Kanga Pierre Stephane (Mémoire Master)

RÉPUBLIQUE DE CÔTE D'IVOIRE
UNION - DISCIPLINE - TRAVAIL

-----
MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITE FELIX HOUPHOUET BOIGNY
N°……………….. UFR Mathématiques et Informatique Année académique

2015-2016
MEMOIRE DE MASTER
Présenté à
L’UNIVERSITÉ FÉLIX HOUPHOUËT BOIGNY
Mention : Mathématiques et Applications
Spécialité : Equations aux dérivées partielles, Analyse Numérique et Optimisation

par
KANGA OI KANGA PIERRE STEPHANE
SUR LE SUJET :
MATRICES SYMPLECTIQUES DANS LES THEORIES DE LA

RESONANCE PARAMETRIQUE ET DU CONTROLE OPTIMAL
Soutenu le 04 Août 2017
Devant le Jury :
Président : Prof. COULIBALY ADAMA Maître de Conférences, UFRMI, UFHB, Abidjan

Directeur : Prof. KOUA BROU JEAN CLAUDE Maître de Conférences, UFRMI, UFHB, Abidjan
Co-Directeur : Prof. DOSSO MOUHAMADOU Maître de Conférences, UFRMI, UFHB, Abidjan
Examinateur : Dr. COULIBALY NAMORY Maître Assistant, UFRMI, UFHB, Abidjan
UFRMI
A l’Eternel, le Dieu tout puissant, créateur des cieux et de la terre,
la gloire, l’honneur et la magnificence pour des siècles et des siècles. Amen !
A mon père, ma mère, mes sœurs et frères.
A mon fils, KANGA Koua Melvin Chris Mijamin.

Remerciements
Avant tout propos relatif à ce mémoire, je voudrais commencer par des remerciements à
l’endroit de ceux qui ont contribués à son élaboration.
A cet effet,
– Je remercie mon directeur de mémoire, Monsieur KOUA Brou Jean Claude pour m’avoir
accepté en tant qu’un fils à ses cotés. Merci cher maître pour votre gentillesse et pour vos
conseils.
– Je remercie tout particulièrement Monsieur DOSSO Mouhamadou. J’exprime envers vous
cher maître ma gratitude pour votre aide précieuse, vos idées et vos conseils, mais surtout
pour votre disponibilité sans cesse renouvelée à mon égard et pour l’accueil chaleureux
dont vous m’avez fait preuve. Merci maître pour vos remarques et suggestions.
– Je remercie Monsieur COULIBALY Adama pour ses encouragements et pour avoir accepté
de présider le jury. Au travers de vous cher maitre, je tiens à remercier tous les professeurs
de l’équipe d’EDP, Analyse Numérique et optimisation ainsi que le Directeur de l’UFR
Mathématiques et Informatique.
– Je remercie Monsieur COULIBALY Namory pour avoir accepté d’examiner ce travail.
Merci cher maitre pour vos suggestions et conseils avisés.
– Je remercie la communauté évangélique UEESO-CI d’Abobo Anonkoua 3 pour le soutien
spirituel et moral à mon endroit.
– Je remercie mes parents, amis, frères et sœurs pour tout le soutien moral et financier dont
j’ai bénéficié tout au long de mon parcours scolaire et universitaire.
– Je remercie tous mes condisciples avec qui j’ai été de près comme de loin dans ce mémoire,
de qui je me suis amélioré et enrichi en savoirs mathématiques et informatique.
– Je n’oublierai pas de dire merci à DIBY Amenan Edith, pour sa grande patience envers
moi et pour m’avoir donné un si beau garçon.
A tous que Dieu vous bénisse au delà de toute mesure !

Résumé
L’objectif de ce mémoire est d’étudier l’application des résultats relatifs aux études sur la
stabilité et la stabilité forte des matrices symplectiques, aux différentes théories de la résonance
paramétrique et du contrôle optimal. Des méthodes numériques pour analyser la stabilité des
matrices symplectiques obtenues respectivement dans [7] et [5] sont présentées puis appliquées
aux systèmes Hamiltoniens à coefficients périodiques. Les systèmes dynamiques à résonance
sont par la suite étudiés. Nous présentons une méthode numérique pour calculer la matrice
monodromie (matrice fondamentale évaluée à la période T) du système perturbé, laquelle
détermine la stabilité du système. Concernant la théorie du contrôle optimal, nous avons montré
le lien entre l’expression du contrôle optimal et la solution de l’équation algébrique de Riccati,
elle même liée aux systèmes Hamiltoniens ; suivi de la relation entre l’équation algébrique de
Riccati et une matrice non singulière.
Mots clés : Matrice symplectique, stabilité, stabilité forte, dichotomie spectrale, système
Hamiltonien, résonance paramétrique, matrice monodromie, contrôle optimal, équation
algébrique de Riccati.
Table des matières
Remerciements 2
Introduction 2
1 Préliminaire sur les Matrices Symplectiques 4

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Propriétés spectrales des matrices symplectiques . . . . . . . . . . . . . . . . . . 4
1.3 Stabilité (stabilité forte) des matrices symplectiques . . . . . . . . . . . . . . . . 7
1.4 Analyse de la stabilité forte d’une matrice symplectique par la méthode de
dichotomie spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Méthode de dichotomie spectrale . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Étude du portrait spectral d’une matrice . . . . . . . . . . . . . . . . . . 19
1.4.3 Application de l’algorithme aux matrices symplectiques . . . . . . . . . . 19
1.4.4 Analyse de la stabilité forte par la méthode de dichotomie spectrale . . . 20
1.5 Autre analyse de la stabilité forte d’une matrice symplectique . . . . . . . . . . 22
1.6 Application aux systèmes Hamiltoniens . . . . . . . . . . . . . . . . . . . . . . . 25
2 Matrice symplectique issue de la théorie de la résonance paramétrique 28

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Étude de quelques équations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.1 L’équation de Mathieu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.2 Équation de Hill . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3 Domaine d’instabilité dynamique : fréquence critique . . . . . . . . . . . . . . . 32
2.4 Perturbation des systèmes Hamiltoniens à coefficients périodiques . . . . . . . . 33
2.4.1 Méthode de perturbation des systèmes Hamiltoniens à coefficients pério-
diques (avec un petit paramètre) . . . . . . . . . . . . . . . . . . . . . . 34
i
2.4.2 Analyse du comportement des valeurs propres d’un système Hamiltonien
perturbé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.4.3 Autre analyse du comportement des valeurs propres d’un système Hamil-
tonien perturbé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3 Matrice symplectique issue du contrôle optimal 46

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Principe du maximum dans le cas LQ . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Contrôle optimal et équation de Riccati . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Relation entre équation matricielle de Riccati et système Hamiltonien . . . . . . 52
3.5 Une méthode de résolution de système Hamiltonien à coefficients périodiques
utilisant la réducibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.6 Relation entre équation discrète algébrique de Riccati et une matrice non singulière 55
3.7 Analyse de leur perturbation et stabilité . . . . . . . . . . . . . . . . . . . . . . 60
Conclusion 62
A Annexe 63
A.1 Code source du programme de l’algorithme 4 . . . . . . . . . . . . . . . . . . . . 63
Bibliographie 66
Introduction
L’étude de la stabilité des systèmes dynamiques fait partie de la recherche scientifique

actuelle. Elle apparait dans plusieurs domaines d’ingénierie tels que la physique, la chimie, la
biologie et l’électricité. C’est dans ce cadre que s’inscrit l’étude de la stabilité des matrices
symplectiques. En effet, une matrice symplectique est une matrice W de taille 2N × 2N , réelle
ou hermitienne satisfaisant la condition
W T JW = J
où J est une matrice d’ordre 2N , inversible et antisymétrique définie dans un contexte clair.
Ces matrices font partie d’une classe importante de matrices dites «structurées» et apparaissent
notamment dans la théorie du contrôle optimal [14, Chap. 6], [16, Chap. 15] et dans la théorie
de la résonance paramétrique [7, 24]. En contrôle optimal, les matrices n’ont pas de valeurs
propres sur le cercle unité tandis que dans le domaine de la résonance paramétrique, toutes
les valeurs propres sont sur le cercle unité. Dans ces domaines, les matrices symplectiques sont
obtenues à partir de systèmes différentiels Hamiltoniens à coefficients périodiques
dx(t)
J = H(t)x(t), t∈R
dt
où H(t) ∈ R2N ×2N est symétrique et T -périodique, et dont la solution fondamentale X(t) définie
par la condition initiale X(0) = I est une matrice symplectique (voir [24, Chap.3]).
Ce mémoire est organisé en trois chapitres, décrit de la façon suivante : Dans le chapitre 1,
nous faisons une étude préliminaire sur les matrices symplectiques. Nous présentons des études
sur la stabilité des matrices symplectiques proposées par S.K. Godunov et M. Sadkane (cf. [6]),
mais aussi par M. Dosso et M. Sadkane (cf. [1],[5]). Le chapitre 2 est consacré à l’étude des
systèmes dynamiques à résonance. Nous étudions la perturbation des systèmes Hamiltoniens à
coefficients périodiques sous un petit paramètre ε et analysons le comportement des valeurs
propres de la matrice monodromie. Une méthode numérique pour déterminer cette matrice est
2
TABLE DES MATIÈRES
présentée. Dans le chapitre 3, nous étudions les systèmes dynamiques contrôlables suivant un
critère (coût) donné. Nous montrons que le contrôle optimal u(t) est fonction de la solution de
l’équation algébrique de Riccati, elle même déduite d’un système Hamiltonien, ainsi que le lien
entre une matrice non singulière et l’équation algébrique de Riccati. La section 3.7 est consacrée
à une étude sur la perturbation des systèmes contrôlables.
Mémoire Master 3 UFHB-MI

Chapitre 1
Préliminaire sur les Matrices

Symplectiques
1.1 Introduction
Dans ce chapitre nous rassemblons les définitions et quelques propriétés spectrales des
matrices symplectiques utiles à la compréhension de ce mémoire, puis nous étudions par la suite
leur stabilité (cf. [6],[7],[24]). Dans les sous-sections 1.4 et 1.5, nous présentons une analyse de
la stabilité forte des matrices symplectiques utilisant respectivement la technique de dichotomie
spectrale (cf. [1],[6],[8]) et des calculs spectraux sur des matrices symétriques définies positives
(cf. [5],[13]). La section 1.6 est consacrée à une application aux systèmes Hamiltoniens.
Soient W, J ∈ R2N ×2N deux matrices réelles d’ordre 2N avec J inversible et anti-symétrique.
Définition 1.1. On dit que W est J-symplectique (ou J-orthogonale) si W T JW = J.
Lorsque la matrice J est définie dans un contexte clair, on dira tout simplement que W est
symplectique.
 
0 −IN 
Un exemple standard de matrice J est J =  où IN est la matrice identité
IN 0
d’ordre N .
1.2 Propriétés spectrales des matrices symplectiques

Les matrices symplectiques vérifient les propriétés suivantes (cf. [1]) :
4
1.2. PROPRIÉTÉS SPECTRALES DES MATRICES SYMPLECTIQUES
Propriété 1.1. Soit W ∈ R2N ×2N une matrice J-symplectique. Alors on a :

1. Les valeurs propres à l’intérieur et à l’extérieur du cercle unité sont symétriques au sens
de l’inversion et sont de la forme :
• λ, λ̄, 1/λ et 1/λ̄ si λ ∈ C avec |λ| =
6 1;
• λ et λ̄ si λ ∈ C avec |λ| = 1 ;
• λ et 1/λ si λ ∈ R.
2. Soient x et y deux vecteurs propres de W associés respectivement aux valeurs propres λ et
µ. Si λµ̄ 6= 1, alors x et y sont J-orthogonal i.e., y ∗ Jx := (Jx, y) = 0. En particulier, si
|λ| =
6 1, (Jx, x) = 0 pour tout x ∈ Ker(W − λI).
3. Soient P ∈ R2N ×k1 et Q ∈ R2N ×k2 (avec k1 , k2 ∈ N∗ ) deux matrices dont les colonnes
engendrent des sous espaces invariants de W
WP = PA et W Q = QB
Si les valeurs propres λi (A) et λj (B) de A et B sont telles que λi (A)λ¯j (B) 6= 1 pour tout
i et j alors P ∗ JQ = 0.
4. Si λ est une valeur propre défective (ie non semi-simple) sur le cercle unité, alors il existe
un vecteur propre x associé à λ tel que (Jx, x) = 0.
5. Il existe T1 ∈ R2N ×2N inversible et trois matrices W0 ∈ RN0 ×N0 , W1 ∈ RN1 ×N1 et
W∞ ∈ RN∞ ×N∞ avec N0 = N∞ ≤ N et N1 = 2(N − N0 ) dont les valeurs propres sont
respectivement à l’intérieur du cercle unité, sur le cercle unité et à l’extérieur du cercle
unité telles que :  
W∞ 0 0
T1−1 W T1 = 
 
 0 W1 0  .
0 0 W0
De plus  
0 0 −M T
T1T JT1 = 
 
 0 J1 0  ,
M 0 0
où M est inversible et J1 est anti-symétrique
 
et inversible.
0 −IN 
6. Dans le cas particulier où J =  , la matrice W a une décomposition en valeur
IN 0
singulière de la forme  
Ω 0 V T
W =U −1
0 Ω

1.2. PROPRIÉTÉS SPECTRALES DES MATRICES SYMPLECTIQUES
où U et V sont orthogonales et J-symplectiques et Ω = diag(ω1 , · · · , ωN ) avec ω1 ≥ · · · ≥

ωN ≥ 1.
Démonstration. .
1. Soit p(λ) le polynôme caractéristique (à coefficients réels) de W avec λ 6= 0 et det(W ) = 1.
On a :
p(λ) = det(W − λI2N )

= det(J(W − λI2N )J −1 )
= det(JW J −1 − λI2N )
= det(J(J −1 (W T )−1 J)J −1 − λI2N )
= det((W T )−1 − λI2N )
= det(W −1 − λI2N )
= det[W −1 (I2N − λW )]
= det(I2N − λW )
1

= det λ I2N − W
λ
1

2N
= λ det I2N − W
λ
1

2N 2N
= (−1) λ det W − I2N
λ
1

= λ2N det W − I2N
λ
1
p(λ) = λ2N p( )
λ
1
Ainsi si λ est une valeur propre de W alors p(λ) = 0. Par conséquent p( ) = 0.
λ
Comme p(λ) est à coefficient réel on obtient
1
p(λ) = 0 ⇐⇒ p(λ̄) = 0 ⇐⇒ p( ) = 0
λ̄

1.3. STABILITÉ (STABILITÉ FORTE) DES MATRICES SYMPLECTIQUES
2. Soient (x, λ) et (y, µ) deux couples d’éléments propres de W . On a :
y ∗ Jx = (Jx, y)
= (W T JW x, y)
= (JW x, W y)
= (Jλx, µy)
y ∗ Jx = λµ̄(Jx, y)
Si x = y nous avons (Jx, x) = |λ|2 (Jy, y) et si λµ̄ 6= 1 6= |λ|2 alors
(Jx, x) = 0 = (Jy, y)
Les propriétés 3 - 5 sont démontrées dans [9] et la propriété 6 dans [22].
Exemple 1.1. .
 
0 −IN 
1. Soit J = 
IN 0
 
X 0 
• Si X ∈ RN ×N est inversible alors la matrice  est J-symplectique.
0 X −T
 
IN Y 
• Si Y ∈ RN ×N est symétrique alors la matrice  est J-symplectique.
0 IN
N ×N
• Si
 X, Y ∈R satisfaisant XY T = Y X T et X est inversible, alors la matrice
X Y 
 est J-symplectique.
0 X −T
2. Si W ∈ R2N ×2N est J-symplectique alors W T , W −T , W −1 sont symplectiques.
3. Le produit de deux matrices symplectiques est symplectique. Plus généralement le produit
de matrices symplectiques est symplectique.
1.3 Stabilité (stabilité forte) des matrices symplectiques

L’étude de la stabilité et de la stabilité forte d’une matrice symplectique est étroitement
liée à sa structure spectrale généralement composée de trois groupes à savoir : N0 valeurs
propres à l’intérieur du cercle unité, N∞ = N0 valeurs propres à l’extérieur du cercle unité et
symétriquement placées par rapport au premier groupe, et N1 = 2(N − N0 ) valeurs propres sur
le cercle unité. Ainsi on définit :

1.3. STABILITÉ (STABILITÉ FORTE) DES MATRICES SYMPLECTIQUES
• P0 : Projecteur sur le sous-espace invariant associé aux valeurs propres à l’intérieur du

cercle unité.
• P1 : Projecteur sur le sous-espace invariant associé aux valeurs propres sur le cercle unité.
• P∞ : Projecteur sur le sous-espace invariant associé aux valeurs propres à l’extérieur du
cercle unité.
Nous avons les définitions suivantes concernant la stabilité et la stabilité forte d’une matrice
J-symplectique.
Définition 1.2. Soit W une matrice J-symplectique. W est :

• stable, si l’une des deux conditions est vérifiée :
– kW k k < +∞ pour tout k > 0 et pour toute norme matricielle.
– toutes ses valeurs propres sont sur le cercle unité et sont semi-simples.
• fortement stable, si l’une des deux conditions est vérifiée :
f J-symplectique vérifiant kW − W
– il existe ε > 0 tel que toute matrice W f k ≤ ε est stable.
– toutes ses valeurs propres sont sur le cercle unité et sont simples.
La stabilité forte d’une matrice J-symplectique a été définie dans le livre de V.A Yakubovich
et V.M Starzhinskii (cf. [24]) à partir d’une classification des valeurs propres de module 1. D’où
la définition suivante :
Définition 1.3. Soit λ une valeur propre de module 1 de W . On dit que λ est de type 1 (resp.
de type 2) si tout vecteur propre x associé à λ vérifie (iJx, x) > 0 (resp. (iJx, x) < 0)). Si
(Jx, x) = 0, on dira que λ est de type mêlé.
Remarque 1.1. La définition ci-dessus a bien un sens puisque la matrice iJ est complexe
Hermitienne.
A partir de cette classification nous avons le théorème suivant dû à Krein, Gelfand et Lidskii
appelé critère KGL qui caractérise la stabilité forte d’une matrice symplectique.
Théorème 1.1 (Critère KGL). La matrice W est fortement stable si et seulement si toutes ses
valeurs propres sont sur le cercle unité et sont soit de type 1 ou de type 2.

