CHAPITRE 2: COMPORTEMENT COLLECTIF

OBJECTIFS: Identifier un comportement émergent dans un réseau de

systèmes dynamiques et le caractériser.

1. INTRODUCTION
Un comportement collectif est une action sociale plus ou moins spontanée qui traduit
l’attitude que de nombreux individus manifestent en même temps, en présence d’un même
stimulus. Chez de nombreuses espèces grégaires par exemple, se mouvoir efficacement est
une question de survie. L'apparition de ces comportements dans un groupe ne nécessite
aucune hiérarchie apparente au sein du groupe mais repose uniquement sur des interactions
simples à l'échelle des individus. L'enjeu est alors d'identifier la nature des interactions et les
mécanismes liés aux changements de régimes dynamiques.

2. Outils d’identification
L’identification ou la détection de comportements collectifs repose principalement sur la
constitution de modèles qui permettent de les représenter par une méthode d’apprentissage et
par une méthode de reconnaissance.

Les comportements individuels sont rarement simples et les actions collectives encore moins.
Face à cette complexité, la communauté scientifique utilise la technique de modélisation
mathématique. Des modèles son conçus en se basant sur un ensemble d’états, où chaque état
caractérise une possibilité de ce que le monde peut être.

2.1. Modèles mathématiques

Un modèle mathématique est une représentation simplifiée au moyen d’équations, de
fonctions ou de formules mathématiques, d’un phénomène ou de la relation entre deux ou
plusieurs variables. Les modèles mathématiques sont utilisé pour analyser la relation entre
deux ou plusieurs variables, pour comprendre des phénomènes naturels, sociaux, physique
etc. ils peuvent également être utilisé pour prédire la valeur des variables dans le futur, faire
des hypothèses, évaluer les effets d’une certaine activité entre autres. Les modèles
mathématiques les plus utilisé pour l’étude de comportement sont :

 Le modèle de Hodgkin-Huxley ((Hodgkin and Huxley, 1952))

 Le modèle de FitzHugh-Nagumo (Nagumo et al., 1961)
 Le modèle de Hindmarsh-Rose (Hindmarsh and Rose, 1982)
 Le modèle de Lorentz (Lorenz, 1963)
 Le modèle de Rössler (Rössler, 1979)

2.2. Réseau de systèmes

Il est parfois nécessaire de faire interagir plusieurs modèles pour simuler un phénomène
un réseau désigne donc un ensemble de systèmes interconnectés qui peuvent échanger des
données et partager des ressources entre eux. L’étude des réseaux repose sur la
compréhension de la relation entre la nature des interactions (couplage et topologies) et les
mécanismes liés au changement de comportement. La forme générale d’un réseau est donnée
par l’équation suivante :

xi  F  xi    Gij H  xi , x j 
N
1
j 1

Où N est le nombre d’oscillateurs,  la force de couplage et Gij est la matrice de

connectivité, H est la fonction de couplage et F un système dynamique.

a) Type de couplage
La littérature sur les réseaux de systèmes couplés présente différents types de couplages entre
les systèmes dynamiques. Une fonction de couplage décrit la règle physique spécifiant
comment une interaction se produit entre les éléments du réseau. Ainsi, on distingue :

 Couplage linéaire et non linéaire.

Un couplage est dit linéaire respectivement non linéaire si toutes les composantes du
vecteur de couplage H de l'équation (1) sont des termes linéaires respectivement non
linéaires.

Exemple : l’équation (2) traduit un couplage linéaire tandis que l’équation (3) definie un
couplage non linéaire.

