Notes de cours de Physique Non-Linaire e

Dpartement de Physique e
Ecole Normale Suprieure de Cachan e

Julien Baglio dapr`s le cours de Joseph Zyss e 6 janvier 2007

julien.baglio@ens-cachan.fr - julien.baglio@ens.fr

Table des mati`res e

1 Syst`mes dynamiques non-linaires ` 1 dimension e e a 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . 1.2 Analyse de stabilit . . . . . . . . . . . . . . . . . . . e 1.3 Mod`le de population . . . . . . . . . . . . . . . . . e 1.3.1 Mod`le de Maltus . . . . . . . . . . . . . . . e 1.3.2 Mod`le de Qutelet-Verhulst . . . . . . . . . e e 1.3.3 Mod`le de Lotka-Volterra . . . . . . . . . . . e 1.4 Bifurcation . . . . . . . . . . . . . . . . . . . . . . . 1.4.1 Bifurcation selle-noeud . . . . . . . . . . . . . 1.4.2 Bifurcation trans-critique . . . . . . . . . . . 1.4.3 Bifurcation fourche supercritique . . . . . . . 1.4.4 Bifurcation fourche sous-critique et hystrsis ee 2 Route vers le chaos dans les applications discr`tes e 3 Syst`mes dynamiques non-linaires ` 2 dimensions e e a 4 Syst`me de Lorenz et attracteur trange e e 2 2 4 6 6 6 7 7 8 9 11 14 17 18 19

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

Chapitre 1

Syst`mes dynamiques non-linaires ` e e a 1 dimension

1.1 Introduction

Le but de ce chapitre est dintroduire les concepts utiliss lors de lanalyse de syst`mes dye e namiques fortement non-linaires. On va donc se focaliser sur les reprsentations dans lespace e e des phases et voir ce que lon peut en tirer comme informations sur le syst`me tudi. Cette ape e e proche gomtrique vise ` saranchir des calculs analytiques qui souvent ne sont pas ralisables e e a e pour des syst`mes complexes. Cela permettra aussi de classier les trajectoires en introduisant e la notion de bifurcation. Prenons lexemple suivant : x = sin x o` x est une fonction unidimensionnelle continment u u 1 fait que lon est assur de lexistence drivable. Avant toute chose, le fait que x = f (x) avec f C e e dune solution maximale sur un ouvert dapr`s le thor`me de Cauchy-Lipshitz. Cela para e e e t ridicule de linvoquer dans ce cas particulier, mais ce thor`me rend de tr`s grands services dans e e e des cas plus complexes. On peut intgrer analytiquement ce syst`me, et un calcul fastidieux nous fournit e e t = ln o` cosec = u 1 . sin cosec x0 + cotan x0 cosec x + cotan x

Dnition 1 Lespace des phases dun syst`me dynamique x = f (x) est lensemble ouvert D e e o` volue x. ue Dans notre exemple, lespace des phases est laxe des abscisses (O, x). Pour tudier les trae jectoires, on dessine f dans le plan (x, x) :

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

x
1

-2

-1

Fig. 1.1 Portrait de phase du syst`me dynamique x = sin x e

Le portrait de phase est lensemble des trajectoires traces avec des conditions initiales e direntes. Avec ce genre de trac on peut rpondre ` des questions du type quelle trajectoire e e e a pour telle condition initiale donne ?. Dans la reprsentation ci-dessus, le syst`me dynamique e e e reprsente alors un champ de vecteurs. e Pour chaque point x de la droite on peut conna la valeur en amplitude et en sens de la tre vitesse. Les points noirs et blanc reprsentent les points dquilibre. e e Dnition 2 Un point dquilibre dun syst`me dynamique x = f (x) est un point x tel que e e e ) = 0 f (x Dit autrement, cest un point stationnaire de la courbe (do` le nom de point dquilibre). u e Il reste ` savoir si ce point dquilibre est stable (ceux qui le sont sont ici reprsents avec un a e e e rond noir) ou instable (reprsents avec un rond blanc). Les `ches reprsentent lorientation de e e e e la trajectoire. Ici les points dquilibre sont les points x = m avec m Z. Pour m pair on a e f (m) > 0 et pour m impair on a f (m) < 0. Les premiers sont des points dquilibre instables e (ou rpulsifs, sources) et les seconds sont des points dquilibre stables (ou attracteurs, puits). e e Sur le dessin cela se visualise tr`s bien grce ` lorientation des `ches. e a a e Ainsi en conclusion de cette introduction, on peut se reprsenter les solutions dun syst`me e e dynamique unidimensionnel sous la forme dun uide unidimensionnel de vitesse locale f (x).

