Généralités sur les Systèmes Dynamiques

R. Djomo
supervisé par Pr. Réne Ndoundam

1 Introduction
1.1 Ensemble des temps et espace d’états
Un système dynamique est un ensemble mécanique, physique, économique, environnemental
ou de tout autre domaine dont l’état (ensemble de grandeurs suffisant à qualifier le système)
évolue en fonction du temps. L’étude de l’évolution d’un système nécessite donc la connaissance
:

• de son état initial, c’est-à-dire son état à l’instant t0 ;

• de sa loi d’évolution, qui donne l’état futur du système en fonction de l’état présent.

Un système dynamique peut être :

à temps continu

à temps discret : si la loi d’évolution est appliquée à des temps discrets

1.2 Systèmes dynamiques à temps discret

Traditionnellement, on définit un système dynamique à temps discret sur Rd de la façon suivante
:
Nous appelons système dynamique à temps discret un couple (X, f ) où X ⊂ Rd et f est une
fonction de X vers X. L’ensemble X est appelé l’espace du système et l’entier d est appelé la
dimension du système.
Soit x0 ∈ X un point de l’espace. La trajectoire du système partant de x0 est la suite des itérés
de f en x0 : c’est-à-dire la suite à valeur dans X définie par xi+1 = f (xi ) pour tout i ∈ N
D’autres classes de systèmes dynamiques à temps discret que nous pouvons énumérer sont les
suivantes: les systèmes affines par morceaux, les réseaux de neurones et les systèmes linéaires
commutés.

1.3 Systèmes dynamiques à temps continu

Nous définissons un système dynamique à temps continu sur Rd comme un couple (X, f ) où
X ⊂ Rd et f : X −→ Rd définit les trajectoires du système par l’équation différentielle ẋ = f (x)
Cependant, on suppose généralement la fonction f lipschitizienne ou continue : supposer la
fonction f continue permet de garantir l’existence des trajectoires, et supposer la fonction f
lipschitizienne permet en outre de garantir l’unicité des trajectoires.
Nous ne supposons pas que la fonction f soit nécessairement continue. Ainsi, pour nous, un
système dynamique à temps continu est un couple (X, f ) où X ⊂ Rd et f est une fonction de
X vers Rd . L’ensemble X est appelé l’espace du système et l’entier d est appelé la dimension

1
du système.
Soit x0 ∈ X un point de l’espace. Une trajectoire du système partant de x0 est une solution φ
de l’équation différentielle ẋ = f (x) dans le sens suivant:

1. φ est une fonction continue de I vers X où I est un intervalle non vide du type
I = [0, t∗ [, I = [0, t∗ ] ou I = [0, ∞[

2. φ(0) = x0

3. φ est dérivable à droite sur I

0
4. φd (t) = f (φ(t)) pour tout t ∈ [0, t∗ [ si I = [0, t∗ [ (resp. I = [0, t∗ ]) et pour tout t ∈ [0, ∞[
0
si I = [0, ∞[ : φd (t) désigne la dérivée à droite de Φ en t.

2 Définitions,Propriétés générales et Notation

Un système dynamique est un modèle permettant de décrire l’évolution au cours du temps d’un
ensemble d’objets en interaction. Cet ensemble d’objets est défini par le modélisateur. Définir
un système dynamique nécessite de définir deux catégories de descriptions :

• une représentation d’état. Cette représentation décrit ce qui relève du domaine spatial.
Il s’agit d’une liste de variables, que l’on appelle vecteur d’état, permettant de décrire à
tout instant notre ensemble d’objets. Le nombre de ces variables correspond au nombre
de degrés de liberté de notre système, en prenant en compte les liaisons mécaniques et les
contraintes solides entre les objets ;

• une fonction de transition. Cette fonction décrit ce qui relève du domaine temporel.
Elle décrit toutes les forces, contraintes élastiques, collisions, et plus généralement les
échanges d’énergie entre les objets. Cette fonction donne ainsi l’évolution du vecteur
d’état entre deux instants t1 et t2 .