H1  xi , x j    x1i  x1 j , x2i  x2 j ,..., xNi  xNj   2

T

H 2  xi , x j    x1i  x1 j  ,  x2i  x2 j  ,...,  xNi  xNj  

T
 3
2 2 2

 

 Couplage Diffusive et Globale

Le couplage diffusif produit une interaction locale uniquement entre chaque composant
du réseau et ses plus proches voisins. Dans les réseaux utilisant ce type de couplage, les
informations sont transmises de proche en proche. Sa fonction est définie par :

H  xi , x j    x j 1  x j 1  2 xi   4
Le couplage global, également appelé couplage All to All, est l'un des mécanismes de
couplage les plus utilisés dans la littérature des réseaux de systèmes couplés. Ce type
couplage produit une interaction dans l’ensemble des éléments du réseau. Son terme de
couplage est donné par l’équation (5).
 H  xi , x j    x  x 
N

i j  5
j 1, j i

 Couplage attractif et répulsif

Les couplages attractifs (excitateurs) et répulsifs (inhibiteurs) se retrouvent dans une

variété de systèmes physiques, chimiques et biologiques. le couplage attractif est bien
connu pour avoir une tendance à aligner les systèmes dans un état synchronisé en phase.
En revanche, le couplage répulsif est connu pour sa tendance à aligner les systèmes dans
un état de synchronisation déphasé. La fonction de couplage est donnée par l’équation
(6).

H  xi , x j    a  x j  xi    r  x j  xi   6

Où  a est la force de couplage attractif et  b la force de couplage répulsif.

b) Topologie des réseaux

Une topologie de réseau correspond à l’architecture de ce dernier. Elle peut être physique,
logicielle ou logique et définie les liaisons entre les éléments du réseau et une éventuelle
hiérarchie entre eux. Elle définit également la façon dont les équipements sont
interconnectes et la représentation spatiale du réseau ou la façon dont les informations
transitent dans le réseau. On distingue :

Figure 1: Topologie en anneau (All to All) (Em Phan, 2015)

Figure 2: Topologie en anneau (diffusif) (Em Phan, 2015)

Figure 3: Topologie en étoile (Em Phan, 2015)

3. Comportements émergents
On parle de comportement émergent dans un réseau lorsque l’apparition de l’ordre global ne
nécessite aucune hiérarchie apparente au sein du groupe mais repose uniquement sur des
interactions simples à l’échelle des individus. Ces comportements émergents sont entre
autres :

3.1. La synchronisation
La synchronisation est un processus par lequel les éléments dans un groupe ou dans un réseau
tendent à adopter le même comportement dans le temps. Il existe plusieurs types de
synchronisations :

 La synchronisation de phase : processus permettant de réaliser deux ou plusieurs

systèmes couplés avec la même période et simultanément.
 La synchronisation complète : La synchronisation complète induit une coïncidence
totale des phases (fréquences) et des amplitudes des réponses des systèmes couplés.
 La synchronisation généralisée : c’est un type de synchronisation qui est
principalement obtenu lorsque le couplage se fait entre les systèmes dynamiques
différents.
 La synchronisation adaptative : Cela correspond à un comportement collectif
identique obtenu suite à l'application au réseau d'une méthode de contrôle
automatique (PSO).

De nos jours, différents algorithmes sont constamment utilisées pour apprendre et reconnaître
le phénomène de synchronisation dans les réseaux de systèmes.

a) Erreur quadratique
La synchronisation est un processus par lequel toutes les solutions des sous-systèmes
convergent vers la même sortie. Il est donc possible de définir dans le temps et de manière
globale l'écart entre les sorties des sous-systèmes à la fois dans la couche et entre les couches
s'il s'agit d'un réseau multicouches.
En considérant un système de réseau à L couches dans lequel chaque couche est constituée
de N sous-systèmes, l'erreur de synchronisation entre les éléments de la même couche k est
définie par l'équation (a1) et celle entre les couches par l'équation (a2).

