Equations différentielles ordinaires, applications aux mod`eles de

Transcription

Equations différentielles ordinaires, applications aux mod`eles de
Equations différentielles ordinaires,
applications aux modèles de populations.
Gabriel Lang
9 décembre 2011
.
1
Introduction
Dans ce cours, nous présentons la résolution des équations différentielles ordinaires pour construire
des modèles de population. Ces modèles décrivent l’évolution des effectifs en temps continu. Ils
généralisent les modèles où les dates de mesures des effectifs sont par nature espacées et représentent
par exemple le numéro d’une génération. Nous faisons un bref rappel sur la notion de dérivation
et ses utilisations puis nous définissons les équations différentielles ordinaires et les trois voies de
résolution de ces problèmes. La partie suivante présente les résultats théoriques assurant que le
problème est bien posé et possède une solution unique. Nous étudions ensuite une série de modèles
de population de complexité croissante. La dernière partie présente brièvement les améliorations
possibles des méthodes numériques d’approximation.
1.1
Exemple
Les modèles faisant appel aux équations différentielles ordinaires sont à l’origine des progrès de
la physique moderne ; ils ont été crées pour la mécanique et décrivent avec succès les systèmes
déterministes où les forces agissantes sont bien identifiées. L’utilisation a été étendue aux systèmes
chimiques (équations de cinétique), puis aux métabolismes biologiques. Ils ont également été utilisés pour décrire des systèmes où l’évolution n’est plus déterministe, mais en partie aléatoire. Ils
décrivent dans ce cas une évolution en moyenne par rapport aux aléas. Les modèles de populations entrent dans cette catégorie. Le nombre de descendants d’un individu donné est variable et
aléatoire, mais ces fluctuations individuelles ne modifient pas l’évolution globale d’une population.
Le plus simple modèle de population est le modèle de reproduction de cellule par division cellulaire.
Si le nombre de cellules à la génération n est x, le nombre de cellules à la génération n + 1 est
2x. Si la population à l’instant 0 ne contient qu’une cellule, la population à l’instant n est donc
x(n) = 2n . La population progresse géométriquement comme sur le premier graphe de la figure 1.
Supposons maintenant que la population soit multipliée par k à chaque génération et commence
avec un effectif de x0 individus ; la population au temps n est alors x(n) = x0 k n ; l’accroissement
entre deux générations est
x(n + 1) − x(n) = (k − 1)x(n)
Cet accroissement est proportionnel à l’effectif de la génération : les individus se reproduisent
indépendamment les uns des autres sans entraide ni compétition. Nous voulons maintenant que
l’évolution des effectifs ne soit plus décrite par saut d’une génération à une autre, mais qu’elle soit
continue comme dans le deuxième graphe de la figure 1. Nous devons définir une courbe qui passe
par les points de la progression géométrique. Pour celà, nous conservons l’idée que l’accroissement
de la population pendant un petit intervalle de temps dt est proportionnel à l’effectif x(t) et à dt :
x(t + dt) − x(t) = ax(t)dt.
Si l’intervalle de temps dt tend vers 0, cela revient à chercher une fonction x telle que
x0 (t) = ax(t)
(1)
où x0 (t) est la fonction dérivée de la fonction x au temps t. Nous verrons que la solution est de
la forme x(t) = x0 exp(at) ; de plus, pour que la courbe passe par les points, on choisira x0 = 1,
a = log 2 ; la fonction x(t) = exp((log 2)t) est la fonction tracée figure 1 ; par extension de la notation
utilisée pour les puissances entières n, on la note 2t . On remarque que les taux de reproduction
ad = k − 1 dans le modèle par génération et le taux de reproduction a dans le modèle continu
ne sont pas égaux, mais liés par la formule a = log(1 + ad ). Ceci vient d’effets cumulatifs dans le
modèle continu ; les deux taux sont proches uniquement pour de très petites valeurs de ad . Nous
allons maintenant rappeller la définition et les usages de la dérivée pour expliquer la résolution de
l’équation (1).
1
100
−50
0
2^t
50
100
50
−50
0
2^n
1
2
3
4
5
6
1
2
3
n
4
5
6
t
Figure 1 – Progression géométrique et courbe exponentielle
1.2
1.2.1
Rappels et définitions
Fonction d’une variable : dérivée, développement de Taylor
Nous rappelons ici la définition mathématique de la fonction dérivée et son interprétation graphique.
On considère une fonction x et un point t0 où cette fonction est continue. On fixe deux dates t0 et
t0 + h écartées de h. Le taux d’accroissement de la fonction entre t0 et t0 + h est défini par
τ (t0 , h) =
x(t0 + h) − x(t0 )
.
h
Remarque : si x(t) est la position d’un cycliste roulant sur une route, le taux d’accroissement
τ (t0 , h) correspond à sa vitesse moyenne entre le temps t0 et le temps t0 + h. Nous définissons la
notion correspondant à la vitesse en t0 :
Définition 1 La dérivée de la fonction x au temps t0 est définie comme la limite finie du taux
d’accroissement quand l’écart tend vers 0.
x0 (t0 ) = lim τ (t0 , h)
h→0
La figure 2 représente la position d’un cycliste partant de 0 à avec une vitesse nulle avec une
accélération constante. Les pentes des deux segments représentés donnent la valeur du taux d’accroissement de x par rapport à t entre 0 et 1 pour le plus grand et entre 0 et 0.5 pour le plus petit,
soit respectivement 1 et 0.5. Ce sont les vitesses moyennes du cycliste pendant cette période. Si la
période de calcul du taux tend vers 0, la pente du segment tend progressivement vers 0. La vitesse
moyenne du cycliste est de plus en plus faible ; la limite de cette vitesse moyenne est la vitesse au
temps 0, qui correspond à la pente du vecteur tangent dessiné sur la figure. Cette vitesse est nulle
au temps 0, ce qui n’empêche pas le cycliste de démarrer...
Cette limite du taux n’existe pas toujours. Il peut par exemple y avoir une limite différente pour
les valeurs de h positives et pour les négatives, ou pas de limite du tout. Lorsque la limite existe
et est finie, on dit que x est dérivable au point t0 . Par exemple la fonction x(t) = t1/2 est dérivable
pour tout t > 0 mais pas en 0.
La dérivation d’une fonction ne se calcule généralement pas comme une limite de taux d’accroissement, sauf pour les fonctions les plus simples ou en certains points très particuliers ; on utilise
2
1.2
0.8
0.0
0.4
x
0.0
0.5
1.0
t
Figure 2 – Taux d’accroissement et dérivée.
plutôt des règles de dérivation qui permettent de revenir à des fonctions dont la dérivée est déjà
connue.