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

Pour trouver une solution particuli`re avec condition initiale x(0) = x0 , on se place en x0 sur e laxe de lespace des phases et on observe la trajectoire (ou dit autrement orbite) dans le portrait de phase dtermin ci-dessus. e e

1.2

Analyse de stabilit e

Pour tudier de faon analytique la stabilit des points dquilibre, on utilise la rgularit de e c e e e e la fonction f dans lquation dcrivant le syst`me dynamique x = f (x). La mthode repose sur e e e e un dveloppement limit autour des points dquilibre x = x + x. e e e Proposition 1 Soit un syst`me dynamique x = f (x), x un point dquilibre. e e ) < 0, cest un point dquilibre linairement stable ou encore appel attracteur, et le Si f (x e e e retour ` lquilibre suite ` une perturbation se fait en temps exponentiel ; si f (x) > 0 cest un a e a point dquilibre linairement instable. e e Dmonstration e On dveloppe autour de x : soit x = x +x. x = x = f (x +x) = f (x )+xf (x )+o(x). e ) = 0 on a donc x = xf (x ) au premier ordre. En utilisant f (x On a donc x = x(0)ef (x )t , do` la conclusion sur la stabilit de x : si f (x ) > 0 on a u e x +, si f (x) < 0 on a x 0. Cette proposition permet de comprendre lanalyse graphique dveloppe dans lintroduction. e e Ainsi une particule qui part de x = accl`re vers la droite jusqua (o` sin x est maximale) ee u 4 2 puis ralentit jusqu` atteindre le point dquilibre stable x = asymptotiquement par valeurs a e infrieures : e

2.5

x(t)

1.5

0.5

0 0 2 4 temps t 6 8 10

Fig. 1.2 Evolution de la trajectoire dorigine x0 = /4

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

Si f (x ) = 0, on consid`re le deuxi`me ordre et f (x ). De faon gnrale on consid`re le e e c e e e plus bas ordre non-nul pour analyser la stabilit gnrale dun point dquilibre (mais au-del` e e e e a de lordre 1, on ne parle plus de stabilit linaire, mais de simple stabilit). Au second ordre cela e e e revient ` sintresser ` la courbure de f . a e a

Fig. 1.3 Equilibre semi-stable ` droite a

Fig. 1.4 Equilibre semi-stable ` gauche a

Fig. 1.5 Equilibre stable

Fig. 1.6 Equilibre instable

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

Les quatres courbes ci-dessus montrent les divers cas possibles lorsque lon tudie lordre 2 e et le dbut de lordre 3 : sur la gure 1.3, f (x ) < 0, sur la gure 1.4 on a f (x ) > 0, sur e (x x )3 la gure 1.5 on a f (x ) = 0 et lon cherche ` lordre 3 o` f (x) a u f (x ), et lon a 3! f (x ) < 0. Enn sur la gure 1.6 on a f (x ) > 0. Enn avant daborder les mod`les de population, voici une petite proprit intressante des e ee e syst`mes unidimensionnels : e Proposition 2 Un syst`me rgit par une quation direntielle ` une dimension nest jamais e e e e a un syst`me oscillant. Dit autrement, une trajectoire solution ne peut jamais changer de direction. e La dmonstration est triviale : f tant une fonction, elle envoie sur une unique vitesse. Ainsi e e un repliement de trajectoire est impossible, donc un syst`me nest jamais oscillant. e

1.3

Mod`les de population e

Les mod`les de population sont utiliss dans divers domaines : biologie, conomie, socioloe e e gie, etc... On va ici sur quelques exemples simples appliquer quelques unes des ides prsentes e e e jusquici.