1.4. ANALYSE DE LA STABILITÉ FORTE D’UNE MATRICE SYMPLECTIQUE PAR LA
MÉTHODE DE DICHOTOMIE SPECTRALE
1.4 Analyse de la stabilité forte d’une matrice symplec-

tique par la méthode de dichotomie spectrale
Les études que nous présentons maintenant proviennent des travaux de S.K Godunov et M.
Sadkane (cf. [6],[7],[8]), mais aussi des travaux de M. Dosso et M. Sadkane (cf. [1],[5]) visant à
donner une alternative à l’analyse de la stabilité forte d’une matrice symplectique. Ces travaux
sont essentiellement basés sur la méthode de dichotomie spectrale qui, est un excellent outil
permettant de décider s’il y a ou non des valeurs propres d’une matrice sur ou dans un voisinage
d’un contour γ du plan complexe.
En effet comme nous l’avons vu, l’analyse de la stabilité forte d’une matrice symplectique
passe par le calcul des valeurs propres de matrices non symétriques et la vérification du critère
KGL. Le calcul numérique de ces valeurs propres à priori inconnues peut conduire à des erreurs
d’arrondi. Par exemple, il est possible que (Jx, x) 6= 0 pour le calcul numérique d’un vecteur
propre x associé à une valeur propre λ de type mêlé, ce qui est en contradiction avec la
définition 1.3 (cf. [5]). D’un point de vue numérique, il y a un écart suffisant entre les valeurs
propres de type 1 et 2. En d’autres termes, la quantité
δKGL (W ) = min{|eiθj − eiθl |} (1.1)
n’est pas dans un voisinage proche de zéro, où eiθj , eiθl sont des valeurs propres de W de type 1
et 2 respectivement.
S. K. Godunov et M. Sadkane (cf. [6]) introduisent une autre classification à partir de la

matrice suivante :
1
S0 = J(W − W −1 ) (1.2)
2
La matrice S0 ainsi introduite possède des propriétés simples et utiles.
Proposition 1.1. .
1. La matrice S0 est symétrique et satisfait W T S0 W = S0 .
2. Si S0 est définie positive (S0 > 0) ou définie négative (S0 < 0), alors les valeurs propres
de W sont sur le cercle unité.
Démonstration. .
1. W étant J-symplectique et inversible d’inverse W −1 = −JW T J on a :
JW −1 = −J 2 W T J = W T J = −(JW )T

Ainsi
1 1 1
S0 = J(W − W −1 ) = (JW − JW −1 ) = (JW + (JW )T ) = S0T
2 2 2
et
1
W T S0 W = W T (JW − JW −1 )W
2
1
= (W T JW − W T JW −1 )W
2
1
= (JW − W T J)
2
1
= (JW + (JW )T )
2
T
W S0 W = S0
2. Supposons S0 définie positive. Soit x un vecteur propre associé à la valeur propre λ de W .
(S0 x, x) = (W T S0 W x, x) = (S0 W x, W x) = (S0 λx, λx) = |λ|2 (S0 x, x)
d’où |λ| = 1. λ est sur le cercle unité.
Remarquons que la matrice S0 est singulière si et seulement si W possède des valeurs propres
±1. De plus si x est un vecteur propre associé à la valeur propre λ avec λ = eiθ , 0 < θ < π alors
1
(S0 x, x) = [(JW x, x) − (JW −1 x, x)]
2
1
= [(Jλx, x) − (Jλ−1 x, x)]
2 (1.3)
λ − λ−1
= (iJx, x)
2i
(S0 x, x) = sin θ(iJx, x)
Le signe de (S0 x, x) dépend uniquement du signe de (iJx, x) puisque sin θ > 0. Ainsi, si
(S0 x, x) > 0 alors λ = eiθ est une valeur propre de type 1 et λ̄ = e−iθ est une valeur propre de
type 2 et si (S0 x, x) < 0 alors λ = e−iθ est de type 1 et λ̄ = eiθ est de type 2.
Notons que si θ = 0 ou θ = π alors λ = ±1 et de telles valeurs propres sont de type mêlé car le
vecteur propre correspondant x est réel et satisfait (Jx, x) = (x, J T x) = −(x, Jx) = −(Jx, x).
Donc (Jx, x) = 0 et (S0 x, x) = 0. Le critère KGL est donc équivalent à l’existence d’une matrice
symétrique définie positive Sb qui est construite afin que la forme quadratique (S0 x, x) soit définie
positive ou négative (cf. [12]).

Cette analyse conduit à la définition suivante qui donne une autre classification des valeurs
propres de matrices J-symplectique.
Définition 1.4. Soit λ une valeur propre de W de module 1. Nous disons que λ est une r-valeur
propre (ou une valeur propre de couleur rouge) (resp. v-valeur propre (ou valeur propre de
couleur verte)) si tout vecteur propre x associé à λ vérifie (S0 x, x) > 0 (resp. (S0 x, x) < 0). Si
(S0 x, x) = 0, alors λ est une valeur propre de couleur mêlé.
La classification ainsi obtenue est plus appropriée au calcul numérique car elle utilise
uniquement des matrices symétriques.
La différence principale entre les définitions 1.3 et 1.4 peut être expliquée par l’exemple suivant.
Supposons que λ = eiθ et λ̄ = e−iθ sont des valeurs propres de W respectivement de type 1 et 2
associés aux vecteurs propres x et x̄ où x̄ est le conjugué de x. Alors tout vecteur z de la forme
z = αx + β x̄ avec W x = λx et W x̄ = λ̄x̄ vérifie :
(S0 z, z) = (S0 (αx + β x̄), αx + β x̄)

= |α|2 (S0 x, x) + αβ̄(S0 x, x̄) + β ᾱ(S0 x̄, x) + |β|2 (S0 x̄, x̄) (1.4)
(S0 z, z) = sin θ(|α|2 (iJx, x) − |β|2 (iJ x̄, x̄))
et puisque (iJx, x) > 0 et (iJ x̄, x̄) < 0, on en déduit que la forme quadratique (S0 z, z) conserve
le même signe pour tout z dans le sous-espace invariant associé aux valeurs propres λ et λ̄. Par
conséquent, les valeurs propres λ et λ̄ auront la même couleur (rouge ou verte). D’autre part,
un vecteur propre x est associé à une valeur propre de type mêlé si et seulement si (Jx, x) = 0,
qui, d’après (1.3), s’écrit aussi (S0 x, x) = 0 (remarquons que le cas où sin θ = 0 conduit aux
valeurs propres de type mêlé ±1, et donc (Jx, x) = 0 = (S0 x, x)). La définition 1.4 ne change
pas les valeurs propres de type mêlé.
Partant de cette classification, nous considérons :
– Pr : Projecteur sur le sous-espace invariant associé respectivement aux valeurs propres de
couleur rouge
– Pv : Projecteur sur le sous-espace invariant associé respectivement aux valeurs propres de
couleur verte
Ainsi nous avons le théorème suivant :
Théorème 1.2. W est fortement stable si et seulement si toutes ses valeurs propres sont sur le
cercle unité et sont soit de couleur rouge ou de couleur verte.

Il est important néanmoins de souligner que dans la pratique, en plus des deux conditions
imposées dans le théorème 1.2, il faut que les r-valeurs propres et v-valeurs propres soient bien
séparées. C’est à dire, la quantité
δS (W ) = min{|eiθj − eiθl |} (1.5)
est non nulle, où eiθj , eiθl sont des valeurs propres de W de couleur rouge et verte respectivement.
Ce qui nous conduit au théorème suivant :
Théorème 1.3. La matrice W est fortement stable si et seulement si
Pr + Pv = P1 = I2N (1.6)
Démonstration. Montrons que le théorème est équivalent au critère KGL.

Supposons que le critère KGL est vérifié. Alors il est clair que P0 = P∞ = 0 et P1 = I2N . De
plus la valeur propre λ = eiθ de W est soit de type 1 ou de type 2. En particulier, eiθ =
6 ±1 i.e
sin θ 6= 0. Il provient de (1.3) que (S0 x, x) est de signe constant pour tout x ∈ Ker(W − λI),
d’où grâce à la définition 1.4, λ est soit de couleur rouge ou verte. Donc P1 = I2N = Pr + Pv .
Réciproquement la condition P1 = I2N = Pr + Pv implique que le spectre de W est constitué
de r-valeur propre et/ou v-valeur propre de module égale à 1. De plus si (eiθ , x) est un couple
d’éléments propres de W , alors (S0 x, x) > 0 ou (S0 x, x) < 0, d’où par (1.3), sin θ(iJx, x) > 0
ou sin θ(iJx, x) < 0. Cela implique que sin θ 6= 0 i.e eiθ 6= ±1 et (iJx, x) > 0 ou (iJx, x) < 0.
La seconde condition du critère KGL est donc vérifiée.
Les Algorithmes présentés dans ce chapitre sont essentiellement basés sur le théorème 1.3.
1.4.1 Méthode de dichotomie spectrale

Cette méthode a été introduite par S. K. Godunov (cf. [8]).
Soit A ∈ CN ×N une matrice n’ayant pas de valeur propre sur le cercle C(0, r) où r est un
réel strictement positif. La méthode de dichotomie spectrale appliquée à A et à C(0, r) calcule
itérativement le projecteur spectral P sur le sous-espace invariant associé aux valeurs propres à
l’intérieur (à l’extérieur) du cercle C(0, r). Le calcul du projecteur est accompagné de celui de la
norme kHk2 d’une matrice Hermitienne définie positive, appelée critère de dichotomie et qui
représente un indicateur de confiance associé au calcul du projecteur car plus elle est petite,
meilleure est la qualité numérique du projecteur.

Supposons maintenant que r = 1. Le projecteur spectral sur le sous espace invariant associé
aux valeurs propres intérieures à C(0, 1) est donné par (voir [[15], p. 39])
1 Z −1 1 Z 2π
P= (zI − A) dz = (I − e−iθ A)−1 dθ (1.7)
2iπ C(0,1) 2π 0
Son calcul comme expliqué ci-dessus est accompagné par la matrice H définie par
1 Z 2π ∗
H= (I − e−iθ A)−1 (I − e−iθ A)−1 dθ (1.8)
2π 0
Considérons la décomposition suivante de la matrice A :
 
Ã
 0  X −1
A=X
Ã∞
où le spectre Λ(A) de A est partitionné en Λ(A) = Λ(Ã0 ) ∪ Λ(Ã∞ ) avec
Λ(Ã0 ) = {λ ∈ Λ(A) tel que |λ| < 1}

Λ(Ã∞ ) = {λ ∈ Λ(A) tel que |λ| > 1}
Les projecteurs spectraux P et I − P sur le sous-espace invariant associés respectivement aux

valeurs propres de Ã0 et Ã∞ sont donnés par :
   
I 0 −1 0 0 −1
P=X X et I −P=X X
0 0 0 I
Nous présentons maintenant les étapes les plus importantes de l’algorithme de dichotomie
spectrale proposées par S.K Godunov et M. Sadkane (cf. [[6], Algorithm 1]) permettant un
calcul stable et itératif de P et H. Pour ce faire, on considère le système linéaire fini et cyclique

j+1 (2j+1 )
Z (2 )

− AZ1 =I
0
j+1 (2j+1 )
(1.9)
Z (2 )

− AZk+1 = 0 1 ≤ k ≤ 2j+1 − 1
k
(2j+1 ) (2j+1 ) (2j+1 ) (2j+1 )

d’inconnues Z0 , Z1 , · · · , Z2j+1 = Z0 avec j grand.
Le système a une solution unique si et seulement si la matrice A n’a pas de valeurs propres
sur le cercle C(0, 1), ce qui est notre hypothèse de départ. Alors des approximations de P et de
H peuvent être obtenues de manière itérative grâce au théorème suivant (cf. [6]).

Théorème 1.4. Posons B0 = I, A0 = −A et

(2j+1 ) (2j+1 )
∆j = B0 Z2j + A0 Z1 (1.10)
(2j+1 ) (2j+1 )
∇j = B0 Z2j+1 + A0 Z2j +1 (1.11)
2j+1
X (2j+1 ) ∗ (2j+1 )
H= Zk Zk (1.12)
k=1
Alors
Hj = ∆∗j Hj−1 ∆j + ∇∗j Hj−1 ∇j (1.13)
De plus
(2j+1 ) (2j+1 )
lim Z0 ≡ lim Z2j+1 = P
j→+∞ j→+∞
(2j+1 )
lim Z1 =P−I
j→+∞
lim Hj = H
j→+∞
Ce théorème montre en particulier que :

(2j+1 ) (2j+1 )
– l’approximation de P nécessite seulement le calcul de Z0 = Z2j+1 pour j grand,
(2j+1 ) (2j+1 ) (2j+1 ) (2j+1 )
– l’approximation de H nécessite seulement le calcul de Z1 , Z2j , Z2j +1 et Z2j+1
pour j grand.
(2j+1 ) (2j+1 ) (2j+1 ) (2j+1 )
Afin de déterminer les matrices Z1 , Z2j , Z2j +1 et Z2j+1 , il est procédé dans [6] de la
manière suivante : ces matrices satisfont le système
   (2j+1 )   
B0 A0 0 0 Z2j 0
   (2j+1 )   
A 0 Bj 0  Z2j +1  0
   
 j
  
(2j+1 )  =   (1.14)
 0 Bj 0 Aj  Z 0
  1   
(2j+1 )
 
0 0 A0 B0 Z2j+1 I
où les matrices Aj et Bj sont construites itérativement à partir des matrices B0 et A0 à l’aide

d’une factorisation QR obtenue par des transformations de Householder sous la forme
   (j−1) (j−1) (j−1) (j−1) 
B0 A0 0 0 R11 R12 R13 R14
  (j−1)
 (j−1) (j−1) (j−1) 
0 0  =Q (1.15)
A Bj−1  0 R22 R23 R24 
 j−1  
0 Bj−1 0 Aj−1 0 0 Bj Aj
(j−1)
où Q(j−1) est unitaire et les Rkl sont triangulaires supérieures. Cela permet une mise à jour
des Aj et Bj et de résoudre par la suite le système (1.14).

Les étapes importantes de l’algorithme ainsi obtenues sont résumées ci-dessous (voir [[6],
Algorithm 1]).
Algorithme 1 (Dichotomie spectrale de A par le cercle unité).

1. Initialisation : B0 = I, A0 = −A :
(2) (2)
– Calculer Z1 et Z2 solutions du système
    
(2)
B
 0
A0  Z1  0
(2) = 
A0 B0 Z2 I
(2) (2) (2) (2)
– Calculer H0 = (Z1 )∗ Z2 + (Z2 )∗ Z2
(2j+1 ) (2j+1 ) (2j+1 ) (2j+1 )
2. Itération : Calcul de Z1 , Z2j , Z2j +1 , Z2j+1 et Hj pour j = 1, 2, · · ·
– Calculer la factorisation QR
   (j−1) (j−1) (j−1) (j−1) 
B0 A0 0 0 R11 R12 R13 R14
  (j−1) 
 (j−1) (j−1) (j−1) 
A
 j−1 0 Bj−1 0 =Q

 0 R22 R23 R24  
0 Bj−1 0 Aj−1 0 0 Bj Aj
(2j+1 ) (2j+1 )
– Calculer Z1 et Z2j+1 solutions du système
(2j+1 )
    
B Aj  Z1
 j
0
= 
(2j+1 )
A0 B0 Z2j+1 I
(2j+1 ) (2j+1 )
– Calculer Z2j et Z2j +1 solutions du système
(2j+1 ) (2j+1 )
     
(j−1) (j−1) (j−1) (j−1)
R
 11
R12  Z2j R
 = −  13
R14  Z1
(2j+1 ) (2j+1 )

(j−1) (j−1) (j−1)
0 R22 Z2j +1 R23 R24 Z2j+1
– Calculer
(2j+1 ) (2j+1 )
∆j = B0 Z2j + A0 Z1
(2j+1 ) (2j+1 )
∇j = B0 Z2j+1 + A0 Z2j +1
Hj = ∆∗j Hj−1 ∆j + ∇∗j Hj−1 ∇j
Le nombre d’opérations élémentaires de l’algorithme 1 a été estimé par M. Dosso dans [1, 2].
Ainsi une itération nécessite de l’ordre de 253/3N 3 opérations environ.