Proposition 1 Soient f et g deux fonctions dérivables et a et b deux réels, la dérivation satisfait
les relations suivantes
Linéarité :
(af + bg)0 (x) = af 0 (x) + bg 0 (x)
Multiplication :
(f g)0 (x) = f 0 (x)g(x) + f (x)g 0 (x)
Composition : on définit la composée de deux fonctions par (f ◦ g)(x) = f (g(x)), alors
(f ◦ g)0 (x) = f 0 (g(x))g 0 (x)
Inverse : pour une fonction strictement monotone, on définit l’inverse f −1 de la fonction f par
f −1 (y) = x, où x est l’unique point tel que f (x) = y, alors
(f −1 )0 (y) =
Remarque : si on choisit la notation
1
1
= 0 −1
f 0 (x)
f (f (y))
dx
pour x0 (t) la règle de composition se retient plus facilement :
dt
dy
dy dx
=
dt
dx dt
Sur le graphe d’une fonction, la dérivée x0 (t) en un point t est égale à la pente de la tangente au
graphe au point x(t). La direction de la tangente est donc donnée par le vecteur de coordonnées
(1, x0 (t)) (figure 3).
La tangente est la droite la plus proche du graphe de x près du point t0 . Cette droite est le graphe
d’une fonction affine très simple qui approxime bien la fonction x.
3
4
3
2
0
1
x
−1.0
0.0
1.0
2.0
t
Figure 3 – Vecteurs tangents au graphe de la fonction t2
Si la fonction x0 (t) est elle-même dérivable, sa dérivée est notée x”(t) appellée dérivée seconde de
x(t). Nous précisons l’erreur d’approximation entre x et la fonction linéaire ou quadratique quand
x est une ou deux fois dérivable.
Proposition 2 Développement de Taylor Young
– (Premier ordre) Si x est dérivable sur un intervalle contenant t0 et t0 + h et si sa dérivée est
continue sur l’intervalle
x(t0 + h) = x(t0 ) + hx0 (t0 ) + hr1 (h)
où r1 (h) tend vers 0 quand h tend vers 0.
– (Deuxième ordre) Si x est dérivable deux fois sur un intervalle contenant t0 et t0 + h et si cette
dérivée seconde est continue sur l’intervalle
x(t0 + h) = x(t0 ) + hx0 (t0 ) +
h2 00
x (t0 ) + h2 r2 (h)
2
où r2 (h) tend vers 0 quand h tend vers 0.
1.2.2
Fonction de plusieurs variables : dérivées partielles, développement de Taylor
On considère une fonction x continue qui dépend de n variables (t1 , t2 , . . . , tn ). Les dérivées partielles
sont les dérivées calculées en ne faisant varier que la variable corespondante :
Définition 2 La dérivée partielle de la fonction x par rapport à la coordonnée ti est
∂x
x(t1 , .., ti + h, .., tn ) − x(t1 , .., ti , .., tn )
(t1 , .., tn ) = lim
.
h→0
∂ti
h
4
L’existence de dérivées partielles n’est pas suffisante pour approximer la fonction par une fonction
linéaire des accroissements ; il faut que ces dérivées partielles soient continues ; si les dérivées partielles sont également dérivables partiellement, on définit les différentielles partielles secondes en les
dérivant partiellement à leur tour.
∂x
∂ ∂t
∂2x
j
=
.
∂ti ∂tj
∂ti
Les dérivées partielles, lorsqu’elles sont continues, permettent de définir une approximation des
accroissements de la fonction par une fonction linéaire ou quadratique de l’accroissement de la
variable.
Définition 3 Développement de Taylor Young
On définit la taille d’un accroissement de plusieurs variables par la norme euclidienne
khk2 = h21 + · · · + h22
– (Premier ordre) Si x est partiellement dérivable sur un intervalle contenant t0 et t0 + h et si
toutes les dérivées partielles sont continues, alors
x(t1 + h1 , . . . , tn + hn ) = x(t1 , . . . , tn ) + h1
∂x
∂x
(t1 , .., tn ) + · · · + hn
(t1 , .., tn ) + khkr1 (h) (2)
∂t1
∂tn
où r1 (h) tend vers 0 quand khk tend vers 0.
– (Deuxième ordre) Si x est partiellement dérivable deux fois sur un intervalle contenant t0 et
t0 + h et si toutes les dérivées partielles secondes sont continues, alors
x(t1 + h1 , . . . , tn + hn ) = x(t1 , . . . , tn ) + h1
∂x
∂x
(t1 , .., tn ) + · · · + hn
(t1 , .., tn )
∂t1
∂tn
n
n
1 XX
∂2x
+
hi hj
(t1 , .., tn ) + khk2 r2 (h) (3)
2
∂ti ∂tj
i=1 j=1
où r2 (h) tend vers 0 quand khk tend vers 0.
2
Equations différentielles ordinaires
Une équation différentielle est une relation entre une fonction x et sa dérivée x0 .
x0 (t) = f (t, x(t))
(4)
On suppose que f est une fonction continue définie sur un ensemble U de R2 . L’ensemble U est
tel que pour chacun de ses points (t, x), il existe un rectangle contenant (t, x) dans son intérieur et
entièrement inclus dans U (U est un ouvert). L’inconnue de l’équation est la fonction x. Résoudre
l’équation différentielle, c’est déterminer une fonction x vérifiant cette relation. Nous considérerons
trois façons de résoudre une équation différentielle : la résolution exacte qui consiste à définir
exactement une fonction satisfaisant la relation, la résolution graphique qui permet de dessiner le
graphe d’une solution et de repérer certaines caractéristiques que doit nécessairement vérifier une
solution et la résolution approchée qui permet de calculer numériquement une fonction aussi proche
que l’on veut de la solution exacte. La résolution idéale est la résolution exacte, car on peut déduire
de celle-ci les deux autres, mais elle n’est pas toujours possible.
2.1
Résolution exacte par intégration
Il existe deux cas simples où la résolution de l’équation correspond à une intégration de fonction :
quand une des deux variables x où t n’apparaı̂t pas dans f .
5
2.1.1
Equation indépendante de x
x0 (t) = f (t)
R
(5)
La solution est simplement x(t) = f (s)ds. Il s’agit de déterminer une primitive de la fonction f .
Pour certaines fonctions, on connaı̂t une forme exacte de primitive, pour les autres, cette formule
permet un calcul approché efficace de la solution.
2.1.2
Equation indépendante de t
Dans ce cas on dit que l’équation est autonome : l’évolution future ne dépend que de l’état atteint ;
c’est le cas de l’équation linéaire introduite précédemment. Supposons donc que
x0 (t) = f (x(t))
(6)
En un point x0 où f s’annule, une solution est simplement x(t) = x0 constante. Plaçons-nous sur
un intervalle où f ne s’annule pas. La résolution consiste à écrire
et
x0 (t)/f (x(t)) = 1
(7)
x0 (s)/f (x(s))ds = t
(8)
Z
f est continue et ne s’annule pas, elle est donc de signe constant. Les primitives de 1/f existent
et sont monotones. Si on note F une de ces primitives, l’équation (8) revient à F (x(t)) = t soit
x(t) = F −1 (t).