1.3.1

Mod`le de Maltus e

Le premier mod`le de croissance de population fut fourni par Thomas Robert MALTHUS e en 1798, qui repose sur lide dune croissance gomtrique de la population, tandis que les e e e ressources croissent plus lentement (do` son ide de rgulation de la population). Cela conduit u e e a e ` lquation suivante : dN = N = N (1.1) dt Ce mod`le fort simpliste nous donne N (t) = N0 e(tt0 ) ce qui nest videmment pas le cas e e en ralit, puisque les eets de surpopulation ne sont pas pris en compte. Si lon se rf`re ` e e ee a nimporte quel graphe de population dun pays (par exemple les Etats-Unis, cf TD1), ce mod`le e nest pas raliste. e

1.3.2

Mod`le de Qutelet-Verhulst e e

Au XIXeme si`cle les mathmaticiens belges Qutelet et Verhulst ont modi le mod`le de e e e e e Malthus pour tenir compte des eets dauto-rgulation. Le choix le plus simple passe par une e dcroissance linaire du facteur dexpension de la population : e e N . On aboutit ` lquation direntielle suivante : a e e =r 1 K N N =r 1 K N (1.2)

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

On peut rsoudre analytiquement cette quation direntielle non-linaire par sparation des e e e e e variables, mais lon va plutt adopter notre approche gomtrique. o e e

0.5

K/2

N -0.5 0 -1 0 0.5 1 temps t 1.5 2 2.5

K/2

2 temps t

Fig. 1.8 Evolution de quelques trajectoires Fig. 1.7 Portrait de phase On voit clairement que la population tend toujours, quel que soit le point initial, vers K, qui est dit capacit porteuse (carrying capacity en anglais). Il y a un changement ventuel de e e concavit ` K/2, si la population initiale est infrieure ` K/2. Pour plus de dtails, se rfrer ea e a e ee aux ouvrages classiques de biologie mathmatique, par exemple (3 ). e On se rend compte encore une fois que ce mod`le nest pas encore raliste, puisque une e e analyse dune courbe de population rlle ne montre pas deet de seuil. e

1.3.3

Mod`le de Lotka-Volterra e

Ce mod`le est dvelopp en 1926 par Lotka et Volterra, an dexpliquer les oscillations e e e de la population de poisson dans lAdriatique. Cest un mod`le communment appel mod`le e e e e proie-prdateur. Il repose sur les quations suivantes : e e N = aN bP N P = dP + cN P (1.3)

Cest un syst`me ` quatre param`tres a, b, c, d et ` trois variables N, P, t o` N et P dsignent e a e a u e les populations de proies et de prdateurs. Le TD1 aborde le dtails de ltude de ce mod`le e e e e (avec notamment lanalyse de lquilibre oscillatoire). e

1.4

Bifurcation

On introduit ici la notion de bifurcation qui permet de visualiser les non-linarits et de e e classier les trajectoires. Dnition 3 Soit un syst`me non-linaire ` param`tre de contrle c. Une bifurcation est un e e e a e o changement de comportement du syst`me lorsque lon modie c. Le diagramme de bifurcation e est le trac de x point dquilibre stable en fonction de c. e e

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

Dune mani`re gnrale, pour tudier une bifurcation dun syst`me x = f (x) on utilise la e e e e e thorie de Landau, qui consiste ` dvelopper f au voisinage du point dquilibre tudi. Dans e a e e e e la suite, on utilisera donc des polynmes pour f sans pour autant perdre en gnralit. On o e e e tudiera ici uniquement des bifurcations stationnaires. Il faut attendre davoir au moins un e syst`me bidimensionnel pour avoir des bifurcations instationnaires (cf bifurcation de Hopf). e

1.4.1

Bifurcation selle-noeud

La bifurcation selle-noeud, encore appele blue-sky apparition, est le cas typique dun e syst`me x = r + x2 o` r est le param`tre de contrle. e u e o
x x x