Signalons qu’une variante plus économique de l’algorithme 1 a été proposée par M. Dosso
(2j+1 ) (2j+1 )
(cf. [1]) et qui supprime essentiellement la factorisation QR et le calcul de Z2j et Z2j+1 .
Cette variante se justifie de la façon suivante : la résolution du système (1.9) donne 2j+1 solutions
d’expressions :
−1
(2j+1 ) j+1 −k
j+1
Zk = A2 IN − A2 , k = 0, 1, · · · , 2j+1 − 1. (1.16)
Le calcul analytique de ces expressions n’étant pas stable, il est préférable de les calculer de
manière itérative. Pour cela, posons pour j = 0, 1, · · ·
j
j
j+1
−1
Kj+1 = A2 IN − A2 IN − A2 (1.17)
j+1 −1
j

Lj+1 = IN − A2 IN − A2 (1.18)
(2j+1 ) (2j )
La proposition suivante donne le lien entre Zk et Zk
Proposition 1.2. Pour j = 0, 1, · · · et k = 0, 1, · · · , 2j , on a

(2j+1 ) (2j )
Zk = Zk Kj+1 , (1.19)
(2j+1 ) (2j )
Z2j +k = Zk Lj+1 (1.20)
∗
Hj+1 = Kj+1 Hj Kj+1 + L∗j+1 Hj Lj+1 (1.21)
Démonstration. Voir [1, 2]
On calcul itérativement Kj+1 et Lj+1 grâce à la proposition suivante :
Proposition 1.3. Pour j = 0, 1, · · · , on a

    
B Aj  Kj+1   0 
 j = (1.22)
Aj Bj Lj+1 IN
avec
(2j ) (2j )
Aj = −AZ1 , Bj = Z2j
Démonstration. En réécrivant la deuxième ligne de l’équation (1.9) pour k = 2j on a

(2j+1 ) (2j+1 )
Z2j − AZ2j +1 = 0
d’où d’après la Proposition 1.2

(2j ) (2j )
Z2j Kj+1 − AZ1 Lj+1 = 0

et par suite
Bj Kj+1 + Aj Lj+1 = 0
(2j ) (2j )
De même, la première ligne de l’équation (1.9) s’écrit, sachant que Z0 = Z2j
(2j ) (2j )
Z2j + Lj+1 − AZ1 Kj+1 = IN
d’où
Bj Kj+1 + Aj Lj+1 = IN
.
(2j+1 ) (2j+1 ) (2j )
Connaissant Kj+1 et Lj+1 , on détermine les matrices Z1 et Z2j+1 à partir de Z1 et
(2j )
Z2j par application de la proposition 1.2, puis Kj+2 et Lj+2 comme solutions du système
matriciel (1.22).
Remarque 1.2. Tous les résultats obtenus s’appliquent au cas où A n’a pas de valeurs propres
sur le cercle C(0, r) de centre 0 et de rayon r. La nouvelle variante de l’algorithme 1 est donnée
ci-dessous (Algorithme 2)
Algorithme 2 (Dichotomie spectrale de A par le cercle C(0, r)).

1. Initialisation
(a) A0 = − Ar
(b) Résoudre     
A IN  K1   0 
 0 =
IN A0 L1 IN
(2) ∗ (2) ∗

(2) (2) (2) (2)
(c) Poser Z1 = K1 , Z2 = L1 et calculer H1 = Z1 Z1 + Z2 Z2
2. Itération : Pour j = 1, 2, · · ·
(a) Poser
(2j ) (2j )
Aj = A0 Z1 , Bj = Z2j
(b) Résoudre     
B Aj  Kj+1   0 
 j =
Aj Bj Lj+1 IN

(c) Calculer
(2j+1 ) (2j )
Z1 = Z1 Kj+1 ,
(2j+1 ) (2j )
Z2j+1 = Z2j Lj+1
∗
Hj+1 = Kj+1 Hj Kj+1 + L∗j+1 Hj Lj+1
Estimation du nombre d’opérations dans l’algorithme 2 :
Le coût des opérations est résumé dans le tableau suivant
Initialisation
Calcul de K1 , L1 , H1 26/3N 3
Une itération j
Calcul de Aj 2N 3
Calcul de Kj+1 , Lj+1 31/3N 3
(2j+1 )
Calcul de Z1 2N 3
(2j+1 )
Calcul de Z2j+1 2N 3
Calcul de Hj+1 4N 3
26 3 61
Total 3
N + 3
jN 3
Remarque 1.3. .
1. Le nombre d’opérations de la phase d’initialisation des algorithmes 1 et 2 est le même.
En revanche une itération de l’algorithme 1 coûte plus de quatre fois plus cher qu’une
itération de l’algorithme 2. L’algorithme 2 représente donc un gain non négligeable par
rapport à l’algorithme 1.
2. En général, une dizaine d’itérations suffisent à l’algorithme 2 (et à l’algorithme 1) pour
construire de très bonnes approximations du projecteur P et de la matrice H.

1.4.2 Étude du portrait spectral d’une matrice

Le portrait spectral de la matrice A est le graphe de la fonction
r 7−→ f (r) = kH(r)k (1.23)
où
1 Z 2π A∗ −1 A −1

H(r) = I − eiθ I − e−iθ dθ.
2π 0 r r
Le projecteur spectral sur le sous espace invariant de A associé aux valeurs propres λ intérieures
au cercle C(0, r) est :
−1
1 Z 1 Z 2π −iθ A

−1
P(r) = (zI − A) dz = I −e dθ
2iπ C(0,r) 2π 0 r
Remarque 1.4. Lorsque A a une valeur propre λ sur le cercle C(0, r), alors f (r) −→ +∞, i.e.
le graphe de f a une asymptote d’équation |λ| = r.
Il est montré dans [10] que la fonction f est convexe dans chaque intervalle où elle est définie.
Ces intervalles correspondent aux régions d’absence de valeurs propres. Le portrait spectral est
un autre regard sur le pseudo-spectre [20] d’une matrice. Il permet la construction de régions
(des bandes) qui partagent le spectre.
1.4.3 Application de l’algorithme aux matrices symplectiques

On se donne maintenant une matrice W ∈ R2N ×2N et une matrice J ∈ R2N ×2N inversible et
anti-symétrique telle que W soit J-symplectique.
 
W0
  −1
W =X
 W1 X

W∞
où W0 , W1 et W∞ sont des matrices dont les valeurs propres sont respectivement intérieures,
sur, et en dehors du cercle unité.
Nous voulons déterminer les projecteurs P0 , P1 et P∞ associés respectivement aux blocs W0 ,
W1 et W∞ à l’aide de l’algorithme de dichotomie spectral. Pour ce faire, on va dans un premier
temps chercher une constante r0 > 0 tel que toutes les valeurs propres de module inférieur
à 1 soient à l’intérieur du cercle C(0, r0 ) (r0 est déterminé grâce au portrait spectral de W ).
Alors, le projecteur spectral obtenu par l’algorithme de dichotomie spectrale appliqué à W et

au

cercle C(0, r0 ) sera égal à P0 . Comme ∀ λ ∈ Λ(W0 ), on a |λ| < r0 < 1, on aura ∀ λ ∈ Λ(W0 ),
1
λ > r1 > 1. Or les valeurs propres de W∞ sont l’inverse des valeurs propres de W0 . Donc en
0
posant r∞ = r10 > 1 et en considérant le cercle C(0, r∞ ) qui contient Λ(W0 ) ∪ Λ(W1 ), on applique
une deuxième fois l’algorithme de dichotomie spectrale à W et au cercle C(0, r∞ ). Ce qui nous
donne une bonne approximation de I2N − P∞ . Puis sachant que P0 + P1 + P∞ = I2N , on obtient
P1 = I2N − P0 − P∞ .
1.4.4 Analyse de la stabilité forte par la méthode de dichotomie

spectrale
On rappelle (voir définition 1.4) qu’une valeur propre λ de W de module 1 est dite r-valeur
propre (resp. v-valeur propre) si tout vecteur propre x associé à λ vérifie (S0 x, x) > 0 (resp.
(S0 x, x) < 0), où
1 1
S0 = J(W − W −1 ) ≡ (JW + (JW )T )
2 2
Rappelons également que si on désigne par Pr le projecteur sur le sous espace invariant associé
à toutes les r-valeurs propres de W et par Pv celui associé aux v-valeurs propres, alors W est
fortement stable si et seulement si Pr + Pv = P1 = I2N (cf. théorème 1.3).
L’analyse de la stabilité forte par la méthode de dichotomie spectrale consiste donc à

déterminer Pr et Pv puis à vérifier l’égalité du théorème 1.3. Pour ce faire on considère la matrice
symétrique S0 .
Soit λ une valeur propre de W telle que |λ| = 1 (λ 6= ±1). On a λ = eiθ . D’où

θ θ
− 1 ei 2 − e−i 2 2i sin( 2θ ) sin( 2θ )

eiθ
!
λ − 1
θ
= = θ = = = tan

+ 1 ei 2 + e−i θ2 2 cos( 2θ ) cos( 2θ )
iθ
λ + 1 e 2
1
De même λ̄ = et on a :
λ !
λ̄ − 1 θ λ − 1
= tan =

λ̄ + 1 2 λ + 1
λ−1
L’application λ 7−→ conserve l’égalité entre λ et λ̄. Ces deux valeurs propres étant de
λ+1
même couleur, cela nous amène à considérer la transformation Cc de Caley suivante :
A = (W − I)(W + I)−1 = Cc (W )

λ−1
qui transforme la valeur propre λ de W en valeur propre de A.
λ+1
Ainsi on considère l’ensemble des valeurs propres
λk − 1
lk = , ∀ k = 1, 2, · · ·
λk + 1
où λk désigne une valeur propre de W de module 1.
Notons que les vecteurs propres (et les sous-espaces invariants) de A et de W sont les mêmes.
On détermine ensuite des constantes positives a1 , a2 , a3 , · · · vérifiant l’inégalité suivante :
0 < ak < |lk | < ak+1 , ∀ k = 1, 2, · · · , m
Remarquons que puisque W est réelle, les valeurs propres λk et par conséquent les lk sont
complexes conjuguées et donc m ≤ N + 1. En pratique, on choisit par exemple a1 = 0 et
am+1 > kAk où kAk désigne une norme matricielle quelconque de A. Les autres ak sont obtenues
en examinant le portrait spectral de A.
Notons par Pk , k = 1, · · · , m + 1 les projecteurs sur les sous-espaces invariants associés aux
valeurs propres de A. On détermine les Pk en appliquant l’algorithme de dichotomie spectrale à
A par rapport au cercle C(0, ak ), en remarquant que P1 = 0 et Pm+1 = I.
D’autre part en considérant les matrices
Qk = Pk+1 − Pk , (1.24)
on vérifie si
Sk = QTk S0 Qk ≡ SkT (1.25)
est soit semi définie positive ou négative. W sera, dès lors, fortement stable s’il n’y a pas de
matrices Sk indéfinies.
Le théorème suivant nous permet d’obtenir les projecteurs Pr et Pv
Théorème 1.5. La matrice W est fortement stable si et seulement si
P0 = P∞ = 0 et Pr + Pv = P1 = I2N
avec
X X
Pr = Qk et Pv = Qk
Sk ≥0 Sk ≤0
L’algorithme suivant résume l’analyse de la stabilité forte d’une matrice symplectique par la
méthode de dichotomie spectrale.

1.5. AUTRE ANALYSE DE LA STABILITÉ FORTE D’UNE MATRICE SYMPLECTIQUE
Algorithme 3. Soit W une matrice J-symplectique.

1. En appliquant l’algorithme de dichotomie spectrale à W avec un choix approprié du
paramètre r0 issu du portrait spectral, déterminer les projecteurs P0 , P1 et P∞ .
2. Si P0 6= 0 (ou P∞ 6= 0), il y a instabilité. Sinon, calculer
1
S0 = (JW + (JW )T )
2
Si S0 est singulière, alors il n’y a pas de stabilité. Sinon calculer
A = (W − I)(W + I)−1
puis à partir du portrait spectral de A, déterminer les scalaires (ak )1≤k≤m+1 satisfaisant
0 < ak < |lk | < ak+1 , ∀ k = 1, 2, · · · , m.
3. Déterminer les projecteurs P1 = 0, P2 , · · · , Pm , Pm+1 = I par la dichotomie spectrale
appliquée à A par rapport au cercle C(0, ak ).
4. Pour k = 1, · · · , m, calculer
Qk = Pk+1 − Pk et Sk = QTk S0 Qk
Si Sk est indéfinie, alors il n’y a pas stabilité forte. Si toutes les matrices Sk sont semi-
définies, alors il y a stabilité forte. Dans ce cas
X X
Pr = Qk et Pv = Qk
Sk ≥0 Sk ≤0
1.5 Autre analyse de la stabilité forte d’une matrice sym-

plectique
Comme nous l’avons vu précédemment, l’utilisation de la méthode de dichotomie spectrale
permet de déterminer les projecteurs Pr et Pv , et donc de dire si la matrice W est fortement
stable ou non. Dans cette partie, nous présentons une autre approche (cf [5]) pour analyser la
stabilité et la stabilité forte de W . Cette analyse est basée non pas sur la dichotomie spectrale
mais elle ne fait intervenir que des calculs spectraux sur des matrices symétriques définies
positives.

Considérons la suite matricielle
2n
1 X
T (n)
= n (W T )k−1 W k−1 (1.26)
2 k=1
Il est claire que T (n) est symétrique définie positive : T (n) = (T (n) )T > 0.
Son calcul s’effectue de matière itérative comme suit :
T (0) = I , B (0) = W (1.27)
1 (n−1)
B (n) = (B (n−1) )2 , T (n) = T + (B (n−1) )T T (n−1) B (n−1) (1.28)
2
Si T (n) converge vers une matrice T (∞) alors
W T T (∞) W = T (∞)
Dans le cas de la convergence de la suite de matrice T (n) , on a la stabilité de W et P0 = P∞ = 0.

Si en plus δS (W ) n’est pas dans un voisinage proche de zéro alors on dit que W est fortement
stable.
Les matrices T (n) et T (∞) peuvent être partitionnées en
   
(n) (n)
T  G11 G12  G11 0 
T (n) = K (n) (n) K , T (∞) = K T  K (1.29)
(G12 )T G22 0 G22
(n) (n)
où K est une matrice réelle non singulière, G11 , G11 ∈ R2k×2k , G22 , G22 ∈ R2(N −k)×2(N −k)
(n)
sont définies positives et G12 ∈ R2k×2(N −k) .
La vitesse de convergence est donnée par (cf. [13])
(n) const1 (n) const2

kGkk − Gkk k ≤ , k = 1, 2 et kG12 k ≤
2n δS (W ) 2n δKGL (W )
où const1, const2 sont des constantes qui dépendent de k(K −1 )T K −1 k.
En désignant par P− et P+ les projecteurs spectraux sur les sous espaces invariants associés
aux valeurs propres négatives et positives de S0 − λT (n) , alors la stabilité forte de W nous donne
P+ = Pr et P− = Pv . (cf. [13])
Nous résumons cette approche dans l’algorithme ci-dessous.

Algorithme 4. Soit W une matrice J-symplectique.

1. Déterminer la matrice T (n0 ) via (1.27) et (1.28) pour une certaine valeur de n0 (En
pratique n0 = 20). Si kT (n0 ) k est majorée par une valeur approximativement constante,
alors W est stable. Si de plus la quantité δKGL (W ) dans (1.1) ou δS (W ) dans (1.5) n’est
pas dans un voisinage proche de zéro, alors W est fortement stable.
2. Si W est fortement stable, le calcul itératif à partir de n0 améliore la qualité de la suite
(n) (n)
T (n) . Déterminer les projecteurs P+ ≈ Pr et P− ≈ Pv sur les sous espaces invariants
(n) (n)
associés aux valeurs propres négatives et positives de S0 − λT (n) où P+ et P− sont définies
par :
(n) 1 Z (n) −1
−1
(n) 1 Z −1
P+ = zI − (T ) S0 dz , P− = zI − (T (n) )−1 S0 dz
2iπ Γr 2iπ Γv
avec Γr et Γv les contours orientés dans le sens positif et contenant respectivement toutes
les valeurs propres positives et négatives de S0 − λT (n) .
Considérons l’exemple ci-dessous (cf. [5, Exemple 2]). Dans cet exemple, nous illustrons en
détail des tests numériques de l’analyse de la stabilité forte au moyen de l’algorithme 4.
Exemple 1.2. Soit  
cos α(t)B(t) − sin α(t)B(t)−T 
W (t) = 
sin α(t)B(t) cos α(t)B(t)−T
 
2
1 − b(t) −1  π
où B(t) =  et b(t) = 4 sin t , α(t) = (3 − 2 sin 3t) avec 0 ≤ t ≤ 2π.
b(t)2 1 − b(t)2 6
 
02 −I2 
La matrice W (t) est J-symplectique pour tout t ∈ [0, 2π] où J =  .
I2 02
Par application de l’algorithme 4 nous obtenons pour quelques valeurs de t ∈ [0, 2π] les résultats
suivants :
• A t = 0.13069 on a : kT (30) k = 7.6717 ≤ 8 d’où W est stable. De plus δS (W ) = 0.4691.
Le calcul des projecteurs Pr et Pv nous donne
 
0.1110 −0.1110 0.1110 0.1665
 
−15
 0 0 0 0.1110 
Pr = 10 ×
 
 et Pv = I4
 0.3331 −0.1110 0 0.1110 
 
−0.0555 0 0 −0.2220
La matrice W est fortement stable.