0
Exemple : la résolution
R 0 de l’équation linéaire (1)peut se faire par cette méthode : x (t) = ax(t)
est transformée en x (s)/x(s)ds = at soit log(x(t)) + C = at où C est une constante et donne
x(t) = exp(at − C) = x(0) exp(at).
2.2
Représentation graphique des solutions
On se place dans un plan avec un axe t en abscisse et x en ordonnée. En chaque point (t, x) de
ce plan on représente le vecteur de coordonnées (1, f (x(t)) qui a la direction de la tangente en ce
point. On repère en particulier les points d’équilibre : ce sont des droites (x = constante) où la
dérivée est nulle quel que soit t. La résolution graphique consiste à tracer une famille de courbes
partout tangentes aux vecteurs représentés. Cette résolution est qualitative et donne seulement un
aperçu du comportement général des solutions.
2.3
Approximation de la solution pour un point initial donné, schéma d’Euler
On définit à partir de l’approche précédente la méthode suivante : on construit de proche en proche
une fonction linéaire par morceau qui suit les vecteurs dérivés construits précédement. On se fixe
un pas h d’accroissement de t.
Définition 4 (Schéma d’Euler) L’approximation de la solution de l’équation avec condition initiale (t0 , x0 ) est la fonction linéaire par morceau dont les sommets (ti , xi ) sont calculés itérativement
par
tn+1 = tn + h
xn+1 = xn + hf (xn , tn )
(9)
(10)
L’approximation est d’autant meilleure qu’on choisit un pas d’approximation h petit. Sur un intervalle fixe, l’erreur d’approximation tend vers 0 quand h tend vers 0. Nous reviendrons sur la qualité
de l’approximation dans la section 7.
6
3
Systèmes de deux équations
Certains modèles comportent plusieurs équations différentielles ordinaires couplées. Pour simplifier
nous considérons le cas d’un système de deux équations.
x0 (t) = f (t, x(t), y(t))
(11)
0
y (t) = g(t, x(t), y(t))
3.1
(12)
Résolution par intégration
Les deux équations sont interdépendantes et ne peuvent être résolues séparément. Dans le cas
suivant, nous pouvons toutefois les séparer.
3.1.1
Système de deux équations linéaires à coefficients constants
Soient a, b, c et d quatre constantes réelles :
x0 (t) = ax(t) + by(t)
(13)
0
y (t) = cx(t) + dy(t)
(14)
La méthode consiste à découpler les deux équations. On définit la matrice
µ
¶
a b
A=
.
c d
On peut alors écrire le système sous une forme vectorielle :
µ 0
¶ µ
¶µ
¶
x (t)
a b
x(t)
=
y 0 (t)
c d
y(t)
Par une méthode de calcul sur les matrices appelée diagonalisation, pour certaines matrices A, on
peut décomposer A comme un produit de trois matrices
A = P DP −1
où D est une matrice diagonale :
µ
D=
On peut alors écrire
µ
P
soit en posant
−1
µ
x0 (t)
y 0 (t)
w(t)
z(t)
λ1 0
0 λ2
¶
.
¶
µ
= DP
¶
−1
µ
=P
−1
x(t)
y(t)
x(t)
y(t)
¶
¶
w0 (t) = λ1 w(t)
z 0 (t) = λ2 z(t).
Ces deux équations peuvent être résolues séparément : w(t) = C1 exp(λ1 t), z(t) = C2 exp(λ2 t) et
on obtient les solutions du système initial par
µ
¶
µ
¶
x(t)
w(t)
=P
y(t)
z(t)
7
2
2
1
2
3
4
5
6
1
0
−2
−1
y
−2
−2
−1
y
0
1
2
1
0
x
−1 0
0
1
t
2
3
4
5
t
−2
−1
0
1
2
x
Figure 4 – Mouvement terrestre
3.2
Résolution graphique
Les graphes des solutions (x(t), y(t)) et les vecteurs dérivés devraient être représentés dans un
espace à trois dimensions ce qui n’est pas lisible. Pour cette raison, on préfère considérer des
représentations planes (t, x), (t, y) et (x, y) projections des solutions sur les trois plans principaux ; les deux premières représentations donnent l’évolution d’une coordonnée dans le temps mais
perdent l’information liant x et y. La troisième donne la trajectoire dans le plan (x, y) mais perd
l’information sur la date de passage par chacun des points : elle donne cependant une meilleure
vue globale du phénomène. Par exemple, les trois graphiques de la figure 4 représentent le même
phénomène : le mouvement terrestre autour du soleil est mieux saisi par l’ellipse que par la donnée
des deux phénomènes sinusoı̈daux au cours du temps. La courbe (x(t), y(t)) dans le plan (x, y)
sera appelée orbite dans la suite par analogie avec l’exemple terrestre. Dans cet exemple simple, la
représentation à trois dimensions donnerait une hélice à base elliptique, moins satisfaisante pour la
compréhension que l’ellipse du plan (x, y).
Sur ces représentations on peut ajouter les vecteurs dérivés : sur le plan (t, x), la méthode est la
même que pour une équation ordinaire, le vecteur a pour coordonnées coordonnées (1, f (t, x(t), y(t))
mais le calcul du vecteur fait appel à la représentation (t, y) pour déterminer y(t). Il est donc impossible de dessiner une résolution graphique du système dans ce plan. Sur la troisième représentation
le vecteur dérivé est (f (t, x(t), y(t)), g(t, x(t), y(t))). Si les fonctions f et g sont indépendantes de
t (on parle alors de système autonome), on peut dessiner en tout point du plan (x, y) les vecteurs
dérivées qui ne dépendent que de x et y. Les orbites que nous cherchons sont tangentes à ces vecteurs ce qui permet une résolution graphique. Nous emploierons cette méthode pour le système
d’équations de Lotka Volterra.
4
Equation différentielle du second ordre
Une équation différentielle du second ordre est une relation entre une fonction et ses dérivées
première et seconde.
x00 (t) = f (t, x(t), x0 (t))
(15)
On suppose que f est une fonction continue définie sur un ensemble U de R3 .
4.1
Résolution exacte par intégration
Nous ne donnons ici que les cas où une résolution est possible facilement.
8
4.1.1
Cas où f est indépendant de x(t) et x0 (t)
Il suffit de calculer une primitive de f pour obtenir x0 (t), puis de calculer une primitive du résultat
pour obtenir x(t).
4.1.2
Cas où f est indépendant de x(t)
Dans ce cas l’équation est en fait une équation différentielle du premier ordre en x0 (t).
4.1.3
Cas où f indépendant de t et linéaire en x(t) et x0 (t).
x00 (t) = ax(t) + bx0 (t)
(16)
On s’inspire de l’équation linéaire du premier ordre en cherchant une solution de la forme x(t) =
exp(kt). Le paramètre k doit alors vérifier
k 2 = a + bk.
