Dans l'analyse d'un système dynamique, l'exposant de Liapounov permet de quantifier la stabilité ou l'instabilité de ses mouvements. Un exposant de Liapounov peut être soit un nombre réel fini, soit
∞ ou –∞.
Un mouvement instable a un exposant de Liapounov positif, un mouvement stable correspond à un exposant de Liapounov négatif. Les mouvements bornés d'un système linéaire ont un exposant de Liapounov négatif ou nul.
L'exposant de Liapounov peut servir à étudier la stabilité (ou l'instabilité) des points d'équilibre des systèmes non linéaires.
Lorsqu'on linéarise un tel système au voisinage d'un point d'équilibre, si le système non linéaire est non autonome, le système linéaire obtenu est à coefficients variables ; chacun de ses mouvements a son propre exposant de Liapounov.
Si chacun d'eux est négatif et si le système linéaire est « régulier » (notion que nous détaillerons plus loin), alors le point d'équilibre est (localement) asymptotiquement stable pour le système non linéaire.
Si l'un de ces exposants de Liapounov est positif et si le système linéaire est régulier, alors le point d'équilibre est instable pour le système non linéaire. Dans ce cas, le comportement du système est extrêmement « sensible aux conditions initiales », dans le sens où une incertitude sur celles-ci entraîne une incertitude sur le mouvement qui grandit de manière exponentielle au cours du temps. Ce phénomène est parfois assimilé, à tort (du moins en général), à un comportement chaotique ; il en est néanmoins une condition nécessaire.
L'inverse du plus grand exposant de Liapounov est un temps caractéristique du système, appelé parfois horizon de Liapounov. Le caractère prédictible de l'évolution du système ne subsiste que pour les durées très inférieures à cet horizon, pendant lesquelles l'erreur sur le point courant de la trajectoire garde une taille comparable à l'erreur sur les conditions initiales. En revanche, pour les temps supérieurs, toute prédiction devient pratiquement impossible, même si le théorème de Cauchy-Lipschitz, qui suppose la connaissance parfaite des conditions initiales, reste valide.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Dans l'étude des systèmes dynamiques, un attracteur (ou ensemble-limite) est un ensemble d'états vers lequel un système évolue de façon irréversible en l'absence de perturbations. Constituants de base de la théorie du chaos, au moins cinq types sont définis : ponctuel, quasi périodique, périodique, étrange et spatial. Stephen Smale serait à l'origine du terme attracteur.
Les variétés stables jouent un rôle central dans les systèmes dynamiques différentiables en temps continu. Cette notion est aussi au centre de l'homologie de Floer. Soit une fonction différentiable sur une variété différentielle compacte de dimension . Considérons une métrique riemannienne sur . Le champ de gradient de est défini par Un point critique est dit non dégénéré lorsque la hessienne est une forme blinéaire non dégénérée sur .
En mathématiques, une suite logistique est une suite réelle simple, mais dont la récurrence n'est pas linéaire. Sa relation de récurrence est Suivant la valeur du paramètre μ (dans [0; 4] pour assurer que les valeurs de x restent dans [0; 1]), elle engendre soit une suite convergente, soit une suite soumise à oscillations, soit une suite chaotique. Souvent citée comme exemple de la complexité de comportement pouvant surgir d'une relation non linéaire simple, cette suite fut popularisée par le biologiste Robert May en 1976.
Linear and nonlinear dynamical systems are found in all fields of science and engineering. After a short review of linear system theory, the class will explain and develop the main tools for the quali
This course offers an introduction to control systems using communication networks for interfacing sensors, actuators, controllers, and processes. Challenges due to network non-idealities and opportun
This course provides an introduction to the physical phenomenon of turbulence, its probabilistic description and modeling approaches including RANS and LES. Students are equipped with the basic knowle
Couvre la théorie de la stabilité de Lyapunov, les fonctions énergétiques, les matrices à définition positive et l'analyse de la stabilité du système à travers des exemples et des théorèmes.
Quenched disorder slows down the scrambling of quantum information. Using a bottom-up approach, we formulate a kinetic theory of scrambling in a correlated metal near a superconducting transition, following the scrambling dynamics as the impurity scatterin ...
College Pk2023
,
Time series analysis has proven to be a powerful method to characterize several phenomena in biology, neuroscience and economics, and to understand some of their underlying dynamical features. Several methods have been proposed for the analysis of multivar ...
NATURE PORTFOLIO2023
Dynamical flow networks serve as macroscopic models for, e.g., transportation networks, queuing networks, and distribution networks. While the flow dynamics in such networks follow the conservation of mass on the links, the outflow from each link is often ...