Un système dynamique est donc la donnée d’un vecteur d’état et d’une fonction de transition.
On peut noter que la définition d’un système dynamique, dans la mesure où elle se réfère à une
sous-partie du monde, définit également une frontière entre un « intérieur » et un « extérieur »
au système. Cet extérieur est constitué par l’ensemble des objets non décrits par le modèle, que
l’on appelle environnement du système.On attend classiquement de la part de l’environnement
un comportement stationnaire (source chaude, source froide, stimulation périodique, source de
bruit, etc.) Si l’action de l’environnement sur le système ne dépend pas du temps, le système
est dit autonome (et dans le cas contraire le système est dit forcé). Un système qui consomme
de l’énergie (ou toute autre grandeur assimilable à une énergie) au cours du temps est dit
dissipatif.

2.1 Propriétés générales

Un système dynamique est défini par un triplet D = (X, T, φ) où:
- X est un ensemble représentant l’espace des états globaux du système,
- T est un ensemble totalement ordonné représentant l’espace du temps et
- φ est une fonction φ : X × T → X, appelée fonction de transition globale (ou fonction
d’itération) du système qui associe à chaque élément de l’espace des états globaux une image
dans ce même espace en fonction du temps , et qui possède la propriété, pour tout x ∈ X et
t1 , t2 ∈ T :

2

φ(x, 0) = x
φ(φ(x, t1 ), t2 ) = φ(x, t1 + t2 )
A partir d’un vecteur de conditions initiales x0 , la fonction φ permet de définir l’état du système
à tout instant. Plus précisément, pour tout x0 ∈ X, la trajectoire qui a x0 pour origine est
définie par l’application φx0 : T → X telle que φx0 (t) = φ(x0 , t).
Une trajectoire associe donc à chaque instant un point dans l’espace d’états ; l’ensemble de ces
points constitue une courbe appelée orbite de x0 . Le terme trajectoire évoque le déplacement
d’un mobile au sein d’un espace tridimensionnel. Bien entendu, les variables d’état peuvent
représenter bien autre chose que des coordonnées spatiales, mais l’évolution de notre système
peut toujours être décrite par une courbe au sein de son espace d’états (également appelé espace
des phases).
Cette courbe fournit une représentation abstraite de l’évolution du système.

2.2 Définition
Le choix de l’espace temporel T est décisif et dépend en général du phénomène que l’on souhaite
modéliser.
Le système dynamique (X, T, φ) est dit à temps continu si T = R+ , et si T = N, le système est
dit à temps discret (dont le temps évolue dans l’ensemble des entiers naturels):
- les systèmes à temps continu sont les systèmes différentiels classiques, qui servent par exemple
à décrire les systèmes physiques en mécanique ou en électricité.
Une équation différentielle de type :

dx(t)
= h(x(t)), x(0) = x0 , x(t) ∈ X ⊂ RN (1)
dt
permet de définir un système dynamique autonome1 à temps continu D = (X, R+ , φ) où φ est
la solution de (1): Z t
φ(x0 , t) = φ(x0 , 0) + h(x(s))ds, φ(x0 , 0) = x0 (2)
0
- le formalisme des systèmes à temps discret est utile, entre autres, pour décrire le comportement
des systèmes de traitement de l’information comme certains réseaux de neurones. Les systèmes
à temps discret autonomes reposent sur l’itération d’une fonction f : X → X, telle que:

x(t + 1) = f (x(t)), x(0) = x0 , x(t) ∈ X ⊂ RN (3)

qui définit le système dynamique D = (X, N, φ) où φ est donné par:

φ(x0 , t) = f t (x0 ) (4)

Le temps des systèmes à temps discret peut être vu comme étant associé à des mesures effectuées
sur un système à temps continu dont on observe l’évolution à intervalles réguliers. Par ailleurs,
les systèmes à temps continu n’étant pas toujours intégrables, il fait fréquemment appel à des
simulations numériques pour décrire leur comportement. Dans ce cas, le calcul numérique
nécessite une discrétisation du système continu2
Dans les domaines discret ou continu, les fonctions f ou h sont également appelées fonctions
de transition.
1
Un système non autonome sera défini par une fonction de transition dépendant du temps, soit dx(t)
dt =h(x(t),t)
2
La discrétisation la plus élémentaire est obtenue avec le premier terme du développement de Taylor (schéma
d’intégration d’Euler) : x(t + ∆t) ' x(t) + h(x(t))∆t,ce qui donne un système discret décrit par l’application
f (x) = x + h(x)∆t

3
2.3 Réseaux d’automates
Définition
Un réseau d’automates R composé de n éléments est un couple (Q, F ) où :
- Q ⊂ Z est l’ensemble fini des états dans lesquels peut être chacun des n automates,
- F : Qn −→ Qn est la fonction de transition globale.
On note F = (f1 , ..., fn ) et on appelle fi : Qn −→ Q la fonction de transition locale de l’élément
i, qui permet la mise à jour de son état en fonction des états des éléments du réseau.
On peut remarquer qu’à partir des éléments en interaction d’un réseau d’automates, on peut
construire un graphe orienté.