– Si cette équation du second degré a deux solutions réelles k1 et k2 , les solutions sont de la forme
x(t) = c1 exp(k1 t) + c2 exp(k2 t).
– Si cette équation du second degré a une solution double k1 ,les solutions sont de la forme x(t) =
(c1 + c2 t) exp(k1 t).
– Si cette équation du second degré a deux solutions complexes conjuguées de module k, les solutions sont de la forme x(t) = c1 cos(kt) + c2 sin(kt).
Les constantes c1 et c2 sont déterminées par les conditions initiales x(t0 ) = x0 et x0 (t0 ) = x00 .
4.1.4
Cas général
On peut toujours transformer le problème en un système de deux équations du premier ordre. On
pose y(t) = x0 (t) et on obtient le système équivalent :
x0 (t) = y(t)
0
y (t) = f (t, x(t), y(t))
(17)
(18)
Cette transformation est plus utile quand f est indépendante de t (système autonome).
Il existe d’autres cas particuliers où on dispose de résolutions explicites moyennant des changements
de fonction astucieux.
5
Problème de Cauchy
Quelle que soit la méthode de résolution envisagée par la suite, il est important de vérifier a
priori que le problème posé admet une solution et que cette solution est unique. Dans le cas de
la résolution exacte, on peut sinon oublier des solutions particulières ; dans le cas de la résolution
graphique, on ne sait pas dessiner les trajectoires près des points où les vecteurs dérivés sont nuls ;
dans le cas d’une résolution approchée, les schémas numériques calculent de fausses solutions quand
la solution n’existe pas, ou basculent d’une solution à l’autre quand la solution n’est pas unique.
Ce paragraphe résume les principaux résultats garantissant que le problème admet une solution
unique. Les preuves des résultats ne sont qu’esquissées ; elles s’appuient sur l’approximation par la
méthode d’Euler et sur des résultats portant sur les fonctions continues et régulières.
On se place dans le cas d’une équation différentielle ordinaire explicite du premier ordre :
x0 (t) = f (t, x(t))
(19)
On suppose que f est une fonction continue définie sur un ensemble U de R2 . L’ensemble U est tel
que pour chacun de ses points x, il existe un rectangle contenant x dans son intérieur et entièrement
inclus dans U (U est un ouvert).
9
1.2
1.1
1.0
0.8
0.9
x
0.6
0.8
1.0
1.2
1.4
t
Figure 5 – Exemple de rectangle K 0 . Les diagonales sont de pentes −M et M .
5.1
Solution locale
On considère un point (t0 , x0 ) de U et on cherche une solution autour de ce point :
Définition 5 Une solution locale de l’équation est la donnée d’un intervalle I ouvert contenant t0
et d’une fonction x telle que
– pour tout t ∈ I, x(t) ∈ U
– x est dérivable sur I
– x satisfait l’équation (19)
– x(t0 ) = x0 .
Théorème 1 Il existe toujours une solution locale autour d’un point (t0 , x0 ) de U .
Idée de la preuve On définit un rectangle K = [t0 − T0 , t0 + T0 ] × [x0 − r0 , x0 + r0 ] inclus dans
U ; par continuité, la fonction f est bornée sur K par un nombre M ; si M T0 > r0 on définit un
second rectangle plus petit K 0 = [t0 − r0 /M, t0 + r0 /M ] × [x0 − r0 , x0 + r0 ]. La solution a toujours
une tangente dont la pente est comprise entre −M et M , elle reste donc entre les deux diagonales
(voir figure 5) et ne peut sortir du rectangle que par les côtés. K 0 est appellé rectangle de contrôle
du problème. Dans ce rectangle on peut construire par la méthode d’Euler des fonctions linéaires
par morceaux qui sont solutions approchées de l’équation : l’écart entre leurs pentes et la fonction
f est petit. On forme une suite de fonctions approchées xn (t) de plus en plus précises ; on montre
que ces fonctions se concentrent dans un ensemble de fonctions suffisamment étroit (compact) pour
qu’il existe obligatoirement une sous-suite avec une limite x(t) ; puis on montre que cette limite est
solution du problème de Cauchy sur l’intervalle de temps [t0 − r0 /M, t0 + r0 /M ].
Remarque
– la solution n’est définie que sur un petit intervalle, dont on ne peut pas choisir la taille ; nous
verrons au paragraphe suivant dans quelles conditions on peut l’étendre à des intervalles plus
grands.
10
– la démonstration ne prouve pas qu’il n’y ait qu’une solution : plusieurs sous-suites peuvent
converger vers des fonctions différentes. Plusieurs suites de fonctions approchées peuvent donner
des résultats différents. Les modèles présentant plusieurs solutions sont généralement évités en
modélisation, car non déterministes : si deux évolutions futures sont possibles, comment choisir ?
Un exemple de fonction f permettant plusieurs solutions est : f (t, x) = 3x2/3 . Partant de t0 = 0,
x0 = 0, il y a deux solutions : x(t) = 0, fonction constante et x(t) = t3 .
Nous montrons maintenant qu’il n’y a qu’une solution locale si le taux d’accroissement de la fonction
f par rapport à x est borné (f est alors dite lipschitzienne par rapport à x).
Définition 6 La fonction f est localement k-lipschitzienne par rapport à x au point (t0 , x0 ) si et
seulement si il existe un rectangle K =]t0 − T0 , t0 + T0 [×]x0 − r0 , x0 + r0 [ tel que pour tout (t, x1 ),
(t, x2 ) appartenant à K,
|f (t, x1 ) − f (t, x2 )| ≤ k|x1 − x2 |.
Remarque :
– il suffit que f soit dérivable par rapport à x avec une dérivée continue. Cette dérivée est bornée
par une constante M sur un intervalle contenant x0 et f est localement M + 1- lipschitzienne.
– on peut définir la même notion pour un système en (x, y) en remplaçant la valeur absolue par
la norme euclidienne k(x1 , y1 ) − (x2 , y2 )k = ((x1 − x2 )2 + (y1 − y2 )2 )1/2 introduite pour les
accroissements
k(f (t, x1 , y1 ), g(t, x1 , y1 )) − (f (t, x2 , y2 ), g(t, x2 , y2 ))k ≤ kk(x1 , y1 ) − (x2 , y2 )k.
Les résultats sur l’existence et l’unicité de solutions sont les mêmes.
Théorème 2 Si f est localement k-lipschitzienne par rapport à x au point (t0 , x0 ), il existe une
unique solution locale autour d’un point (t0 , x0 ) de U .
Idée de la preuve : la propriété lipschitzienne entraı̂ne que deux fonctions solutions approchées
du problème avec des précisions ε1 et ε2 diffèrent au plus de C(ε1 + ε2 ) où C est une constante
(lemme de Gronwald). Donc dans une suite de solutions approchées précédentes, les fonctions se
rapprochent les unes des autres (suite de Cauchy) et ne peuvent plus avoir qu’une seule limite.