1.6. APPLICATION AUX SYSTÈMES HAMILTONIENS
• A t = 0.1308996937 on a : kT (30) k = 7.7945 ≤ 8 d’où W est stable. De plus δS (W ) =

0.4641.
 
0 0.0555 −0.0555 0
 
−15
 0 0.1110 −0.2220 −0.2220
Pr = 10 ×
 
 et Pv = I4
−0.3331 0.1110 0 −0.1110
 
0.1943 0 −0.0555 0.1110
La matrice W est fortement stable.
• A t = 1.13104 on a : kT (30) k = 4.6136 × 1033 . La matrice W n’est pas stable.
1.6 Application aux systèmes Hamiltoniens

Un système linéaire Hamiltonien à coefficients T -périodiques est un système différentiel de
la forme
dx(t)
J = H(t)x(t), t ∈ R (1.30)
dt
où H(t) ∈ R2N ×2N est symétrique et T -périodique c’est à dire H(t + T ) = H(t) = (H(t))T .
Concernant la solution fondamentale X(t) de (1.30) (voir par exemple [[24], Chap. 3]) définie
par la condition initiale X(0) = I, on a la proposition suivante :
Proposition 1.4. La solution fondamentale X(t) de (1.30) définie par la condition initiale
X(0) = I est J-symplectique pour tout t ∈ R+ .
Démonstration. On a :
d dX(t)T dX(t)
(X(t)T JX(t)) = JX(t) + X(t)T J
dt dt dt
= (J H(t)X(t)) JX(t) + X(t)T JJ −1 H(t)X(t)
−1 T
= X(t)T H(t)T JJX(t) + X(t)T H(t)X(t)

= X(t)T H(t)T J 2 X(t) + X(t)T H(t)X(t)
= −X(t)T H(t)X(t) + X(t)T H(t)X(t)
=0
car H(t)T = H(t) et J 2 = −I. Cela implique que
X(t)T JX(t) = Cste, ∀ t ∈ R+

où Cste est une matrice constante. Or pour t = 0, on a
X(0)T JX(0) = J
D’où Cste = J. On en déduit que ∀ t ∈ R+ , X(t)T JX(t) = J
La solution fondamentale X(t) satisfait pour tout t ∈ R et pour tout entier k les relations
suivantes (cf. [24])
X(t + T ) = X(t)X(T ) (1.31)

k
X(t + kT ) = X(t)X (T ) (1.32)
Nous avons la définition suivante concernant la stabilité et la stabilité forte des systèmes
Hamiltoniens
Définition 1.5. Le système (1.30) est :
– stable si chacune de ses solutions x(t) reste bornée dans R.
– fortement stable si il existe δ > 0 tel que tout système Hamiltonien à coefficients T -
périodiques de la forme
dx(t)
J = H̃(t)x(t)
dt
satisfaisant Z T
kH(t) − H̃(t)kdt < δ
0
est stable.
Notons que de (1.32), toute solution x(t) = X(t)x0 de (1.30) vérifie d’une part
sup kx(t)k ≤ sup kX(t)k sup kX k (T )x0 k (1.33)

t∈R 0≤t≤T k∈N
et d’autre part
sup kX k (T )x0 k = sup kX(kT )x0 k
k∈N k∈N
= sup kx(kT )k (1.34)

k∈N
sup kX k (T )x0 k ≤ sup kx(t)k

k∈N t∈R
Il apparait donc qu’une condition nécessaire et suffisante de stabilité de (1.30) est que
les puissances de X(T ) restent bornées. Comme X(T ) est J-symplectique cela signifie (cf.
définition 1.2) qu’il existe une constante C telle que
sup kX k (T )k ≤ C
k∈N

La stabilité de (1.30) se ramène donc à celle de la matrice J-symplectique X(T ). On sait, d’après
la sous-section 1.3, que cela équivaut au fait que toutes les valeurs propres de X(T ) soient sur
le cercle unité et semi-simples. Nous avons le théorème suivant (voir[[24], p.196]) :
Théorème 1.6. Le système (1.30) est fortement stable si et seulement si la matrice J-

symplectique X(T ) est fortement stable.
Ainsi, la stabilité (resp. la stabilité forte) de (1.30) se ramène à la stabilité (resp. la stabilité
forte) de la matrice J-symplectique W = X(T ) qui est la solution fondamentale de (1.30) évaluée
en la période T . De ceci nous pouvons appliquer l’Algorithme 3 ou 4 aux systèmes Hamiltoniens
comme nous le verrons dans le chapitre suivant.

Chapitre 2
Matrice symplectique issue de la

théorie de la résonance paramétrique
2.1 Introduction
Le phénomène de résonance apparait dans certains systèmes physiques sensibles à certaines
fréquences. Ces systèmes peuvent accumuler une énergie, si celle-ci est appliquée sous forme
périodique, et proche d’une fréquence dite « fréquence de résonance ». Par exemple, lorsqu’on
écarte un système stable de sa position d’équilibre, il y retourne, généralement à travers des
oscillations d’une fréquence spécifique à ce système. Cette fréquence est qualifiée de fréquence
propre ou fréquence naturelle du système. Si on fournit à ce système de l’énergie régulièrement,
à la même fréquence que sa fréquence propre, l’amplitude des oscillations augmente : c’est la
résonance. Le terme «paramétrique» désigne la dépendance (temporelle) à l’égard des paramètres
du système.
Mathématiquement, le sujet concerne les équations différentielles ordinaires à coefficients pério-
diques dont les équations modèles sont l’équation de Mathieu et l’équation de Hill. Notons qu’en
générale, la résonance paramétrique n’est considérée non pas pour des systèmes à excitation
externe de la forme ẋ = f (x) + φ(t) mais pour des systèmes où la dépendance en temps survient
dans les coefficients de l’équation.
28
2.2. ÉTUDE DE QUELQUES ÉQUATIONS
2.2 Étude de quelques équations

2.2.1 L’équation de Mathieu
L’équation de Mathieu (2.1) est une équation différentielle ordinaire (EDO) d’ordre 2 obtenue
en 1868 par Emile Mathieu en résolvant le problème du mouvement vibratoire d’une membrane
de forme elliptique
ẍ + (a − 2b cos 2t)x = 0 (2.1)
où a et b sont des paramètres réels ou complexes.
Nous listons à présent certaines des propriétés de cette équation :

• L’équation de Mathieu a toujours une solution impaire
• Par application du théorème de Floquet, l’équation de Mathieu a toujours au moins une
solution x(t) telle que x(t + π) = σx(t), où la constante σ, appelée facteur de périodicité,
dépend des paramètres a et b et peut être réelle ou complexe.
• L’équation de Mathieu a toujours au moins une solution de la forme eµt φ(t), où la constante
µ est appelée exposant de périodicité et φ(t) une fonction de période π.
• Dans le cas où les paramètres a et b sont réels, l’exposant de périodicité µ est tel que
Re(µ) = 0 ou Im(µ) est un nombre entier.
Une conséquence du théorème de Floquet est que la solution générale de (2.1) a la forme
x(t) = Aeµt φ(t) + Be−µt φ(−t) (2.2)
où A et B sont des constantes d’intégration et µ et φ(t) sont comme décrits ci-dessus.
Concernant l’étude de la stabilité de l’équation de Mathieu, nous avons (cf. [23]) :

• Si Re(µ) = 0 et Im(µ) = r/s, une fraction rationnelle avec s ≥ 2, la solution générale (2.2)
est périodique et reste bornée lorsque t → ∞ et donc (2.2) est appelé une solution stable.
• Si Re(µ) = 0 et Im(µ) est irrationnel, la solution (2.2) est apériodique et stable.
• Dans le cas particulier où Re(µ) = 0, Im(µ) = n avec n entier, la solution (2.2) est
classée comme instable. De la même manière, si Re(µ) 6= 0 et Im(µ) est un nombre entier
alors (2.2) est une solution instable.
Comme la valeur de µ dépend de a et b, il s’ensuit que la solution de l’équation de Mathieu est
stable pour certaines valeurs de a et b, et instable pour d’autres valeurs.

2.2.2 Équation de Hill

L’équation de Hill (2.3) est une forme généralisée de l’équation de Mathieu
ẍ + F (t)x = 0 (2.3)
où F (t) est une fonction périodique du temps.
La solution de l’équation de Hill peut être de la forme (2.2) et elle a des propriétés de
stabilité similaire à celle de l’équation de Mathieu. Par application du théorème de Floquet, si
x(t) est une solution arbitraire de (2.3), alors
x(t + 2π) = σx(t) (2.4)
De ceci, on distingue trois cas pour déterminer sa stabilité (cf. [23])

• Si |σ| > 1 alors x(t) est instable
• Si |σ| < 1 alors x(t) est stable
• Si |σ| = 1 on ne peut conclure
Soient ϕ et φ deux solutions linéairement indépendantes de (2.3). Alors
x(t) = α1 ϕ(t) + α2 φ(t)
De plus
x(t + 2π) = σx(t) = α1 ϕ(t + 2π) + α2 φ(t + 2π)
où
ϕ(t + 2π) = k1 ϕ(t) + k2 φ(t)
φ(t + 2π) = k3 ϕ(t) + k4 φ(t)
En supposant
φ(0) = 0 , φ0 (0) = 1
ϕ(0) = 1 , ϕ0 (0) = 0
nous avons :
k1 = ϕ(2π) , k2 = ϕ0 (2π)
k3 = φ(2π) , k4 = φ0 (2π)

et
x(t + 2π) = α1 (k1 ϕ(t) + k2 φ(t)) + α2 (k3 ϕ(t) + k4 φ(t))
D’où
α1 k1 + α2 k3 = σα1
α1 k2 + α2 k4 = σα2
α1 k3 k4 − σ
=− =− (2.5)
α2 k1 − σ k2
De l’équation différentielle (2.3), en différentiant le wronskien de (ϕ, φ) on a :
(ϕ(t)φ0 (t) − φ(t)ϕ0 (t))0 = ϕ0 (t)φ0 (t) + ϕ(t)φ00 (t) − φ0 (t)ϕ0 (t) − φ(t)ϕ00 (t)
= ϕ(t)φ00 (t) − φ(t)ϕ00 (t)
= −F (t)ϕ(t)φ(t) + F (t)ϕ(t)φ(t)
=0
Ainsi ϕ(t)φ0 (t) − φ(t)ϕ0 (t) = cste et dans notre cas (t = 2π) nous obtenons
ϕ(t)φ0 (t) − φ(t)ϕ0 (t) = 1 = k1 k4 − k2 k3 (2.6)
Des équations (2.5) et (2.6) nous obtenons
σ 2 − σ(k1 + k4 ) + 1 = 0
dont la résolution donne

s
k1 + k4 k
1 + k4 2 k1 + k4
σ= ± −1 avec = cos 2πµ
2 2 2
D’où σ = e±2iπµ . Les trois différents cas possible du mouvement mentionné plus haut corres-
pondent ainsi à :
(a) | cos 2πµ| > 1 alors x(t) est instable
(b) | cos 2πµ| < 1 alors x(t) est stable
(c) | cos 2πµ| = 1 on ne peut conclure

2.3. DOMAINE D’INSTABILITÉ DYNAMIQUE : FRÉQUENCE CRITIQUE
2.3 Domaine d’instabilité dynamique : fréquence critique

Considérons à présent un système dynamique S capable d’effectuer seulement un mouvement
vibratoire décrit par l’équation vectorielle
ẋ = Cx (2.7)
où C est une matrice réelle diagonale d’ordre 2k avec des éléments imaginaires purs ±iwj
(j = 1, 2, · · · , k) : |wj | sont les fréquences naturelles du système. Nous disons de l’équation (2.7)
qu’elle est une équation non perturbée.
Supposons maintenant que certains paramètres du système S commencent à varier périodi-
quement avec une fréquence θ et une faible amplitude dépendant d’un petit paramètre ε. Le
mouvement du système perturbé est décrit par l’équation vectorielle
ẋ = [C + εB1 (θt) + ε2 B2 (θt) + · · · ]x (2.8)
où Bj (s + 2π) = Bj (s) (j = 1, 2, · · · ) sont des fonctions matricielles continues par morceau,

intégrables sur l’intervalle ]0, 2π[. La série de droite de l’équation (2.8) est supposée être
convergente pour |ε| < r0 , où r0 est indépendante du temps. Nous disons de l’équation (2.8)
qu’elle est une équation perturbée.
Remarque 2.1. Contrairement à (2.7), l’équation perturbée peut avoir une infinité de solutions
pour une petite valeur arbitraire de ε et un θ convenable. Dans ce cas, nous dirons que le système
S est paramétriquement excité ou que la résonance paramétrique commence.
Nous donnons à présent la définition d’une fréquence critique du système.
Définition 2.1. Nous disons que θ0 est une fréquence critique du système S si pour tout δ > 0,
il existe ε, θ tel que |ε| < δ, |θ − θ0 | < δ pour lesquelles l’équation (2.8) a des solutions non
bornées lorsque t −→ +∞
Supposons maintenant que les équations (2.7) et (2.8) sont sous la forme canonique.
En d’autres mots :
 
0 −Ik 
C = J −1 H0 , Bj (s) = J −1 Hl (s) , J =
Ik 0
H0T = H0 , HlT (s) = Hl (s) l = 1, 2, · · ·

2.4. PERTURBATION DES SYSTÈMES HAMILTONIENS À COEFFICIENTS
PÉRIODIQUES
où H0 (s), H1 (s), H2 (s), · · · sont des matrices réelles.

Il est connu (cf. [24]) que la matrice C = J −1 H0 a k valeurs propres de type 1
iw1 , iw2 , · · · , iwk (2.9)
et k valeurs propres de type 2

−iw1 , −iw2 , · · · , −iwk (2.10)
Le théorème suivant caractérise les fréquences critiques du système.
Théorème 2.1. Soient les équations canoniques (2.7) et (2.8). Considérons les nombres (2.9)
de valeurs propres de type 1 pour la matrice C = J −1 H0 . Supposons que C n’a pas de valeurs
propres de type mêlé c’est-à-dire
wj + wh 6= 0 (j, h = 1, 2, · · · , k)
Alors les fréquences critiques sont des nombres de la forme

|wj + wh |
θ= (j, h = 1, 2, · · · , k ; m = 1, 2, · · · ) (2.11)
m
Démonstration. L’assertion découle immédiatement du théorème de la stabilité forte de Krein
(cf [24]). En effet, les nombres
2πiwj
ρj = exp (j = 1, 2, · · · , k)
θ
sont des valeurs propres de type 1 pour l’équation (2.7) avec la période T = 2π θ
, et les nombres
ρ̄j , des valeurs propres de type 2. (cf. Lemme 3 de [24] p. 186)
Si ρj 6= ρh , il découle du théorème de stabilité forte que pour ε suffisamment petit, toute
solution de (2.8) est bornée. Ainsi les fréquences critiques possibles sont les valeurs de θ > 0
telles que pour tout j, h = 1, 2, · · · , k
ρj = ρ̄h
D’où (2.11)
2.4 Perturbation des systèmes Hamiltoniens à coefficients

périodiques
Dans cette section nous examinons quelques techniques de base pour gérer les problèmes
de perturbation paramétrique d’un système Hamiltonien à coefficients périodiques, puis nous
étudions le comportement de ses valeurs propres. Les matrices considérées sont d’ordre 2N .

PÉRIODIQUES
2.4.1 Méthode de perturbation des systèmes Hamiltoniens à coeffi-

cients périodiques (avec un petit paramètre)
Il est fréquent qu’un système soit considéré comme une perturbation d’un système plus
simple. Dans ce cas, nous avons besoin d’estimer la différence entre la solution du système
perturbé avec un paramètre suffisamment petit et sa forme non perturbée. Perturber un sys-
tème revient donc à modifier les coefficients de sa matrice fondamentale X(t), et donc de sa
matrice monodromie (matrice fondamentale évaluée à la période T ). Notre étude consistera
donc à décrire une méthode numérique pour déterminer la matrice fondamentale du système
Hamiltonien perturbé. Notons que conformément à la section 1.6 du chapitre 1, l’étude de la
stabilité du système perturbé revient donc à l’étude de la stabilité de sa matrice fondamentale
J-symplectique évaluée à la période T (voir Théorème 1.6).
Considérons le système Hamiltonien
dx(t)
J = H(t)x(t), t∈R (2.12)
dt
où x(t) est un vecteur inconnu. L’Hamiltonien H(t) est une fonction matricielle T -périodique,
symétrique, continue par morceau et intégrable sur l’intervalle [0, T ].
Considérons à présent une perturbation du système (2.12) suivant un paramètre ε > 0 décrit
par
dx(t)
J = H(t, ε)x(t), t ∈ R (2.13)
dt
où l’Hamiltonien H(t, ε) est symétrique et vérifie H(t + T, ε) = H(t, ε).
Nous décrivons à présent la méthode permettant de déterminer la solution fondamentale
du système (2.13) à la période T . Connue sous le nom de la méthode de double balayage
orthogonale, elle consiste à subdiviser chaque moitié de la période en n intervalles. Ainsi, sur
chaque moitié de la période, on applique la méthode de balayage orthogonale en débutant à
t = 0 si l’intervalle d’intégration est de la forme [−π, π] ou t = T /2 si l’intervalle d’intégration
est de la forme [0, 2π] (cf. [11]).
Dans notre cas nous débutons l’initialisation à t = T /2.

