2,[0,100],u0) ;
N=find(t>10) ;v=u(N, :) ;
x=v( :,1) ;
y=v( :,2) ;
z=v( :,3) ;
plot3(x,y,z) ;
view(158,14)
function uprime =lor2(t,u)
global A B R
uprime = zeros(3,1) ;
uprime(1)=-A*u(1)+A*u(2) ;
uprime(2)=R*u(1)-u(2)-u(1)*u(3) ;
uprime(3)=-B*u(3)+u(1)*u(2) ;

F IG(4:7)- Attracteur étrange de Lorenz

F IG(4:8)- Illustration de l’aspect aléatoire de l’état x du système de Lorenz

4.1. Le chaos continue 53

 Chapitre 4. Quelques systèmes dynamiques chaotiques

F IG(4:9)- Illustration de l’aspect aléatoire de l’état y du système de Lorenz

F IG(4:10)- Illustration de l’aspect aléatoire de l’état z du système de Lorenz

[Link]. Les exposants de Lyapunov

Les calculs des exposants de Lyapunov donne les valeurs suivantes :

8
>
> 8 8
>
> 1 = > 8
>
< p 3 >
< 1 =
11 81 + 40 28 3
2 = ) = 22: 828
>
> p 2 >
>
2
>
> 11 + 81 + 40 28 :
>
: = 3 = 11: 828
3
2

telque :
8
>
> 0
< x = a (y x)
y 0 = rx y xz = x(r z) y
>
>
: z0 = xy bz
8
où a = 10; b = ; r = 28:
3
avec les conditions x0 (0) = y 0 (0) = z 0 (0) = 0:01
on a : 1 < 0; 2 < 0 et 3 > 0;

4.1. Le chaos continue 54

 Chapitre 4. Quelques systèmes dynamiques chaotiques

Donc d’apré le tableau de classification des régimes permanents selon les exposants de Lyapu-
nov on voit que le système est chaotique.
L’ attracteur chaotique de Lorenz est donné sur (F IG:4:7) pour les valeurs numériques a = 10;
8
b = ; r = 28:
3

4.1.2 Le système de Rössler

L’ attracteur de Rössler est l’attracteur associé au système dynamique de Rössler, un système
de trois équations différentielles non-linéaires.

F IG(4:11)- Attracteur étrange de Rössler

Historique

Allemand - Otto - Rössler : conçut son attracteur en 1976 dans un but perment théorique, mais
ces équations s’avérèrent utiles dans les réactions chimiques. L’ article été conçu pour fonctionner
d’une façon similaire au système de Lorenz, mais également pour être plus simple à analyser, il
ne présente qu’une seule spirale.

Le système de Rössler

Les équations de ce système sont :

8
>
> 0
< x = y z
y0 = x + ay
>
>
: z 0 = b + z (x c)

Rössler étudia l’attracteur pour a = 0:2; b = 0:2; c = 5:7, mais les propriétés de a = 0:1; b = 0:1
et c = 14 sont aujourd’hui plus étudiées.

4.1. Le chaos continue 55

 Chapitre 4. Quelques systèmes dynamiques chaotiques

Propriétés

Certaines propriétés du système de Rössler sont déduites par des méthodes linéaires et des
vecteurs propres, mais les caractéristiques principales de ce système requiert des méthodes non-
linéaire comme les sections de Poincaré ou les diagrammes de bifurcation .
Une orbite dans l’attracteur suit une spirale proche du plan x; y autour d’un point fixe
instable. S’éloignant progressivement de ce point fixe, un second point fixe, réintégrant l’orbite
dans la spirale.
Bien que les valeurs des différentes variables soient bornées, il est apparent que ce oxilations
sont chaotique .
L’ attracteur possède une structure fractale en mille-feuille, dont la dimention fractale à été
estimée entre 2:01 et 2:02, donc trés proche d’une surface plane.