1 N
Ek ,intra  t    xk ,i  t   xk  t 
N i 1
 a1 
1 N 1 L
1 N L
xk   k, j
N j 1
x and xi   x j ,i
l j 1
Einter  t    xk ,i  t   xi  t 
N  l i 1 k 1
 a2  où

b) Lyapunov Transversal
L'exposant de Lyapunov joue un rôle très important dans la théorie des systèmes dynamiques.
Il détermine les propriétés de stabilité et le degré de stochasticité d'une trajectoire. Il est lié à
l'expansion et à la contraction des différentes directions dans l'espace des phases (Pyragas,
1997 ; Galias, 1999 ; Schröder et al., 2015). L'exposant de Lyapunov caractérise le taux
moyen de divergence exponentielle des trajectoires voisines.

Considérons deux systèmes dynamiques unidirectionnels formés par les variables x et y.

L'expression du système couplé de la variable x est de la forme :

x  f  x  C  y  x  b1 
Où x et y sont les variables d'état du premier et du second système respectivement. C est la
matrice de couplage carrée et alpha est la force de couplage. La synchronisation des deux
systèmes est obtenue lorsque leurs sorties sont identiques, c'est-à-dire x  t   y  t   s  t  . S(t)
représente la sortie commune des deux systèmes, soit zT  t   y  t   x  t  la différence
transversale entre les deux sorties, on a donc :

zT  f  y   f  x    C  y  x 
  J  s    C  zT  b2 
Où J est la matrice jacobienne de f . L'expression de l'exposant de Lyapunov transversal
maximal est donnée par l'équation (b3).

1  zT  t  
max
T
 lim ln  
x  t  zT  0  
 

Un mouvement instable a un exposant de Lyapunov maximum positif ( max

T
), un mouvement
stable correspond à un exposant de Lyapunov négatif. Les mouvements limités d'un système
linéaire possèdent un exposant de Lyapunov négatif ou nul.

c) Order parameter
Le paramètre d'ordre, défini par Kuramoto et Battogtokh, est un bon outil pour analyser la
synchronisation de phase dans les systèmes couplés ainsi que dans les réseaux. Le calcul du
paramètre d'ordre nécessite la phase de chaque système. Pour calculer cette phase, nous
considérons un signal temporel arbitraire s   et s  t  étant sa transformée de Hilbert.

    s    js    R   e j    c1 
où R   est l'amplitude et    la phase de la variable s   . Si on désigne par    la
phase instantanée, alors elle peut être déterminée par :

 si   
i    tan 1    c2 
 si   

Le paramètre d'ordre pour un système constitué de N oscillateurs est exprimé comme suit :
N
1
r
N
e 
i 1
j i
 c3 

En utilisant la formule d'Euler, on peut réécrire l’équation 2 comme suit :

2 2
N  N 
r
1
 sin  j     cos  j  
  c3 
N  j 1   j 1 

Où j 2  1 . La synchronisation de phase est effective lorsque la valeur de r  1 et lorsque

r  0 , le réseau est complètement désynchronisé.

d) Master stability function

Un problème régulier qui se pose lors de l'analyse de la dynamique d'un réseau est de trouver
les conditions qui garantissent la synchronisation d'un système d'oscillateurs non linéaires
identiques couplés, de sorte que tous les oscillateurs convergent asymptotiquement vers le
même état. Développée par Pecora et Carroll en 1998, la fonction de stabilité maître (MSF)
est un outil utilisé dans un réseau de systèmes identiques couplés pour démontrer la stabilité
de la synchronisation complète du réseau. Nous développons ici quelques points importants
de cette méthode.

Considérons un système isolé (oscillateur) défini par l’équation (d1) :

xi  F  xi   d1 
Où xi est un vecteur de m-composantes utilisé pour décrire l'état du ième oscillateur ; F est
une fonction définie de R m  R m utilisée pour définir la synchronie locale des oscillateurs.
En prenant en compte l'interaction ou la connexion entre les N oscillateurs du réseau,
l’équation (d1) n'est pas suffisante pour décrire la dynamique du réseau. En prenant en
compte les interactions, la loi directrice du ième oscillateur est donnée par :

xi  F  xi   k  Gij H  xi , x j 
N
 d2 
j 1

Dans cette équation (d2), k représente la force de couplage ; H est une fonction de couplage
arbitraire et G est une matrice de connectivité. Les oscillateurs du réseau sont synchronisés
si tous les oscillateurs convergent vers le même état xs tel que x1  x2  ...  xN  xs .