PÉRIODIQUES
Posons A(t, ε) = J −1 H(t, ε) dans l’équation (2.13) et considérons le système linéaire suivant

dU (t) T
≤ t ≤ T,


 = A(t, ε)U (t), 2
 dt



(2.14)

dV (t)


0 ≤ t ≤ T2 ,

= −A(t, ε)V (t),



dt
de conditions initiales
T T I2N
U( ) = V ( ) = √ (2.15)
2 2 2
Nous avons le lemme suivant
Lemme 2.1. Les solutions U (t) et V (t) du système d’équation (2.14) vérifie
T
U (t)T JU (t) = (1/2)J, ≤ t ≤ T, (2.16)
2
T
V (t)T JV (t) = (1/2)J, 0≤t≤ , (2.17)
2
Démonstration. Nous avons
d dU (t)T dU (t)
(U (t)T JU (t)) = JU (t) + U (t)T J
dt dt dt
= U (t) A(t, ε) JU (t) + U (t)T JA(t, ε)U (t)
T T
= −U (t)T H(t, ε)U (t) + U (t)T H(t, ε)U (t)

= 0
car A(t, ε) = J −1 H(t, ε) et A(t, ε)T = −H(t, ε)J −1 .

Ainsi, il existe une matrice constante C telle que U (t)T JU (t) = C, ∀ t ∈ R. Comme
T T
U ( )T JU ( ) = (1/2)J
2 2
nous avons C = (1/2)J d’où l’égalité (2.16). Nous obtenons de manière identique l’égalité (2.17)
Posons à présent X(T, ε) = U (T )V (0)−1 . La méthode nous donne la matrice monodromie

T k−1
W (T, ε) = X(T, ε). En effet en considérant la discrétisation définie par t1k = (1 + )
2 n

PÉRIODIQUES
T k−1
et t2k = (1 − ) des intervalles [T /2, T ] et [0, T /2] respectivement, la résolution du
2 n
système (2.14) se résume à la résolution du système

 dUk (t)
= A(t1k + t, ε)Uk (t),


 dt



∀ k = 1, 2, · · · , n, (2.18)

dVk (t)



= −A(t2k − t, ε)Vk (t),



dt
T
sur l’intervalle

]0,2n ] (par la méthode de Runge Kutta par exemple.). Notons que la condition
Uk+1 (0)
initiale  de l’équation (2.18) à l’itération k + 1 est obtenue par normalisation au
Vk+1 (0)
moyen de l’algorithme QR à t = T /2n. Ainsi à l’itération k = n, nous obtenons la matrice
W (T, ε) = X(T, ε) = Un (T /2n)(Vn (T /2n))−1
La proposition suivante prouve que W (T, ε) est une meilleure approximation de X(T, ε)
Proposition 2.1. Pour tout n > 1, la matrice
W (T, ε) = Un (T /2n)(Vn (T /2n))−1
est J-symplectique et donne une meilleure approximation de la matrice monodromie X(T, ε) du

système (2.13).
Démonstration. De (2.17), nous obtenons ∀ n > 1,
(Vn (T /2n)−1 )T JVn (T /2n)−1 = 2J
Ainsi h iT h i
W T JW = Un (T /2n)(Vn (T /2n))−1 J Un (T /2n)(Vn (T /2n))−1
h i
= (Vn (T /2n)−1 )T (Un (T /2n))T JUn (T /2n) Vn (T /2n)−1
h i
= (1/2) (Vn (T /2n)−1 )T JVn (T /2n)−1
=J
D’où W est J-symplectique. De plus ∀ k = 1, 2, · · · , n,
Wk (t, ε) = Uk (t)(Vk (0))−1 , 0 ≤ t ≤ T /2n

PÉRIODIQUES
où Uk (t) et Vk (t) vérifient le système (2.18).

En remarquant que
dVk−1 (t) dVk (t) −1

= −Vk−1 (t) Vk (t) = Vk−1 (t)A(t2k − t, ε)
dt dt
nous obtenons ∀ k = 1, 2, · · · , n et ∀ t ∈ [0, T /2n]
dWk (t, ε) dUk (t) d(Vk (t))−1

= (Vk (t))−1 + Uk (t)
dt dt dt
= A(tk + t, ε)Wk (t, ε) + Wk (t, ε)A(t2k − t, ε)
1
Pour k = n, nous avons

dWn (t, ε) T T

=A T− + t, ε Wn (t, ε) + Wn (t, ε)A − t, ε , ∀ t ∈ [0, T /2n], (2.19)
dt 2n 2n
T T

avec A − t, ε → 0 lorsque t → T /2n. Ainsi Wn (t, ε)A − t, ε → 0. La solution Wn (t, ε)
2n 2n
de l’équation (2.19) converge donc vers la matrice monodromie X(T, ε) de l’équation (2.13),
c’est à dire Wn (T /2n, ε) = X(T, ε)
Nous décrivons ces étapes dans l’algorithme suivant donnant une approximation de la matrice
X(T, ε) du système Hamiltonien perturbé (2.13)
Algorithme 5.
I2N
(1) Poser U1 (0) = V1 (0) = √
2
(2) Pour tout k = 1, 2, · · · , n,
T
(a) Résoudre sur [0, ]
2n
    
d Uk (t) A(t1k + t, ε) 0 U (t)
 k 
= 2
dt Vk (t) 0 −A(tk − t, ε) Vk (t)
T k−1 T k−1
avec la condition initiale Uk (0) et Vk (0) où t1k =
(1 + ) et t2k = (1 − )
2 n 2 n
(b) Déterminer une matrice orthogonale Qk par la décomposition QR telle que
 
U (T )
 k 2n  = Qk Rk
T
Vk ( 2n )

PÉRIODIQUES
(c) Poser
Uk+1 (0) = Qk (1 : 2N, 1 : 2N ) et Vk+1 (0) = Qk (2N + 1 : 4N, 1 : 2N )
(3) Calculer
−1
T T T

W( , ε) = Un+1 ( ) Vn+1 ( )
2n 2n 2n
Exemple 2.1. Considérons l’équation de Mathieu [24, V ol.1, p.109].

d2 y
+ (a + b sin 2t)y = 0 (2.20)
dt
où a, b ∈ R. Posons
     
y 0 −1 a + b sin 2t 0
x=  
dy
, J = et H(t, a, b) = 
dt
1 0 0 1
Nous obtenons le système Hamiltonien suivant
dx
J = H(t, a, b)x, x(0) = I2 (2.21)
dt
où la matrice H(t, a, b) est l’Hamiltonien et π-périodique.
• Pour a = 2 et b = 2, l’algorithme 5 nous donne
 
−1.3007 −1.2489
W (a, b) = X(T ) = 
0.5453 −0.2453
De plus kW (a, b)T JW (a, b) − Jk = 1.3989 × 10−14 ≈ 0. W (a, b) est J-symplectique.
Par application de l’algorithme 4 nous obtenons : kT (30) k = 3.4134. W (a, b) est stable. De
plus δS (W (a, b)) = 1.2688.
 
0 0 
Pr = 10−15 ×  et Pv = I2
0.0833 0.1110
Ainsi W est fortement stable. Le système (2.21) est fortement stable.
• Pour a = 2 et b = 4, l’algorithme 5 nous donne
 
−2.1872 −2.8037
W (a, b) = X(T ) = 
−1.0848 −1.8478
De plus kW (a, b)T JW (a, b) − Jk = 7.9936 × 10−15 ≈ 0. W (a, b) est J-symplectique.
Par application de l’algorithme 4 nous obtenons : kT (30) k = 2.2475 × 1034 . W (a, b) n’est
pas stable. Ainsi le système (2.21) n’est pas stable.

PÉRIODIQUES
2.4.2 Analyse du comportement des valeurs propres d’un système

Hamiltonien perturbé
Considérons le système Hamiltonien suivant
dx(t)
J = H(t, λ)x(t) (2.22)
dt
où l’Hamiltonien H(t, λ) est une fonction linéaire en λ définie par
H(t, λ) = H(t) + λQ(t) (2.23)
H(t) et Q(t) sont des fonctions matricielles hermitiennes, T -périodique et λ un paramètre.

λQ(t) est une perturbation de l’Hamiltonien H(t) de l’équation (2.12). Nous supposons que
Q(t) est définie positive pour tout t ( (Q(t)x, x)> 0, ∀ x 6= 0).
Nous analysons dans ce qui suit le comportement des valeurs propres ρj (λ) (j = 1, 2, · · · , r)
de la matrice symplectique X(T, λ) pour λ dans un voisinage de 0. Notons que ses valeurs
propres sont solutions de l’équation
det(X(T, λ) − ρ(λ)I) = 0 (2.24)
Nous avons le théorème suivant (cf. [24, Chap.3, Section 1, p.167]) :
Théorème 2.2. Soit ρ0 une valeur propre de X(T, 0) pour λ = 0. Alors les valeurs propres de
la matrice X(T, λ) de l’équation (2.22) sont de la forme
ρj (λ) = ρ0 [1 + iσj λ + O(|λ|2 )] j = 1, 2, · · · , r (2.25)
avec
1 Z T
σj = (Q(t)xj , xj )dt (2.26)
(iJaj , aj ) 0
où aj sont des vecteurs propres associés à ρ0 et xj = X(t, 0)aj sont les solutions de l’équa-
tion (2.22) pour λ = 0.
Démonstration. Supposons que ρj (λ) est une valeur propre de X(T, λ) correspondant à aj (λ).
Alors nous avons
X(T, λ)aj (λ) = ρj (λ)aj (λ) (2.27)

PÉRIODIQUES
En différentiant cette relation par rapport à λ et en multipliant par aj (λ) au sens du produit
scalaire indéfini (hx, yi = (iJx, y)), nous obtenons
∂X(T, λ) daj (λ) dρj (λ)

(iJ aj (λ), aj (λ)) + (X(T, λ)iJ , aj (λ)) = (iJ aj (λ)s, aj (λ)) +
∂λ dλ dλ
daj (λ)
(iJρj (λ) , aj (λ)) (2.28)
dλ
De plus
daj (λ) daj (λ)

(X(T, λ)iJ , aj (λ)) = (iJ , X(T, λ)∗ aj (λ))
dλ dλ
daj (λ)
= (iJ , ρ̄j (λ)aj (λ))
dλ
daj (λ)
= ρ̄j (λ)(iJ , aj (λ))
dλ
Pour λ = 0, nous avons ρj (λ) = ρ0 et puisque |ρ0 | = 1, ρ̄j (λ)−1 = ρ0 . Ainsi de (2.28) nous avons
! !
dρj (λ) ∂X(T, λ)
(iJ aj (0), aj (0)) = (iJ aj (0), aj (0))
dλ λ=0
∂λ λ=0
et donc ! !
dρj (λ) ∂X(T, λ)
(iJaj (0), aj (0)) = (iJ aj (0), aj (0)) (2.29)
dλ λ=0
∂λ λ=0
Différentions à présent l’identité
∂X(t, λ)
J = H(t, λ)X(t, λ)
∂t
par rapport à λ. Nous obtenons
!
∂ ∂X(t, λ) ∂H(t, λ) ∂X(t, λ)
J = X(t, λ) + H(t, λ) (2.30)
∂t ∂λ ∂λ ∂λ
En considérant (2.30) comme étant une équation différentielle linéaire avec second membre nous
avons, par la méthode de la variation de la constante, pour λ = 0
! Z T !
∂X(T, λ) −1 −1 ∂H(t, λ)
= X(T, 0) X(T, 0) J X(T, 0)dt (2.31)
∂λ λ=0 0 ∂λ λ=0
En substituant ceci dans (2.29) et en utilisant le faite que X(t, λ) soit J-symplectique, à savoir
les égalités JX(t, λ)−1 J −1 = X(t, λ)T et JX(t, λ) = X(t, λ)−T J , nous obtenons

PÉRIODIQUES
! !
dρj (λ) Z T
−1 −1 ∂H(t, λ)
(iJaj (0), aj (0)) = (iJX(T, 0) X(T, 0) J X(T, 0)dtaj (0), aj (0))
dλ λ=0 0 ∂λ λ=0
Z T
= i(JX(T, 0) X(T, 0)−1 J −1 Q(t)X(T, 0)dtaj (0), aj (0))
0
Z T
= i(X(T, 0)−T J X(T, 0)−1 J −1 Q(t)X(T, 0)dtaj (0), aj (0))
0
Z T
= i(J X(T, 0)−1 J −1 Q(t)X(T, 0)dtaj (0), X(T, 0)−1 aj (0))
0
Z T
−1
= iρ¯0 ( JX(T, 0)−1 J −1 Q(t)X(T, 0)dtaj (0), aj (0))
0
Z T
= iρ0 ( X(T, 0)T Q(t)X(T, 0)dtaj (0), aj (0))
0
Z T
= iρ0 (Q(t)X(T, 0)aj (0), X(T, 0)aj (0))dt
0
!
dρj (λ) Z T
(iJaj (0), aj (0)) = iρ0 (Q(t)xj (t), xj (t))dt
dλ λ=0 0
Posons
1 Z T
σj = (Q(t)xj , xj )dt
(iJaj (0), aj (0) 0
Nous avons !
dρj (λ)
= iρ0 σj
dλ λ=0
En considérant le développement de Taylor de ρj (λ) au voisinage de 0 puis en négligeant les

termes d’ordre supérieur à un, nous obtenons (2.25).
Notons que pour tout j = 1, 2, · · · , r ; (iJaj , aj ) 6= 0 et puisque Q(t) est définie positive,
Z T
(Q(t)xj , xj )dt > 0. De plus le calcul de la norme des ρj (λ) nous donne
0
|ρj (λ)|2 = ρj (λ)ρ̄j (λ)

= |ρ0 |2 [1 + iσj λ + O(|λ|2 )][1 − iσj λ̄ + O(|λ|2 )]
= |ρ0 |2 [1 + σj (iλ − iλ̄) + 2O(|λ|2 ) + σj2 |λ|2 + σj (iλ − iλ̄)O(|λ|2 ) + O2 (|λ|2 )]
= |ρ0 |2 [1 − 2σj Im(λ) + 2O(|λ|2 ) + σj2 |λ|2 − 2σj Im(λ)O(|λ|2 ) + O2 (|λ|2 )]
| {z }
θ(|λ|2 )
|ρj (λ)|2 = 1 − 2σj Im(λ) + θ(|λ|2 ) car |ρ0 | = 1

PÉRIODIQUES
Ainsi si ρ0 est une valeur propre de type 1 (voir la définition 1.3), on a σ1 > 0, · · · , σr > 0 et
par conséquent :
|ρj (λ)| < 1 pour Imλ > 0 (j = 1, 2, · · · , r)
|ρj (λ)| > 1 pour Imλ < 0 (j = 1, 2, · · · , r)
De même si ρ0 est une valeur propre de type 2, nous avons σ1 < 0, · · · , σr < 0 et donc
|ρj (λ)| > 1 pour Imλ > 0 (j = 1, 2, · · · , r)
|ρj (λ)| < 1 pour Imλ < 0 (j = 1, 2, · · · , r)

En résumé les valeurs propres ρj (λ) de type 1 au voisinage de 0 se déplacent à l’intérieur du
cercle unité lorsque λ parcourt la partie supérieure du plan complexe (Imλ > 0) et à l’extérieur
du cercle unité lorsque λ décrit la partie inférieure du plan complexe (Imλ < 0), contrairement
aux valeurs propres ρj (λ) de type 2 qui se déplacent à l’extérieur et à l’intérieur du cercle unité
lorsque λ décrit respectivement le plan complexe supérieur et inférieur.
Nous examinons le cas particulier où le paramètre λ est réel (Imλ = 0). Pour cela nous
considérons la définition suivante
Définition 2.2. Supposons que Q(t) est définie positive pour tout t. Alors :
• Si λ > 0, H(t) + λQ(t) > H(t). On dit qu’il y a une augmentation de l’Hamiltonien.
• Si λ < 0, H(t) + λQ(t) < H(t). On dit qu’il y a une diminution de l’Hamiltonien.
On a donc le théorème suivant connu sous le nom de théorème de Krein [24].
Théorème 2.3. Pour une augmentation de l’Hamiltonien, les valeurs propres de type 1 sont
sur le cercle unité et s’y déplacent dans le sens des arguments croissants, tandis que celles de
type 2 sont dans le sens des arguments décroissants.