Fig. 1.9 r < 0

Fig. 1.10 r = 0

Fig. 1.11 r > 0

On voit bien la bifurcation appara tre lors du passage en r = 0 entre le comportement en r < 0 et le comportement en r > 0. On passe dune situation o` existent deux points u dquilibre, lun stable et lautre instable, ` une situation o` il ny a plus de points dquilibre e a u e au sein du syst`me. Cest lorigine du terme blue-sky appararition (Abraham&Show, 1988) : e soudainement appara deux points xes en passant de r > 0 ` r < 0 (comme le ciel bleu peut t a appara soudainement apr`s temps instable !). tre e un Pour r < 0, le point x = r est stable, le point r = r est instable. Lorsque lon est pr`s de la bifurcation, il y a le phnom`ne de goulot dtranglement qui e e e e appara d ` ce que lon pourrait appeler un fantme du point xe instable. On se place dans t, u a o une situation type selle-noeud, en dveloppant au 2e ordre autour du minimum. e Proposition 3 Lors dune bifurcation selle-noeud x = x2 + r avec r << 1, on a
+

Tplateau

dx = 2 r+x r

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION Ce rsultat est tr`s gnral pour ce type de bifurcation. e e e e Enn voici le diagramme de bifurcation typique pour une bifurcation selle-noeud :

x*

Fig. 1.12 Diagramme de bifurcation selle-noeud

1.4.2

Bifurcation trans-critique

Une bifurcation trans-critique concerne les syst`mes x = rx x2 . e

x x x

Fig. 1.13 r < 0

Fig. 1.14 r = 0

Fig. 1.15 r > 0

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

10

Il y a change de stabilit dans un tel cas, entre lorigine et le second point dquilibre. lors e e e de la bifurcation dite transcritique ` r = 0. a

x*

Fig. 1.16 Diagramme de bifurcation trans-critique, eet seuil

Les syst`mes ` seuil sont lexemple typique dune bifurcation trans-critique, tels que le laser e a ou la diode. Mod`le de laser comme exemple de bifurcation trans-critique e Un laser est un milieu amplicateur de la lumi`re, par inversion de population sur des tats du e e milieu amplicateur (tr`s grossi`rement). On note N linversion de population entre les niveaux e e dmission stimule et dabsorption, n le nombre de photons dans la cavit laser, et G le gain. e e e Les quations cintiques dvolution du laser sont les suivantes : e e e n = GN n kn N = GN n + p f N (1.4)

Ici k donne les pertes, p est la pompe et f est le taux dmission spontane. Dans lapproxie e mation quasi-statique et par limination adiabatique, ce qui revient ` dire que N = 0, on aboutit e a a e ` lquation unidimensionnelle Gnp n= kn Gn + p Gp kf On trouve aisment n = 0 ou n = e . La bifurcation est bien trans-critique, comme Gk = 0 le montre : le dveloppement au voisinage de n e Gp G2 p n=n k 2 n2 . Ainsi il y a bien un seuil : leet laser dmarre pour un pompage e f f kf p> . G

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

11

On rappelle que le mod`le exact est le mod`le de Maxwell-Bloch, dcrit par (E champ e e e lectrique, P polarisation lectrique et D inversion de population) : e e E = (P E) P = 1 (ED P ) D = 2 ( + 1 D EP ) Cest un syst`me non-linaire proche de celui de Lorenz (cf chapitre 4). e e

(1.5)

1.4.3

Bifurcation fourche supercritique

On tudie ici la bifurcation des syst`mes x = rx x3 (pitchfork bifurcation). Les points e e dquilibre sont x = 0 et x = r (les deux derniers nexistent que pour r > 0). e
x x x

Fig. 1.17 r < 0

Fig. 1.18 r = 0

Fig. 1.19 r > 0

Voici le diagramme de bifurcation :