Vue depuis le plan X,Y

L’ un des intérêts de l’attracteur de Rössler est le caractère linéaire de deux ses équations.
poser z = 0, permet l’examen de sa projection dans le plans (x; y) :
(
x0 = y
y 0 = x + ay

Points fixes

Pour trouver les points fixes, les trois équations de Rössler sont posées égales à zéros, le
système est alors résolu et donne le résultat suivante :
8 8
>
> y z = 0 >
> z = y
< <
x + ay = 0 ) x = ay
>
> >
>
: b + z (x c) = 0 : b y ( ay c) = 0
8
>
> z = y
<
) x = ay
>
>
: ay 2 + cy + b = 0 ) = c2 4ab > 0

8
>
> z = y
>
<
) x = ay
> p p
>
> c c2 4ab c+ c2 4ab
: y1 = ; y2 =
2a 2a

4.1. Le chaos continue 56

 Chapitre 4. Quelques systèmes dynamiques chaotiques

donc :
p p p
c c2 4ab c c2 4ab c c2 4ab
x= ; y= ; z=
2 2a 2a
ce qui maintenant peut être utilisé pour présenter les points fixes pour des valeurs données de
paramètres :
p p p
c+ c2 4ab c c2 4ab c + c2 4ab
; ;
2 2a 2a
p p p
c c2 4ab c+ c2 4ab c c2 4ab
; ;
2 2a 2a
comme cité plus haut l’un des points instables, est situé au centre de la spirale et l’autre se situe
hors de l’attracteur.

Régimes périodiques et chaotiques

Les exposants de Lyapunov Posant a = 0:1 et b = 0:1 et en faisant varier le paramètre c, le

système passe successivement par divers régimes périodiques ou chaotiques .
0 10 1
x 0 1 1
B CB C
DF B y
@ A@
C B 1 0:1 0 C
A
z z 0 c
0 1
1 1
B C 1 1 1
jA B
Idj = @ 1 0:1 0 C= z (c + )
A 0:1 0 1 0:1
z 0 c
3
p p
= + 2 (0:1 c) + 0:1c 5 c2 0:04 5c + 0:5 c2 0:04 + 0:5c + 1

c = 4 ) période1:
c = 6 ) période 2:
c = 8:5 ) période 4:
c = 9 ) chaotique:
c = 12 ) période 3:
c = 12:6 ) période 6:
c = 13 ) chaotique.
c = 18 ) chaotique.

4.1. Le chaos continue 57

 Chapitre 4. Quelques systèmes dynamiques chaotiques

F IG(4:12)- Etat chaotique x1 du système de Rössler

4.2 Le chaos discret

Il y’a plusieurs systèmes chaotiques discrets parmi ces systèmes, on trouve la fonction logis-
tique.

4.2.1 Fonction logistique

On présent ici un modèle de class de système dynamiques non linéaire à temps discret. Ce
modèle est applé application quadratique (ou logistique).
L’ équation logistique a été proposée par le biologiste May en 1979 pour représenter de manière
trés simplifiée l’évolution annuelle d’une population d’insectes [3] :

xk+1 = g (xk ) = rxk (1 xk )

r 2 [0; 4] ; xk 2 [0; 1] où k = 0; 1; 2; :::(dénote le temps discret)

où xk représente le pourcentage de population par rapport à une certaine valeurs maximale
de référence.
1 r
Le graphique de g est une parabole ayant origine dans le points ( ; ), concave et symétrique
2 4
1
par rapport à la droite verticale x = :
2
Les points fixes sont obtenus en résolvant l’équation rx(1 x) = x. Les racines sont l’origine
r 1
x1 = 0; x2 = ;
r
1
Notons aussi que les trajectoires ayant comme conditions initiales x(0) = 1 et x(0) = si
r
r > 1 sont constantes pour k 1.