Deux solutions différentes du problème sont des solutions approchées avec une précision de 0. Elles
sont donc égales d’après le lemme de Gronwald.
5.2
Solution globale
Nous définissons d’abord ce qu’est le prolongement d’une solution :
Définition 7 Soit une solution locale (I, x) de l’équation. Soient J un intervalle et x̃ une fonction
de J dans R.
– (J, x̃) est un prolongement de (I, x) si c’est une solution de l’équation telle que I ⊂ J et x̃ et x
sont égales sur I.
– Si la solution (I, x) n’admet pas de prolongement sur un intervalle strictement plus grand que I,
on dit qu’elle est maximale.
Remarque
– On doit en particulier veiller que le prolongement (t, x̃(t)) reste bien dans U .
– Le prolongement n’est pas unique si les solutions locales en certains points sont multiples ; en
chacun de ces points, on peut choisir de prolonger par n’importe quelle solution locale.
Théorème 3 Solution maximale
1. Toute solution locale peut être prolongée en une solution maximale.
2. Si les solutions locales sont uniques en chaque point (par exemple quand f est lipschitzienne)
ce prolongement est unique.
11
Idée de la preuve : la preuve du point 1 consiste à regarder les bornes supérieures des intervalles
de tous les prolongements possibles. La borne supérieure c de tous ces nombres ne peut pas être
dépassée lors d’un prolongement. Il faut en plus montrer qu’elle est atteinte, c’est à dire qu’il existe
bien un prolongement jusqu’à c. Pour le point 2, on remarque que s’il y a deux prolongements,
ils diffèrent à partir d’un point de bifurcation et en ce point il y a nécessairement deux solutions
locales différentes.
On suppose maintenant que f est définie et continue pour t ∈ J intervalle ouvert et x ∈ R
(U = J × R).
Théorème 4 Si f est globalement lipschitzienne par rapport à x :
|f (t, x1 ) − f (t, x2 )| ≤ k(t)|x1 − x2 |
et si le coefficient de Lipschitz k(t) est une fonction continue de t, alors pour tout point initial
(t0 , x0 ), il existe une unique solution définie sur J. Une telle solution est dite solution globale du
problème.
Remarque :
– On peut bien sûr avoir J = R.
– La fonction est globalement lipschitzienne : x1 et x2 peuvent prendre toute valeur dans R. Cette
propriété est plus forte. Par exemple la fonction f (x) = x2 est localement lipschitzienne partout
parce que de dérivée continue, mais n’est pas globalement lipschitzienne ; il suffit de prendre
x1 = 0 et de faire tendre x2 vers l’infini pour le constater.
Idée de la preuve : soit [t0 − T, t0 + T 0 ] un sous-intervalle de J contenant t0 . Comme k(t) est
continue, elle est bornée par K sur cet intervalle. Il existe donc une solution unique sur cet intervalle.
On fait ensuite grandir l’intervalle et comme les prolongements sont uniques d’un intervalle au
suivant, on déduit l’existence d’une solution unique sur tout J.
6
6.1
Etude de modèles
Modèle logistique
Nous avons vu le modèle de population correspondant à une équation différentielle linéaire à coefficient constant ; si le coefficient est positif, l’effectif tend très rapidement vers l’infini ; s’il est négatif,
l’effectif tend très rapidement vers 0 ; pour les modèles de population, nous allons modifier le modèle
pour prendre en compte des effets limitants quand la population grandit ; nous supposerons que le
taux d’accroissement n’est plus constant mais décroit linéairement quand la population augmente.
On choisit deux paramètres positifs a et b :
x0 (t) = (a − bx(t))x(t).
(20)
On peut transformer cette équation en posant y(t) = (b/a)x(t) :
y 0 (t) = a(1 − y(t))y(t).
(21)
On peut également changer l’unité de temps τ = at. Si on définit z(τ ) = y(t), on a
dz
dy dt
=
= y 0 (t)/a
dτ
dt dτ
et
z 0 (τ ) = (1 − z(τ ))z(τ ).
(22)
Nous revenons aux notations habituelles et étudions l’équation
x0 (t) = (1 − x(t))x(t).
12
(23)
3.0
2.5
2.0
x
1.5
1.0
0.5
0.0
0.0
0.5
1.0
1.5
t
Figure 6 – Equation logistique : champ calculé sur une grille
13
2.0
2.0
0.0
0.5
x
1.0
1.5
2.0
1.5
1.0
0.0
0.5
x
0
1
2
3
4
5
0
t
1
2
3
4
5
t
Figure 7 – Champ des vecteurs et résolution graphique correspondante pour le modèle logistique
6.1.1
Résolution graphique
Nous pouvons calculer les vecteurs dérivés sur une grille du plan (t, x). Le résultat est donné figure
6. Les longueurs des vecteurs ont été divisées par 20 pour éviter le recouvrement. On remarque
deux solutions particulières correspondant aux valeurs pour lesquelles la dérivée est nulle : x = 0
et x = 1. Ce sont des valeurs d’équilibre pour la population ; quand x est entre 0 et 1, x0 (t) est
positive ; on en déduit que 0 est une position d’équilibre instable puisque les trajectoires proches
de 0 s’en écarte. Pour x > 1 , x0 (t) est négative ; donc les trajectoires se rapprochent de la valeur
1. Cette valeur est donc un point d’équilibre stable.
6.1.2
Résolution exacte
L’équation est autonome et l’intégration est possible.
Z
dx
=C +t
x(1 − x)
où C est une constante à déterminer en fonction des conditions initiales.
Si x < 1
Z
Z
Z
dx
dx
dx
=
+
= log(x) − log(1 − x) = log(x/(1 − x))
x(1 − x)
x
1−x
donc x(t)/(1 − x(t)) = exp(C + t) = x(0)/(1 − x(0)) exp(t). Ce qui donne finalement
x(t) =
x(0)
.
x(0) + (1 − x(0)) exp(−t)
La définition (24) de la fonction x(t) est valable pour toutes les valeurs positives de x(0).
14
(24)
6.1.3
Propriétés
Dans le modèle logistique général de paramètre a et b, la solution est
x(t) =
a
x(0)
.
b x(0) + (1 − x(0)) exp(−at)
(25)
Dans ce cas, l’effectif tend vers un point d’équilibre a/b quel que soit l’effectif initial (sauf si celui-ci
est nul).
6.2
Modèle logistique avec prélèvement fixe
Supposons qu’une partie de la population disparaisse à vitesse fixe, par maladie ou capture. Le
modèle logistique simplifié est modifié de la façon suivante :
x0 (t) = (1 − x(t))x(t) − c.
(26)
Le modèle dépend maintenat d’un paramètre c qui va réellement influencer le comportement du
modèle. Suivant l’intensité de capture, la population peut conserver un équilibre ou aller rapidement
à l’extinction.
6.2.1
Résolution graphique
Les points d’équilibre sont déplacés par le paramètre c. Ils sont solutions de l’équation :
x2 − x + c = 0.