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

12

courbe.don

1.5

0.5

-0.5

-1

-1.5

-2 -4 -3 -2 -1 0 1 2 3 4

Fig. 1.20 Diagramme de bifurcation fourche supercritique, brisure de symtrie e

Il y a brisure spontane de symtrie puisque le syst`me, a priori, ` le choix lors de la transition e e e a (en fourche, do` le nom...) et quil choisit lune des deux voies (il sut dune petite perturbation u dans un sens ou dans lautre en fait). Exemple physique : bille dans un anneau avec frottements On tudie une bille dans un cerceau qui tourne ` vitesse constante. La bille subit des e a frottements (terme modlis par un coecient b) et lattraction de son poids. e e

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

13

Fig. 1.21 Schma d tude avec les points dquilibre lorsque = e e e

R 2 >1 g

Tangentiellement on a mR = b mg sin + mR 2 sin cos . On suppose dans un 2R premier temps que lon nglige le second ordre direntiel. On pose alors = e e qui est le g param`tre de contrle, et lon a e o b = mg sin ( cos 1) (1.6)

Il y a quilibre si sin = 0 cest-`-dire = 0, ou cos = 1 qui nexiste que si 1. e a Une tude de stabilit simple ` conduire carte le cas = en permanence et le cas = 0 e e a e pour 1, nous donnant le diagramme de bifurcation suivant :

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

14

-1

-2

-
-4

-3

0.5

1.5

2.5

Fig. 1.22 Diagramme de bifurcation du cerceau

On a aussi reprsent ici les droites = , qui ne sont pas des droites faisant partie de la e e bifurcation. Cest bien une bifurcation fourche supercritique. Revenons sur lhypoth`se qui nous a permis nalement de rduire un syst`me bidimensionnel e e e t a ` un syst`me unidimensionnel. On introduit un changement de variable = T , avec T temps e caractristique du syst`me, ici le temps damortissement. On aboutit alors ` e e a R d2 b d = + sin ( cos 1) 2 d 2 gT mgT d Le temps damortissement est T = b . Ainsi pour ngliger le second ordre, il faut que e mg

R << 1 cest-`-dire b2 >> m2 gR : fort amortissement. a gT 2 On est ainsi ramen ` ltude que lon a faite ci-dessus, en variable rduites cela donne e a e e d = f () = sin ( cos 1). d Nanmoins dun point de vue physique, il existe un probl`me important derri`re cette ape e e proximation : en eet un syst`me du premier ordre (unidimensionnel) est dni compl`tement e e e par la donne de (0). Or ici il est ncessaire en ralit de spcier en plus (0) pour dnir e e e e e e lvolution ultrieure du syst`me. An de rconcilier ces deux points de vue et insrer lapproxie e e e e mation unidimensionnelle dans un schma plus large, on utilise un plan de phase (on anticipe e d . Tout point du plan de phase correspond ` un a un peu ici sur le chapitre 3), daxes et = d tat prcis du syst`me. Ainsi on est amen ` faire une tude bidimensionnelle en (, ) : e e e ea e = 1 = (f () ) (1.7)

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

15

mRg . Avec X = (, ) on a donc X = F (X) avec F fonction vectorielle non-linaire. e b2 Le portrait de phase est dlicat ` tracer de faon gnrale (cf chapitre 3) mais ici on sen fait e a c e e une ide qualitative pour 0 dans notre approximation. e o` = u Choisissons une position initiale du plan de phase telle que f (0 ) > 0 (en dessous de la courbe f () = et ` une distance nie de cette courbe). a 1 = (f () ) est alors tr`s suprieur ` zro, et la trajectoire est verticale dans le plan de e e a e phase, ` grande vitesse positive. Lorsque elle atteint le voisinage de la courbe f () = 0 a , la trajectoire est fortement ralentie et aspire par cette courbe. On est donc canalis dans la e e dynamique du premier ordre dcrite prcdemment, ce qui justie lanalyse conduite. e e e En dnitive, lanalyse unidimensionnelle conduit ` ngliger le transitoire rapide en ne e a e considrant que la constante de temps T caractristique de lunidimensionnalit. e e e