4.2. Le chaos discret 58

 Chapitre 4. Quelques systèmes dynamiques chaotiques

Au fur et à mesure que le paramètre a augmente, le comportement qualitative du système

change fortement.
Afin de l’analyser il est important tenir en considération que :

g(x) = rx(1 x); g 0 (x) = r 2rx; g (2) (x) = 2r; g (3) (x) = 0:

Etude de l’application logistique

Considérons l’application f qui est défnie de [0; 1] dans lui-mème par l’itération suivante :

g (xk ) = rxk (1 xk )

8
< x1 = 0; pour r 2 [0:4]
rx(1 x) = x ) r 1
: x2 = ; pour r 6= 0
r
8
< r; pour x1 = 0
g 0 (x ) = r 2rx =
: 2 r; pour x2 = r 1
r

Pour 0 r<1: Nous étudions la stabilité de ces points fixes :

Le point fixe x1 = 0 est donc stable pour jg 0 (0)j = jrj < 1 (asympotiquement stable) et devient
r 1
instable à r = 0, mais pour le point fixe x2 = est toujour instable quand il existe .
r
où r = 0:5 et xeq = 0:

F IG(4:13)- L’ évolution des points fixes de l’application logistique pour r=0:5 et xeq =0

Si r = 1 pour le point fixe x1 = 0 jg 0 (0)j = r = 1 et g (2) (0) = 2a < 0, l’équilibre est

supérieurement asymptotiquement stable.
où r = 1 et xeq = 0:

4.2. Le chaos discret 59

 Chapitre 4. Quelques systèmes dynamiques chaotiques

F IG(4:14)- L’ évolution des points fixes de l’application logistique pour r=1 et xeq =0

Pour 1 < r < 3 : Nous étudions la stabilité de ces points fixes :

r 1
Le point fixe x1 = 0 est donc instable pour jg 0 (0)j = jrj > 1, mais pour le point fixe x2 =
r
l’équilibre est asympotiquement stable.
où r = 1:5 et xeq = 0 et xeq = 0:33333:

F IG(4:15)- L’ évolution des points fixes de l’application logistique pour r=1:5 et xeq =0 et xeq =0:33333:

4.2. Le chaos discret 60

 Chapitre 4. Quelques systèmes dynamiques chaotiques

F IG(4:16)- L’ évolution des points fixes de l’application logistique pour r=1:5 et xeq =0 et xeq =0:33333:

Pour r = 3 : Nous étudions la stabilité de ces points fixes :

r 1
Le point fixe x1 = 0 est donc instable pour jg 0 (0)j = jrj > 1; et pour x2 = nous avons :
r
0 (2)
jg (x2 )j = 1; g (x2 ) = j 2rj < 1; l’équilibre est donc localement asympotiquement stable.
où r = 3 et xeq = 0 et xeq = 0:66667:

F IG(4:17)- L’ évolution des points fixes de l’application logistique pour r=3 et xeq =0 et xeq =0:66667:

Pour r > 3 :
p
Si r = 3:3 < 1 + 6:
Un cycle stable et attracteur d’ordre 2 apparait.

4.2. Le chaos discret 61

 Chapitre 4. Quelques systèmes dynamiques chaotiques

p
F IG(4:18)- L’ évolution des points fixes de l’application logistique pour r=3:3<1+ 6

Si 3 < r 4:
Un cycle stable et attracteur d’ordre 2 apparait.
Ceci est vérifié par le fait que :

g (2) (x) = g g (x) = g [g (x)] = g [rx (1 x)] = r [rx (1 x)] [1 (rx (1 x))]

g 2 (x) = r2 x (1 x) (1 rx (1 x))

,
g 2 (x) = x r3 x3 r2 + r3 + r2 = 0

,
r 1
g 2 (x) = x x r 3 x2 + r 2 + r 3 x r2 + r =0
r
r 1
à quatre solution distinctes x1 ; x2 et deux solution additionnelles : x1 = 0 et x2 = ;
r

r 3 x2 + r 2 + r 3 x r2 + r = 0 ) = r4 (r 3) (r + 1)

p p
r+1+ (r 3) (r + 1) r+1 (r 3) (r + 1)
) = ; =
2r 2r
p
Si 3 < r 1+ 6:
Le cycle et stable et attractif.
p
Si 3 > 1 + 6 :
Le comportement devient beaucoup plus complexe le cycle n’est plus stable est un cycle d’ordre
4 apparait .
A partir de ces valeurs on assiste à un doublement de l’ordre de la période jusqu’à r = 3:569945
quand le système devient chaotique.