Le discriminant de cette équation est 1 − 4c.
– Si c < 1/4 il y a deux solutions x1 < x2 . La dérivée x0 (t) est positive entre ces deux points,
négative ailleurs. On en déduit que si l’effectif est plus petit que x1 , il décroı̂t vers 0, s’il est entre
x1 et x2 il croı̂t vers x2 , s’il est supérieur, il décroı̂t vers x2 . Le point x1 est donc instable et le
point x2 stable. La capture a deux effets : la population à l’équilibre stable x2 est plus faible que
sans capture et en dessous de l’effectif x1 la population disparaı̂t.
– Si c = 1/4 il y a une solution double x1 . La dérivée x0 (t) est négative partout. Si l’effectif est plus
petit que x1 , il décroı̂t vers 0, s’il est plus grand que x1 , il décroı̂t vers x1 . Le point x1 est donc
instable. La population peut en théorie se maintenir à l’effectif x1 , mais toute perturbation la fait
disparaı̂tre ; une capture à taux 1/4 correspond au maximum du taux de croissance logistique ;
Elle est donc trop forte pour que la population se maintienne.
– Si c > 1/4 il n’y a pas de point d’équilibre. La dérivée x0 (t) est négative partout. La capture est
trop forte et la population disparaı̂t.
6.2.2
Résolution exacte
– Si c < 1/4, on peut réécrire l’équation sous la forme
x0 (t) = (x2 − x(t))(x(t) − x1 )
La méthode d’intégration est exactement la même que pour le modèle logistique sans capture.
La solution est
(x(0) − x1 )x2 + (x2 − x(0))x1 exp(−t)
x(t) =
.
x(0) − x1 + (x2 − x(0)) exp(−t)
Pour x(0) > x1 , on retrouve que la trajectoire tend vers x2 . En dessous de x1 , µla limite semble
¶
x2 − x(0)
la même, mais la solution a un comportement différent. Pour t = tc = log
, le
x1 − x(0)
dénominateur s’annule et x tend vers −∞. La trajectoire devient donc négative en un temps fini.
15
– Si c = 1/4 l’intégration est possible.
Z
−1
1
dx =
=C +t
2
(x − x1 )
x − x1
où C est une constante à déterminer en fonction des conditions initiales. La solution est donc
x = x1 +
x(0) − x1
1 + (x(0) − x1 )t
Pour x(0) > x1 , la trajectoire tend vers x1 .
1
x1 − x(0)
– Si c > 1/4 il n’y a pas de résolution explicite simple.
Pour x(0) < x1 , elle tend vers −∞ à t = tc =
16
6.3
Modèle de Lotka-Volterra
Nous allons maintenant étudier un système de deux populations animales en interaction : une
population de proies x(t) et une population de prédateurs y(t). Dans le modèle de Lotka Volterra,
la population de proies a un taux de mortalité proportionnel la population de prédateurs, et la
population de prédateur a un taux de croissance proportionnel à la population de proies. Le modèle
est décrit par le système d’équation suivant
x0 (t) = x(t)(a − by(t))
0
y (t) = y(t)(cx(t) − e)
(27)
(28)
où les quatre paramètres sont strictement positifs.
6.3.1
Résolution graphique
Le système étant autonome, on l’étudie graphiquement sur le plan (x, y). On se place sur la partie
Q = {(x, y) ∈ R2 ; x ≥ 0, y ≥ 0}. On cherche les points d’équilibres, les orbites particulières. La
dérivée x0 (t) est nulle sur deux droites d’équation x = 0 (axe y) et y = a/b. La dérivée y 0 (t) est
nulle sur deux droites d’équation y = 0 (axe x) et x = e/c. Les points d’équilibres sont donc
O = (0, 0) (populations nulles) et P = (e/c, a/b). L’axe des x (y = 0) est stable car y 0 est nul
sur cet axe. Toute orbite partant d’un point de cet axe reste dans cet axe. De plus x0 est positif
donc les orbites partent vers +∞. L’évolution des proies en absence de prédateurs correspond à
la croissance exponentielle de paramètre a, comme on peut le voir sur les équations. L’axe des y
est également stable, mais y 0 est négative sur cet axe ; les orbites se rapprochent de 0. L’évolution
des prédateurs en absence de proies correspond à la décroissance exponentielle de paramètre −e,
comme on peut le voir sur les équations.
On s’intéresse au comportement général du système à l’intérieur de Q. Le bord de Q est constitué
des deux axes qui sont des orbites particulières. Dans un rectangle {0 ≤ x ≤ A, 0 ≤ y ≤ B}, les
taux a − by(t) et cx(t) − e sont bornés et on montre facilement que le système est lipschitzien. Les
solutions sont uniques en chaque point et les orbites ne peuvent pas se couper. Donc une orbite
partant d’un point situé dans Q ne peut pas en sortir.
Q est partagé en quatre secteurs par les deux droites Dx et Dy particulières d’équation x = e/c et
y = b/a :
– (secteur I) : x < e/c et y < b/a. Sur ce secteur, x0 > 0 et y 0 < 0.
– (secteur II) :x > e/c et y < b/a. Sur ce secteur, x0 > 0 et y 0 > 0.
– (secteur III) :x > e/c et y > b/a. Sur ce secteur, x0 < 0 et y 0 > 0.
– (secteur IV) :x < e/c et y > b/a. Sur ce secteur, x0 < 0 et y 0 < 0
Supposons que le point initial se trouve dans le secteur I. La coordonnée x croı̂t et la coordonnée y
décroı̂t ; d’après les équations, à tout instant x0 (t) est supérieur à sa valeur initiale. Au bout d’un
temps fini, l’orbite passe la droite Dx et entre dans le secteur II. Dans ce secteur, x croı̂t et y ne
décroı̂t pas, donc y 0 augmente et devient strictement positive. Au bout d’un temps fini, l’orbite
atteint la droite Dy et rentre dans le secteur III. Dans ce secteur, x ne croı̂t pas et la coordonnée y
croı̂t, donc x0 diminue et devient strictement négative. Au bout d’un temps fini, l’orbite atteint la
droite Dx et rentre dans le secteur IV. Dans ce secteur, x décroı̂t et y ne croı̂t pas, donc y 0 diminue
et devient strictement négative. Au bout d’un temps fini, l’orbite atteint la droite Dy et rentre dans
le secteur I. Les orbites des points situés en dehors des axes et des droites particulières passent donc
périodiquement de secteur en secteur en tournant autour du point P . Plusieurs comportements sont
encore possibles : les orbites peuvent être des courbes fermées, ou des spirales qui s’enroulent vers
P ou qui s’en écartent. La résolution graphique ne permet pas de conclure.
6.3.2
Résolution exacte
Il n’est pas possible de procéder par intégration directe, les deux équations étant couplées et non
linéaires. Nous allons utiliser une méthode indirecte fondée sur une fonction particulière.