1.4.4

Bifurcation fourche sous-critique et hystrsis e e

La bifurcation sous-critique en fourche (pitchfork subcritical) concerne les syst`mes du type e 3 (la fonction f est ici impaire). En fait, si lon trace le diagramme de bifurcation, il x = rx + x ny a plus les racines non-nulles que lon avait dans la bifurcation fourche supercritique. Ainsi pour r > 0 il ny a plus dattracteurs, comme le montre les trois diagrammes ci-dessous :
x x x

Fig. 1.23 r < 0

Fig. 1.24 r = 0

Fig. 1.25 r > 0

Pour stabiliser le syst`me, il est ncessaire de pousser le dveloppement. Le syst`me ` fourche e e e e a 3 x5 . Cest ltude de ce syst`me qui va tre source sous-critique est donc en fait x = rx + x e e e dhystrsis. ee

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

16

x4 ).

On tudie tout dabord les points dquilibre du syst`me. On doit rsoudre x = 0 = x(r+x2 e e e e Cest une quation bicarre, on pose comme dhabitude X = x2 et lon rsoud X 2 Xr = 0. e e e On a = 1 + 4r. On a donc deux situations, selon que r < 1 ou r 1 , ce qui nous 4 4 donne dj` un premier point de bifurcation. Ensuite pour r 1 on en revient ` x , avec ea a 4 1 1 2 x = 1 + 4r. 2 2 Selon le positionnement de r, il va donc y avoir 2 ou 4 solutions pour cette quation. On a e 1 1 1 1 + 4r 0 1 1 + 4r 0 r 0 2 2 4 On fait maintenant ltude de la stabilit dans chacune des zones, en remarquant davance e e que f (x) = r + 3x2 5x4 = (r + x2 x4 ) + 2x2 (1 2x2 ) et en utilisant la proposition 1 page 4. 1. Etude de x = 0 : f (x ) = r donc x = 0 est stable pour r 0. 1 2. Rgion 1 r 0 : les quatres points dquilibre non-nuls existent. On a x 2 = e e 4 2 1 1 + 4r. 2 1 1 Drivons : f (x ) = 2 e 1 + 4r 1 + 4r. On a donc immdiatement e 2 2 1 1 + 1 + 4r stables, les deux autres points dquilibres sont instables. e 2 2 3. Rgion r 0 : lanalyse est identique au cas prcdent, et les deux seuls points dquilibre e e e e restants sont ceux qui taient dj` stables dans le cas 2. e ea x = On a donc le diagramme de bifurcation suivant :

1.5

0.5

x*

-0.5

-1

-1.5

-2 -1 -0.5 0 r 0.5 1

Fig. 1.26 Diagramme de bifurcation fourche sous-critique, hystrsis ee En rouge nous avons les quilibres stables, et nous avons reprsents en vert les quilibres e e e e instables. On voit tr`s clairement le phnom`ne dhystrsis, reprsent sur la gure 1.24 dans e e e ee e e

` ` CHAPITRE 1. SYSTEMES DYNAMIQUES NON-LINEAIRES A 1 DIMENSION

17

une de ses ralisations (la seconde tant de partir sur des x < 0). Si lon part de r et e e que lon augmente r, il y a transitition de x = 0 ` x = 0 ` r = 0. Si lon parcourt ensuite a a de r + en dcroissance, le seuil de transition x = 0 x = 0 se fait ` un second seuil e a 1 r = 4.

Chapitre 2

Route vers le chaos dans les applications discr`tes e

18

Chapitre 3

Syst`mes dynamiques non-linaires ` e e a 2 dimensions

19

Chapitre 4

Syst`me de Lorenz et attracteur e trange e

20

Rfrences et conseils de lecture ee

[1] Vladimir Arnold, Ergodic problems of classical mechanics, Advanced Book Classics, AddisonWesley, 1988. [2] Vincent Croquette, Chaos, cours de DEA, Ecole Normale Suprieure, 2000. e URL : http ://www.lps.ens.fr/ vincent/ [3] J. Murray, Mathematical biology, Springer, 1989. [4] Edward Ott, Chaos in dynamical systems, Cambridge University Press, 1993. [5] Steven Strogatz, Nonlinear dynamics and chaos : With applications to physics, biology, chemistry, and engineering, Perseus Books, Cambridge MA, 1994.

21