4.2. Le chaos discret 62

 Chapitre 4. Quelques systèmes dynamiques chaotiques

p
Si r = 3:5 > 1 + 6:
Un cycle stable et attracteur d’ordre 4 apparait .

p
F IG(4:19)- L’ évolution des points fixes de l’application logistique pour r=3:5>1+ 6

Pour r = 3:57 > 3:569945 :

Un comportement chaotique apparait.

F IG(4:20)- L’ évolution des points fixes de l’application logistique pour r=3:57>3:569945

Résultat

Un diagramme de bifurcation consiste à représenter les états finaux x en fonction du para-

mètre.
On peut alors constater les comportements de cette suite :
1. Si 0 r < 1, le système finit par arriver à x1 = 0 et ne bouge alors plus.
2. Si 1 < r 3, le système se stabilise sur un point fixe x2 :
3. Si r = 3, le diagramme se divise en deux branches, puis après en quatre, puis huit , étc....
4. A partir de r = 3:57, la periode n’est plus visible, c’est le chaos.

4.2. Le chaos discret 63

 Chapitre 4. Quelques systèmes dynamiques chaotiques

F IG(4:21)- Trajectoire de la fonction logistique

F IG(4:22)- Illustration de aspect aléatoire de l’application logistique pour r=4

F IG(4:23)- Diagramme de la bifurcation de suite logistique

4.2. Le chaos discret 64

,

Conclution

On a étudier dans ce travail de mémoire le système dynamique chaotique, on consacré la pre-

mière partie à l’étude des définitions des systèmes dynamiques et leurs types. Ainsi nous étudions
comment étudier la stabilité de ces systèmes, nous donnons aussi la théorie de bifurcation.
La deuxième partie est dédiée à l’étude de système dynamique chaotique, ces dérniers peuvent
présenter des régimes permanants très complexes, la non linéairté, le déterminisme, l’aspect aléa-
toire et la sensibilité aux conditions initiales sont leurs principes caractéristiques, à la fin nous
abordons quelques exemples de deux types de système dynamique chaotique en temps continue
et discret.

65
Bibliographie

[1] Abdallah Menasri, Quelques bifurcations dans les systèmes quadratiques en trois dimen-
sion, Mémoire élaboré en vue de l’obtention du diplôme Magistère, Centre universitaire
Abbes Laghrour-Khenchela, 2012.
[2] Devaney RL, An introduction to chaotic dynamical systems. In Adission-wisley, Redwood
City, CA37.
[3] http : // www. nlb. ac. bc/di, [Link], Boulevard de Trimphe-CP212.
[4] Ibtissem Talbi, Systèmes dynamiques non-linéaires et phénomènes de chaos, Thèse de Ma-
gistère, Université Mentouri de Constantine, 29.06.2010.
[5] La Kshmanan M, Rajaseekar S, Nonlinear Dynamics Integrability, Chaos and Patterns.
Advanced Texts in Physics, Publisher Springer-Verlag Berlin Heidalberg, 2003.
[6] L Perko : "Differentiel equations and dynamical systems", Texts in Applied Mathematics, 7.
Third edition. Springer-Verlag, New York, 2001.
[7] Melle Megherbi Ouerdia, Etude de réalisation d’un système sécurisé à base de systèmes
chaotiques, Mémoire de Magistère, Université Mouloud Mammeri Tizi-Ouzou, 10.10.2013.
[8] Wiggins S, Introduction to Applied Nonlinear Dynamical Systems and Chaos, Texts in Ap-
plied Mathematics, Springer-Verlag, New York, 2003.
[9] www. jdotec. net, Critère de [Link], v1.3-24.03.2004.
[10] Zeraoulia Elhadj, Etude de quelques types de systèmes chaotiques : généralisation d’un
modèle issu du modèle de Chen, Thèse de 3ème cycle, Université Mentouri de Constantine,
2006.

66