PÉRIODIQUES
2.4.3 Autre analyse du comportement des valeurs propres d’un sys-

tème Hamiltonien perturbé
Dans cette partie nous décrivons une analyse du comportement des valeurs propres d’un
système Hamiltonien à coefficients périodiques perturbé proposée par M. Dosso et N. Coulibaly
(cf. [4]), et qui utilise la classification des valeurs propres de couleur rouge et verte donnée par
S.K. Godunov et M. Sadkane (voir définition 1.4). Rappelons que cette classification est plus
appropriée au calcul numérique.
Considérons pour ce faire λQ(t) une petite perturbation de l’Hamiltonien H(t) de l’équa-
tion (2.12). Soient les valeurs propres ρ0 = ei|θ| et ρ̄0 = e−i|θ| de la matrice X(T, 0) avec 0 < θ < π.
On a
(S0 aj , aj ) = ξ sin |θ|(iJaj , aj ) (2.32)
où ξ = 1 si aj est un vecteur propre associé à ρ0 et ξ = −1 si aj est un vecteur propre associé à
ρ̄0 . Ainsi l’équation (2.26) devient
ξ sin |θ| Z T
σj = (Q(t)xj , xj )dt (2.33)
(iS0 aj , aj ) 0
Si Q(t) est définie positive pour tout t, les nombres σ1 , · · · , σr sont :

• positifs si ρ0 est une valeur propre de couleur rouge avec ξ = 1 ou si ρ0 est une valeur
propre de couleur verte avec ξ = −1
• négatifs si ρ0 est une valeur propre de couleur rouge avec ξ = −1 ou si ρ0 est une valeur
propre de couleur verte avec ξ = 1
On obtient ainsi les mêmes résultats que dans la section précédente à savoir :
B Si ρ0 est une valeur propre de couleur rouge ((S0 aj , aj ) > 0), nous avons
|ρj (λ)| < 1 pour Imλ > 0 (j = 1, 2, · · · , r)
|ρj (λ)| > 1 pour Imλ < 0 (j = 1, 2, · · · , r)
B Si ρ0 est une valeur propre de couleur verte ((S0 aj , aj ) < 0), nous avons
|ρj (λ)| > 1 pour Imλ > 0 (j = 1, 2, · · · , r)
|ρj (λ)| < 1 pour Imλ < 0 (j = 1, 2, · · · , r)

PÉRIODIQUES
Ainsi, une valeur propre ρj (λ) de couleur rouge (respectivement de couleur verte) quitte le
cercle unité vers l’intérieur (respectivement vers l’extérieur) lorsque λ parcourt le plan complexe
supérieur. De même, si λ décrit le plan complexe inférieur, une valeur propre ρj (λ) de couleur
rouge (respectivement de couleur verte) quitte le cercle unité vers l’extérieur (respectivement
vers l’intérieur).
Nous donnons à présent le théorème décrivant le mouvement des valeurs propres rouges ou
vertes de la matrice X(T, λ). (cf. [4])
Théorème 2.4. Pour une augmentation de l’Hamiltonien (Q(t) > 0), les valeurs propres de la
matrice X(T, λ) de couleur rouge (respectivement de couleur verte) se déplacent sur le cercle
unité dans la partie supérieure du plan complexe dans la direction des arguments croissants
(respectivement décroissants). Dans le cas contraire, les valeurs propres rouges (respectivement
vertes) se déplacent sur le cercle unité dans la partie inférieure du plan complexe suivant les
arguments décroissants (respectivement croissants)
Démonstration. Supposons une augmentation de l’Hamiltonien. Alors les valeurs propres de

couleur rouge de la matrice X(T, λ) sur le cercle unité dans la partie supérieure du plan sont de
même type (cf.[4, Proposition 2]) et s’y déplacent dans le sens des arguments croissants. En effet
pour toute valeur propre ρ(λ) = ei|ϕ(λ)| de couleur rouge se déplaçant le long de ce demi-cercle,
on a :
(S0 x(λ), x(λ)) = sin |ϕ(λ)|(iJx(λ), x(λ)), ∀ x(λ) vecteur propre associé à ρ(λ) (2.34)
Dans cette partie du cercle, sin |ϕ(λ)| > 0 −→ (iJx(λ), x(λ)) > 0, ∀ t. Ces valeurs propres sont
donc de type 1. Comme les valeurs propres conjuguées (ρ̄(λ) = e−i|ϕ(λ)| ) sont sur le cercle unité
dans le plan supérieur (ou inférieur), elles sont de couleur rouge et de type 2 et s’y déplacent
dans le sens des arguments décroissants.
La preuve est similaire pour les valeurs propres de couleur verte de la matrice X(T, λ). En
particulier, deux valeurs propres de X(T, λ) de même couleur se rencontrant sur le cercle unité
en un point autre que les points ±1, sont dans le même demi-plan. Elles sont donc de même
type conformément à la proposition 2. Ainsi elles restent sur le cercle unité.
Concernant la rencontre des valeurs propres de la matrice X(T, λ) de différentes couleurs,

nous avons la proposition suivante

PÉRIODIQUES
Proposition 2.2. Si deux valeurs propres ρ et ρ0 de différentes couleurs de la matrice X(T, λ)

se rencontrent en un point ρ0 du cercle unité autre que les points 1 et −1, elles deviennent des
valeurs propres de couleur mêlée et bougent du cercle unité ou quittent le cercle.
Démonstration. Les deux valeurs propres ρ et ρ0 sont de différents types. En effet, si nous
supposant une augmentation de l’Hamiltonien (Q(t) > 0) et si la rencontre est sur la plan
supérieur du cercle unité, les valeurs propres de couleur rouge se déplacent dans le sens des
arguments croissants tandis que les valeurs propres de couleur verte se déplacent dans le sens
des arguments décroissants conformément au théorème 2.4. Nous déduisons alors que les valeurs
propres rouges sont de type 1 et les valeurs propres vertes de type 2. Mais deux valeurs propres
de différents types qui se rencontrent sur le cercle unité deviennent des valeurs propres de type
mêlé. Ainsi, elles bougent du cercle ou quittent le cercle unité.

Chapitre 3
Matrice symplectique issue du contrôle

optimal
3.1 Introduction
On part d’un système (dynamique) dont l’état est décrit par une fonction inconnue x dite
fonction d’état et vérifiant l’équation
ẋ(t) = f (x(t), u(t)) , x(0) = x0 (3.1)
où
– t ∈]0, +∞[
– Le vecteur x(t) appartient à l’espace d’état M , qui est un ouvert connexe de Rn ,
– u(t) ∈ U ouvert de Rm
On supposera que f vérifie les conditions de Cauchy-Lipschitz de sorte qu’on puisse assurer
l’existence d’une solution unique de (3.1).
On considère alors les ensembles de fonctions suivants :
U[0, T ] = {u : R −→ U | u est intégrable sur [0, T ]}
[
U= U[0, T ] (ensemble des contrôles)
T >0
Pour chaque t ≥ 0, on se donne à présent un ensemble cible fermé, T (t) ∈ Rn . En général on

prend T (t) = {0}.
Définition 3.1. Soit x0 ∈ Rn ; si on peut trouver u ∈ Uad ⊂ U et t1 > 0 tel que x(t1 ) ∈ T (t1 ),
on dit que u envoie x0 à la cible. x0 est dit contrôlable.
46
3.1. INTRODUCTION
Une fois le problème de contrôlabilité du système résolu et si l’on n’a pas unicité du contrôle
u, on peut chercher le «meilleur» relativement à un critère (ou coût) donné. On a alors un
problème de contrôle optimal.
Dans ce chapitre, nous nous intéressons au problème de contrôle optimal linéaire avec un
coût quadratique (LQ) qui est définie comme suite :
On considère un intervalle de temps [t0 , tf ] et un système de contrôle linéaire dans Rn
ẋ(t) = A(t)x(t) + B(t)u(t) , x(t0 ) = x0 (3.2)
muni d’un coût quadratique de la forme

Z tf
T
L(u) = x (tf )W x(tf ) + xT (t)Q(t)x(t) + uT (t)R(t)u(t) dt (3.3)
t0
où tf > 0 est fixé, et pour tout t ∈ [t0 , tf ],

(a) R(t) ∈ Mm (R) est symétrique définie positive,
(b) Q(t) ∈ Mn (R) est symétrique semi définie positive,
(c) W ∈ Mn (R) est une matrice symétrique semi définie positive.
Le problème (LQ) est de déterminer les trajectoires x ∈ L2 ([t0 , tf ], Rn ) partant de x0 (fixé) qui
minimise le coût L(u).
Notons que l’on n’impose aucune contrainte sur le point final x(tf ). Le coût étant quadratique,
l’espace naturel des contrôles est L2 ([t0 , tf ], Rm ). Pour simplifier les calculs, nous posons t0 = 0
et tf = T
Remarque 3.1 (Existence de trajectoires optimales). Il est prouvé dans [21] que sous
l’hypothèse suivante sur R(t)
Z T Z T
m T
2
∃ α > 0 | ∀ u ∈ L ([0, T ], R ), u (t)R(t)u(t)dt ≥ α uT (t)u(t)dt (3.4)
0 0
il existe une unique trajectoire minimisante pour le problème (LQ)
Nous énonçons à présent les propriétés relatives au critère d’optimalité pour le problème
(LQ).

3.2. PRINCIPE DU MAXIMUM DANS LE CAS LQ
3.2 Principe du maximum dans le cas LQ

Théorème 3.1. La trajectoire x, associée au contrôle u, est optimale pour le problème (LQ) si
et seulement s’il existe un vecteur adjoint λ(t) vérifiant pour presque tout t ∈ [0, T ]
λ̇(t) = −λ(t)A(t) + xT (t)Q(t) (3.5)
et la condition finale
λ(T ) = −xT (T )W (3.6)
De plus le contrôle optimal u s’écrit, pour presque tout t ∈ [0, T ],
u(t) = R(t)−1 B T (t)λT (t) (3.7)
Démonstration. Soit u(t) un contrôle optimal et x(t) la trajectoire associée sur [0, T ]. Alors le
coût est minimal parmi toutes les trajectoires solutions du système, partant de x0 (le point final
étant non fixé).
Soit up (t) ∈ L2 ([0, T ], Rm ) une perturbation du contrôle u(t) de la forme
up (t) = u(t) + δu(t)
engendrant une trajectoire

xp (t) = x(t) + δx(t)
avec δx(0) = 0. La trajectoire xp (t) devant être solution du système ẋp (t) = A(t)xp (t)+B(t)up (t),
on en déduit que
δ ẋ(t) = A(t)δx(t) + B(t)δu(t)
La résolution de ce système par la méthode de la variation de la constante nous donne pour
tout t ∈ [0, T ] Z t
δx(t) = M (t) M (s)−1 B(s)δu(s)ds (3.8)
0
où M (t) est la résolvante.

De plus le coût L(·) est différentiable. Le contrôle u(t) étant minimisant, on doit avoir
dL(u) = 0
Or Z T
L(up ) = xTp (T )W xp (T ) + xTp (t)Q(t)xp (t) + uTp (t)R(t)up (t) dt
0

3.2. PRINCIPE DU MAXIMUM DANS LE CAS LQ
et comme W , Q(t) et R(t) sont symétriques, on en déduit que

1 Z T
dL(u).δu = xT (T )W δx(T ) + xT (t)Q(t)δx(t) + uT (t)R(t)δu(t) dt = 0 (3.9)
2 0
ceci étant valable pour toute perturbation δu.

Introduisons le vecteur adjoint λ(t) ∈ L2 ([0, T ], Rn ) comme solution du problème de Cauchy
λ̇(t) = −λ(t)A(t) + xT (t)Q(t) , λ(T ) = −xT (T )W
dont la résolution par la méthode de la variation de la constante nous donne pour tout t ∈ [0, T ]
Z t Z T
λ(t) = −xT (T )W M (T )M (t)−1 + xT (s)Q(s)M (s)dsM (t)−1 − xT (s)Q(s)M (s)dsM (t)−1
0 0
(3.10)
En revenant à l’équation (3.9), puis en tenant compte de (3.8) on a :
Z T Z T Z t
xT (t)Q(t)δx(t)dt = xT (t)Q(t)M (t) M (s)−1 B(s)δu(s)dsdt
0 0 0
Par intégration par partie

Z T Z T Z T
T
x (t)Q(t)δx(t)dt = T
x (s)Q(s)M (s)ds M (s)−1 B(s)δu(s)ds
0 0 0
Z TZ t
− xT (s)Q(s)M (s)dsM (t)−1 B(t)δu(t)dt
0 0
Or de (3.10) on a
Z t Z T
xT (s)Q(s)M (s)dsM (t)−1 = λ(t) + xT (T )W M (T )M (t)−1 + xT (s)Q(s)M (s)dsM (t)−1
0 0
Donc
Z T Z T Z T
T T −1
x (t)Q(t)δx(t)dt = −x (T )W M (T ) M (t) B(t)δu(t)dt − λ(t)B(t)δu(t)dt (3.11)
0 0 0
En injectant cette égalité dans (3.9) et en utilisant le faite que

Z T
xT (T )W δx(T ) = xT (T )W M (T ) M (t)−1 B(t)δu(t)dt
0
On trouve alors que

1 Z T
dL(u).δu = uT (t)R(t) − λ(t)B(t) δu(t)dt = 0 (3.12)
2 0

3.3. CONTRÔLE OPTIMAL ET ÉQUATION DE RICCATI
ceci pour toute application δu ∈ L2 ([0, T ], Rm ). Ceci implique donc l’égalité pour presque tout
t ∈ [0, T ],
uT (t)R(t) − λ(t)B(t) = 0
Et donc
u(t) = R(t)−1 B T (t)λT (t)
Réciproquement s’il existe un vecteur adjoint λ(t) vérifiant (3.5) et (3.6) et si le contrôle u est
donné par (3.7), alors il est bien clair d’après le raisonnement précédent que
dL(u) = 0
Or L(·) étant strictement convexe ceci implique que u est un minimum global de L
Remarque 3.2. Ce théorème résulte du principe du maximum faible. En effet, en définissant

l’Hamiltonien du système H : R × Rn × Rn × Rm −→ R par
1 T
H(t, x, λ, u) = λ(t) (A(t)x(t) + B(t)u(t)) − x (t)Q(t)x(t) + uT (t)R(t)u(t)
2
les équations données par le principe du maximum (LQ) s’écrivent
∂H ∂H ∂H
ẋ(t) = = A(t)x(t) + B(t)u(t), λ̇(t) = − = −λ(t)A(t) + xT (t)Q(t) et =0
∂λ ∂x ∂u
3.3 Contrôle optimal et équation de Riccati

Le théorème suivant donne un lien entre le contrôle optimal u(t) et la solution de l’équation
matricielle de Riccati
Théorème 3.2. Le contrôle optimal u se met sous forme de boucle fermée
u(t) = R(t)−1 B T (t)P (t)x(t), (3.13)
où P (t) ∈ Mn (R) est solution sur [0, T ] de l’équation matricielle de Riccati


 Ṗ (t) = Q(t) − AT (t)P (t) − P (t)A(t) − P (t)B(t)R(t)−1 B T (t)P (t)
 P (T ) = −W
(3.14)

3.3. CONTRÔLE OPTIMAL ET ÉQUATION DE RICCATI
Démonstration. D’après la remarque 3.1, il existe une unique trajectoire optimale qui, d’après
le théorème 3.1, est caractérisée par le système d’équations

 ẋ(t) = A(t)x(t) + B(t)u(t)
 λ̇(t) = −λ(t)A(t) + xT (t)Q(t)
avec x(0) = x0 et λ(T ) = −xT (T )W . De plus le contrôle s’écrit
u(t) = R−1 (t)B T (t)λT (t)
Il faut donc montrer que λ(t) = xT (t)P (t), où P (t) est solution de (3.14).
Supposons que λ(t) s’écrit ainsi. Alors, d’après l’équation vérifiée par le couple (x(t), λ(t)) on a :
λ̇(t) = ẋT (t)P (t) + xT (t)Ṗ (t)

= (A(t)x(t) + B(t)u(t))T P (t) + xT (t)Ṗ (t)
= xT (t)AT (t)P (t) + uT (t)B T (t)P (t) + xT (t)Ṗ (t)
= xT (t)AT (t)P (t) + λ(t)B(t)R−1 (t)B T (t)P (t) + xT (t)Ṗ (t)
= xT (t)AT (t)P (t) + xT (t)P (t)B(t)R−1 (t)B T (t)P (t) + xT (t)Ṗ (t)
h i
λ̇(t) = xT (t) AT (t)P (t) + P (t)B(t)R−1 (t)B T (t)P (t) + Ṗ (t)
Or
λ̇(t) = −λ(t)A(t) + xT (t)Q(t) = −xT (t)P (t)A(t) + xT (t)Q(t) = xT (t) [−P (t)A(t) + Q(t)]
On obtient par identification que P (t) doit être solution de l’équation (3.14).
Réciproquement Soit P (t) solution de l’équation

 Ṗ (t) = Q(t) − A(t)T P (t) − P (t)A(t) − P (t)B(t)R(t)−1 B(t)T P (t)
 P (T ) = −W
Tout d’abord P (t) est symétrique car le second membre de l’équation différentielle l’est, et
la matrice W est symétrique. Posons maintenant λ1 (t) = x1 (t)T P (t), où x1 (t) est solution de

3.4. RELATION ENTRE ÉQUATION MATRICIELLE DE RICCATI ET SYSTÈME
HAMILTONIEN
ẋ1 (t) = A(t)x1 (t) + B(t)u1 (t), et u1 (t) = R−1 (t)B T (t)P (t)x1 (t). On a alors
λ̇1 (t) = ẋT1 (t)P (t) + xT1 (t)Ṗ (t)

T
= A(t)x1 (t) + B(t)R−1 (t)B T (t)P (t)x1 (t) P (t)