Ainsi, l’équation (d2) peut être résoudre et la solution est tel que : xs  F  xs  , supposons
une perturbation  x . On a  x  x  xs , ceci conduit à l’obtention du système d’erreur
suivant:
N
 xi  DF  xs  . xi  k  Gij DH  xs . x j  d3 
j 1

Avec DF et DH décrivant respectivement le jacobien des fonctions F et H évaluées sur

l'état synchronisé. Si  x  0 , alors la solution xs est stable.

L'utilisation de la notation tensorielle conduit à l'équation suivante :

 x  1N  DF  s   kG  DH  s   . x  d4 

En raison du degré de l’équation (d4), la solution peut être sous la forme  xi  eit où
l'exposant  permet de conclure sur la stabilité du réseau : si   0 alors la fonction
d’erreur est croissante et le système est dit instable par contre si   0 , l’erreur décroît dans
le temps et on dit que le système est dans un état stable.

3.2. Etats chimères

Au-delà du phénomène de synchronisation et de ses différents types évoqués, d'autres formes
plus complexes de synchronisation existent et les états chimériques représentent l'une d'entre
elles. Les états chimères sont caractérisés par la coexistence d'un mouvement cohérent, qui
est formé par des oscillateurs synchrones, et d'un mouvement incohérent, où les unités ne
sont pas synchronisées et se comportent dans une dynamique incohérente. A l'origine, il était
convenu que les états chimériques émergeaient dans des réseaux couplés dont la
configuration de couplage était non-locale. Mais de nombreux travaux très récents ne se sont
pas limités à ce point ; les chercheurs ont découvert que les états chimériques peuvent
apparaître dans des réseaux globaux (All to All). Il a été découvert que des états chimériques
peuvent se produire dans des systèmes de cycles limites et des systèmes dynamiques
chaotiques.

Caractérisation
La caractérisation des états dynamiques collectifs se fait sur la base de la mesure quantitative
de la force de l'incohérence récemment proposée par Gopal et al. (Gopal et al., 2014a). Pour
évaluer cette mesure, on introduit des variables dynamiques de différence zi définies comme
zi  zi 1  zi avec i  1; 2;3;...; N . Pour distinguer les états chimériques des états incohérents,
une divisons est faite sur l'ensemble de la population des oscillateurs en un nombre M
d'intervalles de longueur égale n  N  M . L'écart-type local   m  est défini comme suit :

nm
1
  m    e1 
2
 z j  z 
n j  n m 1 1
t

1 N
Où m  1; 2;...; M , z   zi et . t définit une moyenne temporelle. Cet écart type local est
N i 1
utilisé pour calculer la force d'incohérence (SI) donnée par la relation suivante :
M
1
SI  1 
M
s
m 1
m  e2 

avec sm       m   où  . est la fonction de pas de Heaviside, et δ est un petit seuil

prédéfini. L'état incohérent est identifié par SI  1 tandis que SI  0 définit un état cohérent.
Si le SI se situe entre 0 et 1 (0 < S < 1) on parle d’états chimères ou multi chimères. La
différenciation entre les états chimères et multi chimères se fait par la mesure de discontinuité
(DM), basée sur la distribution de sm . Elle est définie comme suit :

1 M
  si  si 1 ,  sM 1  s1 
2 i 1
 e3 

Si   1 , on dit qu’il y’a un état chimérique et si η est un entier positif supérieur à un, on
parle des états multi chimères. L'état cohérent est caractérisé par   0 .

Tableau de caractérisation des états chimère et multi chimères (Gopal et al., 2014a).