17
6
5
4
3
0
1
2
y
0
1
2
3
4
5
6
x
Figure 8 – Champ des vecteurs pour le modèle de Lotka Volterra ; a = e = 1, b = 0.4, c=0.5. La
longueur des vecteurs dérivés est divisée par 10.
18
Définition 8 Intégrale première Soit V (x, y) une fonction réelle définie sur Q. Si V est telle
que V (x(t), y(t))) est constante sur chaque orbite (x(t), y(t))) du système alors V est une intégrale
première du système.
Utilisation de la fonction V : Si on dessine le graphe de V en fonction de x et y on obtient un relief ;
les courbes {V (x, y) = constante} sont les lignes de niveau de ce relief ; si le relief est suffisamment
simple (par exemple une colline unique), les lignes de niveau sont des courbes fermées et les orbites
sont contenues dans ces courbes fermées.
Il n’y a pas de méthode générale pour découvrir une intégrale première. Dans le cas particulier de
notre système, on multiplie l’équation (27) par (−cx(t)+e)y(t) et l’équation (28) par (a−by(t))x(t)
et on additionne le résultat pour obtenir
(−cx(t) + e) y(t)x0 (t) + (a − by(t)) x(t)y 0 (t) = 0
Soit
¶
µ
µ
¶
e
a
0
−c +
x (t) +
− b y 0 (t) = 0
x(t)
y(t)
On peut intégrer cette équation en
V (x(t), y(t)) = −cx(t) + e log(x(t)) + a log(y(t)) − by(t) = constante
On remarque que V est la somme de deux fonctions de x et de y qui ont des maximums en x = e/c et
y = a/b respectivement. Donc V a un maximum unique en P . On en déduit que les lignes de niveaux
de V sont des courbes fermées simples et donc que les orbites du système suivent ces courbes fermées.
On sait par le raisonnement précédent qu’elles mettent un temps fini à faire un tour. Le système
étant autonome, l’évolution recommence dans les mêmes condition à chaque tour, donc le système
met toujours le même temps à revenir à son point de départ. Les orbites sont donc périodiques. Mais
la période de retour est différente suivant les orbites. Les courbes représentant les deux populations
en fonction du temps sont des courbes périodiques ressemblant à des sinusoı̈des décalées comme
pour le mouvement terrestre, leur amplitude et leur période dépendent des conditions initiales
comme en mécanique spatiale. Ce ne sont pas de vraies sinusoı̈des car les orbites ne sont pas de
vraies ellipses.
6.4
Modèle de Lotka-Volterra avec compétition intra-spécifique
Nous ajoutons maintenant une limitation de croissance proportionnelle à la population pour les deux
animaux. La limitation est la même que dans le modèle logistique. Le modèle de Lotka Volterra
avec compétition est maintenant décrit par le système d’équations suivant
x0 (t) = x(t)(a − by(t) − f x(t))
0
y (t) = y(t)(cx(t) − e − gy(t))
(29)
(30)
où les six paramètres sont strictement positifs.
6.4.1
Résolution graphique
Le système étant autonome, on l’étudie graphiquement sur le plan (x, y). On se place sur la partie
Q = {(x, y) ∈ R2 ; x ≥ 0, y ≥ 0}. On cherche les points d’équilibres, les orbites particulières. La
dérivée x0 (t) est nulle sur deux droites d’équation x = 0 (axe y) et f x + by = a (droite Dx ). La
dérivée y 0 (t) est nulle sur deux droites d’équation y = 0 (axe x) et cx − gy = e (droite Dy ). La
droite Dx coupe l’axe des x en x = a/f et l’axe des y en y = a/b. La droite Dy coupe l’axe des x
en x = e/c et l’axe des y en un point y < 0. Deux cas sont possibles :
– Si a/f < e/c les deux droites Dx et Dy se coupent en dehors de Q. Il y a deux points d’équilibre
O = (0, 0) et T = (e/c, 0). Les deux axes sont stables ; sur l’axe des y, les orbites tendent vers 0
(extinction des prédateurs). Sur l’axe des x les orbites tendent vers le point d’équilibre T (comme
dans l’équation logistique.
19
Figure 9 – Secteurs du modèles de Lotka Volterra avec compétition
– Si a/f > e/c, les deux droites Dx et Dy se coupent dans Q, ce qui donne un point d’équilibre
P , les deux points d’équilibre précédents existent aussi ; le comportement sur les axes ne change
pas.
– Dans le premier cas, les deux droites particulières découpent trois secteurs (figure 9, à gauche)
– (secteur I) : a − by − f x < 0 et cx − gy − e > 0. Sur ce secteur, x0 < 0 et y 0 > 0.
– (secteur II) :a − by − f x < 0 et cx − gy − e > 0. Sur ce secteur, x0 < 0 et y 0 < 0.
– (secteur III) :a − by − f x > 0 et cx − gy − e < 0. Sur ce secteur, x0 > 0 et y 0 < 0.
En raisonnant comme précédemment on voit que les orbites passent du secteur I au secteur II
et du secteur II au secteur III en un temps fini. Arrivées dans le secteur III, elles ne peuvent
retourner au secteur I, elles sont bloquées par la droite Dx et les axes ; on montre qu’elles tendent
vers le point d’équilibre T . Le point T est donc le point d’équilibre stable vers lequels toutes les
orbites tendent (à l’exception de l’axe y et du point d’équilibre O). Les prédateurs s’éteignent et
les proies atteignent l’équilibre logistique.
– Dans le deuxième cas, les deux droites particulières découpent quatre secteurs comme dans le cas
sans compétition intraspécifique (figure 9, à droite). Le comportement des orbites est le même
que dans ce cas : passage périodique dans les quatre secteurs.
Plusieurs comportements sont possibles : courbes fermées ou spirales. La résolution graphique ne
permet pas de conclure.
6.4.2
Résolution exacte
La fonction V n’est plus constante sur les orbites mais elle conserve une propriété intéressante.
Définition 9 Fonction de Lyapounov Soit V (x, y) une fonction réelle définie sur Q. Si V est
dérivable à dérivée continue et si V est croissante le long des orbites, V est alors une fonction de
Lyapounov du système ; les deux dérivées de V sont nulles sur toutes les orbites fermées périodiques
et sur tous les points limites d’orbite
Utilisation de la fonction V : elle permet de trouver les orbites fermées et les points d’équilibre
attractifs.
On construit une fonction analogue à la fonction V précédente, avec un maximum au point
d’équilibre correspondant à l’intersection des deux droites P = (xP , yP ) :
V (x, y) = cxP log(x) − cx + byP log(y) − by.
20
On montre que la dérivée de V le long des orbites est positive. Soit F (t) = V (x(t), y(t)) la valeur
de la fonction le long de l’orbite (x(t), y(t)).