+ xT1 (t) Q(t) − AT (t)P (t) − P (t)A(t) − P (t)B(t)R−1 (t)B T (t)P (t)
= xT1 (t)AT (t)P (t) + xT1 (t)P (t)B(t)R−1 (t)B T (t)P (t) + xT1 (t)Q(t)
− xT1 (t)AT (t)P (t) − xT1 (t)P (t)A(t) − xT1 (t)P (t)B(t)R−1 (t)B T (t)P (t)
λ̇1 (t) = −λ1 (t)A(t) + xT1 (t)Q(t)
Autrement dit le triplet (x1 , λ1 , u1 ) vérifie exactement les équations du théorème 3.1. Par
conséquent la trajectoire x1 est optimale, et par unicité il vient x1 (t) = x(t), u1 (t) = u(t), puis
λ1 (t) = λ(t). En particulier on a donc λ(t) = xT (t)P (t), et u(t) = R−1 (t)B T (t)P (t)x(t).
3.4 Relation entre équation matricielle de Riccati et sys-

tème Hamiltonien
Soit P (t) la solution de l’équation matricielle de Riccati (3.14). Considérons la fonction
matricielle d’ordre n solution du problème de Cauchy
h i
U̇ (t) = A(t) + B(t)R−1 (t)B T (t)P (t) U (t) , U (T ) = I (3.15)
et posons V (t) = P (t)U (t). On a, en utilisant (3.14)
V̇ (t) = Ṗ (t)U (t) + P (t)U̇ (t)

= Q(t)U (t) − AT (t)P (t)U (t) − P (t)A(t)U (t) − P (t)B(t)R(t)−1 B T (t)P (t)U (t)
+ P (t)A(t)U (t) + P (t)B(t)R−1 (t)B T (t)P (t)U (t)
V̇ (t) = Q(t)U (t) − AT (t)V (t)
Ainsi sous les hypothèses (a), (b) et (c) (cf. [18], p.121, Lemme 4.1) il existe U (t) et V (t) telles
que 
 dU = A(t)U (t) + B(t)R(t)−1 B T (t)V (t)

dt
(3.16)
 dV = Q(t)U (t) − AT (t)V (t)

dt

3.5. UNE MÉTHODE DE RÉSOLUTION DE SYSTÈME HAMILTONIEN À
COEFFICIENTS PÉRIODIQUES UTILISANT LA RÉDUCIBILITÉ
où U (T ) = I et V (T ) = −W avec P (t) = V (t)U (t)−1 .
Ainsi on a la proposition suivante :
Proposition 3.1. La solution P (t) de l’équation de Riccati (3.14) est déduite à partir du
système (3.16)
Démonstration. De la fonctionnelle matricielle P (t) = V (t)U (t)−1 on a
Ṗ (t) = V̇ (t)U (t)−1 + V (t)U̇ (t)−1

= [Q(t)U (t) − A(t)T V (t)]U (t)−1 + V (t)[−U (t)−1 U̇ (t)U (t)−1 ]
= Q(t) − A(t)T P (t) − P (t)U̇ (t)U (t)−1
= Q(t) − A(t)T P (t) − P (t)[A(t)U (t) + B(t)R(t)−1 B(t)T V (t)]U (t)−1
Ṗ (t) = Q(t) − A(t)T P (t) − P (t)A(t) − P (t)B(t)R(t)−1 B(t)T P (t)
     
U  −1  0 I  −Q AT 
Posons X =  ,J = et H =  .
V −I 0 A BR−1 B T
Le système (3.16) se met sous la forme d’un système Hamiltonien. En effet on a :

dX
= J −1 H(t)X
dt
d’où
dX
J = H(t)X(t) (3.17)
dt
3.5 Une méthode de résolution de système Hamiltonien

à coefficients périodiques utilisant la réducibilité
Cette méthode est basée sur une théorie proposée dans ([24], chp. 2, §2, p.93). Elle consiste
à résoudre l’équation (3.17) à partir des équations différentielles suivantes

d
Y (t) = A(t)Y (t) − Y (t)K(t), 0≤t≤T



 dt


Y (0) = I2N (3.18)



K(t) + K(t)T = Y (t)T (A(t)T + A(t))Y (t)




3.5. UNE MÉTHODE DE RÉSOLUTION DE SYSTÈME HAMILTONIEN À
COEFFICIENTS PÉRIODIQUES UTILISANT LA RÉDUCIBILITÉ
avec A(t) = J −1 H(t) et K une matrice triangulaire supérieure
d


 R(T − t) = −K(T − t)R(T − t), 0≤t≤T
dt (3.19)
R(T ) = I

2N
Ainsi, les solutions Y (t) et R(t) des équations (3.18) et (3.19) sont obtenues respectivement
par la méthode de Runge-Kutta et la méthode de Heun (ou Euler). Notons que dans la résolution
de l’équation (3.18), nous normalisons à chaque fois la solution avec l’algorithme QR. Cela nous
donne l’égalité
Y (t)T Y (t) = Y (t)Y (t)T = I2N , 0 ≤ t ≤ T (3.20)
La proposition suivante nous donne une expression de la solution de (3.17) à partir de celles
de (3.18) et (3.19).
Proposition 3.2. Soit Y (t) et R(t) les solutions des équations différentielles (3.18) et (3.19)
respectivement. Alors
X(t) = Y (t)R(t)R(0)−1 , 0 ≤ t ≤ T (3.21)
est la solution de (3.17).
Démonstration. Nous avons

d dY (t) dR(t)
X(t) = R(t)R(0)−1 + Y (t) R(0)−1
dt dt dt
= A(t)Y (t)R(t)R(0) − Y (t)K(t)R(t)R(0)−1 + Y (t)K(t)R(t)R(0)−1
−1
dR(t)
car = K(t)R(t). Alors
dt
d
X(t) = A(t)Y (t)R(t)R(0)−1 = A(t)X(t)
dt
avec X(0) = I2N .
Cette proposition montre que X(t) = Y (t)R(t)R(0)−1 est la solution du système (3.17) avec
X(0) = I2N . Nous proposons l’algorithme ci-dessous qui calcule la solution du système (3.17).

3.6. RELATION ENTRE ÉQUATION DISCRÈTE ALGÉBRIQUE DE RICCATI ET UNE
MATRICE NON SINGULIÈRE
Algorithme 6.
1. Initialisation
(a) Poser Y1 = I et R1 = I.
(b) Déterminer une matrice triangulaire K1 telle que K1 + K1T = A(0)T + A(0)
2. Pour k = 1, 2, · · · , n − 1
(a) Résoudre (par la méthode de Runge-Kutta) le système
d


 Y (t) = A(t)Y (t) − Y (t)K1 , (k − 1)T /n ≤ t ≤ kT /n
dt
Y ((k − 1)T /n) = Y

k
(b) Calculer [Yk + 1, Q] = QR(Y (kT /n))

(c) Déterminer la matrice triangulaire supérieure Kk+1 telle que
T T
Kk+1 + Kk+1 = Yk+1 [A(kT /n)T + A(kT /n)]Yk+1
3. Pour k = 1, 2, · · · , n − 1
(a) Résoudre (par la méthode de Heun) le système
d


 R(T − 1) = −Kn−1−k R(T − t), (n − k)T /n ≤ t ≤ (n + 1 − k)T /n
dt
R((n − k)T /n)) = R

n−1−k
(b) Poser Rn−k = R(T − (n − k)T /n)

4. Pour k = 1, 2, · · · , n − 1, calculer Xk = Yk Rk R1−1 .
3.6 Relation entre équation discrète algébrique de Ric-

cati et une matrice non singulière
L’équation discrète algébrique de Riccati (DARE) est une équation de la forme
X = A∗ XA + Q − A∗ XB(R + B ∗ XB)−1 B ∗ XA (3.22)

où A, Q, X ∈ Mn (C), R ∈ Mm (C), B ∈ Mn,m (C) ; On suppose de plus que Q et R sont

Hermitiennes définies positives.
Notons que l’existence de la solution XR de l’équation (DARE) dépend du module de toutes les
valeurs propres de la matrice A − B(R + B ∗ XR B)−1 B ∗ XR A (cf. [17]).
Pour résoudre donc l’équation (3.22), on considère la matrice
 
A + BR−1 B ∗ (A∗ )−1 Q −BR−1 B ∗ (A∗ )−1 
T = ∈ M2n (C) (3.23)
−(A∗ )−1 Q (A∗ )−1
En considérant la matrice  
0 −iIn 
J =
iIn 0
où In est la matrice identité d’ordre n, on a la proposition suivante :
Proposition 3.3. La matrice T est J-symplectique i.e T ∗ JT = J.
Démonstration. On a :
 
AT + QT (Ā)−1 B̄(RT )−1 B T −QT (Ā)−1 
TT = 
−(Ā)−1 B̄(RT )−1 B T (Ā)−1
d’où en passant au conjugué puis en considérant l’hypothèse que Q et R sont Hermitiennes, on

obtient  
∗ −1 −1 ∗ −1
A + QA BR B −QA
T∗ =  
−A−1 BR−1 B ∗ A−1
De plus  
∗ −1 ∗ −1
i(A ) Q −i(A )
JT =  
iA + iBR B (A ) Q −iBR−1 B ∗ (A∗ )−1
−1 ∗ ∗ −1
En effectuant le produit matriciel on a :
T ∗ JT = J
Ainsi toutes les valeurs propres de T sont non nulles car T est J-symplectique et on a le
lemme suivant :
Lemme 3.1. Soit A une matrice non singulière ; Q, R deux matrices définies positives et T
une matrice symplectique définie en (3.23).
Si λ est une valeur propre de T , alors (λ)−1 ∈ σ(T ) où σ(T ) est le spectre de T .

Démonstration. La matrice T étant inversible d’inverse T −1 = JT ∗ J on a :

   
0 −iIn  A∗ + QA−1 BR−1 B ∗ −QA−1   0 −iIn 
T −1 =
iIn 0 −A−1 BR−1 B ∗ A−1 iIn 0
D’où  
A−1 A−1 BR−1 B ∗
T −1 =  (3.24)
QA−1 A∗ + QA−1 BR−1 B ∗
T
Soit λ une valeur propre de T et x1 x2 le vecteur propre correspondant. On a
      
−1 ∗ ∗ −1 −1 ∗ ∗ −1
x1 A + BR B (A ) Q −BR B (A )  x1  x1
T = ∗ −1 ∗ −1
= λ  (3.25)
x2 −(A ) Q (A ) x2 x2
Puisque λ est valeur propre de T T , il s’ensuit que λ−1 appartient au spectre de (T −1 )T . Ainsi
on obtient de (3.24) que
      
x2   (AT )−1 (AT )−1 QT x x
  2  = λ−1  2 
(T −1 )T  = T −1 T T −1 T −1 T T −1 T
−x1 B(R ) B (A ) A + B(R ) B (A ) Q −x1 −x1
D’où en passant au conjugué on a

    
(A∗ )−1 (A∗ )−1 Q x x
  2  = (λ)−1  2 

−1 ∗ ∗ −1 −1 ∗ ∗ −1
(3.26)
BR B (A ) A + BR B (A ) Q −x1 −x1
Comme les équations (3.25) et (3.26) coïncident pour λ et (λ)−1 , on obtient que (λ)−1 ∈ σ(T ).
La matrice T étant symplectique, elle peut se mettre sous la forme suivante

 
Λ 0  −1
T =W W (3.27)
0 (Λ)−1
où Λ est la matrice diagonale contenant les valeurs propres de T à l’extérieur du cercle unité
(i.e de module supérieure stricte à 1) et W la matrice des vecteurs propres correspondant de T .
On a les définitions suivantes
Définition 3.2.
• Une matrice A est stable si toutes ses valeurs propres sont à l’intérieur du cercle unité, i.e
|λi (A)| < 1 pour tout i = 1, · · · , n.

• Le couple (A, B) est dit stabilisable s’il existe une matrice K ∈ Mmn (C) telle que toutes
les valeurs propres de la matrice A + BK soient à l’intérieur du cercle unité.
• Une solution X de l’équation DARE est dite stabilisée si toutes les valeurs propres de la
matrice A − B(R + B ∗ XB)−1 B ∗ XA sont à l’intérieur du cercle unité.
En considérant la partition suivante de W

 
W11 W12 
W = (3.28)
W21 W22
On a le théorème suivant
Théorème 3.3. Soient (A, B) et (A∗ , Q) un couple stabilisable avec A une matrice non singulière.
Supposons que l’équation discrète algébrique de Riccati (DARE) en (3.22) à une solution
Hermitienne et que les blocs matriciels W12 , W22 dans (3.28) sont non singuliers. Alors,
−1
XR = W22 W12 (3.29)
est l’unique solution Hermitienne maximale de (3.22) et XR est une matrice définie positive
Démonstration. De l’égalité (3.27) on a

 
Λ 0 
W = T W −1
0 (Λ)−1
où T , W sont données respectivement par (3.23) et (3.28). En remplaçant W et T par leur

expression on obtient le système
W11 Λ = AW11 + BR−1 B ∗ (A∗ )−1 (QW11 − W21 ) (3.30)

W21 Λ = (A∗ )−1 (W21 − QW11 ) (3.31)
W12 (Λ)−1 = AW12 + BR−1 B ∗ (A∗ )−1 (QW12 − W22 ) (3.32)
W22 (Λ)−1 = (A∗ )−1 (W22 − QW12 ) (3.33)
De l’équation (3.32) on en déduit grâce à l’hypothèse de la non singularité de W12 que
(Λ)−1 = W12
−1 −1
AW12 + W12 BR−1 B ∗ (A∗ )−1 (QW12 − W22 )
En substituant l’égalité ci-dessus dans (3.33) on a

−1 −1
W22 W12 AW12 + W22 W12 BR−1 B ∗ (A∗ )−1 (QW12 − W22 ) = (A∗ )−1 (W22 − QW12 )

−1
Multiplions maintenant cette égalité par W12 à droite et A∗ à gauche. Nous obtenons
A∗ W22 W12
−1
A + A∗ W22 W12
−1
BR−1 B ∗ (A∗ )−1 (QW12 − W22 )W12
−1 −1
= (W22 − QW12 )W12
D’où

A∗ W22 W12
−1
A + In + A∗ W22 W12
−1
BR−1 B ∗ (A∗ )−1 (Q − W22 W12
−1
)=0

A∗ W22 W12
−1
A + A∗ In + W22 W12
−1
BR−1 B ∗ (A∗ )−1 (Q − W22 W12
−1
)=0
A∗ étant non singulière, l’égalité ci dessus donne

−1 −1
W22 W12 A + In + W22 W12 BR−1 B ∗ (A∗ )−1 (Q − W22 W12
−1
)=0 (3.34)
−1
La matrice In + W22 W12 BR−1 B ∗ est non singulière. En effet soit y un vecteur ligne tel que

−1
y In + W22 W12 BR−1 B ∗ = 0 (3.35)
En multipliant (3.34) par y puis en utilisant (3.35) et la non singularité de W12 , W22 et A, on
−1
a yW22 W12 A = 0. Ce qui implique que y = 0. En outre de l’égalité suivante

−1
In + W22 W12 BR−1 B ∗ W22 W12
−1 −1
= W22 W12 In + BR−1 B ∗ W22 W12
−1
,
−1
et la non singularité de In + W22 W12 BR−1 B ∗ , W12 , W22 on obtient la non singularité de la
−1
matrice In + BR−1 B ∗ W22 W12 dont l’inverse est donné par (cf. [17])
−1 −1
In + BR−1 B ∗ W22 W12
−1
= In − B R + B ∗ W22 W12
−1
B B ∗ W22 W12
−1
(3.36)
−1
−1
Multiplions à présent (3.34) par A∗ In + W22 W12 BR−1 B ∗ et utilisons la non singularité
de W12 et W22 . Nous avons :
−1
A∗ In + W22 W12
−1
BR−1 B ∗ −1
W22 W12 −1
A + Q − W22 W12 =0
−1
A∗ W22 W12
−1
+ BR−1 B ∗ −1
A + Q = W22 W12
−1
A∗ W22 W12
−1
In + BR−1 B ∗ W22 W12
−1 −1
A + Q = W22 W12
Puis de (3.36) nous obtenons

−1
A∗ W22 W12
−1
A + Q − A∗ W22 W12
−1
B R + B ∗ W22 W12
−1
B B ∗ W22 W12
−1 −1
A = W22 W12

3.7. ANALYSE DE LEUR PERTURBATION ET STABILITÉ
−1
Ainsi X = W22 W12 est solution de (3.22). Q, R étant définies positives et les couples (A, B)
∗
et (A , Q) étant stabilisables, les hypothèses du théorème 13.1.3 dans [16] sont satisfaites, ce
qui assure l’existence de la solution maximale Hermitienne XR de (3.22). De plus XR ≥ 0, et
A − B(R + B ∗ XR B)−1 B ∗ XR A est stable ([16], Théorème 13.1.3). La solution maximale étant
−1
unique ([16], Corolaire 13.1.2) on obtient donc que XR = W22 W12 et XR > 0 s’ensuit de la non
singularité de W12 et W22 ce qui achève la démonstration.
Remarque 3.3. i) Il est évident de (3.23) que la méthode algébrique pour calculer la solution
maximale (3.29) de l’équation discrète algébrique de Riccati (3.22) ne peut être utiliser
quand la matrice A est singulière.
ii) Les hypothèses du Théorème 3.3 garantissent que la matrice T n’a pas de valeurs propres
sur le cercle unité ;
i) Si les blocs matriciels W11 et W21 sont non singuliers, en utilisant (3.30) et (3.31) et en
procédant comme dans la démonstration du théorème 3.3, la solution minimale Hermitienne
Xm de (3.22) est donnée par
−1
Xm = W21 W11
3.7 Analyse de leur perturbation et stabilité