Définition (Graphe d’interaction)

On appelle graphe d’interaction associé au réseau d’automates R = (Q, F ) à n éléménts, le
graphe orienté G = (V, A) où :
- V = {1, ..., n} est l’ensemble des sommets (ou noeuds) de G,
- A ⊆ V × V est l’ensemble des arcs de G, et est tel que :
∀i ∈ V, ∀j ∈ V, (i, j) ∈ A
∃X ∈ Qn , y ∈ Q, y 6= xi /fj (x1 , ..., xi , ..., xn ) 6= fj (x1 , ..., y, ..., xn )
chacun des sommets du graphe d’interaction associé à un réseau d’automates représente un
des automates du réseau et les arcs du graphe représentent les interactions entre les éléments.
Nous définissons les graphes d’interaction à partir des fonctions de transition locale. Ceci nous
assure qu’un arc du graphe d’interaction entre le noeud i et le noeud j représente une réelle
influence de l’automate i sur l’automate j dans le réseau. Ainsi, supprimer un arc du graphe
d’interaction revient à modifier l’une des fonctions de transition locale du réseau et donc la
dynamique d’un système. Formellement, on dit que le graphe d’interaction a une structure
quasi-minimale.

3 Modes d’itération
En passant d’un formalisme à temps continu pour les systèmes dynamiques réels à un formalisme
à temps discret pour les systèmes dynamiques discrets, on découple en quelque sorte le temps et
l’espace des états. Ainsi, pour les systèmes comportant plusieurs variables, comme les réseaux
d’automates par exemple, la mise à jour de l’état de chaque variable peut se faire de façon
synchrone, c’est-à-dire que tous les états sont mis à jour en même temps, ou non.
Formellement, on définit les modes d’itération blocs-séquentiels comme suit :

Définition 1 (Préordre total )

Soit  une relation binaire définie sur un ensemble E.
 est un Préordre si elle est

• réflexive, c’est-à-dire ∀a ∈ E, a  a,

3 ab
• et transitive, c’est-à-dire ∀(a, b, c) ∈ E , ⇒ a  c.
bc
 est un ordresi c’est un préordre antisymétrique,c’est-à-dire
ab
∀(a, b) ∈ E 2 , ⇒ a = b.  est un Préordre total si c’est un préordre et que tous les
ba
éléments de E sont comparables, ∀(a, b) ∈ E 2 , a  b ou b  a.

4
On dit que deux éléments a et b d’un ensemble E sont égaux selon le  défini sur E, si on a
a  b et b  a. Au contraire, on dit que a et b sont strictement différents selon  si on a soit
a  b, soit b  a, mais pas les deux en même temps (ou exclusif).

Définition 2 (Modes d’itération blocs-séquentiels)

Soit R = (Q, F ) un réseau d’automates à n éléments, et  un préordre total sur l’ensemble
{1, ..., n}.
On note fi la fonction de transition locale de l’élément i.
On dit que R est itéré avec le mode d’itération blocs-séquentiels associé à  quand on a:
∀i ∈ {1, ...,n}, ∀t ∈ N, xi (t + 1) = fi (x1 (r1 ), ..., xn (rn ))
t si i  j
avec rj =
t + 1 sinon
Deux cas particuliers de mode d’itération blocs-séquentiels découlent directement de cette déf-
inition

Définition 3 (Mode d’itération parallèle et modes d’itération séquen-

tiels)
Si le préordre  est tel que tous les éléments de {1, ..., n} sont tous égaux selon , alors tous
les éléments sont mis à jour de façon synchrone. On appelle ce mode d’itération, le mode
d’itération parallèle. En mode parallèle, on a:
∀i ∈ {1, ..., n}, ∀t ∈ N, xi (t + 1) = fi (x1 (t), ..., xn (t)).