3.3. Application à un réseau

Considérons un réseau constitue de N (N=100) oscillateurs de rosler couplés. Les

informations sont échangées dans le réseau suivant une topologie globale (All to All) : c’est-
à-dire un oscillateur donné est connecté à tous les autres oscillateurs. Le type de couplage
utilisé est diffusif. La modélisation mathématique de ce réseau est donnée par le système
suivant (S1):

 1
gij  x1j  xi1 
N

 ix   x 2
i  xi
3
 k 
 j 1
 2
 xi  xi  axi
1 2
 S1 
 3
 xi  b  xi  xi  c 
3 1



Où les x , x , x 
1
i
2
i
3
i i 1,2,..., N sont les variables d’états du système de roosler ;
a  0.2, b  0.2et c  5.7 sont des paramètres du système de roosler pour lesquels ce dernier
est dans un régime chaotique ; k est le coefficient de couplage des oscillateurs et les gij sont
les éléments de la matrice de connectivité G.

a) Evaluation du master stability function

En posant (S1) sous la forme x  F  x   kG  H  x  , on a :

1  N 1 1 1 
 xi2  xi3  
1 0 0  1 1 N 1 1 
 1  
F  x    xi  axi 2
H   0 0 0  et G   
 0 0 0  
b  xi
3
 x 1
i  c     1
 1
1 1 N 1 
 1 1 1  N 

Soit y ,y ,y 
1 2 3
les sorties du réseau à la synchronisation, autrement dit

x 1
i  y1 , xi2  y 2 , xi3  y3
i 1,2,...,N
.

Posons e  x  y la différence entre la sortie d’un oscillateur et la sortie synchrone à un

instant t donné. Le système d’erreur est donné par equation suivante (E1):

e   DF  y   kG  H  y   e  E1

0 1 1  1 0 0
   
Avec DF   1 a 0  et DH   0 0 0 
 y3 0 y1  c   0 0 0
  

b) Simulation numérique

Cette partie consiste à présenter le comportement du réseau dans le temps ou en fonction du

paramètre de couplage. Nous allons considérer 100 oscillateurs et les valeurs des paramètres
sont telles que présentée plus haut.
 Figure 4: Evolution du oder parameter (Equation (c3)) en fonction du coefficient de
couplage k et snapshot des phases des systèmes respectivement à l’état de désordre et à
la synchronisation

Figure 5: Dynamique de l'erreur de synchronisation (Equation (a1)) en fonction de du

coefficient k.
 Figure 6: Dynamique du master stability function (Equation (E1)) en fonction de k et
évolution temporelle pour deux valeurs du paramètre k.

Bibliographie :
Hodgkin A.L. and Huxley A.F. (1952), ‘A quantitative description of membrane current and
its application to conduction and excitation in nerve’, The Journal of physiology, 117(4) 500-
544.

Nagumo J., Arimoto S. and Yoshizawa S. (1961), ‘Impulses and physiological states in
models of nerve membrane’, ‘Proc. Inst. Radio Engrs’, , volume 502061–2070.

Hindmarsh J.L. and Rose R.M. (1982), ‘A model of the nerve impulse using two first-order
differential equations’, Nature, 296(5853) 162–164.

Rössler O.E. (1979), ‘Continuous chaos—four prototype equations’, Annals of the New York
Academy of Sciences, 316(1) 376–392.
Em Phan V.L. (2015), Analyse asymptotique de réseaux complexes de systèmes de
réactiondiffusion, Ph.D. thesis, Normandie Université.

Kuramoto, Y. (1984), Chemical turbulence, in ‘Chemical Oscillations, Waves, and

Turbulence’, Springer, pp. 111–140.

Pecora, L. M. and Carroll, T. L. (1998), ‘Master stability functions for synchronized coupled
systems’, Phys. Rev. Lett. 80(10), 2109.

Gopal R., Chandrasekar V., Venkatesan A. and Lakshmanan M. (2014a), ‘Observation and
characterization of chimera states in coupled dynamical systems with nonlocal coupling’,
Physical Review E, 89(5) 052914.