Afin d’étudier l’analyse de la perturbation des systèmes de contrôle optimal nous nous
plaçons dans le cas d’un problème de régulateur d’état ou problème de poursuite.
Considérons le système de contrôle linéaire perturbé
ẋ(t) = A(t)x(t) + B(t)u(t) + r(t) , x(0) = x0 , (3.37)
et soit ξ(t) une certaine trajectoire de Rn sur [0, T ], partant d’un point ξ0 . Le but est de
déterminer un contrôle tel que la trajectoire associée, solution de (3.37), suive le mieux possible
la trajectoire de référence ξ(t).
Pour ce faire, on introduit l’erreur sur [0, T ] définie par
ε(t) = x(t) − ξ(t)
qui est solution du système de contrôle
ε̇(t) = A(t)ε(t) + B(t)u(t) + r1 (t) , ε(0) = ε0 , (3.38)

3.7. ANALYSE DE LEUR PERTURBATION ET STABILITÉ
˙ + r(t). Il est donc naturel de minimiser le coût

où ε0 = x0 − ξ0 et r1 (t) = A(t)ξ(t) − ξ(t)
Z T
L(u) = ε(T )T W ε(T ) + ε(t)T Q(t)ε(t) + u(t)T R(t)u(t) dt
0
où W , Q et R sont des matrices de pondération.
Pour absorber la perturbation r1 , on augmente le système d’une dimension, en posant

         
ε A r1  B  W 0  Q 0 
ε1 =   , A1 =  , B1 =  , W1 =  , Q1 = 
1 0 0 0 0 0 0 0
de sorte que l’on se ramène à minimiser le coût

Z T
L(u) = ε1 (T )T W1 ε1 (T ) + ε1 (t)T Q1 (t)ε1 (t) + u(t)T R(t)u(t) dt
0
pour le système de contrôle
ε̇1 (t) = A1 (t)ε1 (t) + B1 (t)u(t) , ε1 (t0 ) = ε0
La théorie (LQ) faite précédemment nous assure alors que le contrôle optimal existe, est
unique, et s’écrit
u(t) = R−1 B1 (t)P1 (t)ε1 (t)
où P1 (t) est solution de l’équation de Riccati

 Ṗ1 (t) = Q1 (t) − A1 (t)T P1 (t) − P1 (t)A1 (t) − P1 (t)B1 (t)R(t)−1 B1 (t)T P1 (t)
 P1 (tf ) = −W1
Cette solution de l’équation de Riccati étant déduite d’un système Hamiltonien, nous pouvons
appliquer les études sur la stabilité des matrices symplectiques afin d’analyser la stabilité du
système perturbé.

Conclusion
Au terme de notre étude, il apparaît que les matrices symplectiques jouent un rôle important
dans l’analyse de la stabilité de certains systèmes dynamiques. Son application dans les théories
de la résonance paramétrique et du contrôle optimal se fait au travers de l’étude des systèmes
Hamiltoniens à coefficients périodiques. En contrôle optimal, la relation entre les systèmes
Hamiltoniens et la solution de l’équation algébrique de Riccati provenant du contrôle optimal,
nous assure l’application des études sur la stabilité et la stabilité forte des matrices symplec-
tiques pour analyser la stabilité du système contrôlé. Les systèmes Hamiltoniens à coefficients
périodiques offrent donc un cadre idéal pour appliquer les études sur la stabilité des matrices
symplectiques.
Notre travail futur consistera donc à étudier différents types de perturbation des systèmes
Hamiltoniens et à analyser le comportement des valeurs propres de la matrice monodromie.
62
Annexe A
Annexe
A.1 Code source du programme de l’algorithme 4

1 f u n c t i o n [ ES , Pr , Pv , i t e r t s , d e l t a ]= RechStab (W, J )
2 % Etude de l a s t a b i l i t e d ’ une m a t r i c e s y m p l e c t i q u e
3 % e t C a l c u l des p r o j e c t e u r s Pr e t Pv s i s t a b i l i t e f o r t e .
4 % Pr : p r o j e c t e u r a s s o c . aux v a l . prop . r o u g e s ;
5 % Pv : p r o j e c t e u r a s s o c . aux v a l . prop . v e r t e s ;
6 % ES : norme de (W’ ∗T^n∗W−T^n )
7 Pr = [ ] ; Pv = [ ] ;
8 t o l i n f =1e −7;
9 t o l s u p =1e +6;
10 t o l = 1 e −15;
11 N=s i z e (W, 1 ) ;
12 S = eye (N) ;
13 B = W;
14 i t e r t s =1;
15 ES( i t e r t s )=norm (W’ ∗ S∗W−S ) ;
16 while 1
17 i t e r t s=i t e r t s +1;
18 S1=B’ ∗ S∗B ;
19 S = ( 1 / 2 ) ∗ [ S + S1 ] ;
20 B = B^ 2 ;
63
A.1. CODE SOURCE DU PROGRAMME DE L’ALGORITHME 4
21 ES( i t e r t s )=norm (W’ ∗ S∗W−S )

22 i f [ ( i t e r t s < 2 0) &[(ES( i t e r t s ) < t o l i n f ) | ( ES( i t e r t s ) > t o l s u p ) ] ] | [
i t e r t s > 30 ] ,
23 break ;
24 end ;
25 end ;
26 i f ( i t e r t s <20) ,
27 d i s p ( ’ t o u t e s l e s v a l e u r s p r o p r e s de W ne s o n t pas s u r l e c e r c l e
unite ’ ) ;
28 d i s p ( ’W e s t donc i n s t a b l e ’ ) ;
29 d e l t a =0;
30 else
31 d i s p ( ’ l e s v a l e u r s p r o p r e s de W s o n t s u r l e c e r c l e u n i t e e t W
est stable ’ ) ;
32 w h i l e ( i t e r t s < 50 ) ,
33 [ d e l t a , L1 , L2]= k g l (W, J ) ;
34 i f ( min ( abs ( d e l t a ) ) >= 1e −7) ,
35 i t e r t s=i t e r t s +1;
36 S1=B’ ∗ S∗B ;
37 S = ( 1 / 2 ) ∗ [ S + S1 ] ;
38 B = B^ 2 ;
39 ES( i t e r t s )=norm (W’ ∗ S∗W−S ) ;
40 else
41 break ;
42 end ;
43 end ;
44 JW = J∗W;
45 S0 = 0 . 5 ∗ (JW+JW’ ) ;
46 % On c a l c u l e l e s v a l e u r s e t v e c t e u r s p r o p r e s du probleme
47 % g e n e r a l i s e S0 x = lambda S x , en u t i l i s a n t l e f a i t que
48 % S0 e s t s y m e t r i q u e e t S0 e s t s y m e t r i q u e d e f i n i e p o s i t i v e .
49 [ V,D] = e i g ( S0 , S , ’ c h o l ’ ) ;
50 % on t r i e l e s v a l e u r s p r o p r e s en commencant par l e s v a l e u r s
n e g a t i v e s e t non n u l l e s .

A.1. CODE SOURCE DU PROGRAMME DE L’ALGORITHME 4
51 [ e , i e ] = s o r t ( r e a l ( d i a g (D) ) ) ;
52 i s=v a l n e g ( e , t o l ) ;
53 % On c o n s t r u i t l e p r o j e c t e u r s p e c t r a l a s s o c i e aux v a l e u r s p r o p r e s
negative ,
54 % i . e . l e p r o j e c t e u r Pv
55 I = [ eye ( i s ) , z e r o s ( i s , N−i s ) ; z e r o s (N−i s , i s ) , z e r o s (N−i s ) ] ;
56 V = V( : , i e ) ;
57 Pv= V∗ I ∗ i n v (V) ;
58 % Pour l a s t a b i l i t e f o r t e on d o i t a v o i r S0 ( I − 2Pv) s y m e t r i q u e
definie positive
59 egv = e i g ( S0 ∗( eye (N) − 2∗Pv ) ) ;
60 i v=d e f p o s ( egv , t o l ) ;
61 Pr= eye (N) − Pv ;
62 end ;
63 f u n c t i o n i s=v a l n e g ( e , t o l )
64 % e = v e c t e u r de nombres r e e l s .
65 % t o l = une c o n s t a n t e p o s i t i v e ds 1 v o i s i n a g e de z e r o .
66 ne=s i z e ( e , 1 ) ; i s =0;
67 f o r k=1: ne
68 i f ( e ( k )<0 & abs ( e ( k ) ) > t o l ) ,
69 i s=i s +1;
70 end ;
71 end ;
72
73 f u n c t i o n i v=d e f p o s ( egv , t o l )
74 % egv = vps de S0 ∗( eye (N) −2∗Pv )
75 % t o l = c o n s t a n t e p o s i t i v e proche ds 1 v o i s i n a g e de z e r o .
76 nev=s i z e ( egv , 1 ) ; i v =0;
77 f o r p=1: nev
78 i f ( egv ( p )<0 | min ( abs ( egv ( p ) ) ) < t o l ) ,
79 i v=i v +1;
80 end ;
81 end ;

Bibliographie
[1] M. Dosso, Sur quelques algorithmes d’analyse de stabilité forte des matrices symplectiques,
PHD Thesis (Septembre 2006), Université de Bretagne Occidentale. Ecole Doctorale SMIS,
Laboratoire de Mathématique, UFR Science et techniques.
[2] M. Dosso, N. Coulibaly and L. Samassi, Strong stability of symplectic matrices using a
spectral dichotomy method, Far East Journal Applied Mathematics, 79(2)(2013), pp. 73-110
[3] M. Dosso, N. Coulibaly, Symplectic matrices and strong stability of Hamiltonian system
with periodic coefficients, J. of Mathematical Science Advances and Applications, 28(2014),
pp. 15-38.
[4] M. Dosso, N. Coulibaly, An analysis of the behavior of multipliers of Hamiltonian system
with periodic coefficients, Far East Journal of Mathematical Sciences, 99(3)2016, pp. 301-322.
[5] M. Dosso, M. Sadkane, On the strongly stability of symplectic matrices, Numerical Linear
Algebra with Application, 20(2)(2011), pp. 234-249
[6] S.K. Godunov, M. Sadkane, Some new algorithms for the spectral dichotomy methods,
Linear Algebra Appli., 358(2003), pp. 173-194.
[7] S.K. Godunov, M. Sadkane, Spectral analysis of symplectic matrices with application to the
theory of parametric resonance, SIAM J. Matrix Anal. Appl., 28(2006), pp. 1083-1096.
[8] S. K. Godunov, Problem of the dichotomy of the spectrum of a matrix, Siberian Math. J.,
27(1986), pp. 649-660.
[9] S. K. Godunov, M. Sadkane, Numerical determination of a canonical form of a symplectic
matrix, Siberian Math. J., 42(2001), pp. 629-647.
[10] S. K. Godunov, Modern Aspects of Linear Algebra, Amer. Math. Soc., 175(1998).
[11] S. K. Godunov, Ordinary differential equations with constant coefficient, American Mathe-
matical Soc. 1 janv. (1997), 282.
66
BIBLIOGRAPHIE
[12] S. K. Godunov, Stability of iterations of symplectic transformations, Siberian Math. J.,

30(1989), pp. 54-63.
[13] S. K. Godunov, Verification of boundedness for the powers of symplectic matrices with the
help of averaging, Siberian Math. J., 33 (1992) 939-949.
[14] I. Gohberg, P. Lancaster and L. Rodman, Indefinite Linear Algebra and Applications,
Birkhäuser Verlag, Basel, 2005.
[15] T. Kato, Perturbation theory for linear operators, Springer-Verlag, New York, 1976.
[16] P. Lancaster, L. Rodman, Algebraic Riccati Equations, Clarendon Press, Oxford, 1995
[17] Maria Adam, Nicholas Assimakis, Nonrecursive solution for the discrete algebraic Riccati
equation and X + A∗ X −1 A = L, Open Mathematics, 2015.
[18] T. Reid, Riccati Differential Equations, Academic Press, 1972.
[19] A. P. Seyranian, Theory of parametric resonance : Modern results, Institute of Mechanics,
Moscow State Lomonosov University, Russia.
[20] L. N. Trefethen, M. Embree, Spectra and pseudospectra. The behavior of non-normal
matrices and operators, Princeton University Press Princeton, (2005).
[21] E. Trélat, Contrôle optimal : théorie et applications, Vuibert, Collection «Mathématiques
Concrètes» (2005), 246 pages.
[22] H. Xu, An SVD-Like Matrix Decomposition and Its Applications, Linear Algebra Appl.,
368(2003), pp. 1-24.
[23] Van der Pol B, Strutt, M. J. O. : On the stability of the solutions of Mathieu’s equation.,
Philosophical Magazine, Series 7, pp. 18-38, (1928).
[24] V.A. Yakubovich, V.M. Starzhinskii, Linear differential equations with periodic coefficients,
Vols. 1 and 2, Wiley, New York, 1975.

Langue

Kanga Pierre Stephane (Mémoire Master)

Transféré par

Informations du document

Description :

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Formats disponibles

Kanga Pierre Stephane (Mémoire Master)

Titre original :

Transféré par

Description :

Droits d'auteur :

Formats disponibles

RÉPUBLIQUE DE CÔTE D'IVOIRE

UNION - DISCIPLINE - TRAVAIL

UNIVERSITE FELIX HOUPHOUET BOIGNY

N°……………….. UFR Mathématiques et Informatique Année académique

L’UNIVERSITÉ FÉLIX HOUPHOUËT BOIGNY

Mention : Mathématiques et Applications

Spécialité : Equations aux dérivées partielles, Analyse Numérique et Optimisation

KANGA OI KANGA PIERRE STEPHANE

MATRICES SYMPLECTIQUES DANS LES THEORIES DE LA

Soutenu le 04 Août 2017

Président : Prof. COULIBALY ADAMA Maître de Conférences, UFRMI, UFHB, Abidjan

A mon père, ma mère, mes sœurs et frères.

A mon fils, KANGA Koua Melvin Chris Mijamin.

A tous que Dieu vous bénisse au delà de toute mesure !

1 Préliminaire sur les Matrices Symplectiques 4

2 Matrice symplectique issue de la théorie de la résonance paramétrique 28

3 Matrice symplectique issue du contrôle optimal 46

L’étude de la stabilité des systèmes dynamiques fait partie de la recherche scientifique

Mémoire Master 3 UFHB-MI

Préliminaire sur les Matrices

1.2 Propriétés spectrales des matrices symplectiques

Propriété 1.1. Soit W ∈ R2N ×2N une matrice J-symplectique. Alors on a :

Mémoire Master 5 UFHB-MI

où U et V sont orthogonales et J-symplectiques et Ω = diag(ω1 , · · · , ωN ) avec ω1 ≥ · · · ≥

p(λ) = det(W − λI2N )

Mémoire Master 6 UFHB-MI

2. Soient (x, λ) et (y, µ) deux couples d’éléments propres de W . On a :

Si x = y nous avons (Jx, x) = |λ|2 (Jy, y) et si λµ̄ 6= 1 6= |λ|2 alors

Les propriétés 3 - 5 sont démontrées dans [9] et la propriété 6 dans [22].

1.3 Stabilité (stabilité forte) des matrices symplectiques

Mémoire Master 7 UFHB-MI

• P0 : Projecteur sur le sous-espace invariant associé aux valeurs propres à l’intérieur du

Définition 1.2. Soit W une matrice J-symplectique. W est :

Mémoire Master 8 UFHB-MI

1.4 Analyse de la stabilité forte d’une matrice symplec-

δKGL (W ) = min{|eiθj − eiθl |} (1.1)

S. K. Godunov et M. Sadkane (cf. [6]) introduisent une autre classification à partir de la

Mémoire Master 9 UFHB-MI

(S0 x, x) = (W T S0 W x, x) = (S0 W x, W x) = (S0 λx, λx) = |λ|2 (S0 x, x)

d’où |λ| = 1. λ est sur le cercle unité.

Mémoire Master 10 UFHB-MI

(S0 z, z) = (S0 (αx + β x̄), αx + β x̄)

Mémoire Master 11 UFHB-MI

δS (W ) = min{|eiθj − eiθl |} (1.5)

Théorème 1.3. La matrice W est fortement stable si et seulement si

Démonstration. Montrons que le théorème est équivalent au critère KGL.

1.4.1 Méthode de dichotomie spectrale

Mémoire Master 12 UFHB-MI

où le spectre Λ(A) de A est partitionné en Λ(A) = Λ(Ã0 ) ∪ Λ(Ã∞ ) avec

Λ(Ã0 ) = {λ ∈ Λ(A) tel que |λ| < 1}

Les projecteurs spectraux P et I − P sur le sous-espace invariant associés respectivement aux

(2j+1 ) (2j+1 ) (2j+1 ) (2j+1 )

Mémoire Master 13 UFHB-MI

Théorème 1.4. Posons B0 = I, A0 = −A et

Ce théorème montre en particulier que :

où les matrices Aj et Bj sont construites itérativement à partir des matrices B0 et A0 à l’aide

Mémoire Master 14 UFHB-MI

Algorithme 1 (Dichotomie spectrale de A par le cercle unité).