Si, au contraire, les éléments de {1, ..., n} sont deux à deux strictement différents selon ,
c’est-à-dire si  est un ordre, alors les éléments sont mis à jour de façon séquentielle, en tenant
compte de l’ordre défini par . On appelle ces modes d’itération, les modes d’itération séquen-
tiels. En supposant que les éléments de {1, ..., n} sont rangés selon , en mode séquentiels, on
a:
∀t ∈ N, x1 (t + 1) = f1 (x1 (t), ..., xn (t))
∀i ∈ {2, ..., n}, ∀t ∈ N, xi (t + 1) = fi (x1 (t + 1), ..., xi−1 (t + 1), xi (t), ..., xn (t))
On peut remarquer que chaque préordre total défini sur l’ensemble {1, ..., n} est associé à une
unique partition ordonnée {1, ..., n}. On peut également donc définir les modes d’itération
blocs-séquentiels à partir des partitions ordonnés, comme dans [2] par exemple. Le mode par-
allèle correspond au cas où la partition est réduite à l’ensemble {1, ..., n}, alors que les modes
séquentiels correspondent aux partitions ordonnées à n éléments (chaque élément de la par-
tition contient un unique élément de {1, ..., n}). Dans la suite de notre travail, on désignera
un mode d’itération blocs-séquentiels par la partition ordonnée à laquelle il est associé. Par
exemple, pour les réseaux d’automates à 3 éléments, le mode d’itération (1)(3)(2) est le mode
séquentiel pour lequel l’élément 1 est mis à jour en premier, puis l’élément 3, et enfin l’élément
2. Remarquons à nouveau que, malgré l’emploi de la notion d’ordre de mise à jour, les éléments
sont tous mis à jour à chaque pas de temps, même pour les modes séquentiels.
A partir de tout préordre total défini sur {1, ..., n} (ou de toute partition ordonnée de {1, ..., n}),
on peut définir un mode d’itération blocs-séquentiels pour les réseaux d’automates à n élé-
ment. Le nombre de modes d’itération blocs-séquentiels pour les réseaux d’automates à n
éléments,noté B(n), est donc égal au nombre de préordres totaux que l’on peut définir sur
{1, ..., n} (ou au nombre de partitions ordonnées de {1, ..., n}). Ce nombre vérifie la relation de
récurrence suivante:
   
Pn−1 n n
B(n) = i=0 B(i) avec B(0) = 1 et coefficient binomial
i i

5
Les nombres B(n) sont connus sous le nom de nombres de Fubini ou nombre de Bell avec
ordre3 [3]. Quelques uns de ces nombres sont donnés dans le tableau 1 pour de petites valeurs
du nombre d’éléments n

n 1 2 3 4 5 6 7 10 12
B(n) 1 3 13 75 541 4683 47293 1, 02 ∗ 108 2.81 ∗ 1010

Tableau 1: Nombre de modes d’itération blocs-séquentiels pour des réseaux d’automates à n

éléments pour quelques petites valeurs de n
.

On remarque que le nombre de modes d’itération blocs-séquentiels pour des réseaux d’automates
à n éléments croît très rapidement avec n. Dans [4], Wilf montre qu’asymptotiquement, on a:
1 n
B(n) = 2(ln2) n+1 n! + O((0, 16) n!)

On a donc une croissance exponentielle du nombre de modes d’itération blocs-séquentiels pour

les réseaux d’automates en fonction du nombre d’éléments de ces réseaux. L’approximation
donnée par Wilf est valable même pour les petites valeurs de n où elle reste très bonne (par
1
exemple pour n = 3, 2(ln2) n+1 n! = 12, 996)

On remarquerera enfin qu’il y a un unique mode parallèle quelque soit la taille du réseau, mais
que le nombre de modes séquentiels pour un réseau à n éléments est n! (nombre de permuta-
tions des n éléments).
Biologiquement, on peut interpreter les modes d’itération blocs-séquentiels en terme de régula-
tion génétique. Dans la phase de transcription, la chromatine, qui est le support des gènes dans
le noyau est remodelée pour permettre l’action de L’ARN polymérase, enzyme qui catalyse la
réaction de transcription. Deux gènes a et b qui se retrouvent proches lors de ce remodelage
de la chromatine sont susceptibles d’être transcrits au même moment. Ainsi, au niveau de son
expression, le gène b ne peut subir l’effet de L’ARN messager qui est en train d’être produit à
partir du gène a et encore moins des proteines obtenues après traduction de cet ARN messager.
L’expression du gène b dépendra donc de l’état d’activation antérieur de a. Du point de vue
du modèle, on peut donc considérer que les gènes a et b sont dans un même bloc du mode
d’itération blocs-séquentiels.