∂V 0
∂V 0
x (t) +
y (t)
∂x
∂y
= cxP x0 (t)/x(t) − cx0 (t) + byP y 0 (t)/y(t) − by(t)
F 0 (t) =
= c(xP − x(t))(a − by(t) − f x(t)) + b(yP − y(t))(cx(t) − e − gy(t))
mais par définition a = byP − f xP et e = −gyP + cxP . Donc
F 0 (t) = cxP x0 (t)/x(t) − cx0 (t) + byP y 0 (t)/y(t) − by(t)
= c(xP − x(t))(b(yP − y(t)) + f (xP − x(t)) + b(yP − y(t))(c(x(t) − xP ) − g(y(t) − yP ))
= cf (xP − x(t))2 + bg(yP − y(t))2 ≥ 0
La fonction V est bien croissante sur les orbites. Il n’y a que le point P où ses deux dérivées
s’annulent. Donc toutes les orbites tendent vers ce point qui est un point d’équilibre attractif. Si on
représente ce qui se passe sur le relief représenté par V , les orbites sont des chemins qui montent sur
la colline en tournant tout autour (mais elles n’arrivent au sommet qu’au bout d’un temps infini).
Sur le plan (x, y) les orbites sont des spirales qui s’approchent de P . Les deux populations tendent
donc vers cet équilibre unique. Les courbes des effectifs en fonction du temps sont des oscillations
amorties autour de la valeur limite.
Cette résolution n’est pas exacte au sens où nous n’avons pas de définition précise des orbites ; il
faudra utiliser des méthodes d’approximation si on a besoin de valeurs numériques.
7
Méthodes de résolution approchée
Nous avons brièvement présenté le schéma d’Euler et affirmé que les fonctions linéaires par morceau
qu’il produit tendent vers la solution de l’équation, lorsque le problème est défini par une fonction
f (t, x) k-lipschitzienne par rapport à x. Dans cette section, nous précisons l’erreur commise dans
l’approximation du schéma d’Euler et proposons d’autres schémas qui améliorent la qualité de
l’approximation.
La formule de Taylor Young permet de calculer que l’erreur commise en un pas de calcul en
remplaçant la courbe par sa tangente est majorée par Ch2 où C est une constante dépendant de f
et h est le pas de discrétisation. Si nous voulons calculer l’approximation sur un intervalle de temps
[t0 , tm ] , nous allons diviser l’intervalle en n intervalles égaux de longueur h = (tm − t0 )/n. Partant
de (t0 , x0 ), nous construisons (t1 , x1 ) par le schéma d’Euler. La formule de Taylor Young permet
de conclure que la position de x1 est décalée d’au plus Ch2 . Si la fonction f est k-lipschitzienne,
la pente calculée en x1 est également légèrement fausse de kCh2 , mais cette erreur produit une
erreur sur x2 d’ordre h4 . L’erreur d’approximation entre x1 et x2 est donc également bornée par
Ch2 . L’erreur totale lorsque on sera parvenu au temps tm sera donc de nCh2 soit contrôlée par
C(tm − t0 )2 /n. L’erreur d’approximation sur un intervalle fixe est donc d’ordre 1/n comme le pas
h.
Remarquons que l’hypothèse lipschitzienne est essentielle pour prouver que l’erreur de pente peut
être négligée ; dans certains systèmes deux points x et x0 très proches peuvent correspondre à des
tangentes très différentes de sorte que les trajectoires se séparent très rapidement ; toute erreur
d’approximation à un pas est amplifiée au point que la simulation est impossible ; ces systèmes
sont dits chaotiques : leur évolution est déterministe, mais toute erreur sur les conditions initiales
modifie le futur des orbites de façon tellement importante que la simulation et la prévision sont
impossibles en pratique.
7.1
Description des schémas de résolution approchée
Nous définissons ici après le schéma d’Euler, d’autres schémas d’approximation plus complexes qui
diminuent l’erreur d’approximation. L’ordre p d’un schéma est l’exposant de h dans l’expression de
21
l’erreur sur un intervalle de taille fixe. L’ordre de l’erreur à un pas est p + 1.
Schéma d’Euler (ordre 1) :
xn+1 = xn + hf (tn , xn )
(31)
Schéma d’Euler avec point milieu (ordre 2) : on calcule un point intermédiaire en suivant la
pente initiale, puis le nouveau point à partir du point milieu avec la pente calculée au point milieu
x(1) = xn + (h/2)f (tn , xn )
xn+1 = x1 + (h/2)f (tn + h/2, x(1) )
(32)
(33)
Schéma de Heun (ordre 2) : On calcule le point final avec la pente initiale, puis on calcule la
pente au point final ; on recalcule ensuite le point final en utilisant une moyenne des deux pentes.
x(1) = xn + hf (tn , xn )
xn+1 = xn + (h/2)(f (tn , xn ) + f (tn+1 , x(1) ))
(34)
(35)
Schéma de Runge Kutta (ordre 4) : On calcule le point milieu x(1) à partir du point initial xn
avec la pente initiale p0 , puis on calcule la pente au point milieu x(1) ; on recalcule ensuite le point
milieu x(2) à partir de xn en utilisant la pente p1 . On calcule la pente p2 en x(2) et on l’utilise pour
construire le point final x(3) à partir du point initial xn et on calcule la pente p3 en ce point final.
Pour finir, on reconstruit le point final à partir du point initial en utilisant une moyenne pondérée
des pentes calculées, qui donne deux fois plus d’importance aux pentes des deux points milieux.
x(1) = xn + (h/2)f (tn , xn )
(36)
x(2) = xn + (h/2)f (tn + h/2, x(1) )
(37)
x(3) = xn + hf (tn + h/2, x(2) )
(38)
xn+1 = xn + h(f (tn , xn )/6 + f (tn + h/2, x(1) )/3 + f (tn + h/2, x(2) )/3 + f (tn+1 , x(3) )/6)
(39)
Le calcul des ordres s’appuie sur des versions plus ou moins développées des formules de Taylor
Young ; pour qu’il soit valable, il faut que la fonction f ait p dérivées continues pour un schéma
d’ordre p. Les schémas successivement présentés améliorent la vitesse d’approximation, cependant
les schémas théoriquement les plus rapides nécessitent un temps de calcul supérieur. Il peut être
plus intéressant de calculer un schéma plus simple avec un pas de discrétisation plus petit. Même
si on peut définir des schémas encore plus précis, le schéma de Runge Kutta représente un bon
compromis entre précision et rapidité algorithmique. La figure 10 compare les approximations des
trois premiers schémas avec la véritable fonction exponentielle.
7.2
Références
Arnold, V. (1974) Equations différentielles ordinaires, MIR, Moscou.
Demailly, J.-P. (2006) Analyse numérique et équations différentielles,EDP Sciences.
22
50
40
30
20
0
10
approximation
0.0
0.5
1.0
1.5
2.0
t
Figure 10 – Approximation au pas h = 0.2 par les trois premier schémas pour la fonction exponentielle (courbe continue). De bas en haut : Euler, point milieu, Heun
23