4 Transitoire et Cycle
Le mode d’itération parallèle permet de construire la suite X(t) = F t (X(0)) à partir de X(0) ∈
Qn (ou bien X(t) = Gt (X(0)) pour le mode d’itération série)
Puisque les configurations X(t) n’ont que |Q|n valeurs possibles, la suite finit par devenir
périodique. Plus précisement, il existe un entier T , 0 ≤ T < |Q|n appelé transitoire et un entier
p, 1 ≤ p ≤ |Q|n appelé période tels que :

0 0
∀t, t ∈ {0, 1, ..., p + T − 1}, t 6= t implique qu0 il existe un entier p, 1 ≤ p < |T |n (5)

X(T + p) = X(T ) (6)

L’importance de l’étude des longueurs de transitoire et de cycle vient notamment du fait qu’ils
peuvent être interprétés comme des indicateurs de complexité des automates sous-jacents.
Exemple:
Q = {0, 1}, V = {0, 1, 2}.
3
Traduction littérale personnelle du terme anglais "ordered Bell numbers"

6
Considérons la fonction globale de transition F = (f2 , f1 , f0 ) où :

f2 (x) = x0 x1 + x1 x2

f1 (x) = x0 x1 + x1 x2 + x0 x2

f0 (x) = x0 x2 + x1

Le calcul de la table de F :

x F(x)
x2 x1 x0 f2 (x) f1 (x) f0 (x)
0 0 0 1 1 1
0 0 0 1 1 1
0 1 1 1 1 0
0 1 0 0 1 0
1 0 1 0 1 1
1 0 1 1 1 1
1 1 1 1 1 1
1 1 0 1 1 0

Tableau 2: table de F
.

permet de dessiner le graphe de l’itération parallèle.

Le graphe suivant est celui de la fonction globale de transition de F

Figure 1: Graphe d’itération de F

5 Equation Neuronale de McCulloch et Pitts

A partir de la construction de la suite X(t) du mode d’itération parallèle, Considérons que
|Q|=2, soit la fonction sign définie ainsi :

7
 • Dans le casoù Q = {0, 1}, sign est la fonction à seuil définie par :

 0 si x < 0

sign(x) =


1 si x ≥ 0

Dans ce cas la fonction sign est remplacée par la fonction de Heavyside 1

• Dans le casoù Q = {−1, 1}, sign est la fonction à seuil définie par :

 −1 si x < 0

sign(x) =


1 si x ≥ 0

Dans ce cas la fonction sign est remplacée par la fonction H.
McCulloch et Pitts [1] ont suggéré en 1943 de modéliser le cerveau humain par un réseau
d’automates à seuil, où chaque automate représente un neurone formel.

Dans le mode d’itération parallèle, la fonction de transition locale du neurone numéro i à

l’instant t estP
:
xi (t) = sign( nj=1 aij xj (t − 1) − bi ), 1 ≤ i ≤ n où:
• xi (t − 1) est l’état du neurone i au temps t − 1, xi (t − 1) ∈ Q.
• bi est le seuil d’excitation du neurone i.
• aij est le poids de connexion qui représente l’influence de l’état du neurone j au temps
t − 1 sur l’état du neurone i au temps t.
Pn
• j=1 aij xj (t − 1) est le potentiel membranaire du neurone i à l’instant t − 1.

Une représentation simplifiée de ces opérations neuronales est schématisée dans la figure 2
ci-dessous :

Figure 2: Modèle simplifié du neurone formel

8
References
[1] Warren S McCulloch and Walter Pitts. A logical calculus of the ideas immanent in nervous
activity. The bulletin of mathematical biophysics, 5(4):115–133, 1943.

[2] Sylvain Sené. Influence des conditions de bord dans les réseaux d’automates booléens à seuil
et application à la biologie. PhD thesis, Université Joseph-Fourier-Grenoble I, 2008.

[3] NJA Sloan. The on-line encyclopedia of integer sequences, sequence a008284. Published
electronically at http://oeis. org, 2011.

[4] HS Wilf. Generatingfunctionology, acad. Press, New